Desafios em viabilizar a IA na indústria

Muitas indústrias entendem o impacto positivo da Inteligência Artificial em seus processos e ativos, porém a realidade é que ainda se encontram em um modelo tradicional de planejamento. Ou seja, a busca por resultados satisfatórios em um curto espaço de tempo e sem objetivos específicos leva a diversas falhas em um projeto de IA.

Para que uma estrutura de machine learning seja escalável é necessário a participação coordenada de vários setores da indústria. E o caminho para as integrações de IA ​​é repleto de perigos, como processos conflitantes e mudanças nas prioridades de ações que podem sufocar os resultados advindos de tal tecnologia.

As indústrias devem alavancar ferramentas que democratizam e integram a IA e a ciência de dados ao decorrer das etapas de produção, incluindo dashboards que forneçam visualizações rápidas dos principais indicadores de desempenho, bem como programas educacionais projetados para os funcionários e a geração de insights automáticos.

Os 3 principais desafios relacionados a viabilizar a IA

Não é de surpreender que os três principais desafios relacionados a escalar a IA estão relacionados com diferentes tipos de integração: integração de dados, integração de sistemas de análise e inteligência artificial e integração de IA com IoT e outros sistemas de tecnologia.

Integração de dados

Sistemas de integração de dados ajudam a sincronizar ativos e objetos específicos na indústria, implementando o compartilhamento e correlação de informações em tempo real. O que simplifica boa parte das rotinas operacionais.

Em uma pesquisa realizada pela Dimensional Research a falta ou a ineficiência da integração de dados está impactando consideravelmente o desempenho da indústria. Entre os duzentos gestores entrevistados, 54% indicaram que a aplicação e a integração de fonte de dados são o seu desafio mais premente devido às dificuldades relacionadas a aplicações on-premise (48%), aplicações legadas (47%), conectividade (40%) e fontes de dados compartilhadas (37%).

Em um servidor on-premise, quase todos os aspectos estruturais e operacionais são por conta da indústria, como a customização e implementação; os hardwares de alto custo que ocupam um grande espaço dentro da organização; Licença e atualizações dos softwares e; instalação de aplicativos e estratégias de segurança. Quando se tem a infraestrutura de servidores internalizada é preciso dispor de mão de obra e espaço físico, ambos especializados, o que gera grandes dificuldades na aplicação e integração de dados.

A maioria das indústrias também apresentam alguns sistemas legados, em que são caracterizados, principalmente, pela obsolescência de tecnologias e hardwares, algumas aplicações, por exemplo, funcionam em mainframes, cujos componentes são extremamente caros. Linguagem de programação, ferramentas de desenvolvimento, protocolos, bancos de dados e formatos de arquivos depreciados também são itens importantes, que precisam ser revistos e atualizados para uma integração de dados eficiente.

Integração de sistemas 

Em um ambiente sem integração de sistemas, existe o trabalho de captar todas as informações geradas por uma etapa do processo de manufatura e abastecer a próxima, isso é feito muitas vezes de forma manual, ineficiente e analógica. A falta de sistemas integrados faz com que, também, os níveis de gestão tenham um trabalho muito maior em analisar se o que está sendo fabricado realmente condiz com a demanda recebida. As integrações de sistemas podem ser divididas entre horizontal e vertical.

Atribuindo um viés horizontal, o foco se torna conectar todos os setores (e seus respectivos sistemas) da cadeia produtiva de uma determinada indústria. Desde a análise de mercado, gerenciamento de fornecedores, até a produção, logística e distribuição, a integração horizontal ajuda os setores a trabalharem com mais harmonia e sincronização, otimizando recursos ao passo que também integra análises de mercado ao processo fabril.

Ao adotar uma perspectiva vertical, a transição da informação entre todos os níveis hierárquicos de uma empresa deve acontecer de maneira fluida. No chão de fábrica, ela começa na sensorização de máquinas e linhas; no nível de controle, as informações desses sensores se integram a máquinas e sistemas, como o CLP – Controlador Logístico Programável; no nível de produção, integra monitoramento, controle e supervisão – geralmente o software usado é um SCADA; no nível operacional engloba planejamento, gestão de qualidade e da eficiência dos equipamentos por meio de um sistema MES; e já no nível de gestão corporativa usa o ERP para fazer a gestão de pedidos, planejamento e gerenciamentos dos processos

Não há dúvidas, é necessário uma nova atitude frente ao desafio da Interoperabilidade, a capacidade de um sistema de se comunicar de forma transparente com outro sistema (semelhante ou não), que vai além das soluções tecnológicas, requerendo a integração entre processos, dados e pessoas.

Integração de IoT

Quando equipamentos industriais (bombas industriais, por exemplo) estão conectados em nuvens para armazenamento de dados e nada acontece com estes dados coletados, um desperdício de recurso muito valioso acontece! Para evitar isso, é preciso superar o desafio da implementação da integração dos sistemas conectados à IoT.

Um fluxo de trabalho baseado em IoT depende principalmente do recebimentos de dados, da conexão com uma rede externa e da capacidade de processamento de dados de forma automática. Nessas etapas se torna essencial a integração com a machine learning para tornar os processos mais escaláveis.

Diariamente, uma planta industrial com Internet das coisas gera muitos eventos e alarmes de automações. A fim de utilizar estes dados de forma benéfica e otimizada, existem opções de softwares especializadas que buscam dentro dos dados, padrões e informações importantes que devem ser passadas à liderança, para que sejam utilizadas de forma estratégica em tempo real.

Em processos produtivos grandes, é comum existirem departamentos responsáveis por fatores como eletricidade, água e gás, pois são muitas variáveis envolvidas e constante monitoramento necessário para se evitar custos desnecessários. Por isso, utilizar da IoT e IA nestas áreas é muito benéfico, e quando feita de forma correta, pode gerar insights e predições sobre vazamentos e consumos exagerados.

A partir deste uso em conjunto da IoT com a machine learning, os gestores conseguem interpretar melhor os dados gerados em tempo real, realizando comparações, e com a possibilidade de agir nos pontos específicos que demonstram problemas.