Resumen: Los entornos de fabricación modernos exigen no sólo predicciones precisas sino también conocimientos interpretables para procesar anomalías, causas fundamentales y posibles intervenciones. Los sistemas de IA existentes a menudo funcionan como cajas negras aisladas, sin la perfecta integración de predicción, explicación y razonamiento causal necesaria para una solución unificada de apoyo a las decisiones. Esta fragmentación limita su confiabilidad y utilidad práctica en entornos industriales de alto riesgo. En este trabajo presentamos CausalTrace, un módulo de análisis causal neurosimbólico integrado en el CoPilot industrial SmartPilot. CausalTrace realiza análisis causales basados en datos enriquecidos con ontologías industriales y gráficos de conocimiento, incluidas funciones avanzadas como descubrimiento causal, razonamiento contrafactual y análisis de causa raíz (RCA). Admite la interacción del operador en tiempo real y está diseñado para complementar a los agentes existentes ofreciendo soporte para la toma de decisiones transparente y explicable. Realizamos una evaluación integral de CausalTrace utilizando múltiples métodos de evaluación causal y el marco C3AN (es decir, IA compuesta, compacta y personalizada con integración neurosimbólica), que abarca principios de solidez, inteligencia y confiabilidad. En un banco de pruebas académico de ensamblaje de cohetes, CausalTrace logró un acuerdo sustancial con expertos en el dominio (ROUGE-1: 0,91 en control de calidad de ontología) y un sólido rendimiento de RCA (MAP@3: 94 %, PR@2: 97 %, MRR: 0,92, Jaccard: 0,92). También obtuvo 4,59/5 en la evaluación C3AN, lo que demuestra precisión y confiabilidad para la implementación en vivo.
Publicado originalmente en export.arxiv.org el 14 de octubre de 2025.
Ver fuente original
