Você confiaria no algoritmo?

Pesquisa sobre IA industrial de última geração

Em cinco anos, mais da metade dos líderes industriais espera que a IA controle ativos de alto valor como plantas industriais, equipamentos e máquinas - esta é uma das tendências internacionais notáveis que uma pesquisa da Longitude Research e da Siemens revela. Mais de 500 líderes seniores dos setores de energia, manufatura, indústria pesada, infraestrutura e transporte foram questionados sobre os usos, benefícios, barreiras e atitudes em relação à IA. Suas respostas oferecem uma visão única sobre o futuro da IA em empresas industriais.

Imagine se você pudesse automatizar algumas das decisões operacionais do dia a dia em sua organização, para que seus funcionários pudessem se concentrar em projetos estratégicos, como o desenvolvimento de novas linhas de produtos ou a expansão dos negócios. Quão bom um modelo de IA precisa ser antes de você dar o controle a ele? Precisaria, por exemplo, igualar o desempenho dos engenheiros humanos ou demonstrar melhor desempenho? E se um erro pudesse causar perdas financeiras significativas ou até ferimentos humanos, como isso mudaria sua resposta?

 

Uma nova pesquisa apresentou cenários como este a 515 líderes seniores do mundo industrial (incluindo os setores de energia, manufatura, indústria pesada, infraestrutura e transporte) como parte de uma pesquisa sobre os usos, benefícios, barreiras e atitudes em relação à IA. Suas respostas oferecem uma visão única sobre o futuro da IA em empresas industriais.

Indústria pesada e consequências pesadas

INessas indústrias, muitos casos de uso de IA devem ajudar a evitar desastres e tornar os locais de trabalho mais seguros. Isso é importante porque, embora as metodologias de IA sejam semelhantes entre os setores, as consequências do fracasso não são. Em muitas organizações industriais, decisões erradas podem deixar milhares de pessoas sem trem para trabalhar; milhões de dólares podem ser perdidos se as máquinas superaquecerem; pequenas mudanças na pressão podem levar a uma catástrofe ambiental; e inúmeros cenários podem levar à perda de vidas.

 

Portanto, é significativo que um grande conjunto de entrevistados (44%) acredite que, ao longo dos próximos cinco anos, um sistema de IA controlará de forma autônoma máquinas que poderiam causar ferimentos ou morte. Um número ainda maior (54%) acredita que a IA irá, no mesmo período, controlar de forma autônoma alguns dos ativos de alto valor de sua organização.

 

Para dar à IA tal responsabilidade, a IA industrial precisará se tornar mais sofisticada e, muitas vezes, isso será impulsionado por novas abordagens à maneira como os dados são gerenciados, gerados, representados e compartilhados. Por exemplo:

 

·       Dados contextuais e simulações: já hoje vemos a IA aplicada a conjuntos de dados criados e organizados de novas maneiras para aprimorar insights e compreensão. Os exemplos incluem gráficos de conhecimento, que capturam o significado de - e as relações entre - itens em diversos conjuntos de dados, e gêmeos digitais, que fornecem representações digitais detalhadas e simulações de sistemas, ativos ou processos reais.

 

 

·       IA incorporada e percepções gerais: as tecnologias de Internet das Coisas (IoT) e Edge estão dando origem a diversos conjuntos de dados gerados por máquina que podem oferecer suporte a novos níveis de consciência situacional e percepções em tempo real na nuvem ou diretamente no campo.

 

 

·       Dados de além dos muros: protocolos e tecnologias aprimorados para compartilhamento de dados entre organizações poderiam apoiar o desenvolvimento de modelos de IA que extraem simultaneamente dados de fornecedores, parceiros, reguladores, clientes e talvez até mesmo concorrentes.

O contexto muda o significado

Para dar um exemplo acima, há um enorme potencial no uso de gráficos de conhecimento industrial para aprimorar os modelos de IA combinando diferentes conjuntos de dados. “Os gráficos de conhecimento adicionam contexto aos dados que você está analisando”, explica Norbert Gaus, chefe de P&D em digitalização e automação da Siemens. “Por exemplo, os dados da máquina podem ser analisados no contexto dos dados do projeto, incluindo as tarefas para as quais a máquina é feita, as temperaturas nas quais ela deve operar, os limites-chave integrados às peças e assim por diante. A isso podemos adicionar o histórico de serviço de máquinas semelhantes, incluindo falhas, recalls e resultados de inspeção esperados ao longo da vida operacional da máquina. Os gráficos de conhecimento tornam muito mais fácil aumentar os dados de máquina que usamos para treinar modelos de IA, adicionando informações contextuais valiosas".

 

A pesquisa explorou os tipos de dados contextuais que os líderes acreditam que seriam mais úteis hoje. Os dados dos fabricantes de equipamentos ficaram em primeiro lugar, com 71% classificando isso como um benefício maior ou menor. Isso foi seguido por dados internos de outras divisões, regiões ou departamentos (70%), dados de fornecedores (70%) e dados de desempenho de produtos vendidos em uso com clientes (68%).

 

Uma empresa que usa gráficos de conhecimento para reunir diferentes tipos de dados - como histórico do produto, desempenho operacional, condições ambientais - seria capaz de criar um único modelo de IA que direciona melhores previsões, ideias úteis, novas eficiências e automação mais poderosa.

 

Criando fé em algoritmos

Aplicativos cada vez mais poderosos irão, sem dúvida, trazer novos desafios. Isso exigirá confiar à IA responsabilidades que só eram atribuídas a humanos. Nesses casos, os aplicativos de IA precisarão conquistar a confiança dos tomadores de decisão, enquanto as organizações precisarão desenvolver novas estruturas de risco e governança.



 Para explorar essas questões, a pesquisa pediu aos entrevistados que imaginassem vários cenários como o do início deste artigo. Por exemplo, 56% decidiram aceitar a decisão de um modelo de IA impressionante sobre um funcionário experiente (44%), onde a decisão teria grandes consequências financeiras. 56% é alto ou baixo? Pode-se pensar que é baixo, considerando que os entrevistados foram informados de que o modelo de IA superou os funcionários mais experientes da organização em um piloto de um ano. Isso sugere que os outros 44% podem ter um viés em relação às decisões humanas, mesmo quando as evidências favorecem a IA. Você pode ler mais sobre essas e outras questões importantes no relatório de pesquisa de IA industrial de última geração.

 

Desafios à parte, a pesquisa sugere uma perspectiva otimista para a IA. À medida que a IA se torna mais sofisticada, os líderes esperam menos ataques cibernéticos prejudiciais, gerenciamento de risco mais fácil, mais inovação, margens mais altas e locais de trabalho mais seguros. No geral, com a promessa de uma gama tão diversa e importante de impactos positivos potencialmente no horizonte, não haverá falta de motivação para superar todos os desafios no caminho para a IA industrial de última geração. 

Inteligência artificial

Em seu sentido mais verdadeiro, a inteligência artificial se refere a aplicações nas quais as máquinas realizam tarefas que normalmente requerem funções da inteligência humana, como aprendizado, julgamento e solução de problemas. Ferramentas e soluções técnicas estão sendo desenvolvidas para esse fim, permitindo que o ser humano trabalhe melhor, ampliando suas habilidades.

 

Aprendizado de máquina 

O aprendizado de máquina (ML) é o que está por trás da verdadeira "inteligência" em IA. Os computadores são treinados para reconhecer padrões em conjuntos de dados não estruturados usando algoritmos e para tomar decisões por si próprios com base neste "conhecimento". O objetivo é que a máquina aprenda com os dados e, a partir disso, use a experiência que adquire para melhorar constantemente sua capacidade de realizar suas tarefas.

 

Aprendizado profundo

O aprendizado profundo (DL) depende do uso de redes neurais profundas. O computador acessa dados em vários níveis de nó simultaneamente para identificar conexões, tirar conclusões e fazer previsões e decisões. Os algoritmos de autoaprendizagem permitem que a máquina resolva sozinha problemas complexos não lineares e interaja sem instruções.

Assine a Newsletter

Mantenha-se sempre atualizado: tudo que você precisa saber sobre eletrificação, automação e digitalização.