Una investigación desarrollada por un equipo de la Universidad Tecnológica de Bolívar y la empresa SERINGTEC analiza el uso de inteligencia artificial para identificar inconsistencias en diagramas industriales. El estudio muestra que un modelo de lenguaje puede detectar errores en la información de diseño con un alto nivel de precisión, a partir de datos reales del proceso.

Palabras clave: : Inteligencia artificial; P&ID; DistilBERT; Bases de datos.

Por: Equipo periodístico ATTUÁ / mayo, 2026

Imagen generada con IA (ChatGPT).

En distintos sectores industriales, como el petróleo, la energía o la producción de alimentos, los procesos dependen de sistemas complejos que deben funcionar de manera coordinada. Para diseñarlos, los ingenieros utilizan diagramas conocidos como P&ID (Piping and Instrumentation Diagram). Este tipo de diagramas de tuberías e instrumentación representan cómo se conectan equipos, tuberías e instrumentos dentro de un proceso, y sirven como base para su construcción y operación.

Más allá de su representación visual, estos diagramas contienen información que debe ser coherente en todo el sistema. Cuando aparecen inconsistencias, pueden generarse errores en el diseño, retrasos en los proyectos o riesgos en la operación.

Un enfoque que se centra en los datos

El estudio al cual hacemos referencia en esta nota periodística se titula “Enhancing consistency in piping and instrumentation diagrams using DistilBERT and smart PID systems”, y fue publicada en la revista Systems and Soft Computing, volumen 7, en 2025. El equipo de investigadores estuvo conformado por los ingenieros Frank Stiven Gómez-Vega, Oscar Acuña, Andrea Camargo, Jeison Jiménez, Sara Galeano, Isabella Franco, Laura Lozano, Jenifer Vásquez y el doctor Edwin Puertas, como parte de un trabajo conjunto entre la empresa SERINGTEC y la Universidad Tecnológica de Bolívar.

Tradicionalmente, la revisión de estos diagramas se realiza de manera manual. Esto implica que profesionales especializados deben analizar la información para verificar que no existan inconsistencias. Sin embargo, este proceso puede ser exigente en tiempo y susceptible a errores humanos.

El estudio señala que este tipo de revisiones puede dar lugar a inconsistencias que afectan la calidad del diseño y el desarrollo de proyectos industriales. En los últimos años, se han desarrollado diferentes enfoques basados en inteligencia artificial para analizar estos diagramas. Sin embargo, gran parte de estos trabajos se ha centrado en el reconocimiento de elementos visuales, como símbolos o componentes.

La investigación propone una aproximación distinta: en lugar de analizar la imagen del diagrama, se enfoca en la información almacenada en bases de datos que registran el proceso de diseño. De acuerdo con el artículo, la detección de inconsistencias en estos datos ha sido menos explorada, a pesar de su relevancia para garantizar la coherencia del sistema.

Aprender del proceso de diseño

Para desarrollar esta propuesta, los investigadores utilizaron un modelo de lenguaje llamado DistilBERT. Este tipo de modelo se emplea originalmente para analizar lenguaje, pero en este caso fue adaptado para trabajar con datos del proceso de diseño. El modelo fue aplicado a información proveniente de un sistema que registra cada cambio realizado durante el diseño.

El conjunto de datos se construyó a partir de más de 100.000 registros, capturando operaciones como inserciones, actualizaciones y eliminaciones dentro de la base de datos. Con esta información, el modelo fue entrenado para identificar inconsistencias en la información del sistema, como relaciones que no coinciden o configuraciones que no son coherentes con el diseño esperado.

Este enfoque marca una diferencia importante. En lugar de revisar únicamente el resultado final, el modelo permite analizar cómo se construye el diseño paso a paso. Esto abre la posibilidad de detectar inconsistencias desde etapas tempranas, antes de que se conviertan en problemas más complejos.

Resultados del modelo

Durante las pruebas, el modelo logró identificar inconsistencias con un nivel alto de precisión. Esto significa que el sistema puede reconocer de manera confiable cuándo hay información que no es coherente dentro del diseño.

Además, los resultados fueron validados por expertos en ingeniería, quienes confirmaron la precisión de las inconsistencias detectadas. Estos resultados muestran el potencial de este tipo de herramientas para apoyar la revisión de diseños industriales, contribuyendo a mejorar la calidad de la información.

Alcances y posibilidades

Los resultados muestran que este enfoque puede contribuir a mejorar la revisión de diseños industriales, al apoyar la identificación de inconsistencias en la información.

El estudio también señala la necesidad de continuar evaluando el modelo en otros contextos y con diferentes tipos de datos, para analizar su aplicabilidad en distintos entornos industriales

Este tipo de investigaciones abre la posibilidad de integrar herramientas de inteligencia artificial en procesos donde la consistencia de la información es clave para evitar errores y mejorar la calidad del diseño. Más allá de automatizar tareas, estos avances invitan a repensar cómo se revisan y construyen los sistemas industriales, incorporando el análisis de datos como parte del proceso mismo.

Para finalizar, te invitamos a leer las palabras clave que se derivan de la revisión de literatura de este estudio con sus respectivas fuentes.

Inteligencia artificial: hace referencia al desarrollo de sistemas capaces de analizar información, reconocer patrones y trabajar a partir de datos. En este estudio se utiliza como herramienta para identificar inconsistencias en información de diseño industrial (Russell & Norvig, 2021).

P&ID: son diagramas utilizados en ingeniería para representar la interconexión de equipos, tuberías e instrumentos dentro de un proceso industrial. Constituyen una herramienta central para el diseño y la operación de estos sistemas.

DistilBERT: es un modelo de lenguaje basado en redes neuronales diseñado para mantener un buen rendimiento reduciendo el tamaño y el costo computacional frente a modelos más grandes como BERT (Sanh et al., 2019).