A inteligência artificial (IA) atingiu um nível de maturidade em que é possível alcançar muito mais automação do que temos atualmente. A IA já pode discernir, por exemplo, quando um comércio varejista precisa fazer um novo pedido e o que solicitar. Também tem a capacidade de alocar um orçamento otimizado para reparos de linhas de energia ou despesas de publicidade. E uma IA responsável é capaz ainda de dar “explicações”, ajudando o usuário a entender por que o sistema tomou determinada decisão.
O desafio, no entanto, ainda é construir um modelo de IA robusto o suficiente para atingir essas capacidades em escala. Por exemplo: para treinar um modelo que seja capaz de decidir como enviar determinada encomenda de São Paulo a Salvador, é necessário fornecer um grande volume de dados sobre tempos de viagem, a carga, o clima, a disponibilidade de transporte, além de especificidades críticas para o cliente. Coletar todos esses dados é muito fácil através de RFID e até mesmo telefones celulares podem fazer isso, mas como separar o que é um sinal bom e útil do que é apenas um ruído? Conforme a implementação da IoT se torna mais robusta e incorpora dados visuais ou de imagem, ela gera um volume tão grande que a rede pode entrar em colapso ao tentar capturar todos os dados. A solução está em ser capaz de integrar a IA com antecedência suficiente nesse processo para que os modelos possam determinar autonomamente o que é sinal e o que é ruído.
Em outras palavras, implementar automação em grande escala para aplicação em contextos mais complexos que geralmente envolvem intervenção humana é mais um problema de computação do que de IA. Quando a IA é aplicada onde os dados são coletados, o número de locais diferentes em que é necessário gerenciar aumenta drasticamente a necessidade de infraestrutura. Alguns modelos serão executados em dispositivos e beacons, que podem estar em telefones celulares ou em uma nuvem pública. Alguns dados serão marcados como potencialmente notáveis e enviados a um hub central ou analisados em um ambiente local. Nesse contexto, a nuvem híbrida oferece uma maneira comum de gerenciar tudo em ambientes diferentes, e isso significa que é possível fazer muito mais automação.
Em um contexto como o de gerenciamento de ativos, a capacidade de reunir esse tipo de dados e de analisá-los de forma que faça sentido ao usuário torna-se particularmente poderosa. Para manter a infraestrutura crítica – desde usinas, barragens de energia até reatores nucleares -, inúmeras entradas de dados precisam ser rastreadas, desde a condição das linhas de energia, conexões e refrigeração até a inspeção mais recente de cada elevador.
Integrar a automação nesse contexto requer toda a gama de tecnologias que compõem a Indústria 4.0, desde dispositivos de edge habilitados para IA, que podem coletar informações e analisar no local, até análises avançadas capazes de entender o quadro geral. Quando podemos reunir todas essas informações onde e quando precisarmos, e executar qualquer software ou modelo que quisermos, a difícil tarefa de inspecionar, manter e melhorar esses ativos se torna muito mais gerenciável. Podemos usar IA para avaliar a saúde e a segurança de um ativo e até automatizar o processo de tomada de decisão para determinar se algo precisa ser consertado.
A capacidade de prever como um ativo se sairá em diferentes cenários e até quando deve ser inspecionado ou reparado tem implicações importantes, como evitar uma grande crise de manutenção ou reduzir drasticamente as pegadas de carbono e resíduos. Esse poder permaneceu por muito tempo inexplorado porque havia a impressão equivocada de que os modelos eram fracos ou de que a inteligência artificial ainda era imatura, quando na realidade a responsabilidade pode ser atribuída a problemas muito mais fáceis de resolver, como os gargalos que são gerados e que fazem com que os dados sejam divulgados como em um conta-gotas. A IA madura já está aqui. Mas é preciso que as organizações deem uma atenção especial à sua infraestrutura para que consigam realmente explorar todo o seu potencial.
