Optimización de la gestión de la calidad industrial: impacto del Deep Learning en las metodologías tradicionales

Abstract

En el contexto actual, la gestión de la calidad industrial evoluciona a pasos agrandados, debido, en parte, al crecimiento de tecnologías emergentes como la Inteligencia Artificial (IA), el Procesamiento del Lenguaje Natural (PLN) y los modelos de lenguaje extensos (LLMs, por sus siglas en inglés, Large Language Models). Estas innovaciones están transformando la manera en que las empresas abordan la gestión de sus procesos, permitiéndoles mejorar aspectos como la precisión, la eficiencia y la adaptabilidad en entornos cada vez más competitivos. El PLN, en particular, ha demostrado ser una herramienta poderosa para el análisis y el manejo de grandes volúmenes de datos no estructurados, como los que se generan en la documentación técnica y en los reportes de calidad en la industria. Los LLMs, con su capacidad avanzada para comprender y generar texto de manera contextualizada, están abriendo nuevas posibilidades en la automatización de procesos, desde la gestión de incidencias hasta la mejora continua basada en datos. Este Trabajo de Fin de Máster se centra en este ámbito de innovación tecnológica, con el objetivo de explorar y aplicar las capacidades del Deep Learning y los LLMs en la optimización de la gestión de la calidad industrial. El proyecto se centra en el desarrollo de un chatbot especializado que interactúa con bases de datos SQLite3 y archivos en formato JSON, mediante el uso de dos agentes independientes, facilitando el análisis y el procesamiento automatizado de documentos relacionados con la calidad. Este chatbot emplea tecnologías entre las que se encuentran Python, Docker, Streamlit, y LangChain, y busca ofrecer una solución eficiente y precisa para la gestión de información en un entorno industrial El desarrollo de este sistema incluye varias etapas clave. En primer lugar, se recogen y se procesan los datos externos necesarios, adecuándolos al formato elegido. Posteriormente, se lleva a cabo el desarrollo de la interfaz y del código interno que compone el chatbot, con un enfoque primordial en los agentes, la memoria y los prompt templates, elementos cruciales para mejorar la interacción y la precisión de las respuestas del chatbot. Una vez desarrollado, se procede con la validación del sistema a través de diversas pruebas que evalúan el desempeño de la herramienta en la conversión de documentos PDF a formato JSON y en la interacción usuario-máquina mediante consultas. Los resultados obtenidos han sido analizados y discutidos para identificar las fortalezas y las posibles áreas de mejora del sistema, confirmando su aplicabilidad en entornos realistas.

Los principales objetivos de este TFM son diseñar e implementar un chatbot que optimice la gestión de la calidad industrial mediante el uso de técnicas avanzadas de IA, medir la precisión y la eficiencia del sistema, y proponer un enfoque innovador que integre el Deep Learning en las prácticas industriales actuales. Para lograrlos se requiere ejecutar el desarrollo tecnológico del chatbot, su validación con datos reales. provenientes de una línea industrial, y la evaluación de su impacto en la gestión de calidad. Este trabajo no solo demuestra la viabilidad de aplicar tecnologías de IA y PLN en la optimización de la gestión de calidad, sino que también sienta las bases para futuras investigaciones que podrían ampliar el uso de LLMs en diferentes aspectos de la industria. La integración de estas tecnologías promete no solo mejorar la precisión y la eficiencia de determinados procedimientos tradicionales, sino también transformar la manera en que las empresas gestionan sus procesos, adaptándose mejor a los desafíos de la Industria 4.0.

In the current context, industrial quality management is evolving rapidly, partly due to the growth of emerging technologies such as Artificial Intelligence (AI), Natural Language Processing (NLP), and Large Language Models (LLMs). These innovations are transforming how companies approach the management of their processes, allowing them to improve aspects such as accuracy, efficiency, and adaptability in increasingly competitive environments. NLP has proven to be a powerful tool for analysing and handling large volumes of unstructured data, such as that generated in technical documentation and quality reports in the industry. LLMs, with their advanced capability to understand and generate text in a contextualized manner, are opening new possibilities for process automation, from incident management to data-driven continuous improvement. This Master’s Thesis focuses on this area of technological innovation, aiming to explore and apply the capabilities of Deep Learning and LLMs in optimizing industrial quality management. The project centres on the development of a specialized chatbot that interacts with SQLite3 databases and JSON files using two independent agents, facilitating the automated analysis and processing of quality-related documents. This chatbot employs some technologies including Python, Docker, Streamlit, and LangChain, aiming to provide an efficient and accurate solution for information management in an industrial environment. The development of this system includes several key stages. First, the necessary external data is collected and processed, adapting it to the chosen format. Subsequently, the development of the interface and the internal code that comprises the chatbot is carried out, with a primary focus on agents, memory, and prompt templates, which are crucial elements for enhancing the interaction and accuracy of the chatbot's responses. Once developed, the system is validated through various tests that assess the tool's performance in converting PDF documents to JSON format and in user-machine interaction through queries. The obtained results have been analysed and discussed to identify the system's strengths and potential areas for improvement, confirming its applicability in realistic environments. The main objectives of this Master's Thesis are to design and implement a chatbot that optimizes industrial quality management using advanced AI techniques, to measure the system's accuracy and efficiency, and to propose an innovative approach that integrates Deep Learning into current industrial practices. Achieving these objectives requires executing the technological development of the chatbot, its validation with real data from an industrial line, and the evaluation of its impact on quality management. This work not only demonstrates the feasibility of applying AI and NLP technologies to optimize quality management but also lays the groundwork for future research that could expand the use of LLMs in various aspects of the industry. The integration of these technologies promises not only to improve the accuracy and efficiency of certain traditional procedures but also to transform how companies manage their processes, better adapting to the challenges of Industry 4.0.