Tenir milions de punts de dades no és suficient perquè el machine learning funcioni bé. Aquest és el punt de partida que la majoria dels projectes de ML industrial no apliquen correctament — i explica per què tants fracassen silenciosament després del desplegament.
El problema central: fer servir dades no contextualitzades fa que els models aprenguin patrons falsos, la qual cosa porta a outputs poc fiables i, en última instància, a una confiança disminuïda en la tecnologia. Un cop un operari aprèn a desconfiar del sistema, la recuperació és molt difícil.
Contextualitzar dades industrials significa entendre on, quan, com i sota quines condicions es van prendre les mesures. Les metadades — com marques de temps, ubicació del procés, tipus de sensor, o si les dades van ser recollides manualment — et permeten filtrar mesures i vincular números a esdeveniments reals.
Els estàndards de dades industrials com OPC UA i i3X proporcionen marcs per unificar aquesta informació contextual entre sistemes heterogenis. No són simplement decisions d'infraestructura TI — determinen directament si les teves dades d'entrenament són fiables.
Les pràctiques Lean Six Sigma reforcen el mateix principi des del costat operacional: les mesures han de ser traçables i recollides seguint procediments definits. Un MSA (Anàlisi del Sistema de Mesura) que detecta un 30% de variació en les mesures t'està dient que un terç de les teves dades d'entrenament és soroll.
Alimentar models amb dades no validades o sense context és el major error en les implementacions de ML industrial. El model entrena eficientment, les mètriques semblen acceptables al laboratori, i després falla en producció — perquè va aprendre patrons lligats a torns de treball, deriva de sensors o artefactes d'introducció manual de dades en lloc de la física real del procés.
Una estratègia de dades mínima viable per al ML industrial requereix quatre elements: