Aplicações industriais de IA – Para além da Prova de Conceito

Armadilhas comuns na aplicação de IA em contextos industriais

Os avanços da IA em várias áreas da nossa vida fazem dela uma das tecnologias mais apreciadas actualmente. Foram alcançados êxitos impressionantes, e as expectativas estão constantemente a aumentar. Também se observa uma tendência para transferir tecnologia do espaço do consumidor para aplicações industriais nesta área. No entanto, de acordo com vários artigos de analistas, os projectos de IA industrial nunca ultrapassam um PoC em aproximadamente 75% dos casos. Porque é que é esse o caso?
O sucesso da IA no espaço do consumidor é, muitas vezes, deixado algumas propriedades importantes das aplicações industriais negligenciadas. Neste artigo enumeramos alguns desafios industriais que têm de ser enfrentados para que um projecto de IA seja bem sucedido.

Importância dos dados

A tecnologia que é referida como IA é hoje em dia sobretudo redes neuronais/redes neural artificial (ver também: Aprendizagem mecânica). Sem entrar em detalhes, podem ser vistas como funções matemáticas – aproximando uma variável de saída de um conjunto de variáveis de entrada através de uma rede treinada.

Para formar essa rede, é necessário um grande conjunto de dados etiquetados. Estes são pares de dados, em que a saída relacionada com uma entrada é conhecida. A rede entre a entrada e a saída é então ajustada para que esta saída conhecida resulte. Uma vez que as redes neurais podem ter um grande número de variáveis internas, é necessário um grande número de conjuntos de dados de formação para se obterem resultados satisfatórios. Uma vez que a rede tenha sido treinada, novos dados de entrada podem ser aplicados e a rede produz uma saída derivada dos dados de formação.

Ao contrário de outras formas de software, a funcionalidade de uma rede neural dificilmente é definida pelo código de programação que descreve o algoritmo. Os algoritmos de redes neuronais são genéricos. O tipo de problema que uma rede neural resolve é definido pelos dados com os quais é treinada.

A qualidade de uma solução de IA depende, portanto, totalmente da disponibilidade e da qualidade dos dados de formação. Dito isto, a rede só é capaz de aproximar os dados que foram cobertos pelo conjunto de dados de formação. Se lhe foram dadas fotografias de cães e gatos, poderá dizer-lhe que “isto é provavelmente um gato”, mas nunca irá detectar um elefante. Além disso, não há garantia de que a rede resolva um dado conjunto de dados, mesmo que seja do espaço onde foi treinado.

Nas aplicações de consumo, estes conjuntos de dados estão na sua maioria disponíveis, muitas vezes nas bases de dados das grandes empresas tecnológicas. E, na maioria das aplicações de consumo de IA, alguns resultados mal etiquetados são aceitáveis. Se 500 imagens de gatos são devidamente reconhecidas, e apenas um punhado não o é, isto é suficientemente bom. Para aplicações industriais, isto é diferente. Porquê?

Em aplicações industriais, as decisões apoiadas pela IA podem ter um impacto significativo na produção industrial. Por outro lado, a recolha de informação suficiente é bastante difícil, e talvez também dispendiosa. Se os resultados do sistema de IA estiverem errados, podem resultar em perdas ou mesmo danos ou pior. Uma interpretação incorrecta ocasional de um sistema de IA não é aceitável na sua maioria. Aqui estão algumas dicas sobre o que observar em projectos de IA industrial.

Iniciação – Antes de iniciar um projecto de gripe aviária

Antes de iniciar um projecto de IA, algumas questões têm de ser esclarecidas primeiro. A primeira e principal questão, isto é – surpreendentemente – muitas vezes ignorada, é: Que problema se quer resolver, e porquê. Este problema tem de ser suficientemente relevante para justificar o esforço, ou seja, tem de haver algumas considerações básicas de casos comerciais. A questão seguinte é: que tecnologia utilizar para o resolver. A IA pode, ou não, ser a melhor solução. Uma razão importante pela qual pode não ser, é a falta de dados, o que leva à questão conexa: temos dados sobre o problema a ser resolvido?

E por último, a solução tem de ser posta em prática. Muito frequentemente, isto inclui o aumento de escala. Por conseguinte, é útil se considerarmos cedo se não só dispomos de dados de uma única máquina para o PoC, mas se será viável obter os dados de outras máquinas, bem como os exigidos pelo seu caso comercial.

Encontrar o problema certo é uma decisão comercial, vamos portanto analisar as outras questões um pouco mais a fundo.

Informação – Dados para aplicações de IA

As instalações industriais geram muitos dados. Para controlar um robô, ou uma siderurgia, ou qualquer outro processo industrial, são utilizados sensores para controlar o equipamento de modo a que este se comporte como concebido. A maioria desses dados é imediatamente descartada. Mas são gerados, e podem ser registados. Portanto, deve haver dados suficientes para treinar a IA?

O desafio na utilização dos dados é se estes contêm a informação necessária. Se se quiser prever falhas, é preciso ter dados sobre falhas. Uma vez que o equipamento industrial raramente falha, provavelmente não é suficiente para recolher dados de uma só máquina. Para isso, são necessários dados de muitas instalações onde o equipamento falhou. Se estiver a gerir as suas próprias fábricas, poderá não ter o número necessário de máquinas, se for fornecedor, poderá saber onde e porquê as máquinas falharam, mas os seus clientes poderão não lhe fornecer os dados. Para obter os dados, tem de oferecer uma proposta de valor ao seu cliente para que ele o faça.

Além disso, a utilização de IA para reproduzir a informação que já possui, não é eficiente. Uma vez que os dados do processo são correlacionados pela física do processo, a formação do sistema de IA com dados em bruto pode revelar essas leis da física. Mas essas são conhecidas, essas foram aplicadas quando da engenharia da planta. O utilizador gostaria de aplicar a IA para detectar os efeitos que não podem ser facilmente explicados pelos seus dados de engenharia. Por conseguinte, tem de remover o conhecido dos dados, para treinar a rede sobre o que não sabe.

Em resumo: Para utilizar a IA com sucesso, precisa de dados, que contenham a informação certa para o que pretende alcançar. Estes dados podem estar em locais diferentes, em formatos diferentes. Se não estiverem prontamente disponíveis, esteja ciente de que a sua recolha consumirá facilmente a maior parte do orçamento do seu projecto de IA.

Impacto – Resultados da IA

A IA pode alcançar resultados impressionantes, mas também pode levar a fracassos surpreendentes. E, ao contrário do software convencional, é difícil de testar. Mesmo pequenas variações nos dados introduzidos podem levar a resultados completamente diferentes, e a natureza de uma rede neural não revela uma razão pela qual o resultado mudou. Também não revela uma razão para que tenha chegado à conclusão certa.

Ao aplicar a IA num sistema industrial, é preciso estar consciente das suas deficiências e riscos, e é preciso mitigá-los com outros meios técnicos. Esteja ciente de que nem os falsos positivos nem os falsos negativos podem ser descartados, algo, que o seu sistema e desenho de processos tem de ter em conta. É necessário um sistema de supervisão convencional, ou sistema de segurança, que assegure que a parte de IA se mantém dentro de limites operacionais razoáveis.

Em resumo: aplique a IA onde ela tem a sua força, e não tente esticá-la onde ela tem as suas fraquezas. Esteja ciente destes, e cubra-os com processos e tecnologias alternativas.

Implementação – Aplicação de IA

Uma vez disponíveis os dados de formação inicial, está pronto para partir. Há uma boa probabilidade de que o seu CdP funcione. Transformá-lo num sistema em produção ainda tem os seus desafios.

Uma questão chave é a arquitectura global: como mencionámos, a formação do sistema requer muitos dados, e muito poder de computação. Para ambos estes requisitos, as soluções de nuvem são bem adequadas em muitos casos. Contudo, a aplicação da rede treinada é muito menos complexa e pode ser feita localmente, talvez mesmo com chips de IA dedicados. Velocidade, disponibilidade de dados, segurança, privacidade, e talvez outros parâmetros têm de orientar a sua decisão de arquitectura.

Se quiser aprender com o funcionamento, a sua rede neural tem de ser treinada de novo ocasionalmente, os modelos têm de ser actualizados, etc. Isto pode exigir recursos informáticos adicionais que não foram necessários no PdC.

Uma propriedade desagradável dos sistemas de IA é o facto de não estar garantido que os dados de formação do PoC criem uma rede que funcione em ambiente semelhante, mas ligeiramente diferente. Assim, a transferência de uma solução para outra instalação tem os seus desafios, e está actualmente a ser abordada pela investigação.

O sistema pode ser mais robusto contra tais variações, se os dados de entrada de uma variedade de instalações forem considerados para formação. Voltando a uma afirmação anterior: considere isto no início do seu projecto, porque pode arriscar-se a gastar novamente o elevado esforço de recolha e limpeza de dados com o seu próximo cliente, enquanto pode reutilizar o pequeno esforço que é gasto na formação da IA.

Conclusões

Nunca é demais sublinhar que conjuntos de dados de formação bons e representativos que contêm a informação de que necessita para a sua solução são a chave para uma solução AI bem sucedida. Certifique-se de que dispõe desses dados, inicialmente, e ao longo do ciclo de vida da sua solução. Mas o mais importante, esteja ciente das tarefas que deseja que a sua solução execute. Aplique a IA onde ela é adequada, e combine-a com outros componentes que possam fazer essa tarefa de forma mais eficiente.

Christopher Ganz hat in über 30 Jahren in der gesamten Wertschöpfungskette der industriellen Innovation Erfahrungen gesammelt, davon über 25 Jahre bei ABB. Sein Fokus liegt dabei auf der industriellen Digitalisierung und deren Umsetzung in Service Geschäftsmodellen. Als einer der Autoren der Digitalisierungsstrategie von ABB konnte er auf seine Arbeiten in der ABB Forschung und im globalen ABB Service Managements zurückgreifen, und unterstützt heute Unternehmen in Innovationsprozessen.

Comentários estão fechados.