Eventos y Notas Gratuitas

Inscribite aquí:

Directores, gerentes y responsables de operaciones, calidad, mejora continua e ingeniería de procesos interesados en utilizar los datos de sus procesos para mejorar productividad, calidad y uso de recursos.

  • Ingeniero Mecánico Automotriz, Máster en Dirección de Proyectos y Magíster en Ingeniería de Dirección Industrial (UBA), con formación de posgrado (UBA) en Control de Procesos.
  • Trayectoria consolidada en el análisis, diagnóstico y diseño de planes de mejora de procesos mediante técnicas de análisis de valor, simulación de procesos, analítica de datos, machine learning e inteligencia artificial.
  • Trabajo con grupos de avanzada en el desarrollo de métodos de optimización y mejora continua. Colabora con grandes organizaciones de distintos sectores industriales (automotriz, aeronáutico, químico, metalúrgico, infraestructura aeroportuaria, cementos, banca y consumo masivo) en la mejora de procesos.
  • Certificado como Google Generative AI Leader, con sólida formación en Python y tecnologías de analítica avanzada. Miembro del equipo editorial del estándar industrial OEE (Overall Equipment Effectiveness), contribuyendo al desarrollo y actualización de prácticas de excelencia operacional.

Un mapa simple para ubicar dónde Machine Learning puede ayudar a mejorar su proceso, cómo reconocer los problemas que son buenos candidatos de aplicación y qué necesita para empezar bien.

  • Por qué siguen ocultas algunas oportunidades de mejora permanecen ocultas incluso en procesos controlados.
  • Cómo Machine Learning complementa, y no reemplaza, las herramientas clásicas de calidad y mejora continua.
  • Cómo pasar de analizar fallas a entender y replicar las condiciones del mejor desempeño.
  • En qué etapa de su proceso conviene aplicarlo primero.

Descubra las oportunidades de mejora ocultas en sus datos

Los indicadores y herramientas de uso común tienen un límite natural frente a la complejidad. Cuando un proceso involucra múltiples variables, gran volumen de datos y relaciones no lineales, los enfoques tradicionales ya no logran identificar los patrones subyacentes, dejando invisibles las verdaderas oportunidades de mejora.

  • El límite de la analítica descriptiva (3 min.): La ASQ, referente a nivel global en aseguramiento de la calidad, además de las 7 herramientas básicas de la calidad, recomienda el uso de Machine Learning como complemento. Las herramientas clásicas funcionan muy bien cuando las relaciones son conocidas o pueden formularse como hipótesis explícitas. Cuando el proceso tiene muchas variables que interactúan, relaciones no lineales y mucho volumen, Machine Learning puede ver patrones que las herramientas clásicas no ven, y anticiparse a los defectos.
  • Los 3 componentes mínimos necesarios de un proyecto de machine learning (4 min.): (1) Datos apropiados en (2) cantidad suficiente y (3) buenas hipótesis. ¿qué se obtiene?: Ventaja competitiva, a capacidad para descubrir relaciones que antes no eran visibles.
  • Tareas de Machine Learning (6 min.): Definición gráfica de las tareas de machine learning sin tecnicismos matemáticos. Clasificación (Tipificación e identificación de fallas), Regresión (Predicción y softsensor), Segmentación (Identificar regímenes naturales de funcionamiento) y Asociación (Detectar eventos que ocurren juntos).
  • El mapa de procesos y el aporte de Machine Learning (14 min.): Recorrido por los 6 eslabones del proceso (entradas, decisiones, ejecución, salidas, evaluación y realimentación) para procesos de negocio e industriales, sus vínculos con el aporte de Machine Learning y la mejora de procesos. La mayoría de las organizaciones estudian desviaciones, pocas estudian sistemáticamente los estados de excelencia.
  • Del diagnóstico al Golden Batch / Golden State (3 min.): Cómo pasar de anticipar una falla a prescribir la corrección operativa.

Capacitando a los chicos de la EEST N.º 8 de Morón

En agosto 2026 nació este programa de capacitación gratuita en Controladores Lógicos Programables, especialmente pensado los 40 alumnos próximos a recibirse de técnicos que nos acompañan en la foto.

Cuando Daniel Senesi, Profesor de Prácticas Profesionalizantes de la Escuela de Educación Secundaria Técnica N° 8 de Morón (Provincia de Buenos Aires), nos acercó la propuesta de sumar capacitación para los alumnos de 7.º año, nos encantó la idea y decidimos acompañarla.

El instructor del curso de PLC, Ing. Diego Romero, preparó la capacitacion a medida Ad Honorem compartiendo sus conocimientos y experiencia. Paralelamente, Fernando Sanchez de nuestro equipo, preparó en Moodle el Aula Virtual.

Programa de Prácticas Profesionalizantes

Invitamos a las industrias de Provincia de Buenos Aires a sumarse al Programa incorporando temporalmente a alumnos del último año de Tecnicaturas en Electrónica y en Electricidad de la EEST N.º 8 de Morón. Por favor contactar al Prof. Daniel Senesi eest8moronpracticas@gmail.com para mayor información.

Webinars para ver

Grabaciones
6 Vídeos

Notas gratuitas

Comparte las notas gratuitas en tus redes:

Facebook
Twitter
LinkedIn
WhatsApp