Homem vs máquina: Deep Learning na manufatura

Homem vs máquina

As máquinas são excelentes na realização de um grande número de tarefas variadas. Os computadores, por exemplo, destacam-se na realização de cálculos matemáticos. Mesmo o computador pessoal mais lento de hoje tem, numa ampla margem, mais poder computacional do que o ser humano médio. Podemos citar, por exemplo, o iPhone 4 da Apple, lançado em 2010, que tinha poder computacional para executar aproximadamente 1,6 bilhão de operações de ponto flutuante por segundo. Como se pode imaginar, o poder computacional só aumentou desde então. É claro que a matemática não é a única área em que os computadores se destacam. Durante décadas, as máquinas derrotaram alguns dos melhores jogadores de xadrez do mundo. O exemplo mais famoso é a partida Deep Blue-Kasparov, ocorrida há mais de 2 décadas.

Embora as máquinas sejam excelentes em determinadas circunstâncias, há outras em que falham totalmente. De fato, os computadores modernos são realmente bons em operar dentro de um conjunto de regras formalizadas. Por exemplo: o jogo de xadrez. Embora existam centenas ou milhares de estratégias diferentes que um jogador pode usar durante um jogo de xadrez, as regras do jogo são imutáveis. Há um número limitado de peças que podem se mover em um espaço limitado e em um número limitado de maneiras. Esses limites, as regras do jogo, permitem que um programador de computador ensine um computador a jogar o jogo da melhor maneira. Da mesma forma, a matemática é uma área em que há muito pouco espaço para interpretação. Fórmulas e equações têm apenas uma resposta correta (seja um conjunto de números ou um conjunto de valores de saída) e é possível chegar a essas respostas por meio de um forte conjunto de regras formalizadas.

Mas nas áreas em que é difícil ou impossível identificar conjuntos de regras formalizadas, a inteligência humana ainda reina. Mostre uma foto a uma criancinha e pergunte se o que ela vê é um gato ou um cachorro e a maioria responderá corretamente. Pergunte o mesmo a uma máquina e será improvável receber uma resposta coerente, muito menos uma correta. O ser humano aprende de maneira diferente das máquinas. Nós aplicamos nosso conhecimento de maneiras diferentes e nos destacamos na realização de tarefas que as máquinas não podem executar exatamente por essa razão.

Introdução do Deep Learning

Deep Learning (aprendizagem profunda) é um campo de estudo dentro da ciência da computação que visa equipar as máquinas com a capacidade de pensar quase como um ser humano. Simplificando, o objetivo principal é dar às máquinas a capacidade de "pensar" e "aprender". Como uma prática teórica, o Deep Learning existe há décadas. Somente nos últimos anos, no entanto, o hardware do computador tornou-se rápido o suficiente para suportar as implementações do mundo real dos modelos de Deep Learning.

Um modelo de Deep Learning é um aplicativo de software projetado para imitar a maneira como os seres humanos pensam e processam as informações. Assim como no desenvolvimento de aplicativos tradicionais, o desenvolvimento de modelos de Deep Learning exige que desenvolvedores (cientistas de dados, estatísticos etc.) identifiquem variáveis em um conjunto de dados que possa ter efeito sobre o resultado ou a decisão tomada pelo modelo. Ao contrário do software tradicional, no entanto, as relações entre as variáveis de entrada, bem como a relação entre as variáveis de entrada e o(s) resultado(s) não são definidas durante o desenvolvimento inicial. Em vez disso, os modelos de Deep Learning "aprendem" essas regras tendo como basea informações encontradas no próprio conjunto de dados. O método utilizado pelos modelos de Deep Learning para "aprender" as regras e relacionamentos formais dentro de um domínio problemático é de natureza complexa e altamente matemática.

Sem nos perdermos nas complexidades da teoria da Deep Learning, ainda podemos reconhecer que existem algumas vantagens dessa tecnologia. Em primeiro lugar, os modelos de Deep Learning são capazes de identificar relacionamentos sem precisar definir um conjunto de regras e relacionamentos formais no momento do desenvolvimento. Isso significa que é possível que os modelos de Deep Learning identifiquem as relações que o ser humano pode ter perdido. Isso também significa que os modelos de Deep Learning são mais flexíveis do que os seus homólogos tradicionalmente desenvolvidos. Para um modelo de Deep Learning, se um novo ponto de dados contrasta com uma regra existente, o ponto e a regra de dados podem ser avaliados criticamente e o modelo pode ser atualizado automaticamente, se necessário.

Aplicações de Deep Learning na manufatura

Considere alguns exemplos concretos de como o Deep Learning pode mudar diretamente a indústria de manufatura da maneira como a conhecemos. Imagine um software que soubesse como determinar a maneira mais ideal de organizar e agendar operações dentro do seu ambiente de manufatura. E se esse mesmo software tivesse a capacidade de receber informações e tomar decisões sobre se as mudanças de agendamento eram ou não necessárias? Melhor ainda, e se esse mesmo software pudesse automaticamente fazer ajustes no cronograma em tempo real com base nos dados do chão de fábrica? E se pudesse atualizar seus fornecedores, lidar com sua logística e atualizar seus clientes sem exigir intervenção humana alguma? Com o Deep Learning, esse software mágico se aproxima de uma possibilidade real.

Analisemos outro exemplo concreto. Imagine se suas máquinas de produção tivessem a capacidade de determinar quando um defeito pode ocorrer. Imagine se, antes de ocorrer um defeito, elas pudessem tomar medidas corretivas automaticamente, evitando assim que o defeito acontecesse. E se as máquinas pudessem pensar sobre o seu desempenho e determinassem automaticamente quando podem precisar de manutenção preventiva? E se uma máquina pudesse lhe dizer o que há de errado e exatamente como corrigir o problema? Com o Deep Learning essas coisas não são apenas um sonho, mas de fato uma possibilidade definitiva.

Uma tecnologia para o futuro

Embora as possíveis aplicações do Deep Learning sejam interessantes e praticamente infinitas, ainda existem alguns obstáculos importantes para adotá-lo de forma bem-sucedida na manufatura. Em primeiro lugar, embora a maioria dos fabricantes registre e armazene grandes quantidades de dados, muitos desses dados não são bem identificados ou classificados. Para que o Deep Learning seja realmente eficaz, os conjuntos de dados devem ser uniformes, bem identificados e compreensíveis pelas aplicações de Deep Learning. Integrar uma nova tecnologia, como o Deep Learning, nas operações de manufatura existentes é outro obstáculo importante para a indústria. Como os conhecimentos obtidos da aplicação de Deep Learning podem ser usados nos processos existentes? Como as aplicações de Deep Learning podem ser integradas com softwares que já existem há anos ou até décadas? Estas são questões que todos os fabricantes devem se perguntar hoje, porque, optando ou não por aderir a esse conceito, seus concorrentes certamente irão. O fato é que a adoção da Indústria 4.0, do conceito de Deep Learning e das tecnologias que os acompanham é que determinará os futuros líderes da indústria.