Fabricantes menores são enxutos com inteligência artificial

A inteligência artificial é amplamente reconhecida como um aspecto crucial do que é amplamente conhecido 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 uma maior conectividade entre pessoas, máquinas e tecnologia da informação, permitindo que os fabricantes otimizem melhor os processos e prevejam problemas.

Como os fabricantes de pequeno e médio porte (SMMs), que normalmente não têm o tempo ou capital necessários para testar tecnologias emergentes, deveriam 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 pode fazer com que o fabricante fique para trás. A hora de agir é agora, mas o caminho a seguir não está claro.

Uma maneira de resolver isso é avaliar a inteligência artificial por meio de uma transformação contínua que muitos SMMs já adotaram:a manufatura enxuta.

Colocando o “Contínuo” em Melhoria Contínua com Inteligência Artificial

O ponto central da filosofia enxuta é a ideia de melhoria contínua. É um compromisso com a mudança contínua. Para fazer o lean, a vontade de 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 ocorrem por meio de intervenções. Se um problema for identificado, digamos em um processo, o trabalho será interrompido. Os membros da equipe são chamados para observar, tirar conclusões, fazer julgamentos e, eventualmente, tomar medidas que abordem a causa do problema. Essa operação intermitente é como o sistema enxuto funciona, embora seu ritmo de parar e iniciar pareça fundamentalmente em desacordo com a ideia de melhoria contínua. É o que atualmente é viável - ou pelo menos humanamente possível.

Agora, e se você não tivesse que parar o trabalho para realizar uma operação enxuta? E se você pudesse fazer a maior parte do processo lean fundamental (observar, tirar conclusões, fazer julgamentos, agir) enquanto o trabalho estava acontecendo, tornando o processo lean mais contínuo? Essa é uma das principais promessas da inteligência artificial para operações de manufatura em 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 - tudo, desde algoritmos capazes de aprender a partir de 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 a qual eles devem se preocupar é uma subdisciplina chamada aprendizado de máquina. Como Amit Manghani define em seu “A Primer on Machine Learning:”

Manghani segue descrevendo quatro tipos de aprendizado de máquina, todos podendo ter aplicações para manufatura enxuta. Isso pressupõe, no entanto, que um pequeno fabricante está disposto a investir no poder de computação para disponibilizar os dados necessários para a análise computacional:

1. Aprendizado de máquina supervisionado
2. Aprendizado de máquina não supervisionado
3. Aprendizado de máquina semissupervisionado
4. Aprendizado de máquina de reforço

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

1. Aprendizado de máquina supervisionado

No aprendizado de máquina supervisionado, os algoritmos analisam os dados recebidos, atribuindo rótulos a qualquer dado que atenda aos critérios predefinidos. Os fabricantes enxutos podem usar essa técnica para automatizar o controle de qualidade para peças complexas, por exemplo, assumindo que dados relevantes da peça possam ser registrados e disponibilizados para o algoritmo.

2. Aprendizado de máquina não supervisionado

Com o aprendizado de máquina não supervisionado, não há respostas predeterminadas que um algoritmo possa usar para classificar os dados. Em vez disso, o algoritmo deve observar e avaliar os dados conforme eles 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 - quanto a comportamento incomum e, assim, antecipar um mau funcionamento.

3. Aprendizado de máquina semissupervisionado

Como o nome indica, o aprendizado de máquina semissupervisionado mistura abordagens supervisionadas e não supervisionadas. Em um cenário semissupervisionado, existem alguns rótulos existentes para os dados. Outros critérios também são desenvolvidos pelo algoritmo ao longo do tempo com a ajuda de supervisão humana. Um cenário semissupervisionado pode ser útil para otimizar a produção repetitiva de peças, eliminando potencialmente os desperdícios de peças e processos.

4. Aprendizado de máquina de reforço

Em um cenário de reforço, um algoritmo projeta qual ação, de um conjunto de ações possíveis, resultará na maior recompensa. Os SMMs envolvidos em um processo de transformação enxuta podem usar esse tipo de aprendizado de máquina para pesar diferentes caminhos em direção às mudanças orientadas ao processo que eles imaginam.

O aprendizado de máquina pode complementar a manufatura enxuta

Com foco no aprendizado de máquina, pode-se começar a ver como existem aplicativos de inteligência artificial que são úteis e acessíveis para a maioria dos fabricantes, não importando seu tamanho. Em alguns casos, as peças do quebra-cabeça podem já estar disponíveis na forma de dados coletados por sensores de máquina já instalados, infraestrutura de tecnologia da informação (TI) e tecnologia operacional (OT) existentes.

Conforme os SMMs começam a contemplar aplicativos para inteligência artificial, é importante lembrar que nenhum desses cenários ameaça automaticamente a disponibilidade de empregos para humanos. Em vez disso, essas ideias podem ser buscadas de uma forma complementar a um processo enxuto de capacitação do trabalhador, dando aos funcionários acesso a informações em tempo real e melhores ferramentas para a resolução e execução de problemas no trabalho.

Uma analogia útil é a atual tecnologia de sensores automotivos, que complementa a consciência e as percepções dos motoristas humanos. Essa tecnologia não apenas melhora a segurança, mas também ajuda a garantir que haja menos atrito no sistema de direção geral, alinhando o comportamento de todos na estrada. Desta forma, a tecnologia de segurança do carro não tira ninguém da equação de 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 tenha o potencial de ser muito poderosa.