Sua Estratégia de IA é Realista ou Apenas um Sonho?

Luke Durcan, diretor da EcoStruxure na Schneider Electric, relata uma conversa com um executivo de uma empresa industrial que afirmou: "Queremos fazer alguma IA. Queremos colocar alguma IA em nosso processo o mais rápido possível."

Quando Durcan perguntou "Quando?", o executivo respondeu: "Provavelmente julho."

Durcan observou que o executivo claramente carecia de entendimento profundo dos processos, mecanismos e requisitos necessários para alcançar integração de IA. Ele notou que, em muitos contextos industriais, "IA" é frequentemente usada como buzzword em vez de uma capacidade concreta.

Especialistas em analytics industrial e ciência de dados concordam consistentemente em uma abordagem disciplinada, passo a passo: contextualizar dados, então aplicar analytics, machine learning e técnicas de deep learning para alcançar resultados reais de negócio.

Atif Kureishy, chefe da iniciativa de IA e deep learning da Teradata, define IA como um conjunto de técnicas de suporte — analytics, machine learning, deep learning — adaptadas para resolver problemas de negócio específicos. "Por exemplo, deep learning — usando redes neurais, computação baseada em GPU e dados de alta dimensão — permite previsões cada vez mais precisas", explica Kureishy.

Indústrias que abraçaram estas técnicas cedo incluem tech de consumo, serviços financeiros e seguros. Varejo, telecomunicações e automotivo estão seguindo de perto. Na manufatura, o setor automotivo está entre os adotantes mais rápidos, impulsionado por seu foco em veículos autônomos.

Durcan destaca a indústria de petróleo e gás como pioneira em setores de processo. "Essas organizações investiram em dados, infraestrutura e tecnologia por décadas porque consistentemente entregaram valor", diz ele.

Mais adiante na curva de maturidade, bens de consumo embalados, materiais, minerais e mineração mostram progresso constante, enquanto fabricantes discretos — como produtores de eletrônicos — já estão bastante avançados.

Então, o que empresas industriais atrasadas devem fazer para alcançar a era da Indústria 4.0, fábricas inteligentes e IA? E quais próximos passos empresas de nível médio devem tomar?

O primeiro movimento é uma autoauditoria para garantir uma base robusta de ciência de dados. A Teradata frequentemente auxilia clientes na construção dos elementos fundamentais que serviram seus clientes bancários por 30 anos. Muitas empresas industriais devem identificar os dados contextuais que possuem, calibrar sensores e focar em "ciência de dados 101" — talento, ferramentas e ambiente.

Segundo pesquisa da Gartner de 2023, mais de 87% das organizações em todos os setores exibem baixa maturidade em business intelligence e analytics.

No início, um fabricante pode implantar uma rede de sensores em suas operações para capturar as condições que um material experimenta durante produção. Com dados contextuais em mãos, a empresa pode detectar anomalias que precedem defeitos e sucata. "Ainda não é predição completa, mas é uma melhor caracterização do processo", nota Kureishy.

Durcan enfatiza que tecnologia deve ser integrada com pessoas e processos. "Em uma instalação brownfield típica, funcionários experientes possuem conhecimento de processo inestimável. Suas ferramentas de IA devem complementar essa expertise, entregando valor incremental", diz ele.

Uma vez que uma empresa tem uma base sólida de ciência de dados, pode explorar técnicas mais avançadas como redes neurais. Conforme a maturidade cresce, o foco muda de descrever eventos para correlacionar variáveis e estabelecer causalidade. "Quando A acontece, B ocorre, então sabemos que C se materializará", explica Kureishy. "Este insight preditivo permite intervenção proativa."

Maior sofisticação permite recomendações prescritivas para otimizar ou corrigir processos. O ápice desta jornada é detecção e resolução de anomalias totalmente automatizada — essencialmente, um "terminator" automatizado de defeitos, como Kureishy brincou.

Durcan adverte que a jornada de IA não tem destino final. "Não há nirvana no horizonte; a paisagem continua evoluindo", diz ele.

Finalmente, líderes industriais devem priorizar integração de dados. Dados sozinhos são apenas o ponto de partida para modelos preditivos ou analíticos. Entender a hierarquia de ativos, modelo e contexto é crítico. A partir daí, organizações podem construir fluxos de dados detalhados e infraestrutura, permitindo visualizações descritivas e respostas operacionais. "Isso é o que 90% das pessoas usam dados para", adiciona Durcan. "O primeiro passo é o mais difícil."