En un entorno industrial cada vez más complejo, competitivo y tecnológicamente avanzado, la gestión eficaz del conocimiento se ha convertido en un activo estratégico.
Por Fernando Mas, CTO del grupo CT Engineering y Director del Centro de Excelencia de MBE.
En los sectores aeroespacial y de defensa —donde la innovación, la seguridad y la fiabilidad son imperativos absolutos— los sistemas de ingeniería se están transformando para capturar, reutilizar y evolucionar el conocimiento técnico con una precisión y una continuidad inéditas. Esta transformación se ve aún más impulsada por la actual situación geopolítica, marcada por tensiones estratégicas, nuevas alianzas tecnológicas y la necesidad de autonomía industrial en contextos críticos para la seguridad y la soberanía de las naciones.
Esta transformación tiene sus raíces en varias décadas de evolución tecnológica e industrial. Desde los primeros sistemas expertos desarrollados en los años 70 y 80 como tímidos intentos de capturar el conocimiento de los especialistas, hasta el auge de la ingeniería basada en el conocimiento, Knowledge-Based Engineering (KBE), en los 90 —que permitió integrar reglas de diseño en herramientas CAD—, el objetivo ha sido siempre sistematizar el saber hacer técnico. A principios del siglo XXI, el desarrollo de ontologías y el enfoque Ontology-Based Engineering (OBE) aportaron una nueva capa de semántica y razonamiento estructurado al conocimiento técnico.
Esta evolución conceptual ha transformado la manera en que se perciben y gestionan los procesos industriales. Lejos de limitarse a la definición clásica de sistemas expertos, ha comenzado a emerger un enfoque más sofisticado que aprovecha las tecnologías digitales avanzadas para formalizar, compartir y reutilizar el conocimiento. En el corazón de esta transformación se encuentra la ingeniería basada en modelos, Model-Based Engineering (MBE). Esta metodología y práctica de desarrollo se ha consolidado como el nuevo estándar para la digitalización de sistemas complejos.
Pero MBE no es solo una forma de diseñar mejor: es, sobre todo, una vía para capitalizar el conocimiento acumulado en los modelos digitales de producto, proceso y sistema.
«los asistentes basados en lenguaje natural, alimentados por modelos Large Language Model (LLM) (como ChatGPT o similares), permiten democratizar el acceso al conocimiento técnico al permitir que ingenieros no expertos en ciertos dominios puedan consultar, modificar o extender modelos mediante interfaces conversacionales.«
De los sistemas expertos al KBE: la formalización del saber hacer
Los sistemas expertos, nacidos en las décadas de 1970 y 1980, fueron el primer intento serio de formalizar el conocimiento experto humano mediante reglas y lógica programada. En el ámbito aeronáutico, se usaron para tareas como el diagnóstico de fallos en sistemas de aviónica o la planificación del mantenimiento. Sin embargo, la rigidez de estos sistemas dificultaba su escalabilidad y adaptación. Es aquí donde aparece el paradigma de los sistemas basados en conocimiento, Knowledge-Based Engineering (KBE): sistemas que integran el conocimiento de diseño en herramientas de modelado paramétrico, automatizando tareas repetitivas y asegurando la coherencia técnica. Empresas como Dassault Systèmes han desarrollado plataformas como CATIA Knowledgeware o KBE Workbenches que permiten encapsular la lógica de diseño en plantillas reutilizables.
KBE permite codificar las reglas de ingeniería, las restricciones de fabricación y las buenas prácticas directamente en los modelos CAD o de simulación. Por ejemplo, el diseño de larguerillos o costillas en alas de aviones puede automatizarse parcialmente aplicando reglas geométricas, estructurales y normativas, reduciendo los tiempos de diseño en fases conceptuales y asegurando la trazabilidad del conocimiento. Estos sistemas se aplicaron con éxito en el diseño de alas del Airbus A330/340 utilizando software ICAD, actualmente integrada en Dassault Systèmes.
Nueva semántica para el conocimiento técnico
Frente a la naturaleza procedural de los sistemas expertos y el KBE, las ontologías aportan una representación formal, semántica y compartida del conocimiento. Una ontología define conceptos, relaciones y restricciones en un dominio, proporcionando un vocabulario común y una lógica de inferencia que puede ser interpretada por máquinas.
En el contexto aeroespacial, proyectos como IDEAS (Integrated Design and Engineering Analysis System) o iniciativas promovidas por la NASA y la ESA han utilizado ontologías para conectar modelos de ingeniería, requisitos de sistemas y datos de simulación. La clave está en que una ontología no solo describe objetos o procesos, sino que permite razonar sobre ellos: por ejemplo, inferir que un fallo en un componente puede afectar a una misión si este está vinculado a subsistemas críticos.
La ingeniería basada en ontologías, Ontology-Based Engineering (OBE), toma esta semántica estructurada y la integra directamente en los procesos de desarrollo y validación de sistemas. La ventaja de OBE frente al KBE clásico es su capacidad para gestionar la complejidad y la evolución del conocimiento, permitiendo adaptarse a nuevos contextos, requisitos o tecnologías.
«La gestión del conocimiento en la industria aeroespacial y de defensa ha dado un salto cualitativo con la convergencia de MBE, ontologías y sistemas de IA. Ya no se trata solo de diseñar mejor, sino de diseñar sabiendo más, y de asegurarse que lo que se aprende hoy no se pierde mañana.»
La IA como catalizador: del conocimiento simbólico al aprendizaje híbrido
Los recientes avances en IA, y en particular en modelos generativos y sistemas de lenguaje natural, están abriendo una nueva dimensión en la gestión del conocimiento. Lejos de sustituir a las ontologías o a los modelos, la IA actual permite combinarlos para crear sistemas híbridos que aprenden de datos y razonan con conocimiento estructurado.
Un ejemplo relevante es el uso de sistemas de IA para asistir en el diseño de sistemas complejos a partir de modelos MBE enriquecidos con ontologías. En entornos como la configuración de aviones militares o plataformas espaciales, donde las combinaciones de requisitos son prácticamente infinitas, la IA puede explorar rápidamente el espacio de diseño proponiendo alternativas compatibles con las restricciones técnicas y logísticas ya modeladas.
Además, los asistentes basados en lenguaje natural, alimentados por modelos Large Language Model (LLM) (como ChatGPT o similares), permiten democratizar el acceso al conocimiento técnico al permitir que ingenieros no expertos en ciertos dominios puedan consultar, modificar o extender modelos mediante interfaces conversacionales.
MBE como infraestructura para la capitalización del conocimiento
El verdadero poder de MBE no reside únicamente en su capacidad para modelar un sistema de forma visual o estructurada, sino en su capacidad para acumular, mantener y evolucionar el conocimiento técnico a lo largo del ciclo de vida. Cada modelo en MBE es un depósito activo de saber: contiene decisiones de diseño, supuestos de operación, reglas de validación, interfaces con otros sistemas, etc.
En programas aeronáuticos de largo ciclo de vida (como el Eurofighter o el A400M), mantener modelos vivos y coherentes a lo largo de décadas supone una ventaja estratégica. No solo para el rediseño o modernización, sino también para la certificación, el soporte logístico o la formación técnica. El desarrollo y mantenimiento de estos modelos no es un coste, sino una inversión en patrimonio intelectual digital. La clave está en diseñar modelos que no sean desechables, sino que puedan evolucionar con el conocimiento, integrando nuevas reglas, tecnologías o necesidades sin partir de cero.
En el sector defensa, se están desarrollando sistemas MBE con soporte ontológico para gestionar el diseño modular de vehículos no tripulados, donde los modelos permiten evaluar en tiempo real el impacto de cambiar sensores, baterías o motores. En el ámbito espacial, proyectos como el Open MBSE Interoperability Specification (OMIS) de la ESA están definiendo marcos comunes para que distintas agencias y contratistas puedan compartir modelos interoperables y comprensibles a lo largo de la cadena de suministro.
Los desafíos, sin embargo, no son menores: falta de estandarización ontológica, dificultad para mantener el alineamiento semántico entre modelos, escasez de perfiles formados en ingeniería y conocimiento computacional, o la necesidad de herramientas más intuitivas.
Así pues, la gestión del conocimiento en la industria aeroespacial y de defensa ha dado un salto cualitativo con la convergencia de MBE, ontologías y sistemas de IA. Ya no se trata solo de diseñar mejor, sino de diseñar sabiendo más, y de asegurarse que lo que se aprende hoy no se pierde mañana. Modelar es conocer, pero sobre todo, modelar bien es no olvidar. Invertir en estos enfoques no es solo una decisión tecnológica: es una decisión estratégica que garantiza que el conocimiento generado en cada proyecto se convierta en una base sólida para innovaciones futuras
Añadir comentario