Como Gestão Robusta de Dados Impulsiona Machine Learning e IA no IoT Industrial

Na paisagem de manufatura atual, machine learning e inteligência artificial (IA) não são mais buzzwords — são os motores impulsionando a próxima onda de excelência operacional.

Na Cisco, estamos investindo pesado nestas tecnologias, fazendo parceria com líderes da indústria como SAS, que recentemente produziu um vídeo esclarecedor que separa claramente os conceitos: IA é a ciência de máquinas emulando inteligência humana, enquanto machine learning é o método pelo qual essas máquinas aprendem com dados.

Por que estas capacidades são críticas? A manufatura está firmemente na era da Indústria 4.0, ou Manufatura Inteligente, onde três pilares fundamentais — hiperconsciência, tomada de decisão informada e execução rápida — impulsionam o sucesso. Machine learning e IA naturalmente estendem estes pilares ao transformar vastos fluxos de dados em insights acionáveis.

1. Hiperconsciência: Capturar insights em tempo real e tendências emergentes, vendo como produtos e serviços performam no campo.
2. Tomada de Decisão Informada: Analisar o fluxo de dados para que insights cheguem aos stakeholders certos no momento certo.
3. Execução Rápida: Converter decisões em ação — como manutenção preditiva quando uma máquina mostra sinais iniciais de fadiga.

A IDC prevê que o mercado de IA crescerá a uma taxa composta anual de 54,4% até 2020, alcançando mais de US$ 46 bilhões em receita. A chave para realizar este crescimento reside nos dados — o combustível para tanto machine learning quanto IA.

Considere uma fábrica que gera aproximadamente 1.000 TB de dados diariamente, com mais de 10.000 sensores capturando mais de 12.000 variáveis de equipamentos legados e modernos. Gerenciar este dilúvio requer decisões deliberadas sobre conectividade, armazenamento e timing de analytics. A estratégia de dados certa não apenas melhora manutenção, mas também otimiza cadeias de suprimentos, acelera P&D e acelera introduções de novos produtos.

Gestão eficaz de dados para IA e machine learning na manufatura depende de cinco áreas críticas:

• Frequência: Coletar dados apenas quando agregam valor de negócio para evitar sobrecarga de informação e custos desnecessários.
• Priorização: Garantir que dados críticos cheguem ao destino apropriado, preservando integridade da rede.
• Processamento: Empregar soluções híbridas edge-e-cloud para permitir análise em tempo real onde data centers centrais ou nuvem sozinhos falham.
• Orquestração: Mapear como plataformas de IA recebem e consomem dados, mantendo controle e visibilidade consistentes.
• Segurança: Proteger integridade da produção enquanto alavanca IA para detectar anomalias e reforçar cibersegurança.

Para ajudar fabricantes a construir uma base sólida, desenvolvemos o guia Gestão de Dados em Manufatura Digital, oferecendo melhores práticas, insights de arquitetura de workload e estudos de caso para informar seu roteiro de tecnologia.

1. Fonte: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, Outubro 2017