Sua estratégia de IA é realista ou uma escada para o céu?

Luke Durcan, diretor de EcoStruxure da Schneider Electric relembra ouvir um executivo de uma empresa industrial dizer algo como:“Queremos fazer alguma IA. Queremos incluir um pouco de IA em nosso processo o mais rápido possível. ”

"Quando?" Perguntou Durcan.

“Provavelmente em julho”, Durcan relembrou o ditado do executivo anônimo. “Sim, queremos obter alguma IA até julho.”

“Você meio que olha para o cara e então percebe que ele realmente não entende o processo. Ele realmente não entende os mecanismos e requisitos subjacentes para chegar lá ”, disse Durcan. “E a realidade é que, em um contexto industrial, não existe IA. É marketing. ”

Embora os especialistas em ciência industrial e de dados tenham uma variedade de opiniões diferentes sobre noções vagas como IA e sua conexão com a inteligência artificial geral quase mágica, eles concordam com a necessidade de contextualização de dados disciplinada e gradual e implantação de técnicas como análise, aprendizado de máquina e assim por diante.

Atif Kureishy, ​​que dirige a iniciativa de IA e deep learning da Teradata, enquadra a IA como um conjunto de técnicas de suporte, incluindo análise, aprendizado de máquina e aprendizado profundo usado para apoiar um resultado de negócios. “Quando você olha para o aprendizado profundo, por exemplo, que é um subconjunto do aprendizado de máquina, ele está aplicando redes neurais, grande computação baseada em GPU e alta dimensionalidade de dados para fazer previsões cada vez mais precisas”, disse Kureishy.

Quanto aos setores que adotaram mais rapidamente essas técnicas, eles são os “suspeitos do costume”, disse Kureishy, ​​incluindo tecnologia de consumo, serviços financeiros e seguros. O varejo e as telecomunicações fazem parte de um grupo que está próximo da fila, disse ele. Em termos de manufatura, o setor automotivo é um dos setores mais rápidos a adotar técnicas como aprendizado de máquina e visão computacional, dado o interesse dessa indústria por veículos autônomos.

Durcan disse que a indústria de petróleo e gás é pioneira nas indústrias de processo. “Essas organizações [de petróleo e gás] têm investido em dados, infraestrutura e tecnologia por muitos, muitos anos, porque isso é agregado a valor para elas por muitos e muitos anos”, explicou ele.

Mais abaixo na curva de maturidade no processo de manufatura estão os bens de consumo embalados e os setores de materiais, minerais e mineração, enquanto uma série de empresas de manufatura discretas, como fabricantes de eletrônicos são "bastante avançadas", disse Durcan

Portanto, o que as empresas industriais atrasadas devem fazer para compensar o terreno perdido quando se trata de uma indústria 4.0, fábrica inteligente ou estratégia de IA - ou qualquer outro termo que seja preferido? E o que os que estão no meio da matilha devem fazer a seguir?

Comece primeiro fazendo uma auto-auditoria e, se necessário, garantindo que sua organização tenha uma base sólida de ciência de dados. Muito do trabalho da Teradata com empresas industriais inclui "construir os aspectos fundamentais nos quais nossos clientes bancários, por exemplo, têm investido nos últimos 30 anos", disse Kureishy. Muitas empresas industriais estão trabalhando para entender quais tipos de dados contextuais possuem, calibrando sensores e focando em aspectos de “ciência de dados 101” relacionados a talentos, ferramentas e seu ambiente.

Isso não é pegar nas empresas industriais. No ano passado, o Gartner descobriu que mais de 87% das organizações - em todos os setores - têm baixa maturidade em inteligência de negócios e análise.

Em um estágio inicial, um fabricante pode ter instrumentado uma série de sensores em suas operações para entender melhor as condições às quais um material é exposto no processo de fabricação. Uma vez que a organização pode rastrear seus dados no contexto, ela pode começar a detectar anomalias anteriores a um defeito de fabricação que leva à sucata. “Isso não é realmente uma previsão ainda, mas está dizendo:‘ Ei, agora posso caracterizar melhor o que está acontecendo nesse processo de fabricação ”, disse Kureishy. “Como tenho todos esses dados de telemetria saindo e posso processá-los, analisá-los e costurá-los, posso caracterizar melhor de forma quantitativa o que deu errado.”

Em um estágio inicial como este e durante todo o processo, Durcan enfatizou a importância de focar nas pessoas e nos processos, bem como na tecnologia. “Em uma instalação típica de brownfield, há pessoas que estão lá há 20, 30 ou 40 anos que provavelmente sabem muito mais sobre o processo do que você jamais saberá”, disse ele. “E há o próprio processo, que, novamente, é uma evolução ao longo do tempo. Então, você vai encontrar maneiras de integrar sua tecnologia ao ambiente de processo de pessoas para entregar valor incremental. ”

As organizações industriais que investiram na construção de uma base sólida de ciência de dados podem então começar a explorar o potencial de técnicas mais avançadas, como redes neurais. E à medida que sua maturidade avança, eles podem passar da caracterização do que está acontecendo em suas operações para correlacionar as variáveis ​​que surgem naquele ambiente e, eventualmente, estabelecer a causalidade entre as variáveis. “Isso quer dizer:‘ Quando A acontece, B ocorre, então eu sei que C vai se materializar ”, explicou Kureishy. “Isso o coloca em uma posição melhor de previsão. Você pode começar a dizer:‘Estou começando a ver essas anomalias. Se você não intervir em algum nível, então eu sei que esta condição C vai ocorrer. '”

A próxima camada estende a sofisticação. “Você pode fazer uma recomendação realmente distinta de uma maneira prescritiva para corrigir ou otimizar um processo”, acrescentou Kureishy. A camada superior é onde todo o processo de detectar anomalias e tratá-las antes que causem problemas maiores é totalmente automatizado. “Estamos falando de Terminator”, brincou Kureishy.

As organizações industriais devem evitar a conclusão de que sua jornada de estratégia de IA tem um destino final definido. “Não há nirvana além da colina”, disse Durcan. “Isso está ficando cada vez mais complicado.”

Por fim, os líderes do setor devem entender que “a integração de dados é fundamental, mas os dados por si só são apenas o começo de um modelo preditivo e um modelo analítico”, acrescentou Durcan. É vital que esses profissionais entendam sua hierarquia de ativos, modelo de ativos e contexto de ativos. “Então, você pode começar a construir informações detalhadas e aprofundadas sobre o fluxo de dados e a infraestrutura de dados em sua organização”, acrescentou Durcan. A partir daí, eles podem aproveitar os dados para visualizações descritivas e reação operacional. “É para isso que 90% das pessoas vão usar”, acrescentou. “Mas você tem que dar o primeiro passo na jornada para chegar lá.”