A análise avançada encontrou na indústria um campo para a sinergia, com o processo de produção potencializando todas as fases da cadeia de valor e as tecnologias otimizando a operatividade. A sua implantação, que permite prever eventos e encontrar padrões de comportamento úteis para definir táticas de gestão e para a tomada de decisões estratégicas, foi se adentrando gradativamente no tecido empresarial, para estruturar a denominada indústria 4.0.
Desde o início, as técnicas estatísticas e as matemáticas foram empregadas nos processos industriais. Por exemplo, no desenho de produtos foram utilizados métodos numéricos de simulação já implementados em pacotes de software nos anos 70, e as técnicas estatísticas de controle de qualidade são válidas desde 1924. Neste setor, a análise tem encontrado um campo para a sinergia, em que a produção potencializa cada uma das fases e as tecnologias otimizam a operatividade. A transformação digital conduziu a um salto -qualitativo e quantitativo- na coleta e gestão de dados, resultando na chamada “análise avançada”, cujo incremento nas capacidades de armazenamento e suas múltiplas possibilidades de análise e processamento a converteram em um pilar fundamental da indústria 4.0.
Da área de Indústria da Minsait, David Carvajal, diretor de Data & Analytics na linha de produtos, e Jorge Torres, sênior manager, falam respeito do início da implantação na generalização de uma análise descritiva e seu desenvolvimento com a otimização de processos, o uso da inteligência artificial e machine learning ou a aplicação de algoritmos avançados. “As novas tendências na indústria, direcionadas à automatização e ao uso de dados nas tecnologias de produção e processos, que incluem grande diversidade de dispositivos, requerem uma arquitetura de análise robusta e escalável, que abranja todas as fases do ciclo de vida do dado”, explicam os especialistas. Essas fases compreendem desde a coleta até o armazenamento de grandes volumes de dados, passando pelas ferramentas de processamento em real engane. Finalmente, a camada de exploração deve ser habilitada, para permitir consumir e aproveitar os insights obtidos dessa análise e integrá-los na atividade.
Implementação da análise avançada
As tecnologias emergentes, principais precursoras da análise, são o big data e as técnicas de inteligência artificial, matéria cinzenta desta nova indústria. A primeira delas, “insere-se plenamente na gestão e nas análises de grandes quantidades de dados que não poderiam ser tratadas de maneira convencional, e que possibilitam uma melhor produção com correção de erros”, asseveram na Minsait. Igual acontece na gestão de riscos: a coleta de dados nesse âmbito “facilita a antecipação dos processos, de maneira a poder trabalhar com a aplicação de medidas de prevenção”. Além disso, esses dados possibilitam uma aproximação às necessidades dos clientes, seus hábitos de consumo e parâmetros de qualidade/exigência, que oferece a possibilidade de, à margem de otimizar processos, aprimorar consideravelmente a experiência do cliente.
A inteligência artificial pode ser utilizada para compreender melhor os processos de negócio. “Aplicamos métodos de aprendizagem automática, que permitem predizer padrões que ajudam a otimizar a qualidade do produto e reduzir custos”, asseguram. Além disso, ambas as tecnologias se complementam e potencializam entre si. “A capacidade do big data de armazenar e processar dados desestruturados, como as imagens, permite potencializar o uso da visão artificial para a rastreabilidade dos produtos, aprimorando os controles de qualidade ou a detecção de unidades com defeito”.
Os macrodados também habilitam a gestão eficiente das informações originadas em sensores, imagens, dados da meteorologia ou logísticos, muito presentes no setor industrial, e que facilitam o uso de deep learning à escala. “Como redes neuronais que requerem de um treinamento complexo, precisa-se da escalabilidade horizontal e da capacidade de processamento conferida pelas tecnologias de big data”, que se juntaria à inteligência artificial como base principal para seus algoritmos. Desta maneira, origina-se um universo de dados impossível de gerenciar pela mente humana, em que as indústrias retiram um valor indispensável para a tomada da decisões em tempo real e de longo prazo.
Cenário atual
A capacidade do big data para armazenar e processar dados desestruturados, como as imagens, permite potencializar o uso da visão artificial na rastreabilidade dos produtos.
A implantação da análise avançada no tecido empresarial é desigual, dependendo até da área que for abordada. Em geral, é possível dizer que a indústria é um dos setores mais avançados na coleta de dados estruturados e na sua aplicação, especialmente na área de operações/produção, onde a automatização se encontra muito integrada”, mencionam na Minsait. “Mesmo quando contávamos com grande quantidade de dados, aconteceu um período em que o desafio era conseguir acessá-los de maneira explorável. Atualmente, uma vez alcançado esse acesso, o seu aproveitamento está sendo potencializado e é até incluído na proposta do produto/serviço”.
Os algoritmos complexos e a análise geral são suscetíveis de serem utilizados em quaisquer setores, mas a modalidade escolhida terá mais potencial de acordo com sua atividade. “Nas linhas de montagem, as aplicações de inteligência artificial são de grande impacto, ao tempo que companhias de processamento, químicas, algumas empresas de consumo, etc., em que a qualidade do produto depende da evolução dos parâmetros chave durante o processo, beneficiam-se mais de modelos de machine learning”, expõem. “Também, as companhias que trabalham com linhas multiproduto podem obter vantagem do emprego de algoritmos de otimização, para a resolução dos casuísmos enfrentados ao momento de planejar e programar a produção”.
Para que uma empresa consiga implementar essa tecnologia em sua atividade deve “ter constituída a democratização dos dados, em que funcionários têm acesso amplo e instantâneo às informações necessárias para a tomada das decisões próprias de seu papel.” Nesse sentido, torna-se indispensável a formação de todos os membros da equipe, para que consigam gerenciar essas informações. “Assim mesmo, é chave automatizar todos os processos referentes ao ciclo de vida do dado, que permitam retirar conhecimento de forma simples e transparente em todos os níveis”, além de uma mudança cultural que posicione a informação no epicentro das tomadas de decisões corporativas. “Com base em uma reflexão estratégica, é que deve ser construída a visão sobre a transformação da empresa para uma ‘Data Driven Comany’. Alcançar essa visão requer de uma transformação que atuará nas pessoas e na sua maneira de trabalhar lançando mão de novos métodos (Agile, Devops, Crisp DM), skills (Talento Data) e ferramentas (Data Lake, Arquiteturas Data Centric)”.
Essa transformação cultural estará centrada em um foco de colaboração, que garanta a instauração de uma cultura analítica, analytics first, em todos os níveis da organização, com um mecanismo robusto de priorização, implementação, análise e acompanhamento de resultados de casos de uso voltados diretamente ao cumprimento dos desafios de negócio. Então, quais serão as diretrizes que marcarão o futuro da análise avançada? A curto prazo, a tendência indica uma continuação com a automatização e a utilização de machine learning na manutenção preventiva, bem como o uso da visão artificial. Do ponto de vista disruptivo, haverá uma evolução no smart manufacturing, com o monitoramento completo através de sensores para otimizar processos, reduzir custos e melhorar a qualidade do produto. “Estamos enxergando a era do trabalho colaborativo entre robôs cada vez mais autônomos e os seres humanos, aprendendo deles e oferecendo uma gama de capacidades muito superiores às utilizadas atualmente na fabricação”, finalizam.
Campos de análise e aplicações
A evolução da análise avançada é imparável, e se destaca especialmente como ferramenta essencial da indústria 4.0. Os especialistas da Minsait detalham as diferentes aplicações da tecnologia no setor:
Descritiva
É fundamental nas áreas de produção e suporte, e é implementada mediante técnicas de coleta e análise de dados em tempo real com soluções que permitem monitoramento. Graças a sua aplicação, é possível buscar e identificar as causas principais de desempenhos deficientes, qualidades ou avarias e, além disso, remediá-las. Os desvios percebidos se transformam em alarmes que, de maneira digital, alertam aos responsáveis pela operação.
Esta técnica, adaptável a qualquer setor ou atividade, permite reagir e evitar tanto casos graves de segurança quanto possíveis demoras na entrega de produtos e serviços.
Preditiva
Emprega-se, fundamentalmente, em processos de fabricação e consiste na realização de uma análise dos dados o mais próxima possível da coleta (edge analytics). Entre os principais modelos preditivos podemos assinalar a regressão linear ou logística, random forest, árvores de decisão e redes neuronais. Cada um desses modelos apresenta um uso particular, responde a uma pergunta específica ou utiliza determinado tipo de conjunto de dados, com o objetivo compartilhado de predizer resultados futuros com base em dados históricos.
A modelagem oferece resultados na forma de predições representadas mediante o grau de probabilidade da variável “alvo”, baseado na estimação de um conjunto de variáveis de entrada. Nos casos de maiores números de índices de predição e maiores profundidade em sua investigação, a complexidade da análise aumentará.
Esses modelos, antecipando-se à ocorrência dos eventos, são perfeitos para evitar situações anômalas. O caso mais claro é a aplicação na manutenção. Uma vez treinados, eles são capazes de alertar antes de que aconteçam avarias e com tempo suficiente para poder reduzir as consequências de duas maneiras diferentes: a primeira, diminuindo a gravidade da avaria ao predizê-la antes que o mecanismo de degradação que a causa provoque rupturas maiores e mais custosas; e a segunda, reduzindo o impacto na produção perdida, ao conseguir planejar com antecipação a reparação, com os materiais prontos e podendo realizar uma intervenção mais curta.
Prescritiva
Pode ser utilizada em qualquer processo industrial que requeira de uma melhoria. Seu campo natural é a otimização de processos, embora também pode ser desenvolvida no contexto da visão artificial aplicada à robótica, que oferece soluções para fases tão decisivas quanto os controles de qualidade ou a detecção de produtos defeituosos. Como consequência do processamento e da aplicação de algoritmos de machine learning no gerenciamento inteligente dessas imagens, o sistema pode tomar decisões automatizadas para reverter erros, descartar produtos e, tudo isso, seguindo os parâmetros com que o sistema foi programado.
Na atualidade, abriu-se uma linha de pesquisa nesse campo baseada na utilização da inferência bayesiana, um método de raciocínio que soma à informação preliminar os dados de amostras, ou experimentais, utilizando o Teorema de Bayes, que melhora a tomada de decisões e a automatização das ações, dois outputs inerentes ao processo de produção, especialmente no setor da grande indústria.
Dentro da análise prescritiva poderíamos emoldurar uma categoria adicional, a “OTIMIZAÇÃO”, por sua aplicação específica dentro da área de cadeia de fornecimento. Como explicam na Minsait, a aplicação de técnicas de otimização nos processos de negócio envolvidos na gestão da cadeia de fornecimento (definição de cadeia, definição de políticas de inventário, planejamento de produção, produção de programação, etc.) tem enorme impacto no negócio.
Colaboraram neste artigo…
Jorge Torres é sênior manager na Minsait. Jorge lidera o desenvolvimento de produtos e projetos de manufatura na área da indústria 4.0. Possui 17 anos de experiência internacional em consultoria de negócio, indústria e pesquisa. Trabalhou 7 anos como chefe de projeto e engenharia em empresas industriais (automóvel, energia e engenharia). Liderou projetos de transformação a nível internacional, com foco na excelência operacional e projetos de design e industrialização de produtos. É responsável pelo desenvolvimento das soluções de Onesait, que aplicam análise avançada na manufatura (prediction e scheduler) e atua como especialista em projetos de análise avançada aplicada à indústria. Jorge é Engenheiro Industrial pela Universidade Politécnica de Madri e Executive MBA pela Escola de Organização Industrial
David Carvajal é diretor da área de Data & Analytics na linha de produtos da Minsait. Tem 20 anos de experiência profissional dentro da área tecnológica de dados em grandes empresas e mais de 10 anos de experiência em gerência e direção de áreas relacionadas ao big data, advanced analytics, transformação digital ou data governance, sendo responsável por criar, liderar, transformar e evoluir a área de dados cobrindo a cadeia de valor de ponta a ponta: a partir da governabilidade até a análise prescritiva, auxiliando os clientes na adaptação de seus negócios e processos ao modelo impulsionado por dados (data driven company). É bacharel em Direito e Engenheiro Informático, possui um EMBA do Instituto de Diretores de Empresa e habitual colaborador em revistas, ministra palestras, seminários e é professor em escolas de negócios, como o Instituto da Empresa.
