4 Mitos sobre Inteligência Artificial Industrial Desmascarados

_Grandes_Equívocos_sobre IA

A inteligência artificial (IA) tem permeado quase todos os aspectos da vida moderna. Recomenda o melhor deslocamento, sugere músicas ou podcasts durante a viagem, potencializa inúmeras aplicações e máquinas ao longo do dia e recomenda shows ou filmes para transmitir quando você chegar em casa.

A IA chegou para ficar. 

A IA industrial pode ajudar fabricantes a maximizar o tempo de atividade com o monitoramento de equipamentos e programas de manutenção preventiva e identificar perdas e defeitos de produção (Cavallo). E sua capacidade preditiva pode criar modelos de aprendizagem e previsão de demanda (Koev).

Contudo, a IA tem lutado para alcançar a adoção generalizada para casos de uso na automação industrial. Muitas empresas ainda estão lutando com o básico e não estão certos de que a IA possa dar retornos significativos.

No relatório do índice global de adoção de IA da IBM de 2022, 34% dos entrevistados da pesquisa – cerca de 2.550 empresas em todo o mundo – disseram que a falta de experiência em IA está impedindo sua implementação (IBM). Outros fatores que impediram a adoção da IA incluem o custo (29%), falta de ferramentas/plataformas (25%), dificuldade e escalabilidade (24%) e complexidade dos dados (24%).
Aqui, examinaremos esses obstáculos e dissiparemos os equívocos comuns sobre a IA na fabricação e logística.

#1 Os termos são intercambiáveis e insignificantes.

Antes de explorar as opções de IA, é essencial entender as diferentes formas, funções e viabilidade da tecnologia. Embora alguns termos possam se sobrepor ou parecer sinônimos à primeira vista, a compreensão das nuances da IA é o primeiro passo para determinar se a tecnologia é adequada para suas necessidades.

Algoritmo: um conjunto de instruções e cálculos que ajudam um computador a atingir um objetivo. Um algoritmo de “aprendizagem” usa metodologias de tentativa e erro e de aprendizado, por exemplo, para otimizar os processos de produção sem intervenção humana.

Inteligência artificial: um grupo de técnicas de computação que tenta imitar a tomada de decisões humanas, usando a automatização para executar tarefas que são difíceis para o ser humano usando o processamento da linguagem natural de reconhecimento de imagem e outras tecnologias.

Deep learning: uma tecnologia de IA projetada para automatizar aplicações complexas e altamente personalizadas. O processamento ocorre por meio de uma unidade de processamento gráfico (GPU), que permite a análise rápida e eficiente de um vasto conjunto de imagens para detectar defeitos sutis e diferenciar entre anomalias aceitáveis e inaceitáveis.

Edge learning: uma tecnologia de IA projetada para facilitar o uso. O processamento ocorre no dispositivo, ou “na borda”, usando um conjunto pré-treinado de algoritmos. A tecnologia é simples de configurar, exigindo conjuntos de imagens menores (de 5 a 10 imagens apenas) e períodos de treinamento mais curtos do que as soluções tradicionais baseadas em deep learning. 

Aprendizado de máquina: Processos computacionais que podem melhorar resultados sem programação humana. Os algoritmos de aprendizado de máquina treinam um computador para buscar o sucesso e evitar falhas milhões de vezes para gerar resultados de aprendizado. 

Sistemas de visão: Algoritmos baseados em regras que identificam características específicas de um objeto. Embora as ferramentas de sistemas de visão funcionem muito mais rápido que o olho humano, a IA pode melhorar drasticamente sua precisão e eficácia.

iStock-1281389422_600x700px

#2 A IA substituirá os empregos e irá promover a desconfiança entre os funcionários.

O mito da substituição de empregos por tecnologias emergentes poderia provavelmente ser iniciado a partir da invenção da roda. A verdade é um pouco mais complexa.

Os avanços na tecnologia industrial, incluindo a IA, raramente são concebidos no vácuo. Eles são projetados para melhorar o desempenho, a eficiência, a qualidade e a capacidade. É fácil ver por que motores de combustão interna e a vapor substituíram efetivamente os cavalos e charretes, ou como o telégrafo abriu novas linhas de comunicação em comparação com as cartas de entrega manual. Essas inovações sucederam outras formas de tecnologia. Embora os motores tenham eliminado o cavalo e a charrete, a tecnologia criou uma indústria totalmente nova ao mesmo tempo em que permitiu o transporte em massa, transformando a logística, o transporte pessoal e a expedição.

O mesmo pode ser dito sobre a IA. Ao invés da IA substituir os empregos, as empresas estão descobrindo que os funcionários podem trabalhar lado a lado com a IA para alcançar maior produtividade e abrir novas possibilidades. 

A IA pode reduzir a quantidade de atividades rotineiras e repetitivas, capacitando os trabalhadores para lidar com outras funções criativas ou de alta competência. Em 2018, uma instituição de caridade com sede em Nova York começou a implementar a IA para tarefas de entrada de dados, o que contribuiu para diminuir a taxa de rotativa anual da companhia de 42% para 17% (Knight).

A tecnologia está sendo amplamente aplicada na fabricação e logística para enfrentar a constante falta de mão-de-obra e outras questões crônicas. Quando combinada com a robótica, a IA pode facilitar tarefas como evitar objetos e mapeamento de superfície para entregar mercadorias em todas as instalações. Quando combinada com o sistema de visão , a IA pode realizar tarefas repetitivas, embora essenciais, de garantia da qualidade, incluindo detecção e inspeção de ausência/presença de peças (Gow).

Aproveitar a IA para executar operações comuns permite que as instalações redistribuam os recursos para tarefas mais intensas e ajudem os trabalhadores da linha de frente, equilibrando suas cargas de trabalho.

iStock-1206251797_600x700px

#3 A IA industrial requer milhares de imagens e grandes conjuntos de dados

A realidade deste equívoco pode ser resumida por uma das palavras favoritas dos engenheiros: “depende.”

A IA é um campo extenso, abrangendo numerosos tipos de tecnologias que podem ser aplicadas de inúmeras maneiras. Para que a IA trate de aplicações complexas, tais como a detecção de anomalias em costuras de solda ou a análise de padrões de costura em tecidos, a tecnologia deve passar por uma extensa modelagem, desenvolvimento e testes, tornando as soluções baseadas em deep learning para dados intensivos em candidatas adequadas.

Entretanto, formas mais simples de IA podem executar tarefas similares, incluindo detecção de defeitos e classificação/organização. A tecnologia edge learning, por exemplo, só precisa de 5 a 10 imagens para treinar e pode ser implementada pelo pessoal da linha de frente, sem necessidade de experiência.

Primeiro, um operador treina o sistema baseado na aplicação. Por exemplo, em um cenário de inspeção de peças, o usuário apresentaria o sistema com imagens de peças aceitáveis e peças com defeitos. 

Usando apenas um punhado de imagens, a tecnologia edge learning alavanca os algoritmos para diferenciar as peças aceitáveis e inaceitáveis. Uma vez que o sistema é treinado para distinguir as peças boas das ruins, os usuários podem implementar a solução na linha de fabricação. 

iStock-531173386_600x700px

#4 Você precisa de doutorado e um time de cientistas de dados para implementar soluções de IA

Desenvolver, projetar e testar IA requer um conjunto de habilidades aperfeiçoadas, mas o uso de soluções modernas de IA pode ser implementado pelo pessoal da linha de frente em poucos minutos.

As soluções de edge learning da Cognex funcionam inteiramente em uma câmera inteligente equipada com iluminação integrada, lente com foco automático e sensor potente, que trabalham em conjunto para entregar uma inspeção precisa

capacidades.

Como não requer conhecimento especializado de visão nem de IA, os engenheiros de linha podem treinar a tecnologia usando seus conhecimentos das tarefas necessárias. Ao identificar e esclarecer as partes relevantes da imagem, o hardware avançado e o software alimentado por edge learning reduzem a carga computacional em comparação com as abordagens tradicionais de deep learning.

iStock-1219894345_600x700px
 
Conclusão

IA não é uma moda ou uma tecnologia especializada aplicável a mercados específicos; é um vasto campo que pode ajudar o setor industrial de inúmeras maneiras. Conforme a tecnologia evolui, ela se torna mais fácil de usar. Tem sido testada em campo na fabricação e na logística, proporcionando controle de qualidade otimizado, melhor rastreabilidade do produto e permite que as instalações identifiquem defeitos mais rapidamente durante o processo de produção.

A IA especializada tem sido usada para automatizar uma tarefa específica por meio da análise de dados e padrões para guiar ações futuras (Autor, Mindell, Reynolds). Por exemplo, a IA especializada tem sido aplicada em operações de fabricação e logística para inspecionar peças, confirmar a presença ou ausência de certos componentes e classificar embalagens. 

A tecnologia edge learning, em particular, foi projetada para implementação rápida, necessitando apenas de algumas imagens para diferenciar entre peças aceitáveis e inaceitáveis, com todo o processamento ocorrendo em um único dispositivo. É uma tecnologia que os engenheiros de linha podem implementar em questão de minutos, auxiliando operadores através do fluxo de trabalho otimizado, melhorando a qualidade do produto e aumentando a eficácia.

A pesquisa e as informações referentes à fabricação de IA e aos procedimentos descritos acima foram obtidas com:

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex