Manutenção Preditiva: Catalisador da Próxima Revolução Industrial

O potencial transformador da inteligência artificial é um tema que gera debate entre indústrias. Embora o seu impacto futuro seja frequentemente discutido, o verdadeiro alcance da sua influência permanece complexo e multifacetado.

"Inteligência artificial" pode referir-se a qualquer coisa, desde algoritmos específicos de tarefas estreitas ao conceito especulativo de inteligência artificial geral (AGI) — máquinas que raciocinam e agem com inteligência de nível humano. Hollywood dramatizou esta visão em filmes como O Exterminador Implacável, e figuras públicas como Elon Musk e Bill Gates expressaram preocupações sobre as suas implicações. No entanto, quando e se a AGI se materializará é incerto. A Gartner prevê que décadas podem passar antes que máquinas aproximem o raciocínio humano, mesmo que IA estreita já supere humanos em arenas especializadas como xadrez e Go. Martin Ford, autor de Architects of Intelligence, ecoa esta visão, notando que a chegada da AGI permanece imprevisível.

Da mesma forma, a próxima revolução industrial permanece elusiva. Embora conceitos como Indústria 4.0 sugiram que IA, IIoT e tecnologias relacionadas poderiam desencadear uma nova onda de produtividade, a produtividade ocidental estagnou por anos. A produção industrial dos EUA caiu 0,1% em março — um declínio que o Wall Street Journal descreveu como evidência de que a manufatura entrou num "soft patch".

Apesar destas tendências macro, numerosas empresas industriais estão a colher benefícios tangíveis ao combinar IIoT com machine learning. A FogHorn, uma startup, ajudou a Daihen, uma empresa japonesa de eletrónica industrial, a eliminar 1.800 horas de entrada manual de dados numa única fábrica. Um fabricante líder de bebidas poupou o equivalente a um milhão de latas de cerveja ao implementar a plataforma de manutenção preditiva da Augury, que funde sensores sem fio de vibração, ultrassom, temperatura e magnéticos com ML para detetar falhas de equipamento. O cofundador e CEO da Augury, Saar Yoskovitz, explicou que identificar desgaste severo de rolamento numa máquina de enchimento permitiu à cervejaria realizar uma reparação programada durante tempo de inatividade, prevenindo uma paragem de oito horas que teria custado $ 200.000 em receita perdida.

O braço digital da Air Liquide, Alizent, demonstra o poder da Indústria 4.0 em escala. Aproveitando o software PI da OSIsoft como motor de dados da plataforma, a Air Liquide lançou a plataforma de otimização de fábrica SIO há alguns anos. Segundo Michael Kanellos, gestor sénior de comunicações corporativas na OSIsoft, a Air Liquide alcançou payback em apenas três meses e um retorno de dez vezes no primeiro ano. A empresa subsequentemente expandiu a plataforma para gerir fábricas "lights-out" em França e Sudeste Asiático, eventualmente separando a Alizent numa unidade independente para servir tanto a Air Liquide como clientes externos.

O White House Utility District, uma utility líder de água e esgoto no Tennessee, reduziu vazamentos de água de 32% para 15% através de transformação digital, gerando milhões em poupanças. O distrito também reduziu custos de gestão de dados em $ 30.000 anuais e adiou uma atualização de fábrica de $ 15 milhões por 11 anos, impulsionando a reputação comunitária e avaliações de agências de rating de crédito.

Mark Willnerd, CEO e presidente da Toumetis — uma empresa de machine learning para aplicações industriais — antecipa um aumento de produtividade nos próximos cinco anos. "Graças a tecnologias como machine learning, estamos preparados para ganhos significativos", disse, comparando a melhoria esperada ao boom de produtividade dos anos 90.

A Toumetis está a colaborar com uma empresa de energia num campo de petróleo que pode tornar-se um dos maiores produtores do mundo. Bombas submersíveis elétricas pouco fiáveis têm prejudicado a produção. Ao monitorar 1.500 poços e 100 fluxos de dados, a Toumetis pode prever falhas de bomba até 14 dias antecipadamente, permitindo reparações proativas que maximizam lucro e produção.

Implementar machine learning em ambientes industriais raramente é simples. Inconsistências de dados — leituras falsas de sensores, valores em falta e necessidade de limpeza extensiva — podem dificultar a análise. Willnerd nota que ainda estamos na fase inicial da aplicação de ML à indústria.

Um estudo da Bain & Co., Beyond Proofs of Concept: Scaling the Industrial IoT, inquiriu 600 executivos de alta tecnologia e descobriu que IIoT, especialmente manutenção preditiva, é mais desafiante de implementar que o esperado. No entanto, o relatório conclui que o IoT industrial continua a ser uma oportunidade promissora.

Um desafio central é a exigência de uma rara combinação de experiência de domínio e conhecimentos de ciência de dados. A Toumetis aborda isto contratando especialistas industriais experientes que trabalham em análise de dados desde finais dos anos 90 e início dos anos 2000. Willnerd enfatiza que o sucesso depende de uma compreensão clara do problema e do seu valor de negócio.

Yoskovitz ecoa este sentimento, notando que a escassez de talento é generalizada. Numa sessão de formação, a idade média dos participantes era 55 anos, ilustrando o fosso geracional. Com trabalhadores mais velhos a reformar-se e gerações mais novas desinteressadas em papéis de manutenção, os EUA arriscam perder conhecimento valioso de manufatura legada na próxima década.

Embora possa ser prematuro declarar se IoT e IA trarão uma era de produtividade par com as primeiras revoluções industriais — ou se a Indústria 4.0 se assemelhará a uma atualização de software em vez de uma revolução de sistemas ciber-físicos — as organizações ainda podem responder à questão prática: como estas tecnologias podem entregar valor imediato garantindo que os técnicos certos chegam às máquinas certas no momento certo?