A inteligência artificial (IA) está transformando a indústria ao permitir que os computadores emulem a inteligência humana. Recentemente, as capacidades dos grandes modelos de linguagem (LLMs), como o ChatGPT da OpenAI, aumentaram o entusiasmo e as expectativas sobre o potencial da IA para a indústria de fabricação de processos. Embora os avanços da IA generativa sejam notáveis, os fabricantes devem distinguir o entusiasmo das aplicações práticas.
No contexto das operações industriais, os LLMs já podem ser usados para ajudar engenheiros e cientistas de dados a realizar tarefas diárias. Eles podem ajudar com linguagens naturais ou de computador, integrar-se a fontes de dados externas e trabalhar com outras soluções. Estão surgindo aplicações práticas, como a criação de modelos e painéis de aprendizado de máquina (ML).
Essas aplicações também fornecem uma base para avanços futuros em IA para a indústria. No entanto, existem desafios a considerar. Os fabricantes de processos precisam abordar a IA com uma perspectiva equilibrada e uma compreensão clara de como ela atenderá às necessidades específicas da indústria. Eles também devem compreender que a colaboração é essencial entre as tecnologias de IA e os usuários que elas auxiliam.
Os princípios básicos da IA industrial
Existem quatro categorias de IA industrial (Figura 1). Eles incluem soluções programadas para executar determinadas tarefas, bem como aquelas que se adaptam à medida que aprendem. Cada categoria representa um nível diferente de interação entre as máquinas e os seus homólogos humanos, juntamente com o tipo de decisões que a máquina pode tomar sozinha.
- Inteligência assistida: Esta é a forma mais básica de IA. Auxilia os especialistas operacionais nas tarefas, mas não toma decisões de forma independente. Essas soluções podem ser treinadas com dados operacionais. Portanto, eles podem sugerir um curso de ação com base nas informações disponíveis, mas a decisão final cabe ao engenheiro.
- Inteligência automatizada: aqui, a IA assume um papel mais ativo ao automatizar tarefas rotineiras. Segue regras e procedimentos predefinidos, o que reduz a intervenção humana em atividades mundanas. A inteligência automatizada é comumente vista em processos robóticos, como uma máquina que classifica materiais ou produtos em uma esteira transportadora.
- Inteligência aumentada: Este tipo de IA representa a interação colaborativa entre humanos e sistemas. Soluções de inteligência aumentada são capazes de analisar dados operacionais e fazer recomendações. Eles ajudam os engenheiros a tomar decisões baseadas em dados.
- Inteligência autônoma: A categoria mais avançada, inteligência autônoma, é onde os sistemas de IA operam de forma independente. Estas soluções ainda não são adequadas para a gestão de processos de produção.
Surge IA generativa
Embora os algoritmos que permitem a IA tenham sido usados em computadores desde a década de 1950, a ascensão dos LLMs – impulsionada pelo ChatGPT – colocou recentemente a IA no centro das atenções. Freqüentemente chamados de IA Generativa, esses LLMs compreendem linguagens naturais e de computador. Seu objetivo principal é gerar conteúdo contextualmente relevante, o que abre oportunidades para novos casos de uso em quase todos os setores.
Analistas de pesquisa de mercado, como o Gartner, monitoraram a evolução e as expectativas em torno das soluções de IA. De acordo com o Ciclo de Hype do Gartner de 2023, a IA generativa atingiu o pico das expectativas inflacionadas. Isso significa a imensa expectativa em torno de suas capacidades.
Uma pesquisa divulgada em Novembro pelo Censo dos EUA mostra que a futura adopção da IA deverá crescer rapidamente, mesmo entre indústrias onde a utilização atual permanece baixa. Em julho de 2023, a Forrester revelou que 67% das empresas têm explorado ativamente formas de integrar a IA generativa nos seus quadros estratégicos. Além disso, a Forrester destacou a importância da experimentação técnica à medida que as organizações fazem a transição para 2024.
Os riscos e benefícios da IA para a indústria
A indústria de manufatura por processo ainda está na fase experimental de IA. As empresas estão aprendendo como e onde os benefícios destas soluções superam os riscos potenciais. A indústria está agindo com cautela porque os processos de fabricação ainda exigem as habilidades de tomada de decisão de um engenheiro.
Testar IA generativa em ambientes de fabricação de processos acarreta riscos inerentes, que incluem o potencial para “alucinações” de IA generativa. São erros que um LLM pode introduzir nas informações geradas. Em um ambiente de produção de processos, esses erros também representam ameaças à integridade, segurança e até mesmo vidas dos equipamentos.
No entanto, as empresas já começaram a usar IA. Os casos de uso para LLMs incluem assistência de codificação para a criação de modelos de ML ou outras tarefas que exigem linguagens de computador. Eles também podem armazenar e recuperar informações, para que possam ser usados como um repositório para casos de uso e informações prescritivas correspondentes que podem ser encontradas e extraídas com um prompt em linguagem natural. Ainda em outro exemplo, os LLMs poderiam auxiliar na criação de painéis operacionais mais personalizados para atender milhares de usuários.
Ainda mais pode ser alcançado quando a IA generativa é usada com outras tecnologias. Com a incorporação da Retrieval Augmented Generation (RAG), chatbots podem ser adicionados a esses bancos de dados. Por meio de chamadas de API, os engenheiros podem acessar software de análise industrial avançado e interagir diretamente com ele. Eles podem simplesmente perguntar: “O que aconteceu desde meu último turno?” O GPT habilitado para RAG gera então um resumo detalhado dos eventos daquele período de tempo.
Superando desafios iniciais
Ainda assim, a implementação da IA apresenta um conjunto de desafios únicos. O mais significativo é a qualidade e integridade dos dados. Os sistemas de IA são tão eficazes quanto os dados que processam. Dados imprecisos ou incompletos podem levar a insights e tomadas de decisão falhos. Portanto, a ênfase deve ser colocada na disponibilização do tipo certo de dados para essas soluções.
Outro desafio é gerenciar a mudança. Isto inclui não apenas os aspectos técnicos da integração da IA nos sistemas existentes, mas também a abordagem das mudanças organizacionais e culturais. Os funcionários precisam ser treinados e preparados para novos fluxos de trabalho e processos de tomada de decisão que acompanham a integração da IA.
A jornada em direção à IA é marcada por estes e outros desafios que devem ser enfrentados antes de atingir o próximo nível de maturidade analítica. Conforme mostrado na Figura 2, a transição exige uma mudança das abordagens operacionais tradicionais para estratégias mais centradas em dados. Envolve não apenas a adoção de novas tecnologias, mas também a eliminação de silos e a promoção de uma cultura que valoriza a tomada de decisões baseada em dados e a aprendizagem contínua.
Com o surgimento dos data lakes e dos historiadores modernos baseados em nuvem, a disponibilidade de séries temporais e dados contextuais entre locais e para trabalhadores remotos melhorou. O aumento dos dados disponíveis também ajudará as empresas a adotar soluções de IA mais rapidamente.
IA em uso: detecção de anomalias
A detecção de anomalias é frequentemente mencionada como um caso de uso para IA. No entanto, existem muitas maneiras de detectar anomalias. Isso inclui soluções que não requerem o uso de IA.
Por exemplo, os especialistas operacionais podem realizar uma pesquisa baseada em valores de dados de séries temporais para encontrar valores discrepantes dos padrões esperados. Esses outliers são apresentados de forma compreensível, o que permite respostas e tomadas de decisões rápidas. A criação de uma impressão digital dourada de parâmetros de lote ideais a partir de dados contextuais ajuda a definir uma anomalia e auxilia na sua detecção. Em cenários mais avançados, a aplicação de um mapa auto organizado (SOM) desenvolve modelos capazes de encontrar valores discrepantes globais e locais dentro de um contexto multivariado.
Na empresa de especialidades químicas Clariant, os engenheiros de processo aprenderam os benefícios do uso de técnicas avançadas para detecção de anomalias. A partir de dados operacionais processados por meio de software de análise industrial avançado, os cientistas de dados da Clariant desenvolveram modelos que incluíam sensores virtuais, pontuação de detecção de anomalias e alertas de manutenção preditiva.
A integração desses recursos de aprendizado de máquina permitiu à Clariant alcançar melhorias operacionais substanciais. Notavelmente, a empresa registrou uma redução de 10% no tempo de processamento de lotes, ou o equivalente a um lote por dia. Além disso, as melhorias na eficiência operacional levaram a uma redução de 9% no consumo de energia.
O futuro da IA para a indústria
A IA está ganhando terreno cada vez mais, com avanços tecnológicos ocorrendo diariamente. No entanto, a sua implementação exige muitas vezes um investimento substancial com pouco retorno em valor.
Ao aproveitar a riqueza de dados já disponíveis, os engenheiros podem adicionar insights imediatos para otimizar as operações. Entretanto, estão a tomar muitas das medidas necessárias para um futuro de sucesso com a IA.
