Desenvolvendo projetos de aprendizado de máquina industrial:3 erros comuns a serem evitados

O uso de técnicas de inteligência artificial, e mais especificamente machine learning, tem sido cada vez mais visto como uma ferramenta revolucionária. Mas o que é aprendizado de máquina?

Uma descrição interessante foi proposta por François Chollet. Em seu livro, "Deep Learning with Python", ele define machine learning (ML) como um novo paradigma computacional. Na computação convencional, fornecemos ao computador as regras e os dados, e esperamos resultados corretos. Usando o aprendizado de máquina, essa ordem é alterada. Fornecemos os dados e os resultados ao computador e esperamos as regras como resposta.

Este novo paradigma computacional muda significativamente nossa forma de resolver problemas cotidianos e abre um grande leque de oportunidades em todas as áreas de estudo. Nos últimos anos, o aprendizado de máquina tem sido amplamente utilizado, inclusive no setor industrial. Apesar dessa ampla abrangência e de ter muitos grandes profissionais trabalhando nessa área, alguns erros comuns têm sido observados (e devem ser evitados) no desenvolvimento de projetos industriais. Embora existam muitos outros, este artigo tem como objetivo discutir três desses possíveis erros.

1. Esquecendo o básico

Conceitos como Indústria 4.0, digitalização, inteligência artificial, aprendizado de máquina e IIoT são as principais tendências do mundo industrial atualmente. Projetos com esse tipo de abordagem frequentemente recebem atenção especial no portfólio de um profissional, e alguns profissionais tendem a escolher esse tipo de solução durante a elaboração de um projeto para aumentar as chances de aprovação do projeto. Mas a questão é:essa ferramenta (machine learning ou qualquer outra) é a certa para resolver seu problema? Você precisa se fazer algumas perguntas antes de escolher qualquer uma dessas ferramentas "modernas". Eu listei alguns aqui, embora existam muitos outros:

• Tentei um algoritmo mais simples para resolver este problema (como lógica PLC)?
• Um controle regulatório bem sintonizado leva a resultados de controle semelhantes ou melhores?
• Temos uma equipe apropriada e bem treinada para manter esses novos aplicativos funcionando?
• Um conjunto diferente de ferramentas de qualidade (como gráficos de Pareto ou diagramas de causa e efeito) forneceria dados suficientes para obter bons insights?

Observe que não estou dizendo que ferramentas como aprendizado de máquina não possam fornecer ótimos resultados ou que essas ferramentas sejam muito complexas. No entanto, é importante ter em mente que soluções simples geralmente geram bons resultados e normalmente deve ser o primeiro passo para uma jornada da Indústria 4.0.

2. Não prestar atenção à qualidade dos dados

As ferramentas de aprendizado de máquina para processamento de dados agora são difundidas. Grandes empresas como o Google e muitos grupos de código aberto desenvolveram ótimas bibliotecas de ML. Essas bibliotecas estão disponíveis na internet, algumas delas com baixo ou nenhum custo. Quando olhamos para o quadro geral, no entanto, qualquer projeto de aprendizado de máquina envolve quatro fases principais :

• Compreendendo e preparando dados
• Processando esses dados
• Análise de resultados
• Agir com sabedoria com base na análise de dados

Dito isso, quando analisamos todo o processo de desenvolvimento de projetos de machine learning, não é incomum alguns profissionais irem direto para as etapas intermediárias (processamento de dados e análise de resultados) sem prestar atenção suficiente na coleta e preparação dos dados.

A base de qualquer projeto de aprendizado de máquina são os dados. Assim como na culinária, onde o ponto de partida de qualquer bom prato é usar bons ingredientes, um fator essencial ao desenvolver um bom projeto de ML é obter e usar bons dados. Especialmente na indústria, obter esses dados pode ser uma tarefa desafiadora. Uma lista não exaustiva de potenciais desafios é mostrada abaixo:

• Falta de instrumentação (dados ausentes)
• Dados menos precisos devido à instalação, manutenção ou configuração inadequada da instrumentação
• Rótulos de dados incorretos devido a equívocos na análise:tarefas de aprendizado supervisionado

Mesmo com esses desafios, com uma correta preparação dos dados (às vezes com adequação industrial), é possível construir uma base de dados forte o suficiente para obter ótimos resultados.

Então, tome seu tempo nesta importante tarefa!

3. Ignorando o conhecimento dos especialistas

Este pode ser um argumento controverso. Alguns profissionais podem dizer que se você quer uma opinião de especialista, deve optar por um sistema especialista usando lógica fuzzy, por exemplo. Em um ponto de vista oposto, quando investigamos o grande conhecimento que nossas empresas possuem , apenas ignorá-lo não parece a melhor maneira de evoluir nossos processos.

Quando implementamos projetos de ML, a melhor maneira é obter uma equipe multidisciplinar combinando os desenvolvedores de ML (pessoas com conhecimento sobre técnicas de ML, ou seja, aprendizado profundo, processamento de linguagem natural, métodos de conjunto, agrupamento e assim por diante) com o especialista adequado assessores (profissionais que conhecem a realidade do processo e os reais problemas a serem resolvidos). Com essa equipe multidisciplinar, bons resultados são catalisados. Você provavelmente obterá soluções mais precisas, com maior probabilidade de implementá-las no mundo real.

Indo além

Apesar dos grandes desafios e histórias de advertência que existem, o aprendizado de máquina está se mostrando cada vez mais como uma ferramenta poderosa. O ML, e as dezenas de outras ferramentas que visam modernizar e evoluir o mundo industrial, são uma tendência e um processo evolutivo natural (e necessário). No entanto - especialmente em processos críticos em áreas industriais, médicas e outras - deve-se tomar cuidado. Portanto, não pule etapas:mantenha seu projeto o mais simples possível, cuide bem de seus dados e não se esqueça dos especialistas.

Como podemos ver, um projeto de aprendizado de máquina não é um curto prazo, mas uma longa jornada . Como qualquer jornada, esta é feita de passos únicos, e o último passo tem a mesma importância que o primeiro.