Evitando Armadilhas em Projetos Industriais de ML: 3 Erros Principais a Evitar

O uso de técnicas de inteligência artificial, e mais especificamente de machine learning, tem sido cada vez mais visto como uma ferramenta revolucionária. Mas o que é machine learning?

Uma descrição interessante foi proposta por François Chollet. Em seu livro "Deep Learning with Python", ele define machine learning (ML) como um novo paradigma computacional. Na computação convencional, fornecemos ao computador as regras e os dados, e esperamos resultados corretos. Usando machine learning, essa ordem é invertida. Fornecemos os dados e os resultados ao computador, e esperamos as regras como resposta.

Esse novo paradigma computacional muda significativamente nossa forma de resolver problemas cotidianos e abre uma vasta gama de oportunidades em todas as áreas de estudo. Nos últimos anos, o machine learning tem sido amplamente utilizado, inclusive no setor industrial. Apesar desse amplo escopo e de existirem muitos profissionais excelentes trabalhando nessa área, alguns erros comuns têm sido observados (e devem ser evitados) no desenvolvimento de projetos industriais. Embora existam muitos outros, este artigo visa discutir três desses possíveis erros.

1. Esquecendo o Básico

Conceitos como Indústria 4.0, digitalização, inteligência artificial, machine learning e IIoT são as principais tendências no mundo industrial atualmente. Projetos com esse tipo de abordagem frequentemente recebem atenção especial no portfólio de um profissional, e alguns profissionais tendem a escolher esse tipo de solução durante o projeto para aumentar as chances de aprovação. Mas a questão é: essa ferramenta (machine learning ou outra) é a certa para resolver seu problema? Você precisa se fazer algumas perguntas antes de escolher qualquer uma dessas ferramentas "modernas". Listei algumas aqui, embora existam muitas outras:

• Já tentei um algoritmo mais simples para resolver esse problema (como lógica de CLP)?
• Um controle regulatório bem sintônico leva a resultados de controle semelhantes ou melhores?
• Temos uma equipe apropriada e bem treinada para manter essas novas aplicações funcionando?
• Um conjunto diferente de ferramentas de qualidade (como diagramas de Pareto ou causa-efeito) daria dados suficientes para obter bons insights?

Não estou dizendo que ferramentas como machine learning não podem entregar ótimos resultados, ou que essas ferramentas são complexas demais. É importante ter em mente, no entanto, que soluções simples frequentemente entregam bons resultados e normalmente devem ser o primeiro passo para uma jornada da Indústria 4.0.

2. Não Dar Atenção à Qualidade dos Dados

Ferramentas de machine learning para processamento de dados estão agora amplamente difundidas. Grandes empresas como Google e muitos grupos de código aberto desenvolveram excelentes bibliotecas de ML. Essas bibliotecas estão disponíveis na internet, algumas a baixo ou nenhum custo. Quando olhamos para o quadro geral, no entanto, qualquer projeto de machine learning envolve quatro fases principais:

• Compreensão e preparação dos dados
• Processamento desses dados
• Análise dos resultados
• Ação sábia baseada na análise de dados

Dito isso, quando olhamos para todo o processo de desenvolvimento de projetos de machine learning, não é incomum que alguns profissionais vão direto para as etapas intermediárias (processamento de dados e análise de resultados) sem dar atenção suficiente à coleta e preparação dos dados.

A base de qualquer projeto de machine learning são os dados. Como na culinária, onde o ponto de partida de qualquer bom prato é usar bons ingredientes, um fator essencial ao desenvolver um bom projeto de ML é obter e usar bons dados. Especialmente na indústria, obter esses dados pode ser uma tarefa desafiadora. Uma lista não exaustiva de desafios potenciais é mostrada abaixo:

• Falta de instrumentação (dados ausentes)
• Dados menos precisos devido a instalação, manutenção ou configuração inadequada da instrumentação
• Rótulos de dados incorretos devido a concepções errôneas na análise — tarefas de aprendizado supervisionado

Mesmo com esses desafios, com uma preparação correta dos dados (às vezes com adequação industrial), é possível construir um banco de dados forte o suficiente para obter ótimos resultados.

Portanto, dedique seu tempo a essa tarefa importante!

3. Ignorando o Conhecimento dos Especialistas

Este pode ser um argumento controverso. Alguns profissionais podem dizer que, se você quer uma opinião especializada, deve optar por um sistema especialista usando lógica fuzzy, por exemplo. Em um ponto de vista oposto, quando investigamos a grande quantidade de conhecimento que nossas empresas possuem, simplesmente ignorá-lo não parece a melhor forma de evoluir nossos processos.

Quando implementamos projetos de ML, a melhor forma é obter uma equipe multidisciplinar combinando os desenvolvedores de ML (pessoas com conhecimento em técnicas de ML — ou seja, deep learning, processamento de linguagem natural, métodos de ensemble, clustering, etc.) com os consultores especialistas adequados (profissionais que conhecem a realidade do processo e os problemas reais a serem resolvidos). Com essa equipe multidisciplinar, bons resultados são catalisados. Você provavelmente obterá soluções mais precisas, com maior probabilidade de poder implementá-las no mundo real.

Indo Além

Apesar dos grandes desafios e histórias de advertência que existem, o machine learning está cada vez mais se mostrando como uma ferramenta poderosa. ML, e as dezenas de outras ferramentas voltadas para modernizar e evoluir o mundo industrial, são uma tendência e um processo evolutivo natural (e necessário). No entanto — especialmente em processos críticos na indústria, medicina e outras áreas — deve-se ter cuidado. Então, não pule etapas: mantenha seu projeto o mais simples possível, cuide bem dos seus dados e não esqueça dos especialistas.

Como podemos ver, um projeto de machine learning não é uma corrida curta, mas uma longa jornada. Como qualquer jornada, esta é feita de passos individuais, e o último passo tem a mesma importância que o primeiro.