Construyendo un grafo de inteligencia para materiales industriales.

“Tengo PET.” “Tengo PCB.” “Tengo aluminio.” Son las frases con las que casi siempre empieza una conversación sobre residuos industriales, y ninguna alcanza para tomar una decisión.

Dos cargas de PET pueden valer cosas muy distintas. Importan su origen y su forma —paca, hojuela, pellet—, su color, el nivel de contaminación, su composición, el proceso que lo generó, su especificación, el volumen, la ubicación y el mercado que lo necesita. Una tarjeta PCB y un recorte de aluminio tienen otras dimensiones, pero el problema es el mismo: la categoría es una etiqueta, no una descripción.

Una taxonomía clasifica: cada material va en una caja. Sirve para ordenar, pero no para decidir, porque la decisión depende de relaciones que ninguna caja contiene: este material, generado por este proceso, descrito por esta especificación, evaluado por este mercado, con este resultado.

Un material se entiende por sus relaciones. Si cada flujo se representa como un nodo conectado a un sitio, un proceso, una especificación, un mercado, un resultado y un tiempo, el sistema puede hacer preguntas que una taxonomía no puede contestar.

Tomemos PET cristal. “PET” no dice si es paca o escama, si hay etiquetas, tapas de otro polímero o restos de producto, si proviene de una línea de embotellado o de una devolución, ni cuánto hay cada mes. Con esos datos faltantes, la misma palabra describe materiales con destinos, precios y riesgos distintos. La pregunta deja de ser “¿quién compra PET?” y pasa a ser “¿quién necesita esta especificación, en este volumen, desde esta ubicación?”.

Una tarjeta PCB rechazada en una línea SMT es una categoría completamente distinta, pero el modelo es el mismo: identidad, proceso de origen, motivo del rechazo, lote, especificación y destino. No asumimos contenido metálico ni valores: sin análisis, esos datos forman parte de lo que falta confirmar. Que el mismo marco sirva para ambos es la idea.

Este es el tipo de página donde más importa no exagerar. El grafo no es una base de datos terminada: es una estructura de conocimiento que se construye dimensión por dimensión. Algunas dimensiones ya se capturan; otras se capturan en parte, con apoyo manual; otras son lo siguiente.

El dato más defendible no es lo que un modelo cree que es el material. Es lo que realmente ocurrió con él: si fue aceptado o rechazado, qué precio se realizó, si hubo un problema de calidad, cuánto se recuperó, en qué se transformó, a dónde fue.

Una especificación sola describe; un resultado solo informa; juntos permiten comparar casos y aprender qué funciona. Y esas preguntas son las que un grafo debería poder contestar de forma progresiva: qué ocurrió la última vez que vimos un material similar, qué especificación produjo un rechazo, qué destino produjo un mejor resultado, qué proceso genera más variabilidad.

Las relaciones importan más que los nodos: una lista de materiales no explica nada. La especificación es la dimensión con más poder explicativo, porque es la que el mercado usa para decidir. Los resultados son escasos y por eso valiosos. Y todo dato necesita un nivel de verificación explícito, porque mezclar lo estimado con lo medido es la forma más rápida de perder confianza.

Más resultados, más especificaciones, más relaciones, y mejor integración con los sistemas de la planta. Esa captura de resultados es el tema de Outcome Learning.