A PoC é apenas a ponta do iceberg

Considere uma empresa metalúrgica cujos processos são altamente automatizados. Um sistema de armazém entrega o material pedido, por exemplo, uma chapa metálica. Os sistemas de transporte entregam-no diretamente às máquinas de corte, puncionadeiras, prensas e sistemas de soldadura. Após cada etapa deste processo, é efetuado um controlo de qualidade.

No entanto, esta automatização baseada em regras está a tornar-se cada vez mais um problema. Nos últimos anos, os tamanhos dos lotes da nossa empresa metalúrgica tornaram-se cada vez mais pequenos, devido a mudanças na procura dos clientes e, mais recentemente, devido a congestionamentos nas entregas. Cada nova peça a ser fabricada requer uma nova rodagem da linha de produção, e os parâmetros devem ser determinados e testados para cada etapa individual do processo. Este esforço anula as melhorias de produtividade da automatização e a eficácia global do equipamento (OEE) diminui.

Os iniciadores do conceito Indústria 4.0 tinham em mente cenários como este quando definiram o princípio orientador de sistemas de fabrico autónomos e de autoorganização que, idealmente, permitem que as cadeias de valor tenham a eficiência da produção em massa mesmo em lotes de tamanho 1.

Assim, a Inteligência Artificial (IA) foi declarada como o impulso da quarta revolução industrial. Porque a Inteligência Artificial dá exatamente o passo desde a automatização baseada em regras até à automonitorização de situações, e só a inteligência artificial é capaz de tirar conclusões de forma autónoma a partir de dados históricos e em tempo real a fim de reagir de forma apropriada, precisa e rápida a eventos não planeados.

No entanto, após vários anos e milhares de artigos de imprensa e relatórios de analistas, a situação pode parecer um pouco dececionante. Embora a adoção global da IA continue a aumentar, de acordo com a McKinseys em “State of AI in 2021”, o fabrico ainda está muito desfasado. Um motivo chave para isto é que um grande número de projetos de IA não passam da fase de teste, a chamada prova de conceito (PoC). As causas deste fracasso são mais profundas do que, por exemplo, a falta de experiência ou de orçamento: em muitos casos, as empresas produtoras subestimam os desafios sistemáticos da introdução da IA.

A forma como as PoC são configuradas é apenas um sintoma disto. Geralmente, ocorrem num ambiente protegido e concentram-se na aplicação e formação dos modelos de IA com dados. No entanto, muitas vezes, negligenciam a necessidade de integrar a solução de IA na tecnologia e processos de informação e produção existentes. Isto inclui, por exemplo, a gestão do ciclo de vida das aplicações e dos dados, da segurança, do planeamento operacional e processos de controlo, bem como da segurança operacional. Como resultado, a PoC não fornece evidências sérias de que é tecnicamente viável, nem pode ser utilizada para calcular um caso de negócios sólido.

Por muito chato e enfadonho que pareça, a introdução da Inteligência Artificial no fabrico só pode ser bem sucedida com uma abordagem holística. A PoC deve ser a ponta do iceberg: o resultado de uma série de decisões e projectos subjacentes, onde as iniciativas derivam de estratégias que são implementadas através de atividades de transformação técnica, organizacional e cultural.

Uma abordagem holística da introdução da Inteligência Artificial no fabrico inclui estes aspetos, entre outros.

1. Criação de valor: análise custo-benefício

O valor acrescentado na utilização da IA é criado através da informação, do conhecimento e das ações e processos (autónomos) derivados dos mesmos. Os dados disponíveis são a base para tal. Contudo, os dados não se convertem necessariamente em informações úteis apenas quando a IA é aplicada. Apenas se convertem se forem processados num contexto específico e com um propósito concreto. A análise de criação de valor, por um lado, avalia os benefícios da informação obtida com a ajuda da IA. Por outro lado, determina a qualidade e o esforço de aquisição e processamento dos dados, bem como os investimentos associados à produção operacional, incluindo os custos de processo, tecnologia e pessoal. O resultado é o modelo de negócio ou business case (caso comercial).

2. Processo – Desenvolvimento e ciclo de vida da aplicação da IA

Se a análise de valor chegar a um resultado positivo, o desenvolvimento e introdução da aplicação da IA começa. Isto deve seguir uma filosofia DevOps em que todas as grandes equipas de produção e operações, bem como especialistas em IA e TI, trabalham em conjunto (no contexto da IA, isto é também conhecido como MLOps e DataOps). Assim, assegura-se que a integração em TI e processos de fabrico é tida em conta desde o início. A criação de uma solução define primeiro o método e o software da IA a ser utilizado, bem como os dados de formação e a respetiva preparação. O procedimento posterior segue basicamente os passos seguintes. No decurso do ciclo de vida de uma aplicação de IA, este ciclo é executado várias vezes:

• Preparação dos dados
• Construção do modelo
• Formação
• Colocação em funcionamento
• Monitorização
• Adaptação do modelo.

Ciclo de vida circular de uma aplicação de IA.

3. Arquitetura: desvincular os dados das aplicações

Os processos descritos acima têm lugar em ambientes informáticos e de fabrico altamente fragmentados em muitas empresas, ou seja, não há acesso contínuo a ferramentas e dados, pelo que os processos não correspondem, faltam normas e conceitos de segurança integrados. Este tipo de ambiente é letal para qualquer implementação de IA.

A chave para resolver este problema é a introdução de uma arquitetura centrada nos dados. Na sua essência, desvincula os dados das aplicações que os geram, canalizando-os através de um centro de dados central. Cada pedido atua como “produtor“de dados para o centro de dados, e cada consulta é um”consumidor” da vasta base de dados distribuída. Tudo isto está integrado num quadro global de governação de dados.

4. Competências – cooperação interdisciplinar

Em muitos casos, as PoC de AI são criadas de forma demasiado unidimensional porque são realizadas por cientistas de dados que compreendem muito sobre dados e modelação, mas menos sobre arquitetura de sistemas e processos de TI, e quase nada sobre os processos numa fábrica. A introdução bem sucedida da IA requer uma combinação adequada de competências de diferentes departamentos para planear, desenvolver, implementar e colocar em funcionamento a própria aplicação e a sua integração nos processos informáticos e de produção. Uma equipa típica consiste nas seguintes funções, que podem ser desempenhadas por pessoas da sua própria empresa ou por um prestador de serviços:

• Analistas de negócios para avaliar o valor acrescentado e os custos
• Cientistas de dados para a avaliação do processo, preparação de dados e o funcionamento do modelo
• Especialistas em aprendizagem automática capazes de construir redes neurais
• Engenheiros de dados para planear e configurar a canalização de dados e processá-los
• Engenheiros de software para assegurar a integração no ambiente distribuído, e, finalmente, um gestor de projetos ou Project Manager.

A boa notícia é que há uma transição contínua da automatização para a autonomia. Isto é demonstrado pelo exemplo da empresa metalúrgica mencionada no início. A empresa começou a complementar a sua automatização baseada em regras com métodos de IA e está gradualmente a converter o acoplamento em série de estações de processamento num sistema de estações de trabalho de controlo flexível. Estas últimas são capazes de processar pedidos diferentes ao mesmo tempo, a configuração é feita de forma autónoma e, na melhor das hipóteses, sem a necessidade de testes.

Para este fim, a empresa metalúrgica introduziu inicialmente procedimentos prescritivos para determinadas etapas de processamento baseados na aprendizagem automática, ou seja, recomendações de ação, por exemplo, para a seleção de parâmetros. As recomendações ainda não são implementadas de forma autónoma sem primeiro serem verificadas por um funcionário da produção. Além disso, o estado das cadeias de abastecimento internas e externas é previsto e tido em conta no controlo da produção.

O passo seguinte é permitir que o sistema aja de forma autónoma. Por exemplo, os resultados da inspeção de qualidade devem desencadear, se necessário, um ajustamento dinâmico, independente e transversal dos parâmetros. Especialmente quando se trata de soldadura, faz sentido aplicar a aprendizagem da máquina às etapas anteriores do processo e em todo o processo de fabrico. Para uma utilização ótima das matérias-primas, a empresa deve planear a implementação de uma ligação inteligente ao sistema de gestão do armazém e às encomendas recebidas.

Como a maioria das empresas, esta empresa metalúrgica ainda tem um longo caminho a percorrer para alcançar uma produção totalmente autónoma, mas através da abordagem holística acima descrita, é garantido que progredirá ao longo deste caminho.

Matthias Roese, diretor de contas global da Hewlett Packard Enterprise.