Aproveitando Dados e IA para Transformar a Manufatura: Superando Desafios do Setor

A manufatura pode fazer progresso considerável através de Big Data e IA, mas os desafios complexos do setor têm retardado a adoção.

"Na manufatura, você está sob pressão para melhorar continuamente a qualidade enquanto reduz custos e aumenta a produtividade", diz a líder em software e soluções de analytics SAS. Isso permanece tão verdadeiro quanto sempre na era digital, e avanços tecnológicos conspiraram para enfrentar o desafio mais efetivamente do que nunca.

Mesmo um olhar superficial deixa claro que, de todas as indústrias a serem abaladas pela transformação digital, poucas foram transformadas mais visivel e dramaticamente nos últimos anos do que a manufatura. Esta jornada, das linhas de produção intensivas em mão de obra de Henry Ford para os ambientes de fábrica cada vez mais livres de pessoas das fábricas modernas, foi fortemente acelerada pelo advento do Big Data. Colher informações de operações de manufatura, equipamentos e máquinas, padrões de vendas e flutuações de demanda permite que líderes estruturem estratégias para maior eficiência, produção e segurança. A visão da Indústria 4.0 de fábricas inteligentes que operam com entrada humana mínima enquanto produzem maior produtividade, rentabilidade e confiabilidade é enormemente atraente, mas realizar este objetivo traz desafios igualmente grandes que devem ser superados.

A onda de dados

Em 2018, a principal consultoria e provedora de serviços de outsourcing Capgemini identificou a manufatura como tendo entre o potencial mais considerável para melhoria operacional através de Big Data, indo tão longe a dizer que sua adoção é vital para o sucesso contínuo do negócio. "Com analytics de Big Data não sendo mais uma opção 'bom ter', empresas devem identificar as oportunidades certas para melhorar eficiência da planta e gerar insights", disse a Capgemini em um post de blog de novembro de 2018. "Analytics de big data então forneceria a vantagem competitiva que empresas precisam para ter sucesso em um ambiente cada vez mais complexo."

Com vastos volumes de dados — uma massa que aumenta exponencialmente para operações fazendo uso de tecnologia alimentada por Internet das Coisas (IoT) e velocidades de transferência de gigabit por segundo do 5G — vem imensa complexidade. Não apenas as organizações devem focar no valor de um amplo conjunto de dados, mas devem transformar esse valor nascente em insights acionáveis antes que sejam superados por dados mais novos e relevantes. Frequentemente, dados brutos devem ser casados com a telemetria de outros sistemas para que seu valor seja extraído, e esse know-how em nível humano é difícil de obter.

O caso para IA

Ao redor do globo, cientistas de dados treinados estão em alta demanda e curta oferta e, mesmo com uma frota de analistas de dados de topo, o verdadeiro valor dos dados de uma organização está trancado atrás do tempo longo para análises complicadas serem realizadas, a probabilidade de erro humano, e a necessidade de estratégias de implementação de dados profundamente consideradas. A necessidade de imediatismo e precisão, particularmente com a lacuna generalizada de habilidades em dados, pode ser respondida por outra tecnologia emergente: inteligência artificial (IA).

Seus cálculos e análises algorítmicas adaptáveis às necessidades de operações específicas produzem resultados que são tanto mais precisos quanto rapidamente disponíveis, permitindo que empresas transformem esses dados em ação informada que melhora eficiência e produtividade, escala operações para demanda em tempo real e melhora segurança, desarraigando os problemas colocados por um déficit de expertise enquanto constrói valor. Ela pode até pegar problemas antes que surjam através de manutenção preditiva, algo que exigiria uma força de trabalho considerável e alocação de tempo sem a promessa de precisão que a IA fornece.

"Manutenção preditiva é uma área onde IoT, Big Data e analytics estão causando impacto significativo", diz Debbie Heaton-Bowen, Parceira na Oliver Wight EAME. "Embora tenha se originado nos anos 1990, o advento da tecnologia avançada significou que as capacidades de manutenção preditiva foram recentemente 'supercarregadas', particularmente no setor de manufatura com fábricas inteligentes se tornando realidade. Tempo de inatividade não planejado e má manutenção podem custar milhões às empresas, mas sensores habilitados para IoT podem detectar quando maquinário precisa de uma verificação, prevenindo o desenvolvimento de uma falha mais séria que causaria disrupção custosa. Não apenas a manutenção preditiva identifica erros perdidos pelo olho humano, mas também toma decisões puramente baseadas em dados para melhorar a vida útil do maquinário, reduzir custos de serviço e aumentar a eficiência operacional para lucros mais saudáveis."

Em outro lugar, robótica é outra tendência no setor que mostra promessa considerável, e a IA é vital para sua proposta de valor quando implantada em processos de manufatura. "Quando integrados corretamente, essas unidades robóticas podem amplificar habilidades e forças das pessoas para aumentar eficiência no local de trabalho e melhorar a experiência do funcionário", diz Prasad Satyavolu, CDO de Manufatura e Logística na líder de serviços de TI Cognizant. "Elas já estão sendo implantadas em organizações de manufatura, desde inserir amortecedores ou cortar carne em uma linha de montagem tradicional, até drones atuando como olhos de oficiais de segurança patrulhando um vasto pátio de contêineres. Ao fazer isso, a nova raça de colegas de trabalho autônomos está liberando humanos para assumir trabalhos de maior valor. Pesquisadores do MIT descobriram que equipes humano-robô trabalhando para a BMW foram aproximadamente 85% mais produtivas do que humanos ou robôs trabalhando sozinhos." A IA pode assim simultaneamente preencher lacunas de habilidades e maximizar o tempo disponível para trabalhadores qualificados focarem em tarefas onde podem agregar mais valor.

Os desafios da adoção de IA

Apesar das claras oportunidades que apresenta, a consultoria de gestão McKinsey nota que a adoção de IA tem sido notavelmente lenta na indústria de manufatura. "Embora tecnologias de IA tenham feito melhorias tangíveis em cadeias de suprimentos e funções administrativas, até agora tiveram presença escassa em produção", diz a McKinsey, notando que esta adoção lenta foi desencadeada em parte por uma forte dependência de expertise e forças de trabalho conhecedoras, o que é um tanto irônico dada a capacidade da IA de redirecionar essa expertise para processos menos repetitivos. A dependência de forças de trabalho qualificadas em si é causa para acelerar a integração da IA na indústria.

"Como variações nas qualificações dos operadores podem afetar não apenas o desempenho mas também os lucros, a capacidade da IA de preservar, melhorar e padronizar conhecimento é ainda mais importante", diz a McKinsey. "Além disso, como ela pode tomar decisões complexas de set-point operacional por conta própria, a IA é capaz de entregar saída previsível e consistente em mercados que têm dificuldade em atrair e reter talento de operadores."

Junto com esta dependência de capital humano, muitas fábricas dependem de maquinário legado que antecede até a internet, e aqueles introduzidos nas últimas duas décadas requerem alguma medida de modificação para torná-los compatíveis com a tecnologia de coleta de dados de hoje. Enquanto isso, as questões de obter os conjuntos de dados mais impactantes, como melhor interpretá-los e implementar as descobertas variam não apenas por empresa, mas por departamentos e equipes também.

A empresa de pesquisa NelsonHall nota que a adoção de MES (Sistemas de Execução de Manufatura) aumenta ainda mais esta complexidade. MES tem permitido que empresas digitalizem suas operações e acessem dados mais prontamente por anos, mas a personalização profunda de cada MES de instalação própria significa que compatibilidade e integração com outras tecnologias, como o software de analytics que colhe e analisa dados de inúmeras fontes, é um desafio considerável. "A dificuldade que o MES traz é que é difícil e custoso atualizar, dado o nível de personalização", diz NelsonHall. "Além disso, MES governa a produção de uma planta, então são sistemas críticos e, portanto, requerem desenvolvimento e implementação rigorosos, testes e rollout. Em outras palavras, são comparáveis a aplicações mainframe: enquanto estão rodando, ninguém realmente quer tocá-los muito profundamente." Contornar este problema é frequentemente feito através da adição de sistemas complementares, como os fornecidos por Dassault, Siemens, PTC e similares, adicionando ainda mais complexidade onde muitos operadores buscam simplificar e enxugar sua infraestrutura de tecnologia para aumentar flexibilidade e agilidade.

Enfrentando o desafio hidra

Claramente, os desafios de aproveitar com sucesso conjuntos de dados de manufatura são enormes: estratégia, telemetria, integração, expertise e infraestrutura legada devem ser cada um abordados para facilitar uma mudança suave para a Indústria 4.0. IA sozinha, infelizmente, não pode resolver as dores de cabeça de implementar com sucesso tecnologias baseadas em dados que impulsionarão a manufatura para a Indústria 4.0. IoT Industrial, robótica, gêmeos digitais e manutenção preditiva todos ganharam tração rapidamente como poderosas ferramentas de modernização para manufatura, cada uma possibilitada por Big Data e IA, mas, como seus antepassados, cada uma requer considerável consideração estratégica para ser verdadeiramente bem-sucedida. O toque humano e alinhamento operacional são chave.

"Uma estratégia de transformação orientada a dados bem-sucedida precisa considerar uma visão abrangente de vários fatores incluindo cultura organizacional, clientes, funcionários e tecnologia. Isso não pode ser alcançado através de iniciativas isoladas, e em vez disso precisa de foco concentrado, planejamento de médio a longo prazo, patrocínio e investimento diretamente de líderes de negócios", diz Rohit Gupta, VP e Chefe de Manufatura, Logística, Energia e Utilities na Cognizant. "Fabricantes precisam avaliar seu nível atual de maturidade digital, entender os desafios de negócios e técnicos, e visualizar claramente um roteiro para prosperar neste paradigma digital. Isso deve ser uma abordagem iterativa, trabalhando para desenvolver uma base que possa suportar crescimento escalável e sustentável e construir capacidades de dados dentro da organização com marcos claros."

Ajuda externa é um grande acelerador, e SAS, McKinsey e Capgemini, para citar alguns, têm feito muito para preencher as lacunas tecnológicas e estratégicas de empresas e potências de manufatura buscando dar o salto para o futuro inteligente. Afinal, os ecossistemas de tecnologia de hoje são predicaos em um foco maior em outsourcing e o conhecimento de que expertise externa é frequentemente superior em um espaço tecnológico que fica mais granular a cada dia. A manufatura é profundamente complexa e um tamanho nunca serve para todos, mas alavancar a expertise de líderes nos espaços de dados e IA certamente superará os desafios colocados e desbloqueará o enorme potencial da Indústria 4.0.