From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach

Imagina que estás caminando a través de una biblioteca masiva y antigua donde los libros no están hechos de papel, sino de gigantescas y enredadas redes de cables y tuberías brillantes. Estos no son solo decoraciones; son los planos de cómo una fábrica respira, se mueve y piensa. En el mundo de la ingeniería, estos planos se llaman P&ID (Diagramas de Tubería e Instrumentación). Son el lenguaje secreto que le dice a una computadora cómo operar una planta química, una central eléctrica o una instalación de tratamiento de agua. Durante décadas, estos planos han estado atrapados en papel viejo o como imágenes digitales borrosas. Son como un cofre del tesoro cerrado: lleno de oro (datos valiosos), pero la llave para abrirlo se ha perdido. Los ingenieros tienen que observar estos dibujos desordenados y transcribir manualmente cada una de las conexiones, una tarea lenta y propensa a errores que se siente como intentar copiar una novela a mano mientras alguien cambia constantemente la fuente.

Recientemente, ha llegado un nuevo tipo de "superlector": el Modelo de Lenguaje Grande Multimodal (MLLM). Piensa en estos como detectives de IA que pueden mirar una imagen y leer el texto dentro de ella al mismo tiempo, comprendiendo no solo cómo se ven los símbolos, sino lo que significan. La gran pregunta que los científicos se han estado haciendo es: ¿Podemos simplemente entregarle a estos detectives de IA un plano desordenado y pedirles que lo conviertan instantáneamente en un mapa digital perfecto? ¿O es el trabajo demasiado caótico para un solo vistazo rápido? Este es el rompecabezas que un equipo de investigadores del Imperial College London decidió resolver. Querían saber si podíamos enseñar a estos detectives de IA a dejar de intentar hacerlo todo a la vez y, en su lugar, dividir el trabajo en pasos más pequeños y más inteligentes, utilizando su conocimiento sobre cómo funcionan realmente las fábricas para guiarlos.

Los investigadores se propusieron probar dos formas diferentes de pedirle a una IA que digitalizara estos complejos planos de fábricas. Su primera idea fue el enfoque de "Carrera contra el Reloj": alimentaron a la IA con la imagen completa del plano (cortada en rebanadas para que la IA no se sintiera abrumada) y una breve descripción del proceso, pidiéndole que escupiera un mapa digital perfecto de un solo golpe. Llamaron a este método "Extremo a Extremo" (End-to-End). Es como pedirle a un estudiante que lea un libro de texto completo, comprenda la trama y luego escriba un resumen de los personajes y sus relaciones en una sola sesión sin tomar ningún apunte.

La segunda idea fue el enfoque de "Reunión de Equipo". Aquí, dividieron el trabajo en dos pasos distintos. Primero, un agente de IA actuó como un "Escáner" puro, mirando las rebanadas del plano y simplemente enumerando cada pieza de equipo e instrumento que veía, ignorando cómo estaban conectados. Era como un bibliotecario que simplemente enumera todos los títulos de los libros en un estante sin preocuparse por la historia. Luego, un segundo agente de IA tomó esa lista de nombres y, crucialmente, un conjunto de "reglas de la fábrica" (como "las bombas necesitan un tubo entrando y un tubo saliendo"). Este segundo agente usó su cerebro para descifrar cómo deberían conectarse esas piezas basándose en la lógica de la ingeniería, en lugar de intentar rastrear las líneas desordenadas en la imagen original. Este fue el método "Descompuesto".

Cuando probaron estos métodos en dos diagramas de fábricas reales —una planta de Adsorción por Oscilación de Presión de Nitrógeno y una planta de Desulfuración de Gases de Combustión Húmedos— los resultados fueron claros. El enfoque de la "Carrera contra el Reloj" tuvo dificultades. Incluso con un poco de ayuda de una descripción del proceso, erró en las conexiones aproximadamente el 40% de las veces. Era como si el estudiante adivinara los giros de la trama; podía nombrar a los personajes (el equipo) correctamente, pero seguía confundiendo quién hablía con quién. El enfoque de la "Reunión de Equipo", sin embargo, fue un cambio radical. Al separar la tarea de "ver" de la tarea de "pensar", y al darle al segundo agente de IA una hoja de trucos de reglas de ingeniería, la precisión se disparó.

Para la planta de Nitrógeno, el método de la "Reunión de Equipo" logró una precisión total del 88.78%, en comparación con solo el 68.56% del método de un solo paso. Logró identificar correctamente cada pieza de equipo (100% de precisión de nodos) y descifró las conexiones correctamente el 80.58% de las veces. Para la planta de Lodo y Gas de Escape, que es más compleja, la mejora fue aún más dramática. El método de un solo paso acertó las conexiones solo un 59% de las veces, mientras que el método de la "Reunión de Equipo" saltó a un 74.12% de precisión en las conexiones y un 85.21% de precisión general. Los investigadores midieron esto usando una puntuación de "Distancia Simple", que cuenta cuántos errores (piezas faltantes, piezas extra, conexiones erróneas) cometió la IA. El método de la "Reunión de Equipo" tuvo muchos menos errores, con una puntuación de 24.0 para la planta de Nitrógeno frente a 45.6 para el método de un solo paso.

El artículo sugiere que la salsa secreta no es solo tener una IA más inteligente, sino un flujo de trabajo más inteligente. Resulta que pedirle a una IA que "vea" y "razone" al mismo tiempo es demasiada carga cognitiva, especialmente cuando los dibujos son desordenados y las líneas están rotas. Al permitir que una parte del sistema se concentre puramente en leer el texto y los símbolos, y que otra parte se concentre puramente en aplicar la lógica de ingeniería para descifrar las conexiones, el sistema se vuelve mucho más confiable. El estudio muestra que, si bien un único comando masivo puede funcionar, funciona significativamente peor que dividir la tarea, particularmente para diagramas complejos donde la IA tiende a perderse en los detalles sin la guía estructurada de un flujo de trabajo descompuesto.

Aunque los resultados son prometedores, los autores advierten cuidadosamente que esto es una mejora medida, no una varita mágica que lo soluciona todo instantáneamente. Encontraron que añadir simplemente una descripción del proceso ayudaba un poco, pero fue la combinación de dividir la tarea y añadir reglas específicas de ingeniería lo que marcó la verdadera diferencia. También señalan un obstáculo práctico: los modelos de IA que utilizaron son propietarios (pertenecen a grandes empresas), lo que plantea dudas de privacidad para las fábricas que no quieren compartir sus planos secretos con servidores externos. Sin embargo, sugieren que el mismo flujo de trabajo de la "Reunión de Equipo" podría funcionar con modelos de código abierto en el futuro.

Al final, esta investigación sugiere que el futuro de la digitalización de nuestro mundo industrial no se trata de construir un único supercerebro que lo haga todo, sino de construir un equipo de expertos especializados que hablen entre sí. Al enseñar a la IA a separar el acto de mirar un dibujo del acto de comprender la lógica de la ingeniería detrás de él, podemos convertir esos planos polvorientos y enredados en mapas digitales limpios que las computadoras realmente puedan usar para construir fábricas más inteligentes y seguras. Es un recordatorio de que, a veces, la mejor manera de resolver un problema gigante y desordenado es dividirlo en piezas más pequeñas y manejables y dejar que los expertos hagan lo que mejor saben hacer.