Se você for solicitado a introduzir inteligência artificial para manufatura e indústria, provavelmente pensará nos robôs primeiro. Muitas empresas inovadoras, como a
Rethink Robotics , desenvolveram robôs de aparência amigável para fábricas que
trabalham lado a lado com colegas humanos. Os robôs industriais foram historicamente desenvolvidos para executar tarefas específicas, mas os robôs modernos podem ser treinados em novos truques e são capazes de tomar decisões em tempo real.
E embora os robôs pareçam sensuais e brilhantes - mas, na maior parte, a IA em produção é apreciada pela capacidade de pegar dados de sensores e usar equipamentos convencionais para transformá-los em previsões inteligentes destinadas a melhorar e acelerar a tomada de decisões. Hoje, cerca de 15 bilhões de carros estão conectados à Internet. Até 2020, a Cisco
prevê um aumento dessa quantia em 50 bilhões. A integração dessas máquinas em sistemas inteligentes de nuvem automática é o próximo passo importante na evolução da produção e da indústria.
Em 2015, a General Electric lançou o programa GE Digital para introduzir inovações de software em todas as divisões. Harel Kodesh, diretor técnico do programa, falou sobre as dificuldades únicas em aplicar a IA à indústria que distinguem essa área do consumidor.
1. Os dados industriais geralmente são imprecisos
“Para que o aprendizado de máquina funcione corretamente, é necessária uma enorme quantidade de dados. Os dados do consumidor são mais difíceis de entender - se, por exemplo, você compra pizza ou clica em um anúncio, diz Kodesh. "Mas na Internet industrial, 40% dos dados são falsos e inúteis."
Suponha que você precise calcular a profundidade da perfuração e coloque um sensor de umidade no chão para fazer medições importantes. Eles podem ser distorcidos por temperaturas extremas, ações descuidadas dos trabalhadores, mau funcionamento do equipamento ou até mesmo um verme acidentalmente montado no dispositivo. "Nossos dados não provêm de um computador confortável e seguro localizado na sua sala de relaxamento", diz Kodesh.
2. A IA não funciona na nuvem, mas na fronteira
Os dados do usuário são processados nas nuvens em clusters de computação com capacidade aparentemente infinita. A Amazon pode revisar calmamente seu histórico de navegação e compras e fornecer novas recomendações. “Nas previsões do usuário, o custo de recomendações de falso positivo e falso negativo é baixo. Você esquecerá rapidamente que a Amazon recomendou um livro ruim para você ”, observa Kodesh.
E em uma torre de águas profundas, um riser transfere o petróleo dos poços no fundo do mar para a superfície. No caso de um problema, vários grampos que bloqueiam a válvula devem funcionar imediatamente. O software sofisticado que presta serviços de manutenção aos atuadores dessas braçadeiras controla mudanças mínimas de temperatura e pressão. Qualquer erro
pode ser um desastre .
As apostas e a capacidade de resposta do sistema são grandes em aplicações industriais, quando milhões de dólares e vidas humanas estão em jogo. Nesses casos, você não pode confiar no trabalho da IA nas nuvens, ele deve ser implementado localmente - às vezes é chamado de "na fronteira".
A IA industrial é construída como um sistema de ponta a ponta; Kodesh descreve isso como um "bilhete de ida e volta". Os dados aparecem nos sensores localizados “na borda”, os algoritmos os processam, a tarefa é modelada na nuvem e depois transferida de volta para a borda para implementação. Entre a borda e a nuvem, existem nós de controle e muitos nós de armazenamento, pois o sistema deve poder trabalhar com a carga correta nos locais certos.
Em uma fábrica que processa minério em lingotes de platina, é necessário monitorar instantaneamente a aparência de lingotes com densidade incorreta para ajustar a pressão no início da corrente. Qualquer atraso significa perda de material. Da mesma forma, um moinho de vento processa constantemente dados para controlar o trabalho. Kodesh dá um exemplo de um dos muitos problemas prováveis: “Um milionésimo de byte pode conter informações sobre o momento de torção da lâmina, mas se for muito grande, a lâmina será quebrada. "Essas informações críticas devem ser processadas primeiro, mesmo se estiverem localizadas no milionésimo lugar na fila".
A entrega de dados precisos em tempo real é tão complexa que a GE precisa confiar em soluções personalizadas desenvolvidas internamente. "O Spark é rápido", admite Kodesh, "mas quando você precisa tomar decisões em 10 milissegundos, precisa de outros sistemas".
3. Uma única previsão pode custar US $ 1000
Apesar da grande parcela de dados falsos e do poder de computação limitado na fronteira, a IA industrial precisa ser extremamente precisa. Se o sistema analítico da aeronave determinar que ocorreu um problema no motor, é necessário chamar técnicos e engenheiros para remover e reparar a peça defeituosa. As companhias aéreas precisam fornecer uma substituição temporária para que possam continuar a voar. E todo esse empreendimento pode facilmente custar US $ 200.000.
“Não o informaremos sobre um problema se ele não existir e, definitivamente, não o informaremos se houver algum problema”, diz Kodesh. "Queremos garantir que o sistema tenha alta precisão."
Segundo Kodesh, a única maneira de verificar a alta precisão e velocidade do sistema é executar milhares de algoritmos simultaneamente. Uma empresa de consumo como a Amazon pode ganhar de US $ 1 a US $ 9 em um livro, portanto, pode estar disposto a gastar US $ 0,001 em previsão. E quando milhares de dólares estão em jogo, gigantes industriais e industriais gastam de US $ 40 a US $ 1.000 em previsões.
"Por US $ 1.000, eu posso executar muitos algoritmos em paralelo, coletar os resultados e executar o algoritmo genético para fazer uma previsão", diz Kodesh. "Isso criará o efeito de sobrevivência do mais apto quando as previsões mais adequadas forem usadas e as menos adequadas forem descartadas".
4. Modelos complexos devem ser interpretáveis.
Os usuários raramente pensam no motivo pelo qual a Amazon faz uma recomendação específica. Quando as apostas são altas, as pessoas começam a fazer perguntas. Técnicos que trabalham neste campo há 45 anos não confiarão em máquinas que não conseguem explicar suas previsões.
Para alcançar um alto nível de interpretabilidade, a GE precisa inventar tecnologias completamente novas. Infelizmente, os talentos necessários são extremamente poucos. "Admiro instituições educacionais que tentam atender às demandas do mercado com novos especialistas em processamento de dados, mas a matemática deles não é profunda o suficiente", reclama Kodesh.
“Profissionais reais precisam se aprofundar. Eles precisam ter excelentes habilidades analíticas e saber como filtrar e normalizar milhões de pontos de medição em tempo real. ”