Por que os Fabricantes Devem Adotar IA e Big Data para Vantagem Competitiva

A Manufacturing Global conversou com líderes executivos da EY, Infor e GE Digital para compreender esta questão.

Embora a necessidade de transformação digital na indústria manufatureira tenha sido tema de debate na última década, eventos recentes apenas aumentaram a demanda pela agilidade, escalabilidade e resiliência que as capacidades da Indústria 4.0 e manufatura inteligente podem proporcionar. Em conversa com Cobus Van Heerden, Gerente Sênior de Produto Digital da GE Digital, Mark Powell, Parceiro da EY (Consultoria UKI), e Phil Lewis, Vice-Presidente de Consultoria de Soluções EMEA na Infor, a Manufacturing Global analisa como tecnologias que utilizam IA e Big Data podem ajudar fabricantes a obter visibilidade operacional em tempo real, alcançando maior confiabilidade e desempenho de processos.

Quais são as aplicações atuais de inteligência artificial (IA) e Big Data na indústria manufatureira?

CVH: A IA industrial utiliza uma combinação de tecnologias de IA direcionadas, dados, física e profundo conhecimento de domínio para resolver desafios empresariais industriais essenciais. A IA tradicional imita a inteligência humana, enquanto a IA industrial baseia-se nela para desbloquear insights e determinar conhecimento causal em ambientes industriais de alto risco, dinâmicos e variáveis. Na manufatura, a IA industrial pode ser usada para detectar e prever problemas-chave de processos e ativos, ajudando empresas a otimizar suas operações, incluindo capacidade, qualidade e estruturas de custo.

PL: Definições acadêmicas de IA ou Big Data perdem o ponto de que as indústrias diferem e terão demandas drasticamente diferentes para a tecnologia. Trata-se da aplicação de uma dada tecnologia a um problema específico que uma empresa possa estar enfrentando. Esse problema pode ser um "padrão da indústria" ou algo que surge na configuração da tecnologia. Mas o maior valor está na aplicação de ferramentas como Big Data e IA nos 10% críticos de um negócio que são verdadeiramente idiossincráticos. Classificamos isso como uma divisão 60/30/10 e é assim que buscamos aplicar essas tecnologias para gerar valor máximo.

Para fabricantes que buscam adotar capacidades de manufatura inteligente da Indústria 4.0, por que devem usar IA e Big Data?

CVH: A manufatura inteligente implanta análises avançadas industriais para prever desempenho futuro de ativos e processos usando dados em tempo real e históricos, otimizando em circuito fechado. Isso envolve o uso de IA e machine learning para permitir que engenheiros de processo combinem dados entre fontes industriais e identifiquem rapidamente problemas, descubram causas raiz de falhas na planta, prevejam desempenho futuro de ativos e automatizem ações que funcionários podem tomar para melhorar qualidade, produtividade e operações.

MP: A digitalização está forçando fabricantes a reimaginar suas cadeias de suprimentos. Como exemplo, a maioria das empresas usa dados internos para acompanhar equilíbrios de oferta-demanda e é desafiador para elas prever eventos externos que impactam suas cadeias de suprimentos. Usando técnicas de IA que compreendem conjuntos de dados externos não estruturados, como mídias sociais e outros dados sobre eventos, fabricantes podem planejar disrupções na cadeia de suprimentos muito mais cedo.

Além disso, fabricantes podem usar IA e Big Data para criar réplicas digitais de suas operações de manufatura e acessar possibilidades transformadoras de redução de tempo de ciclo na produção, adição de capacidade de manufatura e previsão de atividades de manutenção não planejadas, entre outras.

PL: Algumas estatísticas emblemáticas para IA e Big Data simplesmente exigem atenção. Recentemente, a Siemens automatizou uma de suas fábricas na Alemanha, com 75% dos processos digitalizados ou com automação aumentada. A produtividade melhorou em 1.400%. Isso muda o jogo para qualquer negócio. Isso significa que muitos fabricantes agora estão analisando como conectar IA e Big Data em seus planos para o futuro.

Qual a melhor estratégia para fabricantes que buscam realizar o valor da IA e Big Data em suas operações?

CVH: Engenheiros de processo têm excepcional expertise de domínio para construir modelos de processo — ou Gêmeos Digitais de Processo — e interpretá-los. Esta é a base para melhorar vantagem competitiva e sucesso com analytics. Para impulsionar analytics e melhorar processos, fabricantes devem montar uma estratégia que alinhe expertise de domínio a cinco capacidades: Análise — identificação automática de causa raiz acelera melhoria contínua; Monitoramento — alertas precoces reduzem tempo de inatividade e desperdício; Previsão — ações proativas melhoram qualidade, estabilidade e confiabilidade; Simulação — simulações what-if aceleram decisões precisas a menor custo; e Otimização — pontos de ajuste ideais de processo melhoram produtividade em qualidade aceitável em até 10 por cento.

Todos os engenheiros de processo podem e precisam desenvolver capacidades em analytics e machine learning para permanecer competitivos. Com o tempo, engenheiros podem ir de pequenos projetos a pilotos e otimização multi-planta com aplicação profunda de analytics. Sua profunda expertise de domínio fornece base para modelar processos e desenvolver analytics que são transformadores em aplicações muito específicas.

O mais importante: comece com analytics. Faça "trystorming" de alguns projetos; coloque suas ideias intuitivas à prova e apoie-as com dados e analytics. Não espere tornar-se um especialista em ciência de dados. Isso não é necessário. Aproveite ferramentas comprovadas e fáceis de usar de analytics industrial alimentadas com sua expertise de domínio. Isso vai gerar grandes melhorias rapidamente.

PL: Empresas — incluindo fabricantes — tendem a avaliar projetos digitais com foco em cliente, cadeia de suprimentos, eficiência interna ou pessoas — esses são os quatro principais motivadores para qualquer incursão no digital. Frequentemente são orgânicos e surgem de uma atitude contínua de "como podemos fazer melhor". Isso foi acelerado por preocupações com competição, pois empresas agora temem ficar para trás de concorrentes e novos entrantes disruptivos. Há um medo palpável de ser digitalmente relevante e isso está promovendo muito investimento.

No entanto, vale notar que muitos fabricantes já investiram pesadamente em tecnologia (mesmo antes da COVID forçar a digitalização), então o primeiro ponto de definição é alinhar IA e Big Data à tecnologia existente. Quando empresas avaliam sua tecnologia em uso hoje, precisam ter em mente não apenas uma perspectiva de curto prazo de se a tecnologia lidará com processos atuais, mas também se fornece uma plataforma para o futuro? Esta última perspectiva é construída sobre dados. Ambos elementos são igualmente importantes, mas a segunda "perspectiva de plataforma" exige Big Data. Não basta mais escolher uma plataforma que apenas suporte/ajuste processos em andamento — tem que haver capacidades futuras embutidas.

Há então a necessidade de garantir que essa tecnologia seja implantada da melhor forma possível. Isso necessita uma paisagem de aplicações aberta e baseada em nuvem para que um negócio possa aproveitar novas oportunidades como Big Data ou IA sem passar por um processo pesado de integração e acoplamento. Isso torna uma organização mais ágil, focando na aplicação criativa da tecnologia às necessidades do negócio, como identificar novas oportunidades de receita.

Quais são os desafios na adoção de IA e analytics de Big Data em operações de manufatura?

CVH: Fabricantes são desafiados a reduzir desperdício, custos e risco enquanto atendem demanda do cliente. A combinação de IA e dados proporciona aceleração da digitalização através de soluções baseadas em analytics que capacitam trabalhadores com dados em contexto para que pessoas, ativos e processos trabalhem juntos eficientemente.

Outro desafio para empresas é apenas começar. Elas querem aprender mais sobre como usar analytics em suas operações mas não veem isso como trabalho para sua força de trabalho atual. Felizmente, soluções de IA industrial podem ajudar e não exigem que engenheiros de processo sejam cientistas de dados.

MP: O desafio-chave na adoção de IA se resume à capacidade dos fabricantes de estabelecer alinhamento na organização sobre áreas de alto valor onde a IA causará impacto. Por exemplo, usar machine learning e visão computacional para prever e identificar falhas em equipamentos antes que ocorram, reduzindo tempo de inatividade de produção e diminuindo custos de manutenção. Outro desafio é estabelecer uma cultura de infusão de IA em seus processos através de uma cultura de testar-e-aprender.

Por muito tempo, organizações falaram em se tornar "data driven" e isso geralmente não funcionou tão bem quanto se esperava. Fabricantes precisam adotar uma abordagem diferente que comece entendendo onde valor pode ser gerado a partir de novos insights e então foquem nos dados necessários para gerar os insights que podem gerar valor de negócio. Organizações precisam se tornar "insight-driven and data enabled" e não simplesmente "data driven" — só então realmente aproveitarão o poder da IA e big data.

PL: Tudo gira em torno de como atitudes em relação a dados mudaram. Antes vistos como um mal necessário, agora são o ativo número um de um negócio. Tipicamente isso impulsiona uma obsessão com rótulos de big data, mas o que importa é o que você faz com os dados — usando IA / BI / IoT etc para transformar esses dados em um ativo verdadeiramente valioso. A indústria automotiva é o exemplo principal — usando e vendendo os dados produzidos por um carro. Curiosamente, agora quase damos "nuvem" como garantido — se tivéssemos respondido esta pergunta 24 meses atrás, nuvem teria sido a primeira consideração, mas agora é "table stakes". Não é mais se uma empresa irá para a nuvem, mas mais uma questão de que tipo de nuvem/uso de nuvem? — Saímos muito além da conversa de infraestrutura — o como — e entramos no quê — e no porquê uma empresa busca abraçar o digital.

A inteligência artificial (IA) e Big Data estão impulsionando a quarta revolução industrial (Indústria 4.0)?

CVH: A combinação de IA Industrial e dados produz o que chamamos de Gêmeo Digital de Processo, que ajuda fabricantes a solucionar rapidamente desempenho de processos contínuos, discretos ou em lote, minerando insights de dados de sensores e produção disponíveis. Esta tecnologia, que utiliza analytics preditivo, permite aos usuários analisar cenários operacionais, qualificando o impacto que mudanças operacionais terão em métricas-chave de desempenho e identificando causas de variação de desempenho. Gêmeos Digitais inspiram melhoria contínua, uma meta-chave do futuro da indústria, olhando para dados históricos e em tempo real para avançar rapidamente.

PL: Vemos aumentos diários em usos de IA/ML — otimização de inventário, manutenção, processos financeiros mais rápidos são áreas-chave que surgem repetidamente. Para que isso continue e o retorno sobre investimento continue, a IA precisa estar integrada e pronta para funcionar com outros sistemas, em vez de ser um acréscimo posterior, ou empresas enfrentam um projeto de integração pesado e custoso. Em termos da próxima tecnologia específica, realmente depende da maturidade da empresa ou projeto individual — empresas estão apenas alcançando o ponto de um tecido digital em vez de um monte de projetos digitais. Trabalho prescritivo, impulsionado por IA e alimentado por massas de dados de sensores, guarda enorme promessa para mercados B2B/industriais e vemos brotos muito encorajadores em manutenção de ativos e serviço de campo.