Inteligência Artificial para Industrias: do Preditivo ao Prescritivo e Além

A Inteligência Artificial (IA) existe há décadas, com as primeiras tecnologias em redes neurais, IA de jogos e processamento de linguagem natural datando da década de 1950. Mas essas tecnologias normalmente exigiam computadores muito grandes para operar e existiam principalmente em laboratórios de informática em universidades e outras grandes instituições de pesquisa. Com incríveis avanços de hardware ao longo dos anos, a IA no local de trabalho se tornou uma realidade. Começou devagar, mas depois ganhou força. Hoje, é prolífico e se manifesta de muitas formas. Nos últimos vinte anos, transformou significativamente o local de trabalho industrial. No entanto, o desafio continua sendo preencher a lacuna entre a tecnologia de IA e a compreensão humana.

Benefícios da Inteligência Artificial e do Aprendizado de Máquina (ML)

Erros reduzidos: uma vez que a base de seus modelos de AI é estabelecida, você notará uma redução no número de erros que você obtém. Como a máquina foi treinada para entender e executar a precisão, pequenos erros desaparecem.

Automação: Ter AIs e MLs significa que as tarefas podem ser automatizadas e executadas sem estresse. Esta é uma grande economia de tempo para os consumidores em todo o mundo. A automação também libera recursos para ideias e outros projetos. A automação ajuda você a funcionar de forma eficaz.

Decisões informadas: IAs nos permitem pensar melhor e tomar decisões mais informadas. Apesar de sermos capazes de pensar criticamente como humanos, às vezes somos limitados por nossa velocidade de processamento de informações e nossa capacidade de coordenar montanhas de dados. Além disso, às vezes nossas emoções afetam nossa capacidade de trabalhar. AIs e MLs não têm emoções. Portanto, eles têm apenas um objetivo: realizar a tarefa.

Encontrar soluções e lidar com problemas complexos: AIs e MLs nos ajudam a lidar com problemas complexos, melhorando assim nossa eficiência operacional.

Experiência do cliente aprimorada: geralmente há um atraso entre as necessidades de um cliente e uma resposta comercial para atender a essa necessidade. No entanto, com AIs, existem; chatbots automatizados, e-mails acionados e mensagens personalizadas. Isso torna mais fácil para as empresas satisfazer os clientes rapidamente. Também alivia o departamento de suporte ao cliente, permitindo que eles se concentrem em ser mais produtivos e produzir mais resultados.

Aplicações da tecnologia em diferentes indústrias

AIs e MLs encontram suas aplicações em vários setores, incluindo;

Saúde: a IA está sendo aplicada no setor de saúde de diversas maneiras. É usado na mineração de dados para identificar padrões, cirurgia robótica, descoberta de medicamentos, imagens médicas e outros procedimentos. O IBM Watson é uma ferramenta de IA que pode ser usada para analisar o registro médico de um paciente e identificar possíveis tratamentos.

Varejo e comércio eletrônico: desde a identificação de padrões no comportamento do consumidor para facilitar a compra inteligente até a disponibilidade de chatbots para melhorar a experiência do cliente, o uso de AIs e MLs nos setores de varejo e comércio eletrônico é muito proeminente.

Tecnologia de alimentos: Refeições servidas por robôs, fabricantes de chá inteligentes, processadores de alimentos automatizados, tudo isso é o efeito de IAs na indústria de processamento de alimentos.

Serviços bancários e financeiros: agora existem robôs de software inteligentes para processar pedidos de empréstimo, bem como consultores financeiros robóticos. Outros setores, como logística, transporte, viagens, imóveis e educação, também estão sendo imensamente transformados por AIs e MLs.

Para obter o máximo valor da IA, deve haver um canal humano em toda essa tecnologia de mudança da indústria. A IA está interrompendo o local de trabalho por meio da transformação digital, resultando no uso extensivo do gêmeo digital. Este "gêmeo digital" é efetivamente uma representação virtual de um objeto ou sistema físico. À medida que evoluiu, passou a abranger também entidades maiores, como edifícios, fábricas e cidades. Inclui dados IOT, sistemas computacionais avançados, processos digitais, documentos eletrônicos e análises avançadas que modelam o espaço físico.

No entanto, a IA é necessária para obter o máximo valor do gêmeo digital. A combinação de IA com o gêmeo digital resulta em produtividade significativamente melhorada. Isso não é teoria; isso é um fato e é quantificável. A IA aumenta a produtividade da força de trabalho e melhora a segurança, a confiabilidade, a qualidade e a segurança. Por meio de ganhos de eficiência e redução de resíduos, a IA está criando um ambiente geral mais verde com maior sustentabilidade. A IA também ajuda os próprios trabalhadores.

Estudos mostram que não há pessoal qualificado suficiente para substituir o conhecimento de uma força de trabalho envelhecida que se aproxima rapidamente da aposentadoria. A IA ajuda a facilitar e reduzir essa lacuna. Essa disrupção baseada em IA ajuda muitos aspectos do processo industrial, desde o projeto e engenharia até as operações e manutenção. A IA melhora a engenharia por meio da geração automatizada de projetos, permitindo menor custo total e menor risco em projetos de capital. Depois que o gêmeo digital é colocado em produção, a IA aprimora as operações para processos seguros e lucrativos dentro de restrições e normas regulatórias. Ele automatiza os processos de monitoramento e controle por meio de análises de malha fechada para controle operacional autônomo para garantir segurança e desempenho. A manutenção é muito melhorada por meio de muitas técnicas de IA para aumentar a longevidade e o desempenho dos ativos, garantindo um ambiente seguro e confiável para a força de trabalho por meio de análises preditivas e prescritivas. E o planejamento/programação é otimizado por meio de vários tipos de IA para criar uma abordagem de autoaprendizado para melhoria contínua para reduzir o risco e maximizar a lucratividade.

No entanto, a IA também pode interromper empregos, o que às vezes resulta na eliminação de certos tipos de ocupações. Isso pode ser devastador para os afetados. Mas, ao mesmo tempo, cria uma variedade de novos empregos, como técnicos de serviço de monitoramento, analistas de dados, cientistas de dados etc.

A Forbes estima que 75 milhões de empregos serão deslocados entre 2023 e 2024 devido à IA (máquinas e algoritmos). Ao mesmo tempo, espera-se que 133 milhões de novos empregos sejam criados, resultando em um aumento líquido de 58 milhões de empregos adicionais nos próximos 3-4 anos. Claro, isso não é novidade, a implantação de novas tecnologias vem desestruturando a força de trabalho há séculos. Em última análise, a história mostrou que, embora a inovação elimine alguns empregos, ela normalmente adiciona mais do que destrói, resultando em um aumento líquido na força de trabalho geral. Infelizmente, a IA às vezes pode criar um medo geral do desconhecido, incluindo preocupações com a privacidade e ansiedade de ser substituído.

As empresas devem tomar medidas para garantir que esses medos sejam gerenciados e que canais adequados de educação e comunicação dos funcionários estejam em vigor para minimizar o medo devido à desinformação e à falta de compreensão geral.

Para realizar essa disrupção digital, a IA está sendo implantada no local, na nuvem, na borda e por meio de muitos tipos de arquiteturas híbridas. A IA em si não é uma coisa, mas composta por vários tipos de tecnologia, incluindo redes neurais, aprendizagem profunda (um sabor de redes neurais), processamento de linguagem natural, visão computacional, aprendizado de máquina não supervisionado, aprendizado de máquina supervisionado, aprendizado por reforço, aprendizado de transferência, etc. Esses vários tipos de IA são aplicados de diferentes maneiras em todo o mundo industrial para criar soluções direcionadas fornecidas como análises descritivas, preditivas e prescritivas.

Uma solução relativamente comum usada em uma ampla gama de indústrias atualmente é a análise preditiva na forma de aprendizado de máquina (ML) para identificar anomalias com equipamentos e processos. Essas anomalias podem indicar problemas de desempenho ou deterioração da saúde do ativo bem antes de qualquer sistema de controle ou aviso ou alarme.

Os prazos de entrega com análise preditiva podem ser de dias, semanas ou até meses, permitindo que os operadores e o pessoal de manutenção tenham tempo adequado para reagir e programar reparos e correções. As ferramentas de software estão se tornando cada vez mais sofisticadas para fornecer informações adicionais sobre essas anomalias. Isso inclui identificar quais sensores são os principais contribuintes para o problema, bem como a provável causa raiz.

Com toda essa sofisticação, os problemas podem ser identificados e corrigidos rapidamente, bem antes de terem um grande impacto nas operações. Isso resulta em menos tempo de inatividade, melhor qualidade do produto, redução de riscos e aumento da eficiência geral e lucratividade.

De uma perspectiva industrial, a IA pode ser dividida em quatro pilares:

Preditiva: Com base no Machine Learning, este é um tipo de reconhecimento de padrões e detecção de anomalias aproveitando o Big Data Industrial para criar assinaturas digitais de ativos e processos e, em seguida, detectar desvios e padrões de correspondência que indicam alerta antecipado de problemas pendentes e ineficiências, bem como erros no processo de design. O Big Data pode vir de uma variedade de fontes, incluindo sensores, data lakes, historiadores de dados, valores calculados, áudio, vídeo etc.

Desempenho: Com base nos primeiros princípios de análise (simulação) e aprendizado de máquina, este é um tipo de sistema de otimização que aproveita algoritmos e técnicas de modelagem específicos da indústria e de ativos (geralmente baseados em princípios termodinâmicos) para fornecer detecção de alerta precoce de problemas pendentes e ineficiências quando comparado aos valores reais do sensor. É uma combinação de software on-line e de simulação que aproveita o aprendizado de máquina para o desempenho da linha de base por meio de análise avançada de padrões para garantir que os modelos matemáticos correspondam com precisão à realidade operacional. A partir daí, os desvios podem ser rapidamente detectados, a fim de que sejam tomadas medidas precoces para corrigir a situação.

Prescritiva: Com base nos problemas detectados na análise preditiva e de desempenho, isso fornece análise de causa raiz, planejamento e suporte à decisão e cursos de ação probabilísticos para melhor remediar e otimizar uma determinada situação.

Prognóstica: Aproveitando as tecnologias de rede neural, aprendizagem profunda e aprendizagem por reforço, isso fornece uma previsão de eventos futuros. Ele pode ser usado no monitoramento/controle e otimização de programação, bem como na determinação de quanto tempo um ativo ou processo pode continuar a operar com segurança (após uma anomalia ter sido detectada) antes que ocorra uma falha ou perda significativa de funcionalidade. Ele também pode fornecer informações baseadas em risco sobre decisões, como se uma operação deve tentar executar a próxima interrupção de manutenção planejada.

Ao aplicar IA ao Big Data, resulta em uma grande quantidade de informações e está crescendo a taxas crescentes, ano após ano. Para tornar essas informações úteis, os Gráficos de Conhecimento estão se tornando cada vez mais prevalentes em várias capacidades para ajudar a aplicar o contexto. Sem o conhecimento de muitos, os Gráficos de Conhecimento foram implantados por vários sites amplamente utilizados, incluindo Google, Facebook e LinkedIn.

No espaço industrial, é possível aplicar Gráficos de Conhecimento para contextualizar essas informações com uma ontologia que abrange aspectos de engenharia (CapEx) e operações e manutenção (OpEx) de todo o ciclo de vida de um ativo industrial. Essa amplitude é única no mundo industrial e permite que os usuários capturem, organizem, inferam e exponham essas informações para obter o máximo valor e facilidade de uso.

Com todas as capacidades e complexidade dos vários tipos de técnicas de IA disponíveis hoje, pode ser esmagador e um tanto intimidante para a força de trabalho humana. Além disso, é importante que as complexidades da tecnologia de IA sejam traduzidas em algo que seja facilmente compreendido e, mais importante, acionável para obter valor útil para os negócios. Isso é especialmente importante com uma força de trabalho envelhecida e a necessidade de capturar e transmitir conhecimento no contexto empresarial. Além de atuar como uma ponte de IA para a compreensão humana, isso também pode ser um excelente auxílio de treinamento para a melhoria e o avanço da força de trabalho.

Embora existam muitos tipos de IA, a análise preditiva na forma de aprendizado de máquina se tornou uma das tecnologias avançadas mais comuns usadas na indústria atualmente. Também referido como "preditivo", é na verdade um método muito eficaz de detecção de anomalias em tempo quase real. É um tipo de reconhecimento avançado de padrões onde as assinaturas digitais do comportamento normal de um ativo ou processo são capturadas e usadas como base de comparação com dados recebidos em tempo real em sistemas de controle. Os dados em tempo real dos sensores são coletados e comparados com a assinatura de dados esperada de um determinado ativo ou cenário operacional. Desvios do comportamento normal podem ser detectados dias, semanas e até meses antes que um alarme tradicional do sistema de controle seja acionado. Isso fornece às empresas tempo adequado para tomar as ações apropriadas para corrigir o ativo ou problema operacional antes que seja tarde demais.

A prevalência da análise preditiva é em grande parte devido à sua aplicabilidade geral a grandes volumes de dados de séries temporais, muitas vezes referidos como Big Data Industrial. Com o advento da Internet das Coisas Industrial (IIoT), o custo dos sensores diminuiu muito, permitindo que as empresas instalassem vários tipos de medidores on-line onde nunca teriam antes. Isso permite que mais valores sejam medidos e registrados em historiadores de dados e data lakes, tanto no local quanto na nuvem. Contidos na miríade de dados que são arquivados nesses repositórios estão padrões valiosos e insights de conhecimento que podem ser usados em uma variedade de aplicações, incluindo simuladores de treinamento e otimização de operações e manutenção. Para extrair e capturar esse conhecimento, análises avançadas, como aprendizado de máquina, são aproveitadas.

Muitas técnicas são usadas, incluindo algoritmos proprietários de agrupamento de dados que ajudam a suprimir o "ruído" para que os padrões principais sejam mais bem detectados e analisados. Hoje, existem dois tipos principais de aprendizado de máquina: não supervisionado e supervisionado. Sem supervisão, os dados são analisados automaticamente, as relações entre os dados são sistematicamente determinadas e desvios dos padrões de comportamento normal são identificados sem intervenção humana. Com o aprendizado de máquina supervisionado, os ativos e operações são modelados por humanos selecionando sensores relevantes (tags) que são estatisticamente relacionados e períodos selecionados de Big Data arquivado que representam "bom comportamento" para que o software possa criar uma assinatura digital do que é o funcionamento adequado. Os dados recebidos em tempo real são então comparados a essa assinatura digital, e os desvios são identificados como possíveis avisos antecipados de degradação de ativos ou operacionais. Além disso, os principais sensores que contribuem para cada anomalia são automaticamente identificados, a fim de permitir que os humanos rastreiem melhor a causa raiz do problema e o corrijam antes que ele se torne um grande problema operacional.

Exemplos de análises preditivas

Exemplos de análises preditivas bem-sucedidas incluem sofisticadas "capturas" de turbinas onde houve mudanças de passo de reduções de vibração (não aumentos). Cada vez, o fabricante dizia ao cliente que estava tudo bem porque era uma redução na vibração, não um aumento. Com esta situação, acabou por ser devido ao início da separação das pás dentro dos estágios da turbina. O sistema não estava nem perto de um alarme ou aviso do sistema de controle. No entanto, se tivesse continuado, teria resultado em uma falha catastrófica que poderia ter destruído a turbina, causado tempo de inatividade extenso (perda de produção de energia) e um potencial de danos significativos para o pessoal. Estimativas conservadoras deste cliente mostraram que mais de 40 milhões de Euros foram evitados devido à detecção precoce desse problema.

Outro exemplo ocorreu durante uma grande tempestade com ventos fortes, onde uma empresa de rede de transmissão aproveitou IA e análises avançadas para evitar uma explosão catastrófica de transformador. O sistema alarmou devido a padrões incomuns de análise de gás dissolvido (DGA), incluindo metano e dióxido de carbono. A empresa enviou técnicos para investigar e viu que os disjuntores haviam tropeçado devido ao furacão, deixando o transformador em estado energizado e sem carga. Se os disjuntores tivessem sido simplesmente fechados por procedimento normal, uma grande explosão poderia ter resultado, destruindo o transformador, potencialmente ferindo pessoas e causando interrupções em cascata. Estes tipos de transformadores de alta tensão custam cerca de 10 milhões de euros cada, e as peças sobressalentes não são normalmente mantidas à mão como backup. Essa foi uma grande "pegadinha" que o cliente orgulhosamente cita como um custo enorme e evitado em termos de danos a ativos, perda de transmissão e segurança humana.

Em contraste, a indústria de alimentos e bebidas, como um todo, está apenas começando a adotar e alavancar tecnologias de análise preditiva. Embora menos maduros em manutenção preditiva do que outras indústrias, eles estão rapidamente encontrando valor monitorando e analisando suas linhas de produção, reduzindo o tempo de inatividade e melhorando a qualidade. Exemplos de "capturas" incluem o funcionamento irregular do motor em que a corrente elétrica é muito alta em relação a outros valores monitorados, mas não alta o suficiente para causar um aviso operacional. Problemas de oxidação de gás são outra área útil para esta tecnologia, bem como problemas de transportadores com correias sobretensionadas e bombas funcionando a quente devido a problemas de óleo e até a predição de níveis de estoque, consumo futuro e derivações logísticas. A análise prescritiva leva isso adiante, fornecendo ações recomendadas específicas que a equipe deve tomar para corrigir o problema ou melhorar o planejamento.

Outros tipos de ações prescritivas podem rapidamente se tornar muito mais complicadas e envolvidas. À medida que a IA se torna mais totalmente integrada à indústria de alimentos e bebidas, mais e mais histórias de sucesso surgirão, e essa tecnologia continuará a proliferar rapidamente. Historicamente, esses tipos de "capturas" de aprendizado de máquina eram difíceis de identificar para novatos, às vezes exigindo que os usuários escrevessem scripts e gerenciassem código de software. Essa é uma das razões para o avanço e proliferação de linguagens de programação como Python e R. No entanto, com o passar do tempo, o software de aprendizado de máquina foi desenvolvido a ponto de ser muito mais fácil de usar, com interfaces gráficas de usuário (GUIs) avançadas de "arrastar e soltar" e representações simples e fáceis de entender na tela de anomalias identificadas. Esta se tornou a primeira ponte de entendimento entre a IA industrial e o humano. Essas interfaces de usuário aprimoradas foram muito úteis para permitir que a IA penetrasse nos processos do dia a dia de várias indústrias; no entanto, eles eram limitados em suas habilidades para orientar a força de trabalho em como corrigir os problemas que foram detectados. Era necessário um método melhor para colmatar esta lacuna. Prognósticos prescritivos preditivos A análise prescritiva tornou-se essa ponte entre as tecnologias de IA e os seres humanos. Começou com gatilhos baseados em condições para criar um programa de manutenção proativa, vs manutenção preventiva baseada em calendário. Aplicado à IA, o prescritivo preenche a lacuna entre a detecção de anomalias e as ações necessárias para a resolução.

É fundamental para melhorar a manutenção dos ativos e aumentar a eficiência operacional; consequentemente, tornou-se um aspecto cada vez mais importante de um programa geral de Manutenção Centrada em Confiabilidade (MCC). Para aprimorar ainda mais a análise preditiva e prescritiva, o prognóstico leva a IA um passo adiante, prevendo eventos futuros, como degradação do desempenho operacional ou vida útil remanescente do ativo. Os prognósticos podem permitir que os humanos tomem decisões como: "o sistema pode chegar à próxima interrupção de manutenção planejada?" ou "o ativo pode chegar à próxima semana, ou precisamos chamar pessoal de emergência no fim de semana com salários de horas extras para resolver o problema?" São decisões críticas que impactam tanto o risco quanto os custos.

O gerenciamento de riscos é uma parte fundamental do que a IA traz para as empresas e pode ajudar significativamente a melhorar os resultados das operações industriais. No entanto, sem uma ponte adequada entre a tecnologia de IA e os seres humanos, ações apropriadas podem não ser tomadas, e o valor dessa tecnologia avançada pode ser perdido. A análise prescritiva é a chave para fazer isso acontecer, a fim de que as empresas obtenham o máximo valor de tecnologias avançadas de IA e investimento em software.

Implantar análises prescritivas não é trivial. Ele requer extensos bancos de dados de ações de diagnóstico e resolução de falhas específicos do setor que são definidos logicamente com base na alteração dos valores do sensor (e outras permutações) para que recomendações automáticas (programáticas) possam ser fornecidas ao usuário. Isso requer que o software abranja vasta experiência no setor, experiência em tipos de práticas de manutenção centradas na confiabilidade e análise preditiva. Devido a essa singularidade combinada, a concorrência neste espaço é limitada e tipicamente direcionada a indústrias específicas.

À medida que os softwares continuam a evoluir, os processos integrados tornam-se mais importantes. O software preditivo, prescritivo e prognóstico se integrará cada vez mais aos sistemas de gerenciamento de ativos corporativos para criar dinamicamente ordens de serviço e integrar a vida útil restante prevista do ativo com as ações prescritivas recomendadas necessárias para corrigir o problema. Isso fornecerá automação desde a detecção de problemas, passando pela análise de causa raiz, até a correção e retificação.

Além da integração e gerenciamento de ativos corporativos, esse tipo de software de IA também pode se integrar a sistemas de agendamento para recomendar o momento ideal para realizar a manutenção de emergência dentro da janela de vida útil restante prevista de um ativo, a fim de reduzir os impactos adversos nas operações, minimizar o risco geral do negócio e maximizar o lucro. Isso se estenderá ao controle de processo automatizado de circuito fechado, onde os humanos apenas monitoram as operações e processos de manutenção totalmente automatizados e otimizados, de ponta a ponta, que são controlados por IA.

Essas tecnologias existem hoje e a adoção aumentará com o tempo. O software de análise preditiva continuará a ser aprimorado e aprimorado por meio de recursos prescritivos para detectar e prevenir problemas mais rapidamente, manter melhor as operações industriais, otimizar a programação e aprimorar o controle do processo.

De uma perspectiva social, a análise preditiva será humanizada por meio de avanços contínuos em capacidades prescritivas para:

Þ Capacitar melhor a força de trabalho humana

Þ Fornecer operações mais eficientes

Þ Melhorar o produto de trabalho (menos erros)

Þ Facilitar a transferência de conhecimento e o aprendizado mais rápidos/completos

Þ Aumentar a segurança no local de trabalho

Þ Criar novos empregos e oportunidades de negócios

Þ Em última análise, oferecer uma melhor qualidade de vida para a sociedade

Um número crescente de empresas industriais em todo o mundo está ativamente engajado em alavancar a inteligência artificial, particularmente a análise preditiva. Isso não é mais uma opção em muitos setores, mas muitas vezes um requisito para acompanhar a concorrência.

Para maximizar os benefícios, a ponte da tecnologia de IA preditiva para os humanos deve ser a mais perfeita possível. É aí que o prescritivo desempenha um papel fundamental, e está revolucionando a forma como o trabalho é realizado. Ele aumenta a produtividade da força de trabalho e melhora a segurança, confiabilidade, qualidade e proteção. Como resultado, a eficiência industrial está a melhorar de uma forma nunca antes e estão a ser criados novos tipos de empregos. No entanto, a tecnologia de IA está apenas engatinhando e está avançando muito a cada ano.

Como as empresas podem implementar serviços de IA e ML

As empresas entendem os benefícios da IA e ML. Portanto, eles estão implementando essa tecnologia de maneiras diferentes. Apresentar o desenvolvimento AI ML ao seu negócio não é uma tarefa difícil. Aqui está uma abordagem simples que você pode usar;

Familiarize-se com a IA: algumas empresas ainda veem a IA como um grande negócio que só pode ser gerenciado com conhecimento técnico aprofundado. Isso é um mito. Qualquer pessoa pode usar IA e sua empresa merece usar IA. Invista na aquisição de conhecimento sobre IA e ML.

Identifique o problema que você deseja que a IA resolva para o seu negócio: Traga especialistas ou crie uma equipe que será responsável pela implementação da IA em seu negócio.

Comece a implantar: A IA é uma tecnologia que veio para ficar. Quanto mais rápido você se conectar a ele, mais rápido poderá colocar sua empresa no caminho certo.

Descubra o que a IA pode fazer pela sua organização: Se você está pronto para aproveitar os serviços de desenvolvimento de IA para dar ao seu negócio uma vantagem competitiva em seu setor, a Impact Strategy terá prazer em orientá-lo(a) nessa jornada.

O futuro da IA é extremamente empolgante, e as oportunidades de se beneficiar dela são praticamente ilimitadas.