Punto informativo
Expo Industria 4.0 2026 Stand PI 9
Green Valley Cantabria Tech
Cantabria, España
Descripción
Green Valley – Cantabria Tech es una iniciativa privada sin ánimo de
lucro que nace desde la cooperación entre los principales agentes
tractores del sector tecnológico y de innovación de Cantabria.
Ecosistema Green Valley – Cantabria Tech
Green Valley Cantabria Tech introduce a 3 empresas de su ecosistema con una muestra de sus soluciones tecnológicas.
Plataforma digital para fabricación de piezas industriales bajo demanda
El demostrador consiste en una plataforma de fabricación digital que permite la conexión en tiempo real entre empresas industriales y proveedores de capacidades productivas, facilitando la identificación, acceso y gestión de servicios de fabricación. El sistema integra información sobre procesos, tecnologías y capacidades industriales, permitiendo optimizar la toma de decisiones en entornos de producción. Opera en tiempo real mediante una interfaz web accesible desde distintos dispositivos.
Incluye la visualización en pantalla y acceso desde dispositivos móviles o portátiles, así como un elemento físico mediante una impresora 3D en funcionamiento en el propio stand. Durante la demostración, se muestra el flujo completo en tiempo real: desde la generación del modelo 3D a partir de prompts, el presupuestado automático mediante su quote engine, hasta la fabricación directa de la pieza.
De este modo, el público puede visualizar de forma clara y aplicada la agilidad de la solución en el proceso completo desde el diseño digital hasta la producción física. Asimismo, se presenta su tecnología de diseño CAD.
Aspectos Innovadores
La solución introduce un enfoque de fabricación digital basado en la agregación estructurada de capacidades industriales, permitiendo su acceso y activación en tiempo real. A diferencia de soluciones tradicionales centradas en relaciones estáticas o proveedores individuales, la plataforma permite una visión integrada y dinámica del ecosistema productivo.
Como elemento innovador, incorpora la estandarización de capacidades de fabricación, facilitando su clasificación, búsqueda y comparabilidad, así como mecanismos de conexión inteligente entre demanda y oferta industrial. Esto habilita modelos de producción más flexibles, distribuidos y resilientes, alineados con los principios de la Industria 4.0.
Implantaciones piloto
La solución cuenta con un año de tracción en el mercado, habiendo sido utilizada por empresas industriales para la identificación y conexión de capacidades de fabricación en entornos reales. Durante este periodo se han validado tanto el modelo de estructuración de capacidades como su aplicabilidad en procesos de búsqueda de proveedores y colaboración industrial.
La experiencia acumulada ha permitido iterar la solución en base a necesidades reales del sector, consolidando su propuesta de valor y demostrando su viabilidad en contextos industriales.
Personas de contacto
Alberto López de la Torre, CEO
Jennifer Arencibia, Co-Founder, CMO & COO
PYTH-IA: Sistema de actuación basado en IA sobre anomalías detectadas en procesos industriales
El punto de partida de la demo es una observación simple: las plantas industriales españolas están saturadas de sistemas que muestran datos (SCADA, MES, dashboards de mantenimiento predictivo, plataformas IIoT) pero ninguno de estos sistemas explica por qué las cosas ocurren. Muestran series temporales, alarmas y umbrales, pero ante una anomalía de calidad o un pico energético inesperado, el operario sigue dependiendo de su experiencia personal para reconstruir la cadena de causas. PYTH-IA hace exactamente lo que estos sistemas no pueden hacer: construye y mantiene actualizada una red de relaciones causales entre las variables del proceso, validada estadísticamente y respaldada por restricciones físicas y de ingeniería.
Sobre esa red causal, la plataforma habilita tres capacidades que hoy no existen en el catálogo de los proveedores tradicionales de software industrial.
- Primero, el análisis de causa raíz hacia atrás: ante una desviación, el sistema reconstruye la cadena de variables que la han producido, incluso atravesando relaciones que ningún operario habría sospechado.
- Segundo, el análisis contrafactual: el operario puede preguntar qué habría ocurrido si una intervención específica se hubiera realizado en un momento anterior, y el sistema responde con una estimación cuantificada del impacto en consumo, calidad y rechazo.
- Tercero, la descomposición del impacto: cuando un coste o un problema aparece, el sistema atribuye qué porcentaje proviene de qué causa, separando contribuciones ambientales, de materia prima, de operador y de proceso.
La demostración utiliza como caso protagonista un proyecto real: la optimización de la composición del hierro base producido en el horno cubilote de la planta de Nissan. En este proceso, los operarios elaboran el hierro base siguiendo recetas predefinidas, pero la composición resultante varía y los resultados analíticos llegan con dos horas de retraso, momento en el cual ya no es posible corregir sin generar pérdidas. Hemos elegido este caso porque permite mostrar en una única narrativa los tres ejes que cubre DDS Core: optimización energética y térmica, estabilidad y calidad de proceso, e inteligencia de decisión, sin recurrir a ejemplos artificiales. La demostración se estructura como una sesión que sigue una jornada productiva real.
Empieza mostrando la vista tradicional, con la anomalía visible en el dashboard pero sin explicación. A continuación se activa la capa causal de PYTH-IA y el visitante observa cómo el sistema reconstruye la cadena de causas que ha generado el problema, atravesando variables como humedad ambiental, temperatura del cubilote y tiempo de fusión. En el siguiente paso, el visitante puede interactuar con un control en pantalla para simular una intervención correctiva en un momento anterior, y el sistema recalcula en tiempo real el ahorro energético, la reducción de rechazo y el coste evitado. La sesión termina mostrando el modo prospectivo, en el cual el sistema propone, sobre el estado actual del proceso, dos acciones recomendadas con impacto cuantificado e intervalos de confianza explícitos.
Para reforzar la idea de que PYTH-IA es una plataforma horizontal y no una solución vertical de hornos, cerramos la sesión con dos referencias adicionales: la optimización energética de planta para Bridgestone en Bilbao y la planificación de producción para Gamesa. La misma arquitectura causal, sobre variables industriales distintas, resuelve problemas distintos.
Implantaciones piloto
- Optimización de la composición del hierro base producido en el horno cubilote de la planta de Nissan.
- Optimización energética de planta para Bridgestone en Bilbao planificación de producción para Gamesa. La misma arquitectura causal, sobre variables industriales distintas, resuelve problemas distintos.
Persona de contacto
Lina Albor, Project Manager
Inspección visual inteligente mediante modelos multimodales de visión y lenguaje natural
Sistema de inspección visual inteligente basado en modelos multimodales de visión y lenguaje, capaz de analizar imágenes y comprender instrucciones en lenguaje natural. Durante la demostración, el sistema opera en tiempo real, permitiendo que los asistentes interactúen directamente con él.
El público puede indicar qué elemento, característica o defecto desean detectar o inspeccionar, y el sistema adaptael análisis al momento, sin necesidad de desarrollar un modelo específico para cada caso.
Esta capacidad permite mostrar cómo los modelos multimodales aportan una mayor flexibilidad frente a los sistemas tradicionales de visión artificial, facilitando la creación de nuevos criterios de inspección de forma inmediata y adaptándose a diferentes escenarios industriales.
Aspectos innovadores
La incorporación de modelos multimodales de visión y lenguaje al ámbito del control de calidad industrial, permitiendo definir nuevas tareas de inspección mediante instrucciones en lenguaje natural, sin necesidad de desarrollar o reentrenar un modelo específico para cada caso de uso.
Frente a las soluciones tradicionales de visión artificial, basadas en algoritmos diseñados para una única tarea, este enfoque ofrece una mayor flexibilidad para adaptarse a nuevos productos, criterios de calidad y escenarios de inspección, reduciendo significativamente los tiempos de configuración y despliegue.
Implantaciones piloto
La tecnología ya se encuentra en fase de implantación y utilización en entornos industriales reales, donde se está empleando para dar respuesta a diferentes necesidades de inspección visual y control de calidad. Estas implantaciones han permitido validar el funcionamiento del sistema en escenarios reales y continuar ampliando sus capacidades a partir de nuevos casos de uso.
Además, la solución dispone de un demostrador online operativo, accesible para clientes y potenciales usuarios, que permite interactuar con el sistema en tiempo real y comprobar de primera mano sus capacidades mediante diferentes ejemplos de inspección. Esta disponibilidad facilita la validación de nuevos casos de uso y acelera el proceso de adopción de la tecnología.
Persona de contacto
Mikel Gorostiza, Ingeniero de Visión Artificial
¿Te interesa alguna de las entidades del punto?
Puedes solicitar una reunión directamente o a través de sus perfiles en el Matchmaking Industry 4.0 2026.
Expo Industria 4.0 2026 es una actividad de demostración tecnológica colectiva coorganizada por DIHBU dentro del EDIH DIGIS3, financiado por la UE.
Ver todas las actividades del Encuentro Tecnológico Burgos Industria 4.0 2026