Associa-se a transformação digital industrial apenas à coleta de grandes volumes de dados.
Não estamos dizendo que isso não é importante, até porque os dados são fundamentais para alimentar máquinas, sensores, sistemas de automação, ERPs, MES, sistemas de manutenção e plataformas de qualidade de processo e operações.
No entanto, há um desafio neste contexto, e está em transformar todo esse volume de dados em informações que, por sua vez, vão contribuir para tomadas de decisões.
É tratando deste cenário que conceitos como Business Intelligence (BI), Data Science e Inteligência Artificial generativa devem ser considerados.
As suas funções são distintas, mas são três abordagens que podem ser complementares ao conectar dados operacionais, análises, previsões e interação com informações.
Este texto trata de abordar justamente isso. É preciso compreender a relação entre eles para identificar onde cada tecnologia pode gerar valor dentro de uma empresa ou indústria.
Onde começa a inteligência industrial?
Um dashboard e até mesmo a aplicação de uma IA exigem uma etapa anterior fundamental para gerar informações de procedência. Essa é a geração e organização (tratamento) de dados.
A geração de dados na indústria ocorre por meio de sensores, CLPs, sistemas SCADA, equipamentos de inspeção, máquinas CNC, sistemas MES, ERP, plataformas de manutenção e controles de qualidade.
Além disso, têm dados que são provenientes de planilhas, relatórios, ordens de produção e documentos técnicos.
Tudo o que foi mencionado são possíveis fontes de dados que podem vir, como tempo de ciclo, produção, consumo de energia, temperatura, vibração, quantidade de paradas, defeitos, custos, estoques e intervenções de manutenção.
Contudo, esses dados precisam estar cruzados para que não tenham aplicação limitada. Em outras palavras, além de ser necessária uma boa disponibilidade, estrutura e consistência dos dados, é interessante que estejam relacionados ao contexto em que foram gerados.
E, neste cenário, eles se integram, complementam e caracterizam equipamentos, produtos e operações. Uma vez que isso é tratado na análise de dados, a informação ganha um novo significado. Um novo valor.
É assim que a infraestrutura de dados se torna uma base importante para aplicações de BI, Data Science e IA.
BI: dados em informação para a gestão
BI: Business Inteligence ou Inteligência de Negócio. Esta ideia diz respeito ao uso de dados para gerar informações que auxiliam o acompanhamento e a gestão do negócio.
Na indústria, isso ocorre por meio de dashboards e indicadores que apresentam a condição de diferentes setores.
Com o BI, um gestor pode estar ciente do status do OEE, produtividade, scrap, FPY, downtime, progresso de projeto, lead time, custos, consumo energético ou indicadores de manutenção em uma mesma interface.
No entanto, os gestores querem mais do que isso, e é aqui que o BI faz toda diferença. O gestor quer identificar tendências, desvios e pontos de atenção.
Então, um OEE global que apresentou uma queda em determinado período, por exemplo, vai estar em um dashboard que também exibirá qual máquina é responsável e qual o aumento no tempo de parada associado.
É desta maneira que o BI responde a perguntas como:
- O que está acontecendo?
- Onde está acontecendo?
- Quando ocorreu?
- Como o indicador evoluiu?
Data Science: além da descrição de dados
Bom, vimos que o BI pode ser associado diretamente à visualização e ao acompanhamento de informações. O Data Science, por outro lado, é o responsável por ampliar a capacidade analítica sobre os dados.
Mais especificamente, o Data Science vai combinar os recursos de estatística, matemática, programação e aprendizado de máquina para identificar padrões, relações e comportamentos que podem não ser facilmente percebidos por meio de análises convencionais.
E como isso pode impactar a indústria?
A aplicação industrial nos leva, por exemplo, à otimização da manutenção, que podemos observar na manutenção preditiva.
Assim, essa ideia permite analisar não só o número de falhas em um período no passado, mas também identificar condições associadas à probabilidade de falhas ao utilizar modelos de vibração, temperatura, pressão, horas de operação e histórico de intervenções.
Além disso, outra aplicação baseia-se na previsão de demanda, detecção de anomalias, otimização de processos, previsão de consumo energético, análise de qualidade e identificação de fatores que contribuem para perdas de produção.
Afinal de contas, são tendências, você se lembra?
“Mas a tendência e a previsão não envolve a IA?”
Sim, envolve a IA! Data Science não necessariamente significa inteligência artificial, mas modelos de machine learning fazem parte de muitas aplicações de Data Science, sim!
A diferença é que, quando falamos de Data Science, devemos considerá-la junto de estatística, análise exploratória, tratamento de dados, modelagem e interpretação dos resultados.
IA generativa: interação com informações
A IA generativa, por sua vez, adiciona outra possibilidade ao ecossistema mencionado até então. Com ela, ganha-se a capacidade de produzir conteúdo e interagir com informações utilizando linguagem natural.
No cenário industrial, isso seria aplicado para consultar, por meio de perguntas que seriam feitas a outro especialista, por exemplo, as informações, documentos, indicadores ou resultados analíticos.
Assim, não seria necessário navegar por diferentes relatórios até encontrar aquilo que se tem interesse.
Simplesmente, bastaria o usuário solicitar uma síntese sobre o desempenho de determinada linha. Ou ainda bastaria pedir a identificação dos principais desvios ou solicitar um resumo das ocorrências de manutenção de um equipamento.
Além disso, a própria tecnologia é extremamente eficaz na elaboração de relatórios, interpretação de informações, consulta a procedimentos, organização de documentos e interação com bases de conhecimento.
Como BI, Data Science e IA generativa se conectam?
Resumindo o que foi apresentado até agora, a relação e ordem entre as tecnologias parte de uma cadeia conceitual:
Dados → Informação → Análise → Interpretação → Decisão
- BI: atuando na transformação dos dados em informações;
- Data Science: agrega com métodos analíticos que possibilitam encontrar padrões, construir modelos e realizar previsões.
- IA generativa: facilitando a interação com as informações e transformando-as em resultados, conhecimentos em respostas, relatórios, explicações ou outros conteúdos.
Qual a nossa dica para quem convive com essas diferentes tecnologias?
É claro que essas tecnologias não são obrigatórias, mas é importante entendê-las e diferenciá-las quanto aos seus benefícios.
Para todos os casos, afirmamos que: nenhuma dessas tecnologias elimina a necessidade de uma boa estrutura de dados.
Então, antes de decidir qual atende às suas necessidades hoje, foque primeiro em tratar os dados que a sua empresa tem, removendo informações duplicadas, incompletas, inconsistentes ou sem contexto.
Isso pode comprometer o que vem “lá trás”, como dashboards, modelos estatísticos e aplicações de inteligência artificial. E se ocorrer, você terá um sistema sofisticado, mas incapaz de lhe fornecer o que você precisa para impulsionar seus ganhos.
Em outras palavras, nem mesmo a IA vai transformar dados ruins em decisões boas.
