salma jalife con iot

Transformación Digital en 5 ejes: Visión SCT-Salma Jalife

Dentro de los cambios que vienen con la transformación digital se encuentran los 5 ejes establecidos por la STC (Secretaría de Comunicaciones y Transporte) en México.

En la pasada conferencia de prensa el 22 de Noviembre del año en curso, Salma Jalife Villalón, Subsecretaria de Comunicaciones y Desarrollo Tecnológico de la Secretaría de Comunicaciones y Transportes (SCT), destacó estos 5 ejes para una óptima transformación digital en el país.

Se destaca infraestructura de telecomunicaciones y radiodifusión; cobertura social y acceso; desarrollo de habilidades y capacidades digitales; tecnologías, estándares, datos, interoperabilidad, ciberseguridad y gobernanza; evaluación y participación interinstitucional.

Como especialista del sector mexicano de las telecomunicaciones, Salma comentó que se está buscando que México sea pionero en la Cuarta Revolución Industrial, así como de la creación del Observatorio Nacional de Tendencias Tecnológicas en Comunicaciones y Tecnologías de la Información, y de Sistemas de Información geográfica para la toma de decisiones.

Precisó que el desarrollo económico y la reducción de brechas sociales de México están ligados a la transformación hacia la Cuarta Revolución Industrial (Industria 4.0), a la que México debe adaptarse.

En los sentidos anteriores, en CodigoIoT estamos trabajando intensamente todos los días para facilitar a los mexicanos el conocimiento del Internet de las Cosas aplicado a la Industria (IIoT), el cual es la columna vertebral de lo que hoy llamamos la Industria 4.0.

Estamos conscientes de la importancia de subirnos como país a la ola de la Industria 4.0, por que de no hacerlo, seguiremos siendo un país consumista de tecnologías, y no un productor de ellas en la nueva economía global, la economía del conocimiento.

Fuente: https://www.eleconomista.com.mx/

 

Industria 4.0

Transformación digital, próximo objetivo para Ibero León

La transformación digital es el próximo objetivo para Ibero León, ya que la institución busca detonar la industria 4.0 en el Estado. Hoy te presentamos el plan de acción que tiene planeado la Universidad Iberoamericana para vincularse con el desarrollo de la industria.
“Hay una intención de la universidad para vincularse con el sector industrial y tenemos capacidad para hacerlo, infraestructura y talento humano”, comentó Juan Flores, director del Parque Científico y Tecnológico de la Universidad Iberoamericana León

La Universidad Iberoamericana León es una institución académica confiada a la Compañía de Jesús con más de 35 años de experiencia en el sector.

Universidad Ibero Campus León

La universidad cuenta con un Parque Científico y Tecnológico que tiene dentro el Laboratorio de industria 4.0, el cual se desarrolló en conjunto con CLAUGTO, IDEA GTO, y el cluster aeroespacial. Se han realizado programas en conjunto con empresas de CLAUGTO, principalmente programas de certificación que han sido de valor para las empresas automotrices locales.

“La industria automotriz es un pilar económico y social del Estado, consideramos que con la potencia del sector académico y en conjunto con las empresas, podríamos detonar la transformación digital de la industria 4.0 en el Estado”, mencionó el director del Parque.

El laboratorio da servicios especializados en el área de manufactura, particularmente a empresas que quieren implementar sistemas de inteligencia artificial, robótica colaborativa y automatización conectada a la nube, los cuales son pilares para la industria 4.0.

inteligencia artificial en construcciónActualmente tienen dos programas que les permiten capacitar y certificar personas especialistas de automatización de la industria automotriz y están arrancando un programa para que las empresas puedan adoptar nuevas tecnologías en sus procesos de manufactura.

El laboratorio cuenta con casi 18 millones de pesos de equipamiento y ofrece la posibilidad de que, si las empresas quieren invertir en cierta tecnología, puedan utilizarla y probarla en el laboratorio antes de hacer la inversión, para que puedan tener la certeza de que el proyecto será viable.

“El sector industrial demanda que el sector académico se involucre para resolver problemas latentes, nosotros pretendemos ser una fuente de conocimientos transferibles y que sean en beneficio del sector manufactura y automotriz, que son pilares muy importantes en el Estado […] Entre más competitiva sea la región, más brechas sociales se van a cerrar”, explicó el director.

Texto recuperado el 04 de mayo del 2022 de clusterindustrial.com.mx

introducción electronica

La fórmula para recopilar efectivamente datos del IoT

Hoy te presentamos la fórmula para recopilar efectivamente datos del IoT, ya que cada vez son más las fábricas que implementan tecnologías en sus procesos. Por lo que una buena contextualización de los datos es clave para mejorar la eficiencia operativa. Los datos de IoT están impulsando iniciativas empresariales digitales como la mejora de la eficiencia operativa de los activos físicos en la fabricación. Los CIOs de fabricación deben maximizar el valor de los datos de IoT etiquetándolos e integrándolos con los datos de fabricación para habilitar las fábricas inteligentes.

Visión general

Impactos

  • Los datos del Internet de las Cosas (IoT) no se utilizan plenamente porque el volumen generado por los activos físicos, como las bombas de calor, los controladores y los actuadores, dificulta el aprovechamiento de las perspectivas de impacto.
  • A menudo, los datos del IoT no se fusionan con otros datos de fabricación, como la información del MES, las bases de datos históricas, el SCADA y el ERP. Sin este contexto, los datos de IoT generarán resultados inexactos e incompletos, lo que conducirá a una mala toma de decisiones y, en última instancia, a la pérdida de beneficios.
  • Los responsables de la toma de decisiones en el ámbito de la fabricación tienen dificultades para entender los datos debido a la mala estructura o al proceso de visualización de los mismos.

Recomendaciones

Los CIOs centrados en la transformación digital de la fabricación y la innovación que están impulsando la iniciativa de la fábrica inteligente deberían:
  • Implementar un motor de recopilación de datos que etiquetará los datos de IoT contextualizándolos en niveles de datos calientes, cálidos o fríos.
  • Establecer un lago de datos que combine tanto los datos de IoT calientes, templados y fríos contextualizados como los datos de producción de fabricación según los requisitos del esquema de datos.
  • Definir el tipo de información empresarial que necesita cada responsable de la toma de decisiones críticas mediante la auditoría de los cuadros de mando existentes y la evaluación del tipo de visualizaciones de datos que necesitan.

Supuesto de planificación estratégica

  • Para el año 2025, el 55% de los fabricantes globales implementarán un data lake habilitado para IoT que proporcionará a los líderes empresariales perspectivas empresariales precisas, frente al 25% actual.

Introducción

Los datos de IoT están permitiendo la iniciativa de la fábrica inteligente al mejorar la eficiencia operativa de los activos físicos, mejorar la experiencia del cliente y crear nuevas oportunidades de ingresos. Durante casi una década, los fabricantes han estado modernizando sus procesos de fabricación con software y tecnologías de IoT. En la Encuesta de Tendencias de Implementación de IoT de Gartner de 2020,1 el 26% de los fabricantes indicaron que han desplegado IoT en entornos de producción a gran escala. Sin embargo, la velocidad y el volumen de los datos de IoT también amenazan con desbordar la infraestructura de fabricación y los procesos empresariales de estas organizaciones, así como las competencias de su personal (véase la nota 1). La ausencia de un data lake habilitado para IoT, la bifurcación de IoT y los datos de fabricación provocarán un aumento de los gastos operativos, vulnerabilidades de seguridad y una mala calidad de los datos. Mediante la introducción de nuevos datos de IoT en tiempo real, los CIOs de fabricación y los líderes de TI permitirán a los responsables de la toma de decisiones clave comprender íntimamente cómo funcionan los activos de fabricación. Sin embargo, si no cuentan con un lago de datos completo, todos los demás proyectos de modernización para mejorar los procesos y la automatización serán inútiles. Si no se curan adecuadamente los datos del IoT con otros datos de fabricación, se obtendrán conocimientos incompletos e imprecisos. Para evitar este posible problema, deben implementar un sólido lago de datos habilitado para IoT en el que se puedan recopilar, contextualizar y visualizar tanto los datos de IoT como los de fabricación.

Pasos para convertir los datos en información útil

gráfico de pasos para convertir datos en informaciónImpactos y recomendaciones

Los datos de IoT no se aprovechan plenamente porque el volumen que generan los activos físicos dificulta la generación y el resumen de perspectivas impactantes. A medida que las inversiones en IoT se materializan por completo en la planta de fabricación, se empiezan a recopilar nuevos flujos de datos. Estos flujos de datos de IoT son abundantes por naturaleza y están crudos, sin filtrar, repetitivos y sin curar. Todos los datos de IoT son telemétricos, y los datos tienen un bajo nivel de contextualización. Cuando los datos IoT se adquieren por primera vez en su forma bruta, se etiquetan inmediatamente como "calientes". Sin embargo, a medida que los datos del IoT se procesan con el tiempo, se añade un mayor nivel de contextualización con la mezcla de datos de fabricación. A medida que pasan por el embudo de contextualización, los datos de IoT revelarán el nivel de utilización y la relevancia para el papel de cada responsable de la fabricación.
  • La adquisición se refiere a los datos brutos de los puntos finales procedentes de los sensores. Los datos brutos de los puntos finales que fluyen a través de una arquitectura de IoT suelen ser de gran volumen, velocidad y variedad. En el punto de agregación, los datos de IoT se etiquetan como "calientes".
  • La contextualización se refiere a la mezcla de datos de fabricación. Las funciones de contextualización pueden ir desde las más simples (por ejemplo, el filtrado) hasta las más sofisticadas (por ejemplo, la clasificación). Los datos de fabricación se mezclan con los datos del IoT, y los datos se etiquetan como cálidos (simplistas) o fríos (sofisticados).
  • Visualizar se refiere a la visualización descriptiva, predictiva y prescriptiva de los datos curados de fabricación e IoT como subproducto de todo el proceso de contextualización.
El modelo está diseñado de manera que los hot data tienen muy poca contextualización y los conocimientos que se producen a partir de los hot data son específicos para caso de uso, mientras que los datos fríos requieren datos de fabricación y tienen varios casos de uso empresarial. Por ejemplo, los hot data podrían representarse como datos de telemetría de series temporales que pueden desencadenar un apagado automático si la máquina alcanza su umbral designado de sobrecalentamiento. Los datos en frío podrían contabilizar el tiempo de inactividad de varias máquinas en la fábrica y crear información sobre por qué y con qué frecuencia las máquinas necesitan ser reparadas o mantenidas para evitar futuros tiempos de inactividad no programados.
 
Ver esta publicación en Instagram
 

Una publicación compartida por Codigo IoT (@codigoiot)

Recomendaciones:

  • Organizar un plan de alineación de la "transformación digital" que conste de sistemas de IoT/TI/OT para determinar de qué activo de fabricación se deben empezar a integrar los datos (véase el análisis de la encuesta: alineación e integración de TI/OT).
  • Cuando ingiera datos de IoT, clasifique los datos calientes en su categoría adecuada (por ejemplo, telemetría, eventos o series temporales) y etiquete los datos de IoT contextualizados como calientes o fríos según los requisitos del esquema de datos.

Añadir los datos de fabricación de las bases de datos MES, Historian, ERP y SCADA a los datos IoT generará resultados más precisos y completos

Las empresas de fabricación llevan mucho tiempo agregando, almacenando y utilizando los datos de fabricación y financieros en un repositorio o almacén de datos. Sin embargo, lo que hace que un lago de datos habilitado para IoT sea diferente es la naturaleza en tiempo real de cómo se ingieren y curan los datos de IoT con los datos de fabricación. El concepto de lago de datos se considera un concepto innovador debido a la capacidad de curar los datos de IoT y de fabricación. Un esquema de datos es el lugar donde se pueden aplicar las reglas de negocio para asignar los datos de IoT a los datos de fabricación designados. El esquema de datos actúa como un marco de trabajo de cómo se utilizan los datos contextualizados y no contextualizados. gráfico de esquema de datos Los CIO y los líderes de TI del sector manufacturero deben empezar por comprender cuáles son los resultados empresariales objetivo de cada función/persona. Deben entender qué problemas operativos constantes experimenta cada función/persona y determinar cómo los datos de IoT contextualizados pueden resolver mejor sus problemas, como se indica en la última columna de la Tabla 1. Cada caso de uso determinará cómo se aprovechan los datos de IoT en cada nivel. Por ejemplo, los responsables de operaciones y equipos pueden experimentar paradas constantes de su maquinaria de fabricación. Esta parada puede deberse a una de varias razones, como la sobrecarga de la máquina durante la época de máxima producción o la sobrecarga de la máquina más allá de sus límites especificados. Los datos "calientes" de IoT que se transmiten desde el sensor son datos de series temporales que se utilizan como métricas de supervisión basadas en el estado. A medida que los datos del IoT pasan por su proceso de contextualización dentro del lago de datos habilitado para el IoT, se convierten en datos muy valorados por diferentes roles/personas para seguir solucionando el apagado involuntario de la maquinaria en la fábrica. Es imperativo que los CIOs de fabricación o los líderes de TI mapeen adecuadamente los datos de IoT con los datos de fabricación apropiados (MES, MoM, APM, EAM o ERP) para proporcionar de la mejor manera los conocimientos requeridos por cada tomador de decisiones específico.

Recomendaciones:

  • Identificar los casos de uso comunes requeridos por cada responsable de la toma de decisiones clave y asignar el tipo de datos de IoT necesarios a cada caso de uso. A continuación, desarrolle un marco de esquema de datos antes de construir un lago de datos habilitado para IoT.
  • Desarrollar un sólido lago de datos habilitado para IoT, ya sea construyéndolo internamente o asociándose con un integrador de IoT que garantice que los datos de producción de IoT y de fabricación puedan contextualizarse adecuadamente.

Los responsables de la toma de decisiones en el sector manufacturero tienen dificultades para entender los datos debido a la mala estructura o al proceso de presentación de los mismos

El paso final de presentar adecuadamente los datos de IoT recién curados en una forma visualmente interesante y valorada ha sido problemático para la TI de fabricación. Varios fabricantes invierten mucho en la ingesta de datos de IoT, la integración de los datos de IoT con los datos de fabricación y la mejora de la calidad de los datos (los datos son precisos y verdaderos). Sin embargo, muchos fabricantes fallan cuando se trata de crear datos visualizados que muestren de manera única la interconectividad de los datos relevantes que muestran la verdadera causa raíz del problema. Tradicionalmente, los cuadros de mando de fabricación han sido estáticos o se han centrado de forma miope en uno o dos elementos de datos que muestran las tendencias pero no cuentan toda la historia. Con el método avanzado de mezcla de datos de fabricación en un lago de datos habilitado para IoT, los líderes de CIO o TI de fabricación tienen la oportunidad de mostrar los datos de una manera más comprensible. Sin embargo, para presentar eficazmente los datos con perspectivas de alto valor, la analítica debe ser inteligente a fin de fusionar una visión completa del rendimiento de las operaciones de fabricación sin ninguna intervención de un científico de datos (véase la figura 3). gráfico de conglomeración de datos La figura 3 muestra cinco vistas de los datos de las series temporales del IoT de fabricación, pero con cinco perspectivas diferentes sobre los datos en función de la sofisticación de la IA integrada en el análisis del IoT. El responsable de la toma de decisiones de fabricación (líder de operaciones, de fabricación o de la C-suite) puede determinar las razones por las que una máquina de fabricación específica está experimentando anomalías durante su funcionamiento. Con la integración de los datos de IoT, el lago de datos habilitado para IoT puede determinar si hubo una reparación importante en la pieza de maquinaria de fabricación durante la anomalía de los datos. Los CIOs de fabricación y los líderes de TI deben trabajar con cada líder de departamento y construir una biblioteca basada en reglas de las métricas que cada tomador de decisiones requiere. La creación de una matriz de este tipo (véase la Tabla 2) impulsará la determinación de qué tipo de datos del IoT son necesarios para cada líder funcional.

Recomendaciones:

  • Colaborar con cada líder de departamento para construir la biblioteca de informes basada en reglas de las métricas que cada tomador de decisiones requiere.
  • Trazar el tipo de KPI y los datos que necesita cada responsable de la toma de decisiones.
  • Proporcionar sugerencias de gráficos de visualización de datos potenciales para estimular la colaboración, y crear una matriz como la que se muestra en la Tabla 2.
  • Auditar el tipo de métricas, informes y presentaciones clave que consume cada responsable de la toma de decisiones del departamento y, a continuación, desarrollar un plan de acción para poner fin a cualquier presentación de datos y/o KPI conflictivos.

Evidencia

Los resultados presentados se basan en la Encuesta de Tendencias de Implementación de IoT de Gartner de 2020, diseñada para ayudar a las empresas que implementan IoT a comprender mejor el uso, el impacto y el ROI de IoT, los gemelos digitales, la IA y otras innovaciones de TI en el futuro de las aplicaciones. La investigación primaria se llevó a cabo en línea desde junio de 2020 hasta julio de 2020 entre 402 encuestados de Norteamérica, EMEA y APAC. Las empresas fueron seleccionadas por tener ingresos anuales inferiores a 100 millones de dólares. También se requería que hubieran completado, o tuvieran previsto completar, el despliegue de al menos un caso de uso o proyecto de IoT para el año 21. Los encuestados debían tener un cargo directivo o superior y debían tener una participación y responsabilidad principal en la toma de decisiones en la implantación de IoT. El estudio fue desarrollado en colaboración por los analistas de Gartner y el equipo de investigación primaria. Descargo de responsabilidad: Los resultados de este estudio no representan al mercado en su conjunto, sino que son una simple media de los resultados de los segmentos de países, sectores y tamaños de empresa cubiertos por esta encuesta."

Nota 1: El efecto de red de los datos de IoT está relacionado con el crecimiento de los dispositivos de IoT y los activos de fabricación

El valor empresarial de IoT tiene que ver con los datos, concretamente con la extracción y explotación del valor empresarial de los enormes volúmenes de información generados por el gran número de sensores y dispositivos desplegados hoy en día. Se espera que este número crezca exponencialmente en los próximos años. Gartner prevé que en 2022 se adquirirán 12 millones de dispositivos de punto final de IoT cada día. Este valor crecerá exponencialmente dado el "efecto red", es decir, el concepto de que el valor de la información crece exponencialmente en relación con el número de conexiones o usuarios involucrados. La Ley de Metcalfe establece que este crecimiento del valor puede expresarse mediante la fórmula n (n-1)/2. En esta fórmula, n puede ser el número de dispositivos IoT en la red. Gartner postula que el IoT crea este efecto de red para los datos y la analítica. El crecimiento de los datos crea economías de escala del lado de la demanda: Cuantos más dispositivos tengamos, más conexiones de esos dispositivos crecerán exponencialmente, aumentando así el valor y el volumen (V + V) de los datos y los análisis.

Crecimiento de los datos y analítica V+V impulsados por el IoT

gráfico del crecimiento de data

Nota 2: Definiciones de datos calientes, cálidos y fríos

  • Hot data son datos de telemetría térmica basados en la condición que una plataforma de análisis de dispositivos consume para ayudar mejor al líder operativo a hacer su trabajo. Un caso de uso común sería la supervisión de una perforadora de producción que alcanza el umbral de sobrecalentamiento. Cuando el taladro alcanza los umbrales de sobrecalentamiento, el sistema de control SCADA reacciona instintivamente apagando el taladro tanto para prevenir más daños como para evitar futuras paradas de producción. Esta parada automática notificará al responsable funcional que, o bien la broca está defectuosa, o bien el material sobre el que está perforando es extraño y debe ser investigado. Los datos en caliente tienen un bajo nivel de contextualización debido a la naturaleza bruta de los datos en caliente que están más cerca de las cosas de fabricación para que la aplicación de mantenimiento basado en la condición del dispositivo (CBM) tome una decisión rápida sobre la tarea.
  • Los datos en caliente suelen ser datos históricos procedentes de una base de datos histórica, un MES o un SPC y una aplicación de mantenimiento predictivo. Los datos históricos con sello de tiempo pueden tener algoritmos analíticos avanzados incrustados en el procesamiento para añadir un mayor grado de contextualización. Un ejemplo es un líder de la cadena de suministro que necesita entender cuál es el rendimiento de la producción de la planta durante un período de tiempo para que el cliente final pueda ser informado de la fecha exacta de entrega. El algoritmo de análisis avanzado, combinado con los datos históricos, tendrá en cuenta cualquier interrupción o posible parada de la planta para que el responsable de la cadena de suministro pueda establecer unas expectativas de entrega realistas. Los datos en caliente suelen estar semicontextualizados debido a que los datos con sello de tiempo no son en tiempo real. Sin embargo, la mezcla de datos calientes con los datos de otros sistemas operativos, como un MES, aportará una contextualización semilibre a los datos.
  • Los datos fríos son datos por lotes mezclados con datos archivados, de inteligencia empresarial y de operaciones. Los datos fríos tienen un alto grado de complejidad cuando se trata de mezclar los datos para obtener información. Los datos fríos son relevantes para los líderes de nivel C que necesitan que los datos se mezclen con otros datos relevantes procedentes de los sistemas operativos de fabricación fragmentados y en silos para contextualizar adecuadamente los datos en una visión. Los datos de los sistemas operativos fragmentados pueden ser datos financieros, de calidad o de planificación de recursos. Los datos del IoT por lotes mezclados con una variedad de datos de sistemas operativos fragmentados pueden dar a los líderes de la C-suite una visión holística de la salud general de las plantas del fabricante en diferentes territorios para que se puedan tomar decisiones en toda la empresa.

Nota 3: Modelo de infraestructura de datos y análisis - Almacén frente a lago

La figura 5 ilustra el almacén frente al lago en el modelo de infraestructura de datos y análisis.
gráfico de la infraestructura de datos
Por: Scot Kim Texto recuperado el 14 de junio del 2022 de gartner.com
que es nodemcu codigo iot

México apuesta por capacitación en industria 4.0

México apuesta por capacitación en industria 4.0 al contar con un gran número de sectores que invertien en formación para su personal. Conoce en qué ha consistido esta inversión y cuáles son la industrias más beneficiadas. En México, los sectores industriales que lideran la capacitación en tecnologías de industria 4.0 son el automotriz y el alimentario, que han invertido en recursos importantes, como el reskilling y upskilling para que el personal mejore su perfil profesional y desarrolle o especialice sus competencias en transformación digital. Aida Benavides, gerente didáctica para Festo México, indicó que, en México, muchas organizaciones están trabajando con un concepto de escuela directa: dentro de la compañía, bajo un proceso de formación dual, trabajan con un grupo de jóvenes que están entre los 15 y 18 años, los desarrollan y especializan en el negocio o área acorde con la organización, y los incorporan dentro de sus procesos.

"En Nuevo León, estamos trabajando de la mano con UERRE y Canieti para desarrollar las competencias en los estudiantes, con una apuesta hacia las tecnologías de industria 4.0 y a nivel de los diferentes niveles corporativos. Desde la estrategia, la parte técnica y la decisión entendemos a la industria para llevar a nuestras organizaciones paso a paso a esa evolución", dijo la gerente.

Uno de los retos más importantes en cuanto a capacitación de personal es garantizar que la apropiación de conocimientos se puede llevar a la implementación. Aida Benavides señaló que es uno de los factores más relevantes para que haya consolidación de conocimiento.

"Nos hemos enfocado mucho en los indicadores de gestión para mostrar un número que esté en verde, pero muchas veces dejamos de lado si realmente se aplica el conocimiento en el día a día”.

La gerente indicó que el área de oportunidad más grande recae en las Mipymes, donde la inversión para recursos tecnológicos es más lenta y compleja. "Normalmente, se entiende que invertir en tecnología no es viable financieramente; sin embargo, el retorno de la inversión, cuando hacemos implementación y mejora continua, se refleja en mejoras en productividad y competitividad de la organización". movimiento-tecnológico-Industria-4.0-codigoiot.jpg   CASOS DE ÉXITO El Smart Factory Lab 4.0de la UERRE se enfoca, principalmente, en la capacitación y reconversión ocupacional del talento. “Sabemos que muchas empresas tienen talentos valiosos, pero requieren formación en industria 4.0: sensorización, digitalización y conectividad como principales factores al implementar nuevos procesos; además del internet de las cosas, ciencia de datos y big data (manejo de la información a gran escala)”, indicó Salvador Barrera Aldana, director del Smart Factory Lab 4.0. La UERRE ha colaborado con Pymes y scaleups a través de diversos programas de fondeo. Con grupo Xignux, por ejemplo, realizaron un proyecto de dos años en el que mejoraron diversos procesos de las empresas e implementaron inteligencia artificial en manejo y manipulación de procesos para detección de fallas dentro de una línea de producción.

"Hicimos una clase de semaforización de procesos para el desarrollo de cables. Hicimos más eficiente el proceso a través de sistemas inteligentes”, explicó el director.

Cecilia Vallejo, directora de comunicación y Labs UERRE, indicó que integrarán a nuevas organizaciones para colaboración entre el Smart Factory Lab y el entorno industrial.

Para finalizar, invitó al entorno industrial a realizar sus proyectos en las instalaciones de la Universidad. "Desde vinculación tenemos a los alumnos listos para compartir lo que hacen; para ellos es una oportunidad de aplicar los conocimientos que adquieren en sus clases y adquirir experiencia práctica, y para las empresas es una oportunidad de generar proyectos de valor con nuestros equipos y talento". 

 
Ver esta publicación en Instagram
 

Una publicación compartida por Codigo IoT (@codigoiot)

Por: Perla Eunice Texto recuperado el 14 de julio del 2022 de mexicoindustry.com