OK
Urriaren 6tik 8ra, Fira de Barcelonako Gran Via esparruak Alimentaria FoodTech 2026 hartuko du, elikagaien industriarako makineria, teknologia eta osagaien azoka. El Demócrata-ren arabera, 22 herrialdetako 330 enpresa baino gehiago bilduko ditu 15.000 m² inguruan, 38 startup eta 140 espezialista baino gehiagorekin egitarauan. Iragarritako berrikuntzen artean daude lerroan kutsatzaileak eta akatsak aurkitzen dituzten AA duten ikusmen artifizialeko sistemak, produktu-galerak eta ur-kontsumoa murrizteko sentsoreak, eta bizitza baliagarria luzatzeko hotzeko presio altuko prozesatzea.
Bere zuzendariak, Ricardo Márquezek, honela laburbiltzen du Oleo Revista-n: «Alimentaria FoodTech-en ikusiko dugu etorkizuneko elikagaiak nola ekoiztuko diren». Vinetur-ek gai gisa gehitzen ditu biki digitalak eta trazabilitatea, eta Interempresas-ek mantentze prediktiboari eta kalitate-ikuskapenari aplikatutako AA aipatzen du, zeregin espezializatuetan langile faltarekin atzealde gisa.
Zer esan nahi du ontziratze-planta batentzat
Berritasuna ez da adimen artifizialaz hitz egitea, baizik eta ekipo zehatzetan integratuta agertzea: ontzi bat baztertzen duen kamera bat, galera baten berri ematen duen sentsore bat, matxura bat aurreikusten duen eredu bat. Horrek plantara hurbiltzen du, baina beste edozein makina bezala epaitzera ere behartzen du: zure lerroan egiten duenagatik, ez standean.
Ikusmenean, AAk zentzua du arau finkoek huts egiten duten tokian: inoiz berdina ez den produktu naturala, ontzi malguak, forma ezustekoa duten gorputz arrotzak. Baina irudietatik ikasten du, eta onenak zure akatsen irudiak dira, zure argiztapenarekin eta zure abiaduran. Erosi aurretik, komeni da kalitate-irizpidea argi izatea eta bi gauza aldi berean neurtzea: ihes egiten duten akatsak eta baztertzen diren ontzi onak, produktu gehiegi botatzen duen sistema bat ere galera baita.
Galeretan eta kontsumoetan, sentsore batek lerroarekin, txandarekin, erreferentziarekin eta eragin zuen geldialdiarekin gurutzatu daitekeenean bakarrik balio du. Erlazio hori gabe, ur-kontagailu batek edo galdutako produktuaren kontagailu batek zifra bat ematen du, baina ez jarduteko kausa bat.
Mantentze prediktiboan, ereduak ikasten du motorrak, murrizgailuak eta errodamenduak normalean nola portatzen diren, eta zerbait desbideratzen denean ohartarazten du. Datu garbien asteak behar ditu, eta huts eginez gero lerro osoa gelditzen duten ekipoetan hasten da etekina ematen. Zentzuzkoena da gutxi horiekin hastea, matxuren arteko denbora eta konponketa-denbora neurtzea, eta abisuak garaiz iristen dela frogatu duenean zabaltzea. Gure adimen artifizial aplikatuaren orrian azaltzen dugu eremu horietako bakoitza plantan nola txertatzen den.
Azokara eramateko bost galdera
- Zerekin entrenatu zen: zer irudi edo seinale erabiltzen dituen ereduak, eta zure lerroko zenbat adibide behar diren funtziona dezan.
- Baztertze faltsuak: eskatu benetako ekoizpeneko zifra, ez erakustaldikoa, eta nork doitzen duen sistema baldintzak aldatzen direnean.
- Erreferentzia-aldaketa: zer gertatzen den ontzi edo formatu berri batekin; berriro entrenatu behar bada, zenbat behar duen eta nork egiten duen.
- Nora doazen datuak: plantan geratzen diren eta zer bidetatik (OPC UA, Modbus TCP, SQL) iristen diren zure sistemetara.
- Nola frogatzen den emaitza: OEE, galerak edo saihestutako geldialdiak, zure lerroan aurretik eta ondoren neurtuta.
AA azokan dago jada; galdera erabilgarria da zure lerroko zer arazo zehatz konpontzen duen eta nola neurtuko den. Mota horretako proiektu bat baloratzen ari bazara, hitz egin dezagun.
