Todas as revoluções ocorridas na indústria ao longo dos anos foram motivadas por eventos revolucionários que chegaram para trazer um novo potencial de inovação e produtividade. A capacidade de analisar dados e utilizá-los para o aprimoramento da infraestrutura de produção é um importante advento da indústria 4.0. Esse fenômeno também pode ser chamado de inteligência artificial ou machine learning (aprendizado de máquina).
Para entender mais sobre esse tema, a Associação Brasileira de Internet Industrial (ABII), conversou com um especialista no assunto: Luiz Henrique Buzzi, analista de produto da Pollux Part of Accenture, empresa associada e referência em indústria 4.0 na América. Ele também participou como convidado do GT Tecnologia da ABII, apresentando a temática da inteligência artificial e do deep learning de forma mais técnica e aprofundada. O GT definiu uma série de temas, que estão sendo estudados ao ao longo do ano. Os encontros e discussões do GT são exclusivos para associados.
Para iniciar o bate-papo, o questionamento foi sobre o motivo pelo qual o aprendizado de máquina não se encontra destacado naquele famoso quadro com as nove tecnologias habilitadoras da indústria 4.0. “O machine learning e o deep learning não são destacados ali como tecnologias habilitadoras, pois estão embutidos dentro de outra área. Eles são parte do Big Data e Data Analytics, onde há um universo muito maior de exploração dos dados", argumenta Luiz.
Sendo uma tecnologia habilitadora da indústria 4.0, o Data Analytics tem o potencial de transformar a capacidade de interpretar os acontecimentos da produção, por meio de leituras profundas e contínuas dos dados. E a inteligência artificial, como ela pode auxiliar a indústria 4.0 com o seu potencial de aprendizagem contínua? O Luiz explica esse fenômeno utilizando um exemplo prático:
Continua depois da publicidade |
“Pense em um robô, quando ele é novo dificilmente apresenta problemas, depois de alguns anos ele começa a apresentar manutenção devido a sua utilização. Se você não consegue prever a falha, isso pode ser prejudicial, ocasionando paradas não planejadas da sua linha produtiva. Mas se você conseguir prever, com base em dados e na inteligência artificial, então você poderá atuar de forma preventiva na sua linha”.
Observa-se que a inteligência artificial atua de forma paralela na indústria 4.0, ela não oferece mudanças por si só, porém, oferece os caminhos para que outras tecnologias possam atuar no momento certo.
Conforme explicado pelo entrevistado, nem sempre será possível utilizar modelos simples para interpretar as situações. O aprendizado de máquina surge como solução para que os dados possam ser utilizados de uma forma mais abrangente, utilizando métodos de aprendizado de máquina para encontrar relações entre as variáveis do processo. Essas tecnologias são muito utilizadas na manutenção preventiva, possibilitando analisar falhas e oferecer um monitoramento constante.
Para poder entender a real diferença entre a machine learning e deep learning, Luiz explica que existe uma grande filosofia por trás dessa história: “Tudo nasceu do interesse do homem em querer desenvolver algo que pensasse como ele. Essa é uma filosofia antiga, anterior a década de 50, que foi quando ganhou força acadêmica. No princípio essas soluções eram baseadas em algoritmos simples, porém, a evolução da ciência e da tecnologia permitiu a criação de modelos mais complexos de machine learning utilizados atualmente.”
E complementa: “Com o passar do tempo, descobriu-se que era possível ir além dentro do machine learning, os estudos biológicos do cérebro humano e a evolução dos algoritmos permitiram recriar um modelo simplificado da cognição, que mais se assemelha ao pensamento da mente humana. Isso permitiu o desenvolvimento de redes neurais que possuem um aprendizado mais profundo, o que é conhecido por deep learning”.
Deep learning e a produção de vacinas
O deep learning é um modelo muito específico por conta de seu aprendizado profundo e de alto nível de complexidade, mas, em suma, é uma tecnologia que incorpora o machine learning, porém, com um modelamento diferenciado. A ABII solicitou ao entrevistado exemplos de boas práticas da aplicação do deep learning. E na explicação, ele trouxe um recente uso da tecnologia.
A pandemia do Coronavírus (SARS-CoV-2) assombrou o mundo nos últimos tempos e trouxe consigo um cenário de milhões de mortes pelo globo. A principal ferramenta de combate à pandemia é, sem dúvidas, a vacina. Porém o processo de criação de várias vacinas contou com a inteligência artificial como aliada. Inicialmente analisando e resumindo publicações produzidas ao redor do mundo. Com o volume de dados produzido seria impossível tudo ser analisado sem auxílio de ferramentas de inteligência artificial.
De que forma seria possível criar uma vacina sem que se tivesse o mapeamento genético do vírus? As ferramentas de inteligência artificial auxiliaram no processo de análise de milhares de amostras de DNA do vírus coletados de pessoas infectadas, fazendo a tarefa de entender a sua estrutura. A partir desta analise a ferramenta pode sugerir componentes para as vacinas.
Esse estudo não teria sido realizado em tempo tão hábil se não fossem os benefícios da utilização da inteligência artificial, que permitiu que utilizassem algoritmos complexos para mapear a estrutura do código genético do vírus.
No caso da indústria, explica Luiz: “Em cenários em que se exige uma inspeção muito complexa, o deep learning pode ser utilizado. A tecnologia pode aprender por meio da análise de milhares de imagens quais são os padrões ideais para cenários de realização de solda ou do fechamento de embalagens, por exemplo”. A precisão no aprendizado de padrões faz do deep learning uma tecnologia muito importante para que se possa entender estes padrões e aprimorar os processos, sobretudo daqueles com análises muito complexas.
Os maiores desafios para a indústria
Toda nova tecnologia é acompanhada por novos desafios. Com o machine learning e o deep learning não poderia ser diferente. Luiz explica que o grande desafio da tecnologia é treiná-la para que obtenha o aprendizado esperado. “O grande desafio está relacionado ao volume de dados catalogados que a ferramenta precisa. Como eu vou treiná-la? Para aplicações em sistemas de visão é preciso ter imagens (exemplos de resultados) o suficiente para que ela possa aprender. Quanto mais complexo for o problema, maior deve ser o volume dos dados”.
Portanto, observa-se que o machine learning por si só não entrega resultado, exceto quando ele passa por um processo de aprendizagem para se especializar no problema. Para que isso possa acontecer, a interferência humana se faz necessária. O especialista destaca também que o custo não é em hipótese alguma o maior empecilho para a adoção da tecnologia, afinal não é uma ferramenta de alto custo. O único processo desafiador é, de fato, o processo de aprendizagem.
Compreenda as principais diferenças:
- Inteligência artificial: conjunto de tecnologias que fazem com que máquinas percebam, compreendam, aprendam e executem algumas atividades por aprendizado.
- Machine Learning: um subconjunto de tecnologias de Inteligência Artificial que usa estatísticas para permitir que as máquinas aprendam com as experiências.
- Deep Learning: um subconjunto de Machine Learning que usa Redes Neurais para resolução de problemas mais complexos. Deep Learning ou Aprendizagem Profunda é quando a tecnologia de Inteligência Artificial é utilizada para resolução de problemas complexos. Utiliza Redes Neurais para formação de camadas de abstração, que por meio de treinamento permitem ao equipamento identificar padrões.
Gostou? Então compartilhe:
