Reflexões sobre IA na Indústria

A IA é poderosa de fato? Se você ainda tem dúvida sobre isso, leia “Superinteligência: Caminhos, Perigos e Estratégias para um Novo Mundo” de Nick Bostrom ou “Homo Deus” de Yuval Noah Harari.

Sim, não há dúvida que o poder da IA é grande o suficiente para nos assustar, tanto pelo lado bom, como pelo lado ruim.

Em um recente artigo publicado pela MIT Technology Review, é possível ver o lado que queremos que se desenvolva o mais rápido possível, aplicações de IA que ajudem o ser humano quando o uso de modelos matemáticos, ou físicos, tenham algum tipo de limitação. É nesse contexto que se encaixa a IA nas aplicações industriais, foco deste artigo.

Ao ler o artigo publicado pelo MIT eu tiro três lições:

Projetos de IA precisam ser feitos a quatro mãos

O primeiro ponto é o mais claro de todos, principalmente quando o foco é o mundo industrial, particularmente indústrias de processo. Em síntese estamos dizendo que um bom projeto de IA não será construído por um mago da ciência de dados que vai bater na sua porta com uma solução pronta. Antes da solução vem o problema e quem conhece o problema é o usuário final.  Sendo assim, qualquer que seja a solução proposta ela será tanto melhor quanto melhor o problema for descrito. Ou seja, não existe projeto de IA sem participação ativa de todos os envolvidos. Costumo dizer que a IA traz com ela a necessidade de departamentos de engenharia de processo cada vez mais fortes, revertendo uma tendência vinda do final dos anos 90 de redução desse tipo de profissional e a terceirização da reponsabilidade para os grandes fabricantes de equipamentos detentores de tecnologia de processo. Assunto que já abordei antes em um artigo que tinha foco em um único setor mas se encaixa neste mesmo contexto. Em resumo, ainda que o ponto seja muito claro, isso não quer dizer que o setor industrial tenha entendido totalmente esse novo ambiente. Com certezas há espaço para melhoria e muito.

IA pode nos ajudar muito diante de problemas complexos

O segundo ponto é bastante interessante, tem muita gente querendo usar IA para processos industriais que já tem seus modelos matemáticos definidos. Não há muito sentido nisso. Usar IA para fazer balanço de massa ou balanço de energia, ou modelar a velocidade de uma reação química que já tenha seu comportamento cinético determinado, não deveriam ser, em princípio, os melhores tipos de aplicações para esta tecnologia. Claro que há exceções, o artigo do MIT nos mostra que há situações em que a quantidade de parâmetros pode ser tão grande que mesmo que o fenômeno já tenha sido descrito por equações matemáticas a resolução pode se tornar tão complexa que mesmo o mais potente supercomputador não seja suficiente para completar a tarefa em tempo hábil. E neste caso IA pode ser útil.

No mundo industrial não é muito diferente, mas não devemos pensar em situações extremas com a do artigo do MIT. Temos que pensar IA para aplicações para as quais as modelagens não existam, ou sejam ruins devido a grau de incerteza das variáveis envolvidas. Situações em que a quantidade de dados a serem manipulados sejam grandes em volume e variação; em que as interações entre diferentes operações unitárias tornem a modelagem complexa. Mas não paramos por aí, temos também que olhar além do processo produtivo, por que não olhar processos administrativos de uma planta? Por exemplo, otimização de recursos para as rotinas de manutenção, por que não?

Qualquer que seja a aplicação o que não temos ainda é uma IA tipo “big-brother”; que parece ser o sonho e alguns usuários finais, algo onipresente e onisciente de tudo que se passa em uma planta. No estágio atual da IA, ao menos no nível industrial, temos que focar em aplicações dedicadas e restritas, voltadas a resolver um problema específico e não qualquer problema. Não devemos superestimar o poder da IA sob a pena de perder a credibilidade e deixarmos de tirar proveito dos seus benefícios. Muitos falam em fábricas autônomas, mas isso não virá apenas da IA, ela na verdade será apenas parte da solução.

Resultados extraordinários ainda requerem recursos extraordinários

Finalmente o terceiro ponto. Se por acaso você já leu alguns livros ou artigos sobre cases de IA certamente você terminou a leitura surpreso com o que algoritmos são capazes de fazer. Obviamente isso infla as expectativas de qualquer um. O artigo do MIT é um exemplo claro, você lê e fica maravilhado com o potencial desta tecnologia. Mas pare para pensar um pouco, estamos falando de uma solução desenhada pelo DeepMind em conjunto com uma instituição altamente respeitada em seu campo de atuação, o Met Office, ou seja, não faltaram recursos humanos e tecnológicos para tal feito.

Estes não são os tipos de recursos com os quais as empresas podem contar no seu dia a dia. E qual a conclusão aqui? A conclusão é que se deve começar por problemas com baixa complexidade, preferencialmente recorrentes, aqueles para os quais quase que intuitivamente um operador de máquina, ou um gerente de produção diga: “se você tiver algo que olhe todas estas variáveis aqui, acho que será capaz de inferir o que está por vir”. Obviamente, como enfatizado no ponto 1, trabalhar juntos. Se o DeepMind precisou trabalhar junto com Met Office, imaginem empresas de IA que estão na base da pirâmide, ou plantas que tenham recursos modestos de engenharia de processo.

Essa limitação de recursos, presente nas duas pontas, provedor e cliente, impacta o tempo de execução de um projeto de IA, assim como o risco de não ter o final esperado. E isso não está necessariamente ligado ao uma deficiência ou incapacidade do modelos de IA, ainda que isso possa ocorrer.

Concluindo, a IA vai ajudar muito as empresas em problemas complexos e tem um potencial infinito para isso, mas as empresas têm que ter estratégias claras sobre o que esperam da IA e quanto risco querem correr, há de haver a consciência de que são projetos que são feitos a quatro mãos, nos quais duração e risco são inversamente proporcionais aos recursos disponíveis, a fim de evitar excesso de expectativas.