{"id":9053,"date":"2024-06-14T15:05:56","date_gmt":"2024-06-14T18:05:56","guid":{"rendered":"https:\/\/hsinet.com.br\/?p=9053"},"modified":"2024-06-14T15:05:57","modified_gmt":"2024-06-14T18:05:57","slug":"alem-da-moda-usando-ia-generativa-para-melhorar-a-eficiencia-operacional","status":"publish","type":"post","link":"https:\/\/hsinet.com.br\/es\/2024\/06\/14\/alem-da-moda-usando-ia-generativa-para-melhorar-a-eficiencia-operacional\/","title":{"rendered":"Al\u00e9m da moda: usando IA generativa para melhorar a efici\u00eancia operacional"},"content":{"rendered":"\n

A intelig\u00eancia artificial (IA) est\u00e1 transformando a ind\u00fastria ao permitir que os computadores emulem a intelig\u00eancia 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 \u200b\u200bpara a ind\u00fastria de fabrica\u00e7\u00e3o de processos. Embora os avan\u00e7os da IA \u200b\u200bgenerativa sejam not\u00e1veis, os fabricantes devem distinguir o entusiasmo das aplica\u00e7\u00f5es pr\u00e1ticas.<\/p>\n\n\n\n

No contexto das opera\u00e7\u00f5es industriais, os LLMs j\u00e1 podem ser usados \u200b\u200bpara ajudar engenheiros e cientistas de dados a realizar tarefas di\u00e1rias. Eles podem ajudar com linguagens naturais ou de computador, integrar-se a fontes de dados externas e trabalhar com outras solu\u00e7\u00f5es. Est\u00e3o surgindo aplica\u00e7\u00f5es pr\u00e1ticas, como a cria\u00e7\u00e3o de modelos e pain\u00e9is de aprendizado de m\u00e1quina (ML).<\/p>\n\n\n\n

Essas aplica\u00e7\u00f5es tamb\u00e9m fornecem uma base para avan\u00e7os futuros em IA para a ind\u00fastria. No entanto, existem desafios a considerar. Os fabricantes de processos precisam abordar a IA com uma perspectiva equilibrada e uma compreens\u00e3o clara de como ela atender\u00e1 \u00e0s necessidades espec\u00edficas da ind\u00fastria. Eles tamb\u00e9m devem compreender que a colabora\u00e7\u00e3o \u00e9 essencial entre as tecnologias de IA e os usu\u00e1rios que elas auxiliam.<\/p>\n\n\n

\n
\"\"
Figura 1: Em geral, a IA para a ind\u00fastria pode ser dividida em quatro categorias. Cada um tem um equil\u00edbrio diferente entre quanta intelig\u00eancia humana est\u00e1 envolvida e quanta autonomia a m\u00e1quina tem.<\/figcaption><\/figure>\n<\/div>\n\n\n
Os princ\u00edpios b\u00e1sicos da IA \u200b\u200bindustrial<\/h5>\n\n\n\n

Existem quatro categorias de IA industrial (Figura 1). Eles incluem solu\u00e7\u00f5es programadas para executar determinadas tarefas, bem como aquelas que se adaptam \u00e0 medida que aprendem. Cada categoria representa um n\u00edvel diferente de intera\u00e7\u00e3o entre as m\u00e1quinas e os seus hom\u00f3logos humanos, juntamente com o tipo de decis\u00f5es que a m\u00e1quina pode tomar sozinha.<\/p>\n\n\n\n

    \n
  1. Intelig\u00eancia assistida: Esta \u00e9 a forma mais b\u00e1sica de IA. Auxilia os especialistas operacionais nas tarefas, mas n\u00e3o toma decis\u00f5es de forma independente. Essas solu\u00e7\u00f5es podem ser treinadas com dados operacionais. Portanto, eles podem sugerir um curso de a\u00e7\u00e3o com base nas informa\u00e7\u00f5es dispon\u00edveis, mas a decis\u00e3o final cabe ao engenheiro.<\/li>\n\n\n\n
  2. Intelig\u00eancia automatizada: aqui, a IA assume um papel mais ativo ao automatizar tarefas rotineiras. Segue regras e procedimentos predefinidos, o que reduz a interven\u00e7\u00e3o humana em atividades mundanas. A intelig\u00eancia automatizada \u00e9 comumente vista em processos rob\u00f3ticos, como uma m\u00e1quina que classifica materiais ou produtos em uma esteira transportadora.<\/li>\n\n\n\n
  3. Intelig\u00eancia aumentada: Este tipo de IA representa a intera\u00e7\u00e3o colaborativa entre humanos e sistemas. Solu\u00e7\u00f5es de intelig\u00eancia aumentada s\u00e3o capazes de analisar dados operacionais e fazer recomenda\u00e7\u00f5es. Eles ajudam os engenheiros a tomar decis\u00f5es baseadas em dados.<\/li>\n\n\n\n
  4. Intelig\u00eancia aut\u00f4noma: A categoria mais avan\u00e7ada, intelig\u00eancia aut\u00f4noma, \u00e9 onde os sistemas de IA operam de forma independente. Estas solu\u00e7\u00f5es ainda n\u00e3o s\u00e3o adequadas para a gest\u00e3o de processos de produ\u00e7\u00e3o.<\/li>\n<\/ol>\n\n\n\n
    Surge IA generativa<\/h5>\n\n\n\n

    Embora os algoritmos que permitem a IA tenham sido usados \u200b\u200bem computadores desde a d\u00e9cada de 1950, a ascens\u00e3o dos LLMs \u2013 impulsionada pelo ChatGPT \u2013 colocou recentemente a IA no centro das aten\u00e7\u00f5es. Freq\u00fcentemente chamados de IA Generativa, esses LLMs compreendem linguagens naturais e de computador. Seu objetivo principal \u00e9 gerar conte\u00fado contextualmente relevante, o que abre oportunidades para novos casos de uso em quase todos os setores.<\/p>\n\n\n\n

    Analistas de pesquisa de mercado, como o Gartner, monitoraram a evolu\u00e7\u00e3o e as expectativas em torno das solu\u00e7\u00f5es de IA. De acordo com o Ciclo de Hype do Gartner de 2023<\/a>, a IA generativa atingiu o pico das expectativas inflacionadas. Isso significa a imensa expectativa em torno de suas capacidades.<\/p>\n\n\n\n

    Uma pesquisa divulgada em Novembro<\/a> pelo Censo dos EUA mostra que a futura adop\u00e7\u00e3o da IA \u200b\u200bdever\u00e1 crescer rapidamente, mesmo entre ind\u00fastrias onde a utiliza\u00e7\u00e3o atual permanece baixa. Em julho de 2023, a Forrester revelou que 67% das empresas t\u00eam explorado ativamente formas de integrar a IA generativa nos seus quadros estrat\u00e9gicos. Al\u00e9m disso, a Forrester destacou a import\u00e2ncia da experimenta\u00e7\u00e3o t\u00e9cnica \u00e0 medida que as organiza\u00e7\u00f5es fazem a transi\u00e7\u00e3o para 2024.<\/p>\n\n\n\n

    Os riscos e benef\u00edcios da IA \u200b\u200bpara a ind\u00fastria<\/h5>\n\n\n\n

    A ind\u00fastria de manufatura por processo ainda est\u00e1 na fase experimental de IA. As empresas est\u00e3o aprendendo como e onde os benef\u00edcios destas solu\u00e7\u00f5es superam os riscos potenciais. A ind\u00fastria est\u00e1 agindo com cautela porque os processos de fabrica\u00e7\u00e3o ainda exigem as habilidades de tomada de decis\u00e3o de um engenheiro.<\/p>\n\n\n\n

    Testar IA generativa em ambientes de fabrica\u00e7\u00e3o de processos acarreta riscos inerentes, que incluem o potencial para \u201calucina\u00e7\u00f5es\u201d de IA generativa. S\u00e3o erros que um LLM pode introduzir nas informa\u00e7\u00f5es geradas. Em um ambiente de produ\u00e7\u00e3o de processos, esses erros tamb\u00e9m representam amea\u00e7as \u00e0 integridade, seguran\u00e7a e at\u00e9 mesmo vidas dos equipamentos.<\/p>\n\n\n\n

    No entanto, as empresas j\u00e1 come\u00e7aram a usar IA. Os casos de uso para LLMs incluem assist\u00eancia de codifica\u00e7\u00e3o para a cria\u00e7\u00e3o de modelos de ML ou outras tarefas que exigem linguagens de computador. Eles tamb\u00e9m podem armazenar e recuperar informa\u00e7\u00f5es, para que possam ser usados \u200b\u200bcomo um reposit\u00f3rio para casos de uso e informa\u00e7\u00f5es prescritivas correspondentes que podem ser encontradas e extra\u00eddas com um prompt em linguagem natural. Ainda em outro exemplo, os LLMs poderiam auxiliar na cria\u00e7\u00e3o de pain\u00e9is operacionais mais personalizados para atender milhares de usu\u00e1rios.<\/p>\n\n\n\n

    Ainda mais pode ser alcan\u00e7ado quando a IA generativa \u00e9 usada com outras tecnologias. Com a incorpora\u00e7\u00e3o 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 an\u00e1lise industrial avan\u00e7ado e interagir diretamente com ele. Eles podem simplesmente perguntar: \u201cO que aconteceu desde meu \u00faltimo turno?\u201d O GPT habilitado para RAG gera ent\u00e3o um resumo detalhado dos eventos daquele per\u00edodo de tempo.<\/p>\n\n\n\n

    Superando desafios iniciais<\/h5>\n\n\n\n

    Ainda assim, a implementa\u00e7\u00e3o da IA \u200b\u200bapresenta um conjunto de desafios \u00fanicos. O mais significativo \u00e9 a qualidade e integridade dos dados. Os sistemas de IA s\u00e3o t\u00e3o eficazes quanto os dados que processam. Dados imprecisos ou incompletos podem levar a insights e tomadas de decis\u00e3o falhos. Portanto, a \u00eanfase deve ser colocada na disponibiliza\u00e7\u00e3o do tipo certo de dados para essas solu\u00e7\u00f5es.<\/p>\n\n\n\n

    Outro desafio \u00e9 gerenciar a mudan\u00e7a. Isto inclui n\u00e3o apenas os aspectos t\u00e9cnicos da integra\u00e7\u00e3o da IA \u200b\u200bnos sistemas existentes, mas tamb\u00e9m a abordagem das mudan\u00e7as organizacionais e culturais. Os funcion\u00e1rios precisam ser treinados e preparados para novos fluxos de trabalho e processos de tomada de decis\u00e3o que acompanham a integra\u00e7\u00e3o da IA.<\/p>\n\n\n\n

    \"\"
    Figura 2: As empresas de manufatura passam por uma s\u00e9rie de fases, cada uma representando uma crescente maturidade digital e anal\u00edtica, em sua jornada de digitaliza\u00e7\u00e3o. As solu\u00e7\u00f5es de IA come\u00e7am a ser implementadas na fase da F\u00e1brica Aumentada, que \u00e9 tamb\u00e9m quando as f\u00e1bricas come\u00e7am a ver o culminar dos seus esfor\u00e7os.<\/figcaption><\/figure>\n\n\n\n

    A jornada em dire\u00e7\u00e3o \u00e0 IA \u00e9 marcada por estes e outros desafios que devem ser enfrentados antes de atingir o pr\u00f3ximo n\u00edvel de maturidade anal\u00edtica. Conforme mostrado na Figura 2, a transi\u00e7\u00e3o exige uma mudan\u00e7a das abordagens operacionais tradicionais para estrat\u00e9gias mais centradas em dados. Envolve n\u00e3o apenas a ado\u00e7\u00e3o de novas tecnologias, mas tamb\u00e9m a elimina\u00e7\u00e3o de silos e a promo\u00e7\u00e3o de uma cultura que valoriza a tomada de decis\u00f5es baseada em dados e a aprendizagem cont\u00ednua.<\/p>\n\n\n\n

    Com o surgimento dos data lakes e dos historiadores modernos baseados em nuvem, a disponibilidade de s\u00e9ries temporais e dados contextuais entre locais e para trabalhadores remotos melhorou. O aumento dos dados dispon\u00edveis tamb\u00e9m ajudar\u00e1 as empresas a adotar solu\u00e7\u00f5es de IA mais rapidamente.<\/p>\n\n\n\n

    IA em uso: detec\u00e7\u00e3o de anomalias<\/h5>\n\n\n\n

    A detec\u00e7\u00e3o de anomalias \u00e9 frequentemente mencionada como um caso de uso para IA. No entanto, existem muitas maneiras de detectar anomalias. Isso inclui solu\u00e7\u00f5es que n\u00e3o requerem o uso de IA.<\/p>\n\n\n\n

    Por exemplo, os especialistas operacionais podem realizar uma pesquisa baseada em valores de dados de s\u00e9ries temporais para encontrar valores discrepantes dos padr\u00f5es esperados. Esses outliers s\u00e3o apresentados de forma compreens\u00edvel, o que permite respostas e tomadas de decis\u00f5es r\u00e1pidas. A cria\u00e7\u00e3o de uma impress\u00e3o digital dourada de par\u00e2metros de lote ideais a partir de dados contextuais ajuda a definir uma anomalia e auxilia na sua detec\u00e7\u00e3o. Em cen\u00e1rios mais avan\u00e7ados, a aplica\u00e7\u00e3o de um mapa auto organizado (SOM) desenvolve modelos capazes de encontrar valores discrepantes globais e locais dentro de um contexto multivariado.<\/p>\n\n\n\n

    Na empresa de especialidades qu\u00edmicas Clariant, os engenheiros de processo aprenderam os benef\u00edcios do uso de t\u00e9cnicas avan\u00e7adas para detec\u00e7\u00e3o de anomalias. A partir de dados operacionais processados \u200b\u200bpor meio de software de an\u00e1lise industrial avan\u00e7ado, os cientistas de dados da Clariant desenvolveram modelos que inclu\u00edam sensores virtuais, pontua\u00e7\u00e3o de detec\u00e7\u00e3o de anomalias e alertas de manuten\u00e7\u00e3o preditiva.<\/p>\n\n\n\n

    A integra\u00e7\u00e3o desses recursos de aprendizado de m\u00e1quina permitiu \u00e0 Clariant alcan\u00e7ar melhorias operacionais substanciais. Notavelmente, a empresa registrou uma redu\u00e7\u00e3o de 10% no tempo de processamento de lotes, ou o equivalente a um lote por dia. Al\u00e9m disso, as melhorias na efici\u00eancia operacional levaram a uma redu\u00e7\u00e3o de 9% no consumo de energia.<\/p>\n\n\n\n

    O futuro da IA \u200b\u200bpara a ind\u00fastria<\/h5>\n\n\n\n

    A IA est\u00e1 ganhando terreno cada vez mais, com avan\u00e7os tecnol\u00f3gicos ocorrendo diariamente. No entanto, a sua implementa\u00e7\u00e3o exige muitas vezes um investimento substancial com pouco retorno em valor.<\/p>\n\n\n\n

    Ao aproveitar a riqueza de dados j\u00e1 dispon\u00edveis, os engenheiros podem adicionar insights imediatos para otimizar as opera\u00e7\u00f5es. Entretanto, est\u00e3o a tomar muitas das medidas necess\u00e1rias para um futuro de sucesso com a IA.<\/p>\n\n\n\n

    Fonte: https:\/\/www.processingmagazine.com\/process-control-automation\/article\/53083721\/trendminer-beyond-the-hype-using-generative-ai-to-improve-operational-efficiency<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    A intelig\u00eancia artificial (IA) est\u00e1 transformando a ind\u00fastria ao permitir que os computadores emulem a intelig\u00eancia 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 \u200b\u200bpara a ind\u00fastria de fabrica\u00e7\u00e3o de processos. Embora os avan\u00e7os da IA \u200b\u200bgenerativa […]<\/p>\n","protected":false},"author":1,"featured_media":9061,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[202,184,233,190,234,235,192,88,191],"class_list":["post-9053","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","tag-analise-avancada","tag-industria4-0","tag-it","tag-ot","tag-ti","tag-to","tag-tranformacaodigital","tag-transformacao-digital","tag-trendminer"],"_links":{"self":[{"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/posts\/9053","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/comments?post=9053"}],"version-history":[{"count":4,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/posts\/9053\/revisions"}],"predecessor-version":[{"id":9062,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/posts\/9053\/revisions\/9062"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/media\/9061"}],"wp:attachment":[{"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/media?parent=9053"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/categories?post=9053"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hsinet.com.br\/es\/wp-json\/wp\/v2\/tags?post=9053"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}