Superando os gargalos:o poder da análise na fabricação

Ruban Phukan, cofundador e chefe de produto e análise Diretor da Progress DataRPM, discute a antiga batalha com gargalos e o papel dos predi...
Ruban Phukan, cofundador e diretor de produto e análise da Progress DataRPM, discute a antiga batalha contra os gargalos e o papel da análise preditiva na fabricação.

Os problemas que envolvem os gargalos na fabricação estão bem documentados. Desde atrasos na produção, excesso de estoque, aumento da pressão dos clientes e outros, os problemas causados ​​por uma limitação repentina e imprevista na capacidade podem ser devastadores para qualquer empresa do setor. Com isso em mente, a Manufacturing Global fala com o ex-cientista de dados do Yahoo e líder da Progress DataRPM, Ruban Phukan, sobre o uso de modelos de manutenção preditiva e como eles podem ajudar a estabelecer um ambiente à prova de falhas.

Chegando ao cerne do problema

Como ex-membro da equipe de análise de dados do Yahoo, Phukan é bem versado nas complicações que envolvem o uso de big data. “Eu fiz parte da primeira equipe de ciência de dados criada no Yahoo há muitos anos”, diz ele. “O grande aprendizado foi que a ciência de dados é muito difícil de escalar, manualmente, para grandes organizações. O que percebemos é que a única maneira de realmente resolver o problema da ciência de dados, de uma maneira que possa agregar valor a um negócio, é automatizar os processos que estão por trás dessa análise de dados.”

Passando do Yahoo, Phukan iniciou seu próprio negócio de mecanismos de busca vertical, usando aprendizado de máquina para entender o comportamento do usuário, lidando especificamente com análises preditivas. Depois de vendê-lo, ele entrou no negócio com seus atuais co-fundadores, onde ele pega a história da ProgressDataRPM e como ela está avançando para, entre muitas outras coisas, enfrentar gargalos.

“Quando nos reunimos, percebemos que havia uma enorme quantidade de dados digitais sendo gerados, mas o problema permaneceu o mesmo:não pode ser resolvido manualmente. Não há cientistas de dados suficientes. Mesmo com a enorme quantidade de dados disponíveis, o tipo de valor que as empresas estavam obtendo não justifica o ROI”, diz ele.

“Então, começamos a dizer 'podemos criar uma plataforma que torne os processos de ciência de dados contínuos e automatizados?'

Avanços no aprendizado de máquina

Com o avanço na capacidade tecnológica do aprendizado de máquina, Phukan e seus cofundadores conseguiram lidar com o grande volume de dados e informações disponíveis para seus clientes de uma maneira que antes não era possível. Fundamentalmente, para as empresas de manufatura, isso significava que elas também poderiam iniciar um impacto positivo em coisas como a linha de produção.

“Por exemplo, com coisas como sensores sendo ativados, isso nos ajuda a entender em um nível muito detalhado, o funcionamento normal de uma máquina sob diferentes condições operacionais e ambientais. Podemos então avaliar como isso afeta a saúde de uma máquina e, consequentemente, o que isso faz com a linha de produção, em termos de eficiência”, conta.

Ao implantar um farm de plantas automatizado que não exige que alguém seja um especialista em ciência de dados, o ProgressDataRPM ajuda essencialmente grandes indústrias baseadas em ativos a resolver dois problemas:como minimizar o tempo de inatividade não planejado e como maximizar a qualidade e a eficiência da produção de seus ativos. Tudo isso é feito por meio de seu software de previsão de anomalias cognitivas. No momento em que é conectado a dados baseados em sensores, ele automaticamente define as condições normais de operação da máquina. Em seguida, ele procura por coisas que se desviam dessas condições e cria um alerta antes de prever os possíveis problemas que podem ocorrer.

É essa capacidade de prever o desconhecido que Phukan acredita representar uma grande mudança em relação aos processos tradicionais anteriores. “Precisamos ser capazes de examinar por que as coisas aconteceram no passado, mas, mais importante, precisamos também prever coisas que não aconteceram”, explica ele.

Afetando a linha de montagem

Uma das principais áreas que as empresas de manufatura precisam examinar são os processos que afetam o que acontece na linha de produção, especificamente o tempo do controle de qualidade. “Trabalhamos com vários fabricantes dos setores automotivo e de saúde, por exemplo, e um dos maiores desafios que eles enfrentam é que a verificação de qualidade acontece no final do processo de fabricação. Assim, uma vez que um lote inteiro de um produto é feito, os testes serão executados para determinar se está tudo bem. Isso pode levar a taxas de sucata de até 75%”, diz Phukan.

Como a maioria das regras do conjunto de testes só pode ser escrita com base na experiência anterior, quando surge um novo problema que não foi contabilizado, isso pode levar a problemas sérios, como recalls de produtos. O uso de plataformas de análise preditiva, portanto, de acordo com Phukan, se tornará a norma. De fato, isso é algo que ele já identificou cada vez mais na fabricação.

“Quando os fabricantes falam conosco, eles perguntam se podem usar o aprendizado de máquina para determinar, ao longo do caminho, se um lote está com defeito. Eles sabem que podemos detectar as coisas muito mais cedo, para que possam interromper o processo para minimizar custos e perdas.”

Ele tem algum exemplo específico disso em ação? “Trabalhamos com um grande provedor de telecomunicações na França e eles tiveram um desafio real com seu decodificador, que não é algo que você assumiria que exige manutenção preditiva pesada. O problema que eles tinham era que toda vez que um falhava, eles tinham que identificar o problema e substituí-lo. Obviamente, isso é caro em termos de tempo e dinheiro. Há também um grande risco de perder clientes”, diz ele.

“Identificamos proativamente que um terço de suas caixas tinha um problema, o que significava que o atendimento ao cliente poderia ligar e dizer às pessoas para atualizar sua caixa ou enviar uma substituição antes que ocorresse uma falha”.

O futuro da análise de gargalos

Os fabricantes estão claramente se tornando mais sintonizados com os benefícios da tecnologia cognitiva da máquina, que permite identificar anomalias e potencialmente trazer um especialista no assunto para ajudar a determinar as ramificações das descobertas da máquina.

De fato, Phukan discute como AR, IoT, garantias, computação em nuvem híbrida e blockchain também desempenharão cada vez mais seu papel, no entanto, está detectando o desconhecido que ele sente que será fundamental. “A chave não é o que já se sabe; especialistas em domínio podem fazer um ótimo trabalho lidando com isso, mas o grande desafio é o desconhecido e o que vai atingir as empresas a seguir. É isso que precisamos evitar e esse é o cerne do que mudará o jogo da manufatura”, conclui Phukan.