{"id":156,"date":"2026-09-17T11:11:03","date_gmt":"2026-09-17T17:11:03","guid":{"rendered":"https:\/\/zherpa.ai\/blog\/?p=156"},"modified":"2026-09-17T11:12:41","modified_gmt":"2026-09-17T17:12:41","slug":"deductor-peligros-ia-seguridad-industrial-mexico","status":"publish","type":"post","link":"https:\/\/zherpa.ai\/blog\/investigacion\/deductor-peligros-ia-seguridad-industrial-mexico\/","title":{"rendered":"El Deductor de Peligros: \u00bfpuede la IA anticipar accidentes industriales antes de que ocurran?"},"content":{"rendered":"

Esta investigaci\u00f3n comenz\u00f3 con una observaci\u00f3n trivial. Despu\u00e9s de sentir la picadura de un mosquito volte\u00e9 hacia \u00e9l y, casi inmediatamente, sali\u00f3 volando. No s\u00e9 qu\u00e9 provoc\u00f3 su reacci\u00f3n. Pudo responder a movimiento, cambios de luz, vibraci\u00f3n, desplazamiento de aire o simplemente tratarse de una coincidencia. El comportamiento del mosquito no constituye evidencia cient\u00edfica para la hip\u00f3tesis que desarrollaremos aqu\u00ed, pero s\u00ed produjo una pregunta que resulta mucho m\u00e1s interesante que la an\u00e9cdota: \u00bfpodr\u00edamos construir un sistema industrial que reaccione frente al peligro antes de que ocurra el contacto, como si hubiera reconocido que algo peligroso estaba a punto de suceder?<\/strong><\/p>\n

La mayor parte de los sistemas de protecci\u00f3n industrial se dise\u00f1a alrededor de condiciones definidas: una persona cruza determinado l\u00edmite, una puerta se abre, una cortina \u00f3ptica se interrumpe, un sensor alcanza un umbral o una m\u00e1quina entra en un estado que requiere protecci\u00f3n. Estos mecanismos son indispensables y, cuando realizan funciones cr\u00edticas, deben mantener el rigor propio de la seguridad funcional. La inteligencia artificial no elimina esa necesidad.<\/p>\n

Sin embargo, existe otra regi\u00f3n del problema que resulta especialmente atractiva: los segundos, metros o movimientos anteriores<\/strong> a que se alcance la condici\u00f3n cr\u00edtica. Un peat\u00f3n y un montacargas pueden encontrarse todav\u00eda a distancia segura y, al mismo tiempo, sus trayectorias estar convergiendo. Ninguna observaci\u00f3n aislada significa necesariamente que ocurrir\u00e1 un accidente. La combinaci\u00f3n temporal de todas ellas, en cambio, puede describir una situaci\u00f3n cuyo margen de seguridad est\u00e1 desapareciendo.<\/p>\n

\u00c9sa es la hip\u00f3tesis de este art\u00edculo: los avances recientes en percepci\u00f3n artificial, aprendizaje autom\u00e1tico, modelos temporales y fusi\u00f3n de sensores podr\u00edan permitir una nueva capa preventiva capaz de inferir que se est\u00e1 formando una situaci\u00f3n peligrosa antes de que las protecciones cr\u00edticas tengan que actuar<\/strong>.<\/p>\n

A esa capacidad la llamaremos provisionalmente Deductor de Peligros<\/strong>. No se trata de una categor\u00eda t\u00e9cnica normalizada ni de afirmar que una IA puede \u201cadivinar accidentes\u201d. El t\u00e9rmino describe un concepto m\u00e1s preciso: un motor de inferencia preventiva de riesgo<\/strong> que integra observaciones imperfectas del entorno, estima su evoluci\u00f3n temporal y determina cu\u00e1nto margen queda para intervenir antes de alcanzar una situaci\u00f3n cr\u00edtica.<\/p>\n

M\u00e9xico es un laboratorio industrial suficientemente grande para justificar la pregunta<\/h2>\n

Los resultados de los Censos Econ\u00f3micos 2024 reportan 634,248 establecimientos manufactureros y 7,190,294 personas ocupadas en manufactura<\/strong>. Son cifras que describen un ecosistema industrial enorme y heterog\u00e9neo: desde talleres peque\u00f1os hasta complejos altamente automatizados.<\/p>\n

M\u00e9xico tampoco tiene una \u00fanica \u201cf\u00e1brica t\u00edpica\u201d. La fabricaci\u00f3n de partes para veh\u00edculos automotores concentra alrededor de 16 de cada 100 personas ocupadas dentro de las manufacturas; junto a esa industria existen alimentos, bebidas, productos met\u00e1licos, pl\u00e1stico, electr\u00f3nica, maquinaria, textiles, papel, madera y muchas otras actividades con combinaciones radicalmente distintas de personas, veh\u00edculos, procesos y equipos.<\/p>\n

La estructura empresarial agrega otra dimensi\u00f3n. En el conjunto de la econom\u00eda censada, 95.4% de los establecimientos son micro, 4.5% corresponden a peque\u00f1as y medianas empresas y alrededor de 0.2% son grandes. Esto no autoriza a concluir que una empresa peque\u00f1a sea necesariamente menos segura que una grande; s\u00ed indica que cualquier tecnolog\u00eda preventiva destinada al mercado mexicano tendr\u00e1 que coexistir con niveles muy distintos de capital, automatizaci\u00f3n, infraestructura, ingenier\u00eda y capacidad de integraci\u00f3n.<\/p>\n

Si la arquitectura pretende ser relevante para M\u00e9xico, el sistema tendr\u00e1 que adaptarse a la f\u00e1brica y no obligar a la f\u00e1brica a parecerse a un laboratorio<\/strong>.<\/p>\n

Nota metodol\u00f3gica:<\/em> estas fuentes describen universos estad\u00edsticos distintos. Los Censos Econ\u00f3micos caracterizan la estructura manufacturera, mientras que los registros de accidentes del IMSS corresponden a riesgos de trabajo registrados ante el Instituto; por ello, sus cifras no deben utilizarse como un mismo denominador.<\/p>\n

El problema humano detr\u00e1s de las cifras<\/h2>\n

Durante 2024 se registraron ante el IMSS 418,514 accidentes de trabajo<\/strong>, sin contar accidentes de trayecto. De ellos, 859 fueron defunciones clasificadas como accidente de trabajo<\/strong>. Los accidentes registrados produjeron, entre otras consecuencias, 114,606 traumatismos superficiales, 105,458 luxaciones, esguinces y desgarros, 71,039 heridas y 36,581 fracturas. Tambi\u00e9n se registraron 3,391 amputaciones<\/strong>.<\/p>\n

Entre los principales diagn\u00f3sticos aparecen 47,439 heridas de mu\u00f1eca y mano, 24,600 traumatismos superficiales de mu\u00f1eca y mano y 13,327 fracturas en esa misma regi\u00f3n corporal.<\/p>\n

Estas cifras no deben utilizarse de manera oportunista. No sabemos cu\u00e1ntas de esas amputaciones, fracturas o muertes podr\u00edan haberse evitado mediante un sistema como el propuesto. La clasificaci\u00f3n por lesi\u00f3n tampoco identifica autom\u00e1ticamente el mecanismo causal.<\/p>\n

\n

\u00bfQu\u00e9 proporci\u00f3n de los accidentes industriales mexicanos estuvo precedida por una ventana f\u00edsicamente observable durante la cual persona, maquinaria, veh\u00edculo, carga o proceso evolucionaban hacia una condici\u00f3n peligrosa todav\u00eda reversible?<\/strong><\/p>\n<\/blockquote>\n

\u00c9se es el universo verdaderamente relevante para el Deductor de Peligros.<\/p>\n

El accidente deber\u00eda estudiarse como trayectoria, no solamente como evento<\/h2>\n

Las estad\u00edsticas suelen registrar el accidente una vez consumado. Para un sistema preventivo, el instante del da\u00f1o llega demasiado tarde. Lo que necesitamos reconstruir es la secuencia que lo precedi\u00f3.<\/p>\n

Imaginemos una l\u00ednea temporal que comienza cinco segundos antes del evento. En t\u22125<\/code> una persona aparece en determinado punto. En t\u22124<\/code> avanza hacia un pasillo. En t\u22123<\/code> un montacargas emerge detr\u00e1s de una barrera visual. En t\u22122<\/code> las trayectorias comienzan a converger y la distancia disponible para frenar disminuye. En t\u22121<\/code> ambos han entrado en una regi\u00f3n en la que cualquier respuesta depende ya de los reflejos humanos o de una funci\u00f3n cr\u00edtica de seguridad.<\/p>\n

El accidente ocurre en t0<\/code>, pero el riesgo se construy\u00f3 antes<\/strong>. El objetivo ya no ser\u00eda reconocer \u201cc\u00f3mo se ve un accidente\u201d, sino identificar c\u00f3mo desaparece el margen de seguridad<\/strong>.<\/p>\n

Por eso decir que la IA \u201cpredice accidentes\u201d resultar\u00eda excesivo. Una formulaci\u00f3n cient\u00edficamente m\u00e1s prudente ser\u00eda que el sistema estima la evoluci\u00f3n del riesgo y la p\u00e9rdida de margen de seguridad<\/strong>.<\/p>\n

WiFi Sensing es interesante, pero no es el Deductor<\/h2>\n

Una de las tecnolog\u00edas que motivaron inicialmente esta investigaci\u00f3n fue WiFi Sensing, particularmente Channel State Information (CSI)<\/strong>. Las personas, maquinaria y objetos modifican la propagaci\u00f3n de ondas electromagn\u00e9ticas mediante reflexi\u00f3n, absorci\u00f3n, difracci\u00f3n y dispersi\u00f3n. CSI permite obtener informaci\u00f3n m\u00e1s detallada sobre el comportamiento del canal inal\u00e1mbrico que una simple medici\u00f3n de potencia recibida.<\/p>\n

Un trabajo presentado en IEEE WFCS 2025 evalu\u00f3 WiFi-CSI en un entorno industrial con obst\u00e1culos, maquinaria y condiciones dif\u00edciles de propagaci\u00f3n. Utilizando una red neuronal convolucional, los investigadores reportaron m\u00e1s de 99% de accuracy<\/em> al distinguir presencia humana de actividad de m\u00e1quinas y m\u00e1s de 92% en el conteo de hasta tres personas bajo las condiciones del experimento.<\/p>\n

El conjunto de datos relacionado, publicado en Scientific Data<\/em>, comprende aproximadamente 38 horas de registros tomados durante 23 d\u00edas, con 21 participantes, nueve m\u00e1quinas y ocho escenarios. Los resultados muestran el potencial de CSI, pero no constituyen una garant\u00eda de funcionamiento universal.<\/p>\n

IEEE aprob\u00f3 adem\u00e1s 802.11bf-2025<\/strong>, una modificaci\u00f3n de 802.11 orientada a WLAN Sensing. Esto tampoco significa que el WiFi desplegado actualmente en las f\u00e1bricas mexicanas pueda transformarse autom\u00e1ticamente en un sistema de percepci\u00f3n industrial.<\/p>\n

Una f\u00e1brica puede ser un ambiente especialmente dif\u00edcil para CSI. Estructuras met\u00e1licas, tarimas, materiales, motores, puertas, gr\u00faas y veh\u00edculos modifican continuamente las rutas de propagaci\u00f3n. El multipath<\/em> que hace posible extraer informaci\u00f3n del entorno puede convertirse al mismo tiempo en una fuente de variabilidad cuando las condiciones cambian.<\/p>\n

Por eso WiFi Sensing no deber\u00eda concebirse como una \u201cc\u00e1mara invisible\u201d. Su papel puede ser m\u00e1s interesante: actuar como uno de varios sentidos, particularmente donde la l\u00ednea de visi\u00f3n es limitada o inexistente<\/strong>.<\/p>\n

La IA es la parte que abre una dimensi\u00f3n distinta<\/h2>\n

Detectar seres humanos mediante radiofrecuencia no es nuevo. Lo que vuelve especialmente interesante este momento tecnol\u00f3gico es la posibilidad de combinar mejores representaciones de se\u00f1ales, modelos temporales, estimaci\u00f3n de estado, aprendizaje adaptable y fusi\u00f3n multimodal.<\/p>\n

El Deductor podr\u00eda recibir informaci\u00f3n de WiFi-CSI, c\u00e1maras IP procesadas en el borde, radar, UWB, sensores industriales, PLC, telemetr\u00eda de montacargas, estado de maquinaria y mapas del layout. La IA no ser\u00eda \u201cel sensor\u201d. Su responsabilidad consistir\u00eda en integrar evidencias parciales, potencialmente ruidosas y de distinta naturaleza para estimar c\u00f3mo est\u00e1 evolucionando una situaci\u00f3n<\/strong>.<\/p>\n

Una c\u00e1mara detecta a un peat\u00f3n en un pasillo. Eso no implica peligro. La telemetr\u00eda informa que un montacargas circula perpendicularmente. Tampoco implica peligro. Una se\u00f1al NLOS ayuda a confirmar presencia detr\u00e1s de un anaquel. El sistema estima posiciones, velocidades y trayectorias; descubre que convergen, incorpora la distancia de frenado, observa que conductor y peat\u00f3n carecen de l\u00ednea de visi\u00f3n y calcula que el tiempo disponible se reduce r\u00e1pidamente.<\/p>\n

Ning\u00fan dato aislado describe un accidente. La relaci\u00f3n temporal<\/strong> entre ellos describe una situaci\u00f3n en la que el margen de seguridad est\u00e1 disminuyendo.<\/p>\n

De la clasificaci\u00f3n a un modelo temporal de riesgo<\/h2>\n

Una arquitectura experimental seria no deber\u00eda terminar en una salida binaria del tipo PELIGRO = S\u00cd\/NO<\/code>. Para determinadas aplicaciones ser\u00eda posible combinar estimadores cinem\u00e1ticos \u2014incluidos filtros de Kalman u otros estimadores de estado cuando resulten apropiados\u2014 con modelos temporales capaces de representar relaciones no lineales y dependencias m\u00e1s largas.<\/p>\n

En un conflicto peat\u00f3n-veh\u00edculo podr\u00edan estimarse posici\u00f3n, trayectoria, velocidad relativa, distancia, incertidumbre y Time-to-Collision (TTC)<\/strong>. Pero TTC no deber\u00eda convertirse en la m\u00e9trica universal. Una prensa, una celda robotizada, una carga suspendida y un montacargas presentan din\u00e1micas diferentes.<\/p>\n

La representaci\u00f3n general deber\u00eda incorporar estado del peligro, exposici\u00f3n humana, din\u00e1mica relativa, tiempo disponible y severidad potencial<\/strong>, acompa\u00f1adas de una estimaci\u00f3n de incertidumbre.<\/p>\n

Un sistema responsable tampoco deber\u00eda producir la misma confianza cuando las condiciones actuales se parecen a aquellas sobre las que fue validado que cuando el entorno ha cambiado significativamente. En determinadas circunstancias, \u201cno puedo estimar esta situaci\u00f3n con suficiente confianza\u201d<\/strong> puede ser una salida m\u00e1s responsable que una clasificaci\u00f3n aparentemente precisa.<\/p>\n

Comprar tiempo puede ser m\u00e1s valioso que ordenar un paro<\/h2>\n

El Deductor de Peligros no deber\u00eda plantearse inicialmente como sustituto de las funciones certificadas de seguridad de una m\u00e1quina<\/strong>. Una red neuronal probabil\u00edstica no debe convertirse, por simple entusiasmo tecnol\u00f3gico, en reemplazo de una arquitectura dise\u00f1ada para ejecutar una funci\u00f3n cr\u00edtica.<\/p>\n

ISO 13849-1:2023 establece metodolog\u00eda y requisitos para el dise\u00f1o e integraci\u00f3n de partes relacionadas con seguridad de sistemas de control que ejecutan funciones de seguridad. La familia IEC 61508 aborda la seguridad funcional de sistemas el\u00e9ctricos, electr\u00f3nicos y electr\u00f3nicos programables relacionados con seguridad y utiliza niveles de integridad SIL asociados con la reducci\u00f3n de riesgo requerida.<\/p>\n

Por ello proponemos separar conceptualmente dos capas. La primera ser\u00eda predictiva y preventiva<\/strong>: percibe el entorno, fusiona informaci\u00f3n, estima trayectorias, calcula evoluci\u00f3n de riesgo y genera una intervenci\u00f3n anticipativa. La segunda ser\u00eda la capa de seguridad funcional<\/strong>, compuesta por dispositivos, controles y l\u00f3gica validados para ejecutar las funciones cr\u00edticas requeridas por la evaluaci\u00f3n de riesgos.<\/p>\n

La primera intenta impedir que la situaci\u00f3n llegue al punto cr\u00edtico. La segunda protege cuando ese punto se alcanza. Esta distinci\u00f3n es esencial para evitar la promesa irresponsable de \u201cponer IA a controlar m\u00e1quinas peligrosas\u201d.<\/p>\n

La regulaci\u00f3n mexicana ya reconoce el problema f\u00edsico<\/h2>\n

La NOM-004-STPS-1999 regula sistemas de protecci\u00f3n y dispositivos de seguridad en maquinaria y equipo utilizado en centros de trabajo. La NOM-006-STPS-2023 exige considerar zonas de tr\u00e1nsito de trabajadores, riesgos inherentes al manejo de materiales, elementos estructurales con los que pueda existir colisi\u00f3n y operaci\u00f3n simult\u00e1nea de maquinaria a fin de prevenir colisiones y otros accidentes.<\/p>\n

La regulaci\u00f3n ya se\u00f1ala varios de los elementos que el sistema intentar\u00eda modelar: persona, zona, m\u00e1quina, tr\u00e1nsito, simultaneidad y posibilidad de colisi\u00f3n<\/strong>. El Deductor no sustituir\u00eda esas obligaciones; intentar\u00eda a\u00f1adir una capa previa de percepci\u00f3n que permita reconocer cu\u00e1ndo esos elementos est\u00e1n comenzando a formar una condici\u00f3n peligrosa.<\/p>\n

La m\u00e9trica fundamental no deber\u00eda ser 99% de accuracy<\/h2>\n

Una de las trampas al trasladar machine learning hacia seguridad es enamorarse de una m\u00e9trica agregada. Si observamos un mill\u00f3n de instantes de operaci\u00f3n normal y apenas algunos cientos de eventos realmente peligrosos, un modelo puede conseguir una cifra de accuracy<\/em> impresionante y fallar precisamente en los pocos casos que nos interesa detectar.<\/p>\n

Un piloto necesitar\u00eda medir falsos negativos sobre situaciones de riesgo, falsas alarmas por unidad de tiempo, precisi\u00f3n y recall para las clases relevantes, degradaci\u00f3n frente a cambios ambientales y, especialmente, cu\u00e1nto tiempo \u00fatil genera antes del punto cr\u00edtico.<\/p>\n

Llamemos \u0394t preventivo<\/strong> al intervalo entre el momento en que el sistema obtiene evidencia suficiente para generar una intervenci\u00f3n y el momento en que una respuesta preventiva normal deja de ser suficiente. Pero la adquisici\u00f3n, procesamiento, inferencia, comunicaci\u00f3n y respuesta f\u00edsica tambi\u00e9n consumen tiempo.<\/p>\n

\u0394t \u00fatil = horizonte de anticipaci\u00f3n \u2212 latencia extremo-a-extremo \u2212 tiempo f\u00edsico de actuaci\u00f3n<\/strong><\/p>\n

Un montacargas a 15 km\/h se desplaza aproximadamente a 4.17 metros por segundo. Una latencia extremo-a-extremo de 300 milisegundos equivale a aproximadamente 1.25 metros de recorrido<\/strong> antes de completar la respuesta computacional. Despu\u00e9s todav\u00eda existe la din\u00e1mica f\u00edsica del veh\u00edculo. Una inferencia correcta pero tard\u00eda puede tener un valor preventivo pr\u00e1cticamente nulo.<\/p>\n

No queremos una f\u00e1brica que entre en p\u00e1nico<\/h2>\n

Un sistema que genera una alarma cada vez que alguien pasa razonablemente cerca de un veh\u00edculo puede terminar siendo ignorado. Uno que reduce procesos ante cualquier ambig\u00fcedad podr\u00eda perder legitimidad operacional y eventualmente ser desactivado. Las falsas alarmas tienen costo productivo y humano: generan fatiga de alarma y deterioran la confianza.<\/p>\n

Existe una tensi\u00f3n inevitable entre sensibilidad y utilidad. Por eso un buen experimento no deber\u00eda dise\u00f1arse para demostrar que el Deductor funciona, sino para descubrir d\u00f3nde deja de funcionar<\/strong>. Las pruebas deber\u00edan introducir deliberadamente maquinaria encendida y apagada, cambios de layout, puertas abiertas y cerradas, materiales met\u00e1licos, m\u00faltiples personas, trabajadores inm\u00f3viles, veh\u00edculos m\u00f3viles, diferentes cargas, interferencia inal\u00e1mbrica, condiciones NLOS y configuraciones no observadas durante entrenamiento.<\/p>\n

Cuatro escenarios mexicanos donde tendr\u00eda sentido comenzar<\/h2>\n

El primer candidato es la interacci\u00f3n entre montacargas y peatones<\/strong> en almacenes, centros de distribuci\u00f3n y plantas. El segundo son las celdas robotizadas y maquinaria de producci\u00f3n<\/strong>, donde la oportunidad no consiste en reemplazar resguardos o enclavamientos, sino en identificar aproximaciones y estados que indiquen una exposici\u00f3n creciente.<\/p>\n

El tercero comprende manejo de materiales, gr\u00faas y cargas m\u00f3viles<\/strong>. El cuarto son zonas de riesgo din\u00e1micas<\/strong>, donde un espacio puede ser seguro con una m\u00e1quina detenida y transformarse segundos despu\u00e9s en una regi\u00f3n incompatible con presencia humana cuando comienza determinado ciclo.<\/p>\n

\u00bfCu\u00e1ntos accidentes podr\u00eda llegar a mitigar? Un an\u00e1lisis de escenarios, no una predicci\u00f3n<\/h2>\n

Hoy no existe evidencia suficiente para afirmar que el Deductor habr\u00eda evitado determinada proporci\u00f3n de los 418,514 accidentes de trabajo registrados por el IMSS en 2024. Tampoco podemos atribuirle potencial preventivo a las 3,391 amputaciones sin conocer sus mecanismos causales.<\/p>\n

Lo que s\u00ed podemos hacer es dimensionar el problema mediante escenarios expl\u00edcitamente hipot\u00e9ticos<\/strong>. Si apenas 1%<\/strong> de los accidentes registrados perteneciera a clases donde existi\u00f3 una ventana f\u00edsicamente observable y potencialmente direccionable mediante una capa predictiva, el universo ser\u00eda de aproximadamente 4,185 eventos anuales<\/strong>. Si el porcentaje direccionable fuera 2.5%, hablar\u00edamos de aproximadamente 10,463<\/strong>; con 5%, de alrededor de 20,926<\/strong>.<\/p>\n

Si \u2014\u00fanicamente para analizar \u00f3rdenes de magnitud\u2014 una tecnolog\u00eda suficientemente madura lograra mitigar 25% de ese subconjunto, el escenario de 1% equivaldr\u00eda a unos 1,046 eventos<\/strong>; el de 2.5%, a aproximadamente 2,616<\/strong>; y el de 5%, a alrededor de 5,232<\/strong>.<\/p>\n

Estas cifras no son una predicci\u00f3n ni una estimaci\u00f3n emp\u00edrica de accidentes evitables.<\/strong> Los porcentajes 1%, 2.5%, 5% y 25% son supuestos de sensibilidad utilizados exclusivamente para dimensionar \u00f3rdenes de magnitud.<\/p>\n

El siguiente paso de investigaci\u00f3n deber\u00eda sustituir esos porcentajes por evidencia, clasificando accidentes seg\u00fan mecanismo causal y determinando cu\u00e1les presentan simult\u00e1neamente una se\u00f1al observable antes del da\u00f1o, una ventana temporal potencialmente \u00fatil y una intervenci\u00f3n capaz de modificar materialmente la trayectoria del evento.<\/p>\n

De \u201caccidente prevenible\u201d a \u201csituaci\u00f3n recuperable\u201d<\/h2>\n

Una formulaci\u00f3n m\u00e1s \u00fatil que \u201caccidente evitable\u201d es hablar de situaciones recuperables<\/strong>. Una situaci\u00f3n es recuperable mientras existe tiempo, espacio y autoridad operacional suficientes para modificar su evoluci\u00f3n antes del da\u00f1o. El objetivo del Deductor ser\u00eda identificar esas situaciones mientras todav\u00eda queda margen para intervenir.<\/p>\n

Esto permite formular una m\u00e9trica m\u00e1s interesante que accuracy: \u00bfqu\u00e9 porcentaje de situaciones peligrosas detectamos mientras todav\u00eda permanecen recuperables y en cu\u00e1ntas conseguimos aumentar el margen de seguridad sin crear una frecuencia inaceptable de falsas alarmas o interrupciones?<\/strong><\/p>\n

Un piloto serio deber\u00eda empezar sin controlar maquinaria<\/h2>\n

Una primera implementaci\u00f3n responsable podr\u00eda funcionar inicialmente en modo sombra<\/strong>. El Deductor observar\u00eda el ambiente y producir\u00eda predicciones sin autoridad sobre el proceso. Registrar\u00eda entidades detectadas, trayectorias estimadas, estados operacionales, incertidumbre, riesgo inferido, \u0394t preventivo y la intervenci\u00f3n que habr\u00eda recomendado.<\/p>\n

Esta fase permitir\u00eda analizar falsos negativos, falsas alarmas, generalizaci\u00f3n entre turnos, cambios de layout y estabilidad del sistema sin permitir todav\u00eda que un clasificador experimental altere directamente un proceso industrial.<\/p>\n

S\u00f3lo despu\u00e9s de demostrar utilidad repetible tendr\u00eda sentido experimentar con intervenciones preventivas de mayor nivel, siempre dentro de una arquitectura cuya seguridad funcional se dise\u00f1e y eval\u00fae independientemente.<\/p>\n

La verdadera oportunidad no es construir otro sensor<\/h2>\n

Al comenzar esta investigaci\u00f3n parec\u00eda que la innovaci\u00f3n pod\u00eda consistir en utilizar WiFi para crear geocercas invisibles. Despu\u00e9s de revisar el problema, esa idea resulta demasiado estrecha.<\/p>\n

WiFi-CSI puede ser valioso. IEEE 802.11bf puede acelerar WLAN Sensing. Las c\u00e1maras ofrecen informaci\u00f3n visual rica. UWB puede proporcionar localizaci\u00f3n precisa. Radar puede ser \u00fatil bajo determinadas condiciones. Los PLC conocen el estado de los procesos y la telemetr\u00eda de los veh\u00edculos describe velocidad y comportamiento de la m\u00e1quina. Pero ninguno de esos elementos, por s\u00ed mismo, es el Deductor.<\/p>\n

El valor estar\u00eda en integrarlos para construir una representaci\u00f3n temporal del riesgo<\/strong>:<\/p>\n

Percibir \u2192 localizar \u2192 estimar movimiento \u2192 incorporar contexto \u2192 estimar incertidumbre \u2192 calcular margen de seguridad \u2192 determinar \u0394t \u00fatil \u2192 intervenir preventivamente.<\/strong><\/p>\n

Y, en paralelo:<\/p>\n

Seguridad funcional \u2192 detectar condici\u00f3n cr\u00edtica \u2192 ejecutar la funci\u00f3n segura requerida.<\/strong><\/p>\n

Una capa intenta comprar tiempo<\/strong>. La otra conserva la responsabilidad de proteger cuando ese tiempo se agot\u00f3.<\/p>\n

La pregunta que M\u00e9xico deber\u00eda intentar responder<\/h2>\n

M\u00e9xico tiene m\u00e1s de 7.19 millones de personas ocupadas en manufactura y cientos de miles de establecimientos manufactureros. En 2024 se registraron ante el IMSS m\u00e1s de 418 mil accidentes de trabajo, 3,391 amputaciones y 859 defunciones clasificadas como accidentes de trabajo<\/strong>.<\/p>\n

No todos esos accidentes son direccionables mediante inteligencia artificial. Probablemente muchos no lo ser\u00e1n nunca. Pero \u00e9sa no es una raz\u00f3n para abandonar la hip\u00f3tesis; es la raz\u00f3n para investigarla correctamente.<\/p>\n

Necesitamos determinar qu\u00e9 clases de accidentes tienen una prehistoria observable<\/strong>: segundos durante los cuales cambian posici\u00f3n, velocidad, exposici\u00f3n, estado de maquinaria, visibilidad o distancia hasta formar una configuraci\u00f3n cada vez menos recuperable. Despu\u00e9s necesitamos saber si los sensores disponibles pueden observar esa prehistoria con suficiente confiabilidad, si la IA puede integrarla sin producir una tasa operacionalmente inviable de falsas alarmas y si la ventana resultante es suficientemente grande para modificar materialmente la situaci\u00f3n.<\/p>\n

\n

\u00bfPodemos ense\u00f1ar a una f\u00e1brica a reconocer que est\u00e1 perdiendo margen de seguridad antes de que una persona resulte herida?<\/strong><\/p>\n<\/blockquote>\n

La inspiraci\u00f3n vino de un mosquito que pareci\u00f3 reaccionar justo antes de que pudiera alcanzarlo. Una f\u00e1brica no necesita instinto, miedo ni conciencia. Necesita percepci\u00f3n suficiente, un modelo temporal del entorno, conocimiento de sus procesos y capacidad para reconocer que varias se\u00f1ales aparentemente inocuas est\u00e1n comenzando a formar una condici\u00f3n peligrosa.<\/p>\n

El objetivo no es construir una inteligencia artificial que \u201cvea accidentes en el futuro\u201d. Es m\u00e1s modesto y, posiblemente, m\u00e1s \u00fatil: conseguir que una f\u00e1brica advierta que todav\u00eda estamos a tiempo.<\/strong><\/p>\n

Fuentes<\/h2>\n