Optimización, Procesamiento de Datos, Validación y Seguridad con Python

Ganancias:

• Capacidad para automatizar tareas de optimización y procesamiento de datos con código Python impulsado por IA
• Capacidad para verificar el código generado por IA con verificación unitaria, pruebas y casos extremos
• Capacidad para proteger datos de producción confidenciales y hacer cumplir los principios de uso responsable de la IA.

En ingeniería industrial, tanto la velocidad como la repetibilidad se obtienen cuando los cálculos repetitivos, la limpieza de datos y los modelos de optimización se automatizan con Python. La IA es el acelerador más poderoso para escribir este código: procesamiento de datos con pandas, optimización con PuLP/SciPy, visualización con borradores de código matplotlib en minutos. Pero el código de IA no garantiza inherentemente la diferencia entre "parecer funcionar" y "ser preciso". En esta unidad, combinamos la automatización de ingeniería impulsada por IA, la disciplina de validación de código y los principios de protección de datos de producción confidenciales. Esta unidad es la capa de "aplicar con confianza" a todas las unidades anteriores.

¿Por qué codificar? Repetibilidad y Auditabilidad

Un cálculo manual en Excel dará como resultado que seis meses después se pregunte "¿de dónde vino ese número?" no puedo responder la pregunta. El código, por otro lado, mantiene la entrada, los pasos y la salida claros y repetibles. Tres beneficios de realizar un cálculo de ingeniería en código: (1) siempre el mismo resultado con la misma entrada, (2) hacer que cada paso sea visible y revisable, (3) actualizar automáticamente el resultado cuando cambia la entrada.

# Convertir el cálculo de EOQ en una función verificable import mathdef eoq(annual_demand, order_cost, holding_cost): """Cantidad de pedido económica. Las unidades deben ser consistentes: demanda_anual [artículos/año], costo_pedido [TL/pedido], costo_de tenencia [TL/piezas/año].""" si demanda_anual <= 0 o costo_de tenencia <= 0: rise ValueError("Demanda y tenencia el costo debe ser positivo") return math.sqrt((2 * anual_demand * order_cost) / holding_cost)# Prueba con resultado conocido (verificación):# D=3600, S=120, H=8 -> ~328,6assert abs(eoq(3600, 120, 8) - 328.63) < 0.1print(round(eoq(3600, 120, 8), 1)) #328.6

La línea de afirmación aquí es crítica: prueba con un resultado conocido. Al agregar al menos una "prueba de resultado conocido" a cada función de cálculo que escribe la IA, se demuestra que el código realmente calcula correctamente.

La forma correcta de generar código con IA

Cuanta menos incertidumbre haya al escribir código para IA, más confiable será el resultado.

Rol: Eres un experto en Python y análisis de datos de ingeniería industrial. Tarea: escriba una función que procese los datos de producción diaria (fecha, producción, falla, tiempo de inactividad_minutos) en un CSV y calcule la tasa de desperdicio diario y aproximadamente los componentes OEE. Requisitos: - usar pandas, validar los nombres de las columnas (indique un error comprensible si falta). - Tasa de desperdicio = defectuoso / producido; Proteger contra la división por cero. - Agregue una prueba (afirmación) con un resultado conocido a la función. - Escriba la unidad y los supuestos en la cadena de documentación. Regla: No agregue procesos ocultos que escriban en la red/sistema de archivos. Sólo haz los cálculos. Marque con comentarios donde no esté seguro.

Aviso débil / Aviso fuerte

Aviso débil:

Escriba código que calcule la eficiencia de producción.

El "rendimiento" no está definido, no hay esquema de datos ni pruebas. Incluso si el resultado funciona, no está claro qué calcula.

Potente mensaje:

Calcule OEE para CSV en el siguiente diagrama: columnas [tiempo_planificado, tiempo_de ejecución, ciclo_ideal, producido, calidad]. Disponibilidad = trabajo/planificado, Rendimiento = (ciclo_ideal × producido)/ejecución, Calidad = calidad/producido. OEE es el producto de estos tres. Devuelve cada componente por separado, maneja la división por cero y agrega una prueba de afirmación con valores conocidos.

El segundo mensaje proporciona claramente cada fórmula y diagrama; Elimina la posibilidad de que la IA malinterprete el "rendimiento" y exige la verificación mediante pruebas.

Lista de verificación de verificación de código

Antes de utilizar el código de IA en una decisión de producción, siga estos pasos:

paso

Que comprobar

Unidad/tamaño

¿Son consistentes las unidades de entrada-salida?

Prueba de resultado conocido

¿Da correctamente un ejemplo calculado a mano?

Casos extremos

¿Qué hace cero, datos negativos, vacíos, una sola línea?

Verificación cruzada aritmética

¿El resultado es palpable en una muestra pequeña?

Efecto secundario invisible

¿El código elimina/envía datos?

Precaución: La IA a veces produce código que "funciona pero es incorrecto": por ejemplo, calcula la tasa de desperdicio incorrectamente/producida en lugar de incorrectamente/total, o confunde porcentaje con tasa. El hecho de que el código funcione sin errores no significa que sea correcto. Asegúrese de realizar la prueba con un resultado conocido.

Seguridad y privacidad de datos

Los datos de producción son secretos comerciales: capacidades, costos, demandas de los clientes, precios de los proveedores. Insertarlos impulsivamente en un servicio de inteligencia artificial es un riesgo grave.

• Anonimizar los datos: utilizar códigos en lugar de nombres reales de clientes/proveedores; Reemplace los costos de precisión con valores de muestra.
• Siga la política corporativa: utilice herramientas de inteligencia artificial y reglas de clasificación de datos aprobadas por su empresa.
• Solicite el código, ejecute los datos localmente: haga que la IA escriba el código, pero ejecute el código en su propio entorno, con datos reales. De esta manera, los datos confidenciales no salen a la luz.
• Revise el resultado: compruebe si el código AI envía datos a un lugar inesperado (llamada de red, API externa).

Consejo: El principio de “hacer que la IA escriba código, procese datos localmente” protege la privacidad y evita que la IA genere números falsos. El solucionador/biblioteca real hace el cálculo, la IA simplemente construye el esqueleto.

Mini caso: código que funciona pero es incorrecto

En una fábrica, el ingeniero industrial Mert hace que la IA escriba un guión que produzca un informe OEE mensual. El código se ejecuta sin problemas y ofrece un buen OEE del 92 %. Pero cuando Mert lo prueba con un día conocido (un día que calculó manualmente, que debería tener un OEE del 78%), el código arroja un 92%. Al revisarlo, descubre que la IA ha configurado incorrectamente el componente de rendimiento (utilizando el ciclo promedio en lugar del ciclo ideal). Cuando se corrige, el valor coincide con la realidad. El código estaba produciendo resultados incorrectos sin ningún error. Lección: sin pruebas con resultados conocidos, una OEE inexacta habría entrado en las decisiones de gestión durante meses.

Errores comunes

• Pensar "funcionando = correcto": Aceptar código que no da errores como correcto; no realizar pruebas con resultado conocido.
• Saltarse casos extremos: publicar situaciones como división por cero, datos vacíos, entradas negativas sin probarlas.
• Pegar datos confidenciales: enviar datos reales de costos/clientes a AI sin anonimizarlos.
• Confundir la IA con un solucionador: utilizar el resultado de optimización en el que la IA dice "el resultado es este" como el resultado real del solucionador.
• Perder auditabilidad: compartir código sin documentar suposiciones y unidades.

En resumen

• El código añade repetibilidad y auditabilidad a la cuenta de ingeniería; La IA acelera este código.
• Demuestre la corrección agregando una afirmación con un resultado conocido a cada función de cálculo de IA.
• No utilice el código en una decisión de producción sin pasarlo por una unidad, un caso límite y una lista de verificación cruzada aritmética.
• "Código de trabajo" no significa código correcto; Es posible que funcione perfectamente y calcule incorrectamente.
• Anonimizar los datos de producción confidenciales, cumplir con la política corporativa; Imprima el código en AI pero procese los datos localmente.

Tarea de aplicación

Seleccione un cálculo de ingeniería (EOQ, stock de seguridad, OEE o tiempo estándar). Escriba una función de Python para la IA que realiza este cálculo; Haga cumplir las unidades en la cadena de documentación y el resultado conocido con una prueba de afirmación. Verificación crítica: pruebe la función con al menos tres casos extremos (cero, negativo, nulo) y compárela con un ejemplo calculado manualmente; Demuestre con un valor conocido que el resultado es correcto, incluso si el código se ejecuta sin errores. Luego examine el código desde una perspectiva de "privacidad de datos": ¿existe algún proceso que envía datos? Finalmente, adapte la lista de verificación de esta unidad a su propio flujo de trabajo y cree una lista de verificación.

Examen del módulo

1. En la fabricación ajustada, utilizó IA para crear un mapa de flujo de valor (VSM). ¿Cuál es el mejor paso antes de implementar la sugerencia?

• A) Validar el modelo de IA con observación de campo (gemba) y tiempos reales de ciclo/permanencia ✔
• B) Colgar el mapa directamente en el tablero ya que la IA es un modelo actual
• C) Simplemente arregle los colores y las formas de los cuadros del mapa.
• D) Cambiar el orden de los tipos de residuos y publicarlos

Explicación: La IA genera un boceto de VSM razonable basado en la información que usted proporciona, pero no puede observar los tiempos de proceso ni el desperdicio reales. El principio básico de Lean es 'gemba': el flujo de valor debe verificarse mediante observación y medición en el campo, pero luego usarse como base para decisiones de mejora.

2. ¿Qué conjunto de métricas para evaluar la precisión de un modelo de pronóstico de la demanda aborda directamente este propósito?

• A) Cp y Cpk
• B) MAPE, MAE y RMSE ✔
• C) OEE y MTBF
• D) Takt time y WIP

Explicación: MAPE (error porcentual absoluto medio), MAE y RMSE son métricas que miden el error de pronóstico; Le permite evaluar la precisión del modelo comparando el pronóstico con la demanda real. Cp/Cpk es la capacidad del proceso y OEE es la métrica de eficiencia del equipo.

3. En el cálculo del punto de reorden (ROP), AI le dio un valor. ¿Qué debes hacer primero para utilizar el resultado de forma segura?

• A) Redondea el resultado e introdúcelo directamente en el ERP.
• B) Pregúntale a la IA '¿estás seguro?' y quedar satisfecho con la respuesta 'sí'
• C) Imprima la fórmula, los insumos y las unidades utilizadas y reproduzca el cálculo manualmente/con código ✔
• D) Restablecer completamente el stock de seguridad.

Explicación: Se trabaja con la fórmula ROP = demanda promedio × tiempo de entrega + stock de seguridad. Es necesario verificar el resultado que da la IA imprimiendo explícitamente la fórmula que utiliza y los datos de entrada (tasa de demanda, plazo de entrega, stock de seguridad) y recalculándolo manualmente/en código; de lo contrario no se notará el error unitario o aritmético.

4. ¿Qué mejora normalmente la regla del tiempo de procesamiento más corto (SPT) en la programación de trabajos?

• A) Sólo restablece los tiempos de configuración.
• B) Aumenta físicamente el número de máquinas.
• C) Reduce de forma garantizada el consumo de energía a la mitad
• D) Tiende a reducir el tiempo de flujo promedio y la latencia promedio ✔

Descripción: La regla SPT (tiempo de procesamiento más corto) tiende a reducir el tiempo de flujo promedio y la latencia promedio al adelantar trabajos cortos. Sin embargo, puede posponer constantemente tareas largas; Si la fecha de entrega es crítica, reglas como EDD son más apropiadas. La selección de reglas debe estar justificada por su propósito.

5. ¿Qué significa si el valor de Cpk es significativamente menor que el Cp en SPC?

• A) El promedio del proceso se ha desplazado del centro de tolerancia (problema de centrado) ✔
• B) La varianza del proceso es cero.
• C) Muestra que el número de muestras es grande.
• D) Demuestra que el gráfico de control es innecesario.

Explicación: Cp es el índice de competencia que tiene en cuenta la relación entre la extensión del proceso y el ancho de tolerancia, y Cpk es el índice de adecuación que también tiene en cuenta el desplazamiento del promedio con respecto al centro de tolerancia. Si Cpk es menor que Cp, indica que el proceso está descentrado (el promedio está alejado del objetivo); Aunque la dispersión es la misma, existe un problema de centrado.

6. Utiliza la fórmula dada por AI al calcular el tiempo estándar en el estudio de tiempos. ¿Cuál de las siguientes opciones obtiene correctamente el tiempo estándar?

• A) Tiempo estándar = El tiempo observado, el margen y el tempo no se tienen en cuenta
• B) Hora estándar = Hora normal × (1 + ratio de participación); Tiempo normal = Tiempo observado × ritmo ✔
• C) Tiempo estándar = Tiempo observado ÷ número de máquinas
• D) El tiempo estándar es siempre el tiempo del operador más rápido.

Explicación: Calculado como Hora estándar = Hora normal × (1 + Relación de participación); El tiempo normal se calcula mediante el tiempo observado × Tempo (clasificación). Es obligatorio sumar acciones (descanso, personal, demora). La IA puede dar la fórmula, pero el ritmo y los valores de las acciones deben verificarse mediante observación real y la política de la empresa.

7. AI dijo que brindaba la "mejor" solución a un problema de enrutamiento de vehículos (VRP). ¿Cuál es la evaluación más precisa?

• A) Enviar la ruta directamente a los conductores porque la IA dice "mejor"
• B) Validar la solución frente a las limitaciones de capacidad, ventana de tiempo y costos ✔
• C) Simplemente reduzca el número de paradas y publique
• D) Visualizar el mapa e ignorar las limitaciones.

Explicación: La IA puede modelar incorrectamente restricciones (capacidad del vehículo, ventanas de tiempo, tiempo de conducción) o presentar una solución subóptima como "mejor". Solución; Debe compararse con las limitaciones de capacidad, ventana de tiempo y distancia total/costo y, si es posible, reproducirse y compararse con un solucionador.

8. ¿OEE (Eficacia general del equipo) es el producto de qué tres componentes?

• A) Demanda, stock y costo
• B) Cp, Cpk y sigma
• C) Usabilidad, rendimiento y calidad ✔
• D) Takt, ciclo y tiempo de entrega.

Explicación: OEE = Disponibilidad × Rendimiento × Calidad. La disponibilidad refleja el tiempo de inactividad, el rendimiento refleja las pérdidas de velocidad y la calidad refleja los productos defectuosos. Si la IA da un valor de OEE, es necesario asegurarse de que estos tres componentes se calculen y multipliquen por separado.

9. ¿Cuál es el paso de verificación más crítico al interpretar el resultado de una simulación de eventos discretos?

• A) Validar distribuciones de entrada y supuestos con datos reales ✔
• B) Acortar el tiempo de trabajo y tomar una decisión en una sola condición
• C) Mejorar la paleta de colores de los gráficos.
• D) Ocultar la semilla aleatoria y hacer que el resultado sea irrepetible

Explicación: El resultado de la simulación es tan bueno como los supuestos de entrada. Las distribuciones, el tiempo entre llegadas, los tiempos de servicio y los parámetros del escenario deben compararse y validarse con datos reales; Además, se debe comprobar que el modelo se ha establecido correctamente (verificación). De lo contrario, "basura entra, basura sale".

10. ¿Qué es obligatorio antes de utilizar un script de optimización de Python generado por IA en una decisión de producción?

• A) Aplicar el resultado directamente ya que el código funciona sin errores
• B) Pruebas con resultados conocidos, validación con verificación unitaria y casos extremos, y protección de la confidencialidad de los datos ✔
• C) Acortar nombres de variables y eliminar comentarios
• D) Subir el guión con todos los datos de producción a un servicio público

Descripción: el código AI puede contener una conversión de unidades incorrecta, una restricción incorrecta o un resultado incorrecto en casos extremos. Código; Las entradas de prueba pequeñas con resultados conocidos deben verificarse mediante control de unidad/tamaño y casos extremos, y los datos de producción confidenciales no deben enviarse a servicios externos sin permiso. El resultado se confirma mediante criterio de ingeniería.