En el competitivo mundo actual, la industria se enfrenta a una presión sin precedentes. La demanda de productos personalizados, ciclos de vida más cortos, cadenas de suministro globales y la necesidad imperiosa de ser más eficientes y sostenibles son solo algunos de los desafíos. Sobrevivir ya no es suficiente; para prosperar, las empresas deben evolucionar. La respuesta a este desafío no es trabajar más duro, sino trabajar de forma más inteligente. Aquí es donde la Inteligencia Artificial Industrial (IAI) emerge no como una opción futurista, sino como una necesidad estratégica presente.
En este nuevo contexto, las aplicaciones de Inteligencia Artificial incrementan significativamente las capacidades en el sector industrial (Javaid et al., 2022), impulsando la creación de fábricas inteligentes donde todo se lleva a cabo de manera inteligente y automatizada en cada ciclo del proceso de fabricación (Kim et al., 2022).
Este artículo es tu guía. Exploraremos desde los conceptos fundamentales hasta una hoja de ruta práctica para su implementación, desmitificando la tecnología y mostrándote cómo la IAI puede convertirse en el motor de crecimiento y eficiencia para tu organización.
¿Qué es la Inteligencia Artificial Industrial (IAI)?
La Inteligencia Artificial Industrial, o Inteligencia Artificial en la Industria, a menudo abreviada como IAI, se refiere específicamente a la IA aplicada a la industria manufacturera (Kim et al., 2022); en este sentido, la IAI es la aplicación específica de técnicas de inteligencia artificial, como el Machine Learning (ML) y el Deep Learning, a datos generados en entornos industriales. El objetivo de la Inteligencia Artificial Industrial no es crear una conciencia similar a la humana, sino resolver problemas complejos del mundo real en la manufactura, energía, logística, mantenimiento y otros sectores pesados.
Piénsalo de esta manera: si la IA general es un médico con un amplio conocimiento de toda la medicina, la IAI es un cirujano especialista con un profundo y experto conocimiento en un área concreta. La Inteligencia Artificial Industrial utiliza los datos masivos provenientes de sensores, máquinas (IoT), sistemas de control y sistemas de gestión (como un CMMS o ERP) para aprender patrones, predecir resultados y automatizar decisiones complejas, optimizando los procesos a una escala y velocidad inalcanzables para un ser humano.
Clasificación de la Inteligencia Artificial Industrial
El estudio de Leng et al. (2024) presenta una clasificación de la Inteligencia Artificial Industrial (IndAI) basada en niveles de inteligencia, los mismos incluyen: IndAI Compartible (Sharable IndAI), IndAI Autónoma (Autonomous IndAI), IndAI Aprendible (Learnable IndAI), IndAI Conocedora (Knowledgeable IndAI) e IndAI Reactiva (Reactive IndAI).
La distinción clave: IA Industrial vs. IA General
Es crucial entender que no toda la IA es igual. La IA que recomienda series en Netflix o el asistente de voz de tu teléfono (IA General o de Consumo) opera con objetivos y datos muy diferentes a los de la Inteligencia Artificial Industrial.
Tabla 01. Inteligencia Artificial Industrial vs Inteligencia Artificial General.
| Característica | Inteligencia Artificial General (de Consumo) | Inteligencia Artificial Industrial (IAI) |
| Objetivo principal | Mejorar la experiencia del usuario, personalización, interacción humana. | Optimizar procesos, aumentar la eficiencia, predecir fallos, mejorar la seguridad. |
| Fuentes de datos | Clics, historiales de búsqueda, «me gusta», datos demográficos, voz, imágenes. | Datos de sensores (presión, vibración, temperatura), PLC, SCADA, imágenes de cámaras industriales, registros de mantenimiento. |
| Naturaleza de los datos | A menudo no estructurados y de gran volumen (Big Data). | Series temporales, datos de alta frecuencia, datos de ingeniería estructurados. La calidad y el contexto son críticos. |
| Tolerancia al error | Relativamente alta (una mala recomendación de película no es crítica). | Extremadamente baja (un fallo en la predicción puede causar paradas de planta millonarias o accidentes). |
| Enfoque | Interacción Humano-Computadora (HCI). | Interacción Máquina-a-Máquina (M2M) y Sistemas Ciberfísicos (CPS). |
| Resultado | Automatización de tareas de marketing, personalización de contenido. | Automatización de la producción, mantenimiento predictivo, control de calidad autónomo. |
¿Por qué la IA Industrial es el motor de la Industria 4.0? Los beneficios que impulsan el cambio
La adopción de la Inteligencia Artificial Industrial no es una moda tecnológica; es una estrategia de negocio con un retorno de la inversión (ROI) tangible y medible. Bharadiya et al. (2023) manifestó que IA mejora la productividad, la calidad del producto y la seguridad de los trabajadores a través de la planificación laboral, el diseño de productos, el mantenimiento predictivo y el uso de «cobots» (robots colaborativos). De esta forma, las empresas que la integran están obteniendo una ventaja competitiva decisiva.
Reducción exponencial de costos operativos y de mantenimiento
El mantenimiento predictivo con IA es el ejemplo estrella. En lugar de reparar equipos cuando fallan (reactivo) o según un calendario fijo (preventivo), la Inteligencia Artificial Industrial analiza datos de vibración, temperatura y otros parámetros en tiempo real para predecir con semanas de antelación cuándo es probable que un componente falle. Esto permite planificar las reparaciones durante paradas programadas, eliminando tiempos de inactividad no planificados, que son una de las mayores fuentes de pérdidas económicas.
Mejora de la calidad y precisión sin precedentes
El ojo humano es bueno, pero se cansa y es subjetivo. Los sistemas de visión artificial impulsados por IA pueden inspeccionar miles de productos por hora en una línea de producción, detectando, por ejemplo, microfisuras, errores de color o defectos de ensamblaje con una precisión y consistencia sobrehumanas. Esto no solo reduce los productos defectuosos que llegan al cliente, sino que también minimiza el desperdicio de material.
Flexibilidad y adaptabilidad para un mercado cambiante
La Inteligencia Artificial Industrial permite que las líneas de producción sean más flexibles. Puede recalibrar máquinas automáticamente para cambiar de un producto a otro (fabricación a medida) o ajustar dinámicamente los parámetros de producción en función de la calidad de la materia prima. En la gestión de la cadena de suministro con IA, los algoritmos pueden prever picos de demanda y optimizar los niveles de inventario y las rutas logísticas en tiempo real.
Toma de decisiones basada en datos, no en intuiciones
Los gerentes de planta y los directores de operaciones a menudo confían en su experiencia, lo cual es valioso pero limitado. La Inteligencia Artificial Industrial procesa millones de puntos de datos para descubrir cuellos de botella ocultos, ineficiencias energéticas o correlaciones inesperadas entre variables del proceso. Proporciona insights avanzados que transforman la toma de decisiones de un arte a una ciencia.
Innovación y competitividad sostenible
Al automatizar tareas repetitivas y peligrosas, la IAI libera a los trabajadores cualificados para que se centren en la innovación, la mejora de procesos y la resolución de problemas complejos. Esto no solo aumenta la satisfacción laboral, sino que impulsa una cultura de mejora continua que mantiene a la empresa a la vanguardia.
Las tecnologías que hacen posible la IA Industrial
La Inteligencia Artificial Industrial no es una única tecnología, sino la convergencia de varias innovaciones poderosas.
Machine Learning y Deep Learning: El cerebro del sistema
El Machine Learning (ML) es el subcampo de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente; mientras que el Deep Learning (Aprendizaje Profundo), una rama más avanzada del ML, utiliza redes neuronales profundas para identificar patrones aún más complejos, siendo ideal para el análisis de imágenes (visión artificial) o datos de sensores complejos.
Kim et al.(2022) destaca que el aprendizaje profundo está comenzando a reemplazar las técnicas tradicionales de análisis de datos, debido a que permite capturar patrones complejos en datos de entrenamiento y reconocer varios tipos de datos no estructurados, lo que ha llevado a un tremendo éxito en áreas como la detección de objetos, el procesamiento del lenguaje natural, el reconocimiento de voz y la síntesis de imágenes realistas.
Internet de las Cosas (IoT): «Los sentidos» de la fábrica
El Internet de las Cosas industrial (IIoT) se refiere a la red de sensores, máquinas y dispositivos conectados que recopilan y transmiten datos. Son los «sentidos» de la fábrica, proporcionando el flujo constante de información que los algoritmos de IA necesitan para «entender» lo que está sucediendo en el mundo físico.
Gemelos Digitales: Simulación para la perfección
Un gemelo digital es una réplica virtual y detallada de un activo físico (como un motor o una línea de producción completa). Se alimenta de datos en tiempo real del activo real. Con un gemelo digital, se puede simular el efecto de un cambio en un proceso, probar diferentes estrategias de mantenimiento o predecir cómo envejecerá un equipo, todo ello en un entorno virtual sin riesgos.
De acuerdo con Javaid et al. (2022), un gemelo digital puede ser empleado para rastrear y evaluar el proceso de fabricación y determinar si pueden surgir problemas de calidad en los productos.
Edge Computing: Inteligencia instantánea en el borde de la red
No todas las decisiones pueden esperar a que los datos viajen a la nube y regresen. El Edge Computing implica procesar los datos y ejecutar algoritmos de IA directamente en o cerca del dispositivo donde se generan los datos (por ejemplo, en una cámara inteligente o un controlador en la propia máquina). Esto es crucial para aplicaciones que requieren una respuesta casi instantánea, como la detección de fallos de seguridad o el control robótico de alta precisión.
Aplicaciones prácticas de la IA que ya están transformando la industria
La teoría es interesante, pero el verdadero valor de la Inteligencia Artificial Industrial radica en sus aplicaciones prácticas. La IA es un motor fundamental para la Industria 4.0, impulsando una transformación digital que abarca desde la planificación de la producción y el diseño de productos hasta la gestión de la cadena de suministro, la calidad, el mantenimiento predictivo y la seguridad (Javaid et al., 2022).
Mantenimiento predictivo: De reactivo a proactivo
Como se mencionó, esta es la aplicación reina. Analiza datos históricos y en tiempo real para predecir fallos en maquinaria y equipos críticos (Javaid et al., 2022), optimizando las estrategias de mantenimiento y maximizando el tiempo de actividad (Uptime).
Control de calidad automatizado y Visión Artificial
Javaid et al. (2022) destaca que IA automatiza completamente el control de las diferentes etapas de los procesos de producción y permite la refinación en tiempo real de cualquier etapa de fabricación basada en las especificaciones del producto.
Las cámaras con IA inspeccionan productos en busca de defectos a velocidades y precisiones imposibles para los humanos, asegurando una calidad constante y reduciendo los costes de no calidad.
Optimización de la producción y la cadena de suministro
Los algoritmos de IA analizan todo el flujo de valor, desde la adquisición de materias primas hasta la entrega final. Optimizan los horarios de producción, gestionan inventarios de forma predictiva y planifican las rutas logísticas más eficientes para reducir costes y mejorar los tiempos de entrega.
Robótica inteligente y automatización avanzada
Ribeiro et al. (2021) estudió la Automatización Robótica de Procesos (RPA) junto con la Inteligencia Artificial (IA) para procesos relacionados con los sistemas de Planificación de Recursos Empresariales (ERP) en el contexto de la Industria 4.0; y encontró que las herramientas de RPA potencian sus funcionalidades con los objetivos de la IA, mejorando la precisión y ejecución de los procesos de RPA en la extracción, reconocimiento, clasificación, pronóstico y optimización de información y procesos.
En este contexto, la IA es fundamental para la automatización y la fabricación inteligente, permitiendo a los robots aprender dinámicas complejas y de alta dimensión, reconocer objetos y aprender políticas de control en entornos dinámicos (Kim et al., 2022).
Los robots industriales equipados con IA pueden realizar tareas complejas y no repetitivas. Pueden adaptarse a los cambios en su entorno, colaborar de forma segura con los humanos (cobots) y autocalibrarse para tareas, como por ejemplo, de soldadura, ensamblaje o empaquetado de alta precisión.
Asistentes virtuales y chatbots para operaciones
Un técnico de mantenimiento puede usar un chatbot de mantenimiento para consultar el historial de fallas de una máquina, solicitar un manual o incluso recibir instrucciones paso a paso para una reparación. Esto acelera la resolución de problemas y democratiza el conocimiento técnico.
IA en sectores específicos: Automotriz, alimentario, farmacéutico y más
Industria automotriz
Javaid et al. (2022) destaca que la industria automotriz continua adoptando los servicios de inteligencia artificial para modernizar sus actividades. La inteligencia artificial industrial se aplica en la optimización de robots de soldadura, control de calidad de pintura y ensamblaje.
Industria alimentaria
La IA, y el big data, son fundamentales para la transformación de la industria alimentaria, ofreciendo beneficios sustanciales en eficiencia, calidad y seguridad (Ding et al., 2023). Los sistemas de IA son capaces de realizar diversas tareas en la industria alimentaria, incluyendo la determinación de la calidad de los alimentos, herramientas de control, clasificación de alimentos y propósitos de predicción (Mavani et al., 2022); asimismo se puede emplear en la clasificación de productos por calidad, predicción de la vida útil y garantía de la seguridad alimentaria.
Según Sharma et al. (2021) reportó que técnicas de IA como las redes neuronales artificiales (ANNs), los algoritmos genéticos (GA), los modelos difusos (FL/modeling), los sistemas basados en agentes (ABSs) y la minería de datos (data mining) son eficaces para pronosticar con precisión y mejorar la producción en la industria alimentaria.
Por su parte, Ding et al. (2023) pronóstica que la industria alimentaria se dirige hacia un futuro basado en tecnologías como la agricultura inteligente, la robótica agrícola, los drones, la impresión 3D y los gemelos digitales.
Industria farmacéutica
Las técnicas de IA, como el aprendizaje automático (ML) y el aprendizaje profundo (DL), están cambiando las fases del descubrimiento de fármacos, incluyendo la identificación de blancos terapéuticos, la optimización de compuestos principales, el diseño de fármacos, el reposicionamiento de fármacos y la mejora de los ensayos clínicos (Yadav et al. 2024); asimismo, están aprovechando las estrategias basadas en IA para mejorar la entrega de fármacos, facilitando la creación de sistemas inteligentes que apuntan a células u órganos específicos, lo que resulta en una mayor eficacia y una reducción de los efectos secundarios no deseados (Bhatt et al. 2024).
Industria de la construcción
Abioye et al. (2021) destaca que la industria de la construcción, que enfrenta problemas de productividad y numerosos desafíos, tiene el potencial de resolver muchos de estos problemas mediante la aplicación de la IA; y que con el aumento de los datos generados a lo largo del ciclo de vida del edificio y la aparición de otras tecnologías digitales, la IA tiene la capacidad de aprovechar estos datos y las habilidades de otras tecnologías para mejorar los procesos de construcción.
Industria energética
De acuerdo con Kim et al. (2022) la IA se aplica en la predicción y monitoreo de la producción de energía, así como en la detección y diagnóstico de fallas (FDD) en componentes de turbinas eólicas (palas, cajas de cambios, cojinetes) y sistemas fotovoltaicos (células, módulos, paneles, arreglos).
Cómo implementar la Inteligencia Artificial Industrial en tu empresa: Una hoja de ruta de 5 pasos
Empezar con la Inteligencia Artificial Industrial puede parecer abrumador. La clave es un enfoque gradual y estratégico. Es importante destacar aunque diferentes sectores industriales comparten problemas comunes, las soluciones de IA adoptadas suelen ser específicas para un sector industrial particular (Jan et al., 2023), lo que significa que pueden ser difíciles de transferir a otros sectores.
Paso 1: Definir objetivos claros y medibles (empezar por el «Porqué»)
No implementes IA por el simple hecho de hacerlo. Identifica un problema de negocio claro. ¿Quieres reducir el tiempo de inactividad de tu máquina más crítica en un 20%? ¿O disminuir los defectos de calidad en la línea X en un 50%? Un objetivo claro guiará todo el proyecto.
Paso 2: Fomentar una cultura de datos (Son tu activo más valioso)
La IA se alimenta de datos. Si tus datos de mantenimiento están en hojas de cálculo desorganizadas o son de mala calidad, tu proyecto de IA fracasará. Es fundamental tener una rutina para recopilar, centralizar y validar datos. La implementación de un Software de Mantenimiento (CMMS/GMAO) moderno es a menudo el primer paso indispensable.
Paso 3: Comenzar con un proyecto piloto de alto impacto
No intentes transformar toda tu fábrica de la noche a la mañana. Elige un área o un problema específico (como el definido en el paso 1) para un proyecto piloto. Esto te permitirá aprender, demostrar el valor de la tecnología y obtener el apoyo de la organización para proyectos más grandes.
Paso 4: Elegir la tecnología y los socios adecuados (software y hardware)
Evalúa las diferentes plataformas de IAI y proveedores de soluciones. Busca socios que no solo ofrezcan tecnología, sino que también entiendan tu sector industrial y puedan guiarte en el proceso. Busca soluciones que se integren con tus sistemas existentes, como tu CMMS.
Paso 5: Capacitar a tu equipo y gestionar el cambio
La Inteligencia Artificial Industrial no reemplaza a los humanos, los potencia. Invierte en la formación de tus ingenieros, técnicos y gerentes para que entiendan cómo usar estas nuevas herramientas. Comunica claramente los beneficios y gestiona las preocupaciones para asegurar una adopción exitosa.
Adoptar la Inteligencia Artificial Industrial no está exento de desafíos. Ser consciente de ellos es el primer paso para superarlos.
El desafío de la calidad y cantidad de datos
Aunque la IA muestra un potencial enorme, aún enfrenta limitaciones como la falta de interpretabilidad y la degradación del rendimiento con la escasez de datos (Kim et al. 2022). Los algoritmos de IA son tan buenos como los datos con los que se entrenan. Recopilar datos limpios, etiquetados y relevantes es a menudo el mayor obstáculo.
Integración con Sistemas Heredados (Legacy Systems)
Muchas fábricas operan con maquinaria y software de hace décadas. Integrar tecnologías modernas de IAI con estos sistemas puede ser complejo y costoso.
La brecha de habilidades y la necesidad de nuevos perfiles
Se necesita personal con habilidades híbridas: conocimiento de ingeniería industrial y ciencia de datos. Encontrar y retener este talento es un desafío clave.
Seguridad, privacidad y el factor humano en la ecuación
Conectar maquinaria crítica a redes aumenta la superficie de ataque para ciberamenazas. Proteger los datos y los sistemas es primordial. Además, surgen cuestiones éticas sobre el uso de datos para monitorear a los trabajadores y el impacto de la automatización en el empleo, lo que requiere una gestión transparente y centrada en el ser humano.
El futuro es ahora: ¿Qué sigue para la Inteligencia Artificial en la Industria?
El futuro de la Inteligencia Artificial Industrial es aún más integrado y autónomo. Veremos sistemas capaces de auto-optimizarse en tiempo real, cadenas de suministro que se reconfiguran solas ante una disrupción y una colaboración cada vez más fluida entre humanos y máquinas inteligentes. La IA Generativa también está llegando a la industria, ayudando a diseñar componentes optimizados o a generar informes de diagnóstico complejos a partir de datos brutos.
Por su parte, Leng et al. (2024) identificó tres oportunidades significativas de la IndAI hacia la Industria 5.0: la inteligencia colaborativa (collaborative intelligence), la inteligencia de autoaprendizaje (self-learning intelligence) y la inteligencia colectiva (crowd intelligence).
Conclusión: Tu próximo paso hacia la Industria Inteligente
La Inteligencia Artificial Industrial ha dejado de ser una visión de futuro para convertirse en una realidad operativa que redefine los límites de la eficiencia, la calidad y la competitividad. No se trata de reemplazar la experiencia humana, sino de aumentarla con la capacidad de análisis y predicción de las máquinas.
El camino hacia la implementación requiere una estrategia clara, un enfoque en la calidad de los datos y un compromiso con la gestión del cambio. Pero los beneficios —desde la drástica reducción de costos hasta la creación de operaciones más resilientes e innovadoras— son innegables. La pregunta ya no es si tu empresa debe adoptar la IAI, sino cuán rápido puedes empezar.
Preguntas Frecuentes (FAQ) sobre IA Industrial
¿Para qué sirve principalmente la inteligencia artificial en la industria?
Principalmente, sirve para optimizar procesos, automatizar tareas complejas y tomar decisiones más inteligentes basadas en datos. Sus aplicaciones más impactantes son el mantenimiento predictivo para reducir paradas, el control de calidad para eliminar defectos y la optimización de la cadena de suministro para mejorar la eficiencia logística.
¿Cuál es la diferencia entre IA y Machine Learning en un contexto industrial?
La IA es el campo general de creación de máquinas inteligentes. El Machine Learning (ML) es una técnica específica dentro de la IA que permite a los sistemas aprender de los datos. En la industria, la mayoría de las «soluciones de IA» son, en realidad, aplicaciones de ML que analizan datos de sensores para predecir resultados.
¿Necesito una gran inversión para empezar a usar IA en mi fábrica?
No necesariamente. La clave no es el presupuesto, sino la cultura de datos. Puedes empezar con proyectos piloto enfocados y utilizar plataformas de IA como servicio (AIaaS) que reducen la inversión inicial. Un primer paso accesible es implementar un buen software de mantenimiento (CMMS) que centralice tus datos operativos.
¿La IA reemplazará los trabajos en el sector industrial?
La Inteligencia Artificial Industrial transformará los trabajos, no necesariamente los eliminará a gran escala. Automatizará tareas repetitivas y peligrosas, permitiendo que los trabajadores se enfoquen en roles de mayor valor que requieren pensamiento crítico, creatividad y supervisión de los sistemas de IA. La recapacitación y el desarrollo de nuevas habilidades serán fundamentales.
¿Qué es un CMMS con IA y cómo ayuda al mantenimiento?
Un CMMS (Sistema de Gestión de Mantenimiento Computarizado) con IA, como los ofrecidos por Fracttal, va más allá de la simple gestión de órdenes de trabajo. Integra algoritmos de Machine Learning que analizan los datos del propio CMMS (historial de fallos, uso de repuestos, horas de operación) para predecir fallos, optimizar los planes de mantenimiento preventivo y ofrecer recomendaciones inteligentes a los equipos de mantenimiento.
Referencias
Abioye, S. O., Oyedele, L. O., Akanbi, L., Ajayi, A., Davila Delgado, J. M., Bilal, M., Akinade, O. O., & Ahmed, A. (2021). Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges. Journal of Building Engineering, 44, 103299. https://doi.org/10.1016/j.jobe.2021.103299
Bharadiya, J. P., Thomas, R. K., & Ahmed, F. (2023). Rise of artificial intelligence in business and industry. Journal of Engineering Research and Reports, 25(3), 85-103.
Bhatt, P., Singh, S., Kumar, V., Nagarajan, K., Mishra, S. K., Dixit, P. K., … & Kumar, S. (2024). Artificial intelligence in pharmaceutical industry: Revolutionizing drug development and delivery. Current Artificial Intelligence, 2(1), E051223224198.
Ding, H., Tian, J., Yu, W., Wilson, D. I., Young, B. R., Cui, X., Xin, X., Wang, Z., & Li, W. (2023). The Application of Artificial Intelligence and Big Data in the Food Industry. Foods, 12(24), 4511.
Jan, Z., Ahamed, F., Mayer, W., Patel, N., Grossmann, G., Stumptner, M., & Kuusk, A. (2023). Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities. Expert Systems With Applications, 216, 119456. https://doi.org/10.1016/j.eswa.2022.119456
Javaid Mohd, Abid Haleem, Ravi Pratap Singh, and Rajiv Suman. 2022. Artificial Intelligence Applications for Industry 4.0: A Literature-Based Study. Journal of Industrial Integration and Management, Vol. 07, No. 01, pp. 83-111 https://doi.org/10.1142/S2424862221300040
Kim, S.W., Kong, J.H., Lee, S.W. et al. Recent Advances of Artificial Intelligence in Manufacturing Industrial Sectors: A Review. Int. J. Precis. Eng. Manuf. 23, 111–129 (2022). https://doi.org/10.1007/s12541-021-00600-3
Leng, J., Zhu, X., Huang, Z., Li, X., Zheng, P., Zhou, X., Mourtzis, D., Wang, B., Qi, Q., Shao, H., Wan, J., Chen, X., Wang, L., & Liu, Q. (2024). Unlocking the power of industrial artificial intelligence towards Industry 5.0: Insights, pathways, and challenges. Journal of Manufacturing Systems, 73, 349-363. https://doi.org/10.1016/j.jmsy.2024.02.010
Mavani, N.R., Ali, J.M., Othman, S. et al. Application of Artificial Intelligence in Food Industry—a Guideline. Food Eng Rev 14, 134–175 (2022). https://doi.org/10.1007/s12393-021-09290-z
Ribeiro, J., Lima, R., Eckhardt, T., & Paiva, S. (2021). Robotic Process Automation and Artificial Intelligence in Industry 4.0 – A Literature review. Procedia Computer Science, 181, 51-58. https://doi.org/10.1016/j.procs.2021.01.104
Sharma, S., Gahlawat, V. K., Rahul, K., Mor, R. S., & Malik, M. (2021). Sustainable Innovations in the Food Industry through Artificial Intelligence and Big Data Analytics. Logistics, 5(4), 66. https://doi.org/10.3390/logistics5040066
Yadav, S., Singh, A., Singhal, R., & Yadav, J. P. (2024). Revolutionizing drug discovery: The impact of artificial intelligence on advancements in pharmacology and the pharmaceutical industry. Intelligent Pharmacy, 2(3), 367-380. https://doi.org/10.1016/j.ipha.2024.02.009
Editor y fundador de «Innovar o Morir». Milthon es Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomas de especialización en Innovación Empresarial (UPV) y Gestión de la Innovación Orientada al Mercado (UPCH-Universitat Leipzig). Cuenta con experiencia práctica en la gestión de la innovación, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA) y trabajado como consultor en diagnóstico para innovación abierta y vigilancia tecnológica. Cree firmemente en el poder de la innovación y la creatividad como motores de cambio y desarrollo.
