Pequenos Fabricantes Aproveitam IA para Impulsionar Operações Enxutas e Eficiência

A inteligência artificial é amplamente reconhecida como um aspecto crucial do que é amplamente referido como Indústria 4.0. Embora ninguém saiba ainda como a inteligência artificial será incorporada na próxima fase da Revolução Industrial, a maioria concorda que ela permitirá maior conectividade entre pessoas, máquinas e tecnologia da informação, permitindo que fabricantes otimizem processos e prevejam problemas.

Como os pequenos e médios fabricantes (PMEs), que normalmente não têm tempo ou capital para testar tecnologias emergentes, devem avaliar como a inteligência artificial poderia impactar sua organização — e desempenhar um papel na preparação para a Indústria 4.0?

Esperar que o setor manufatureiro decida, por assim dizer, certamente não é uma opção. Um atraso de um, dois ou cinco anos poderia fazer com que um fabricante ficasse para trás. A hora de agir é agora, mas o caminho a seguir não está claro.

Uma maneira de abordar isso é avaliar a inteligência artificial por meio de uma transformação contínua que muitas PMEs já adotaram: a manufatura enxuta.

Colocando o “Contínuo” na Melhoria Contínua com Inteligência Artificial

Central para a filosofia enxuta está a ideia de melhoria contínua. É um compromisso com a mudança contínua. Para fazer manufatura enxuta, a disposição para mudar deve ser mantida em todos os momentos para que, quando uma oportunidade de melhoria for identificada, ela possa ser implementada rapidamente.

As melhorias enxutas prosseguem por meio de intervenções. Se um problema é identificado, digamos em um processo, o trabalho é interrompido. Os membros da equipe são chamados para observar, tirar conclusões, fazer julgamentos e, eventualmente, tomar ações que abordem a causa do problema. Essa operação intermitente é como o enxuto funciona, embora seu ritmo de parar-e-iniciar pareça fundamentalmente em desacordo com a ideia de melhoria contínua. É o que é atualmente viável — ou pelo menos humanamente possível.

Agora, e se você não precisasse interromper o trabalho para realizar uma operação enxuta? E se você pudesse fazer a maior parte do processo fundamental enxuto (observar, tirar conclusões, fazer julgamentos, agir) enquanto o trabalho está acontecendo, tornando o processo enxuto mais contínuo? Esta é uma das principais promessas da inteligência artificial para operações de manufatura de qualquer escala.

Onde as Operações Enxutas Podem Começar com Inteligência Artificial

A inteligência artificial é um vasto campo que inclui uma ampla gama de tecnologias — desde algoritmos capazes de aprender com conjuntos de dados até robôs que se assemelham a algo saído de uma história de ficção científica.

No que diz respeito aos pequenos fabricantes, o tipo de inteligência artificial com o qual eles devem se preocupar principalmente é uma subdisciplina chamada aprendizado de máquina. Como Amit Manghani define em seu “Um Guia sobre Aprendizado de Máquina”:

Manghani descreve quatro tipos de aprendizado de máquina, todos os quais poderiam ter aplicações para a manufatura enxuta. Isso pressupõe, no entanto, que um pequeno fabricante esteja disposto a investir na capacidade computacional para disponibilizar os dados necessários para análise computacional:

1. Aprendizado de máquina supervisionado
2. Aprendizado de máquina não supervisionado
3. Aprendizado de máquina semi-supervisionado
4. Aprendizado de máquina por reforço

Vamos explorar cada uma dessas quatro oportunidades de aplicar aprendizado de máquina à manufatura enxuta com mais detalhes abaixo:

1. Aprendizado de Máquina Supervisionado

No aprendizado de máquina supervisionado, algoritmos analisam dados de entrada, atribuindo rótulos a qualquer dado que atenda a critérios predefinidos. Fabricantes enxutos poderiam usar essa técnica para automatizar o controle de qualidade de peças complexas, por exemplo, assumindo que dados relevantes da peça pudessem ser registrados e disponibilizados ao algoritmo.

2. Aprendizado de Máquina Não Supervisionado

Com o aprendizado de máquina não supervisionado, não há respostas preordenadas que um algoritmo possa usar para classificar dados. Em vez disso, o algoritmo deve observar e avaliar dados à medida que se acumulam, identificando padrões e criando rótulos emergentes. Esse tipo de aprendizado de máquina poderia ser usado por fabricantes enxutos para monitorar uma máquina de produção — ou uma série de máquinas em rede — para comportamento incomum e, assim, antecipar uma falha.

3. Aprendizado de Máquina Semi-Supervisionado

Como o nome indica, o aprendizado de máquina semi-supervisionado mistura abordagens supervisionadas e não supervisionadas. Em um cenário semi-supervisionado, existem alguns rótulos existentes para dados. Outros critérios também são desenvolvidos pelo algoritmo ao longo do tempo com a assistência de supervisão humana. Um cenário semi-supervisionado poderia ser útil para otimizar a produção repetitiva de peças, potencialmente eliminando tanto desperdício de peças quanto de processo.

4. Aprendizado de Máquina por Reforço

Em um cenário de reforço, um algoritmo projeta qual ação, de um conjunto de ações possíveis, resultará na maior recompensa. PMEs envolvidas em um processo de transformação enxuta poderiam usar esse tipo de aprendizado de máquina para ponderar diferentes caminhos em direção a mudanças orientadas a processos que visualizam.

O Aprendizado de Máquina Pode Complementar a Manufatura Enxuta

Focando no aprendizado de máquina, pode-se começar a ver como existem aplicações de inteligência artificial que são úteis e acessíveis para a maioria dos fabricantes, independentemente de seu tamanho. Em alguns casos, peças do quebra-cabeça já podem estar disponíveis na forma de dados coletados por sensores de máquinas já instalados, infraestrutura de tecnologia da informação (TI) e tecnologia operacional (TO) existente.

À medida que as PMEs começam a contemplar aplicações para inteligência artificial, é importante lembrar que nenhum desses cenários ameaça automaticamente a disponibilidade de empregos para humanos. Pelo contrário, essas ideias podem ser perseguidas de uma forma complementar a um processo enxuto que capacita trabalhadores, dando aos funcionários acesso a informações em tempo real e melhores ferramentas para resolução de problemas e execução no trabalho.

Uma analogia útil é a tecnologia atual de sensores de automóveis, que complementa a consciência e percepção dos motoristas humanos. Não só essa tecnologia melhora a segurança, mas também ajuda a garantir que haja menos atrito no sistema geral de direção ao alinhar o comportamento de todos na estrada. Dessa forma, a tecnologia de segurança automotiva não tira ninguém da equação da direção — eles tornam a direção uma experiência mais segura e eficiente.

Se adotarmos essa perspectiva, a inteligência artificial pode ser vista como apenas mais uma ferramenta na caixa de ferramentas enxuta — embora uma que tem o potencial de ser muito poderosa.