Notícias

Durante uma inflexão estratégica, chega um momento em que é preciso decidir entre adotar ou rejeitar novas tecnologias. Essa decisão pode parecer fácil à primeira vista, mas na realidade pode ser muito mais complexa. Revoluções nem sempre acontecem da noite para o dia; elas podem se desenrolar ao longo de anos, com a maior parte do progresso permanecendo oculta até que uma descoberta revolucionária o traga à tona para todos.

Em 1986, a Escola de Ciência da Computação da Universidade Carnegie Mellon iniciou o projeto Navlab, que demonstrou o potencial da inteligência artificial. Eles desenvolveram um sistema que permitia que uma van Chevrolet dirigisse de forma autônoma. Isso ocorreu durante os estágios iniciais do desenvolvimento de algoritmos de visão computacional e aprendizado de máquina, que agora são amplamente utilizados em diversas aplicações.

Durante seu desenvolvimento, foi considerado inovador, mas ainda não estava pronto para fazer parte do cotidiano. No entanto, no mundo atual, estamos acostumados a ouvir falar, e ocasionalmente até mesmo ver, carros autônomos, que diversas empresas estão desenvolvendo e vendendo para o setor corporativo, com o objetivo de comercializar essa tecnologia para o público em geral em um futuro não muito distante.

A condução autônoma, como a maioria das aplicações de IA, exige algoritmos e processadores capazes de operar em conjuntos de dados muito grandes em tempo real. Por exemplo, grandes modelos de linguagem (LLMs), como os usados ​​pela OpenAI no ChatGPT, pela Microsoft no Copilot ou por outras aplicações que utilizam o Meta LLM Llama 3, precisam de grandes conjuntos de dados para reconhecer os padrões que compõem as frases escritas por humanos. Portanto, no cerne do aprendizado de máquina, tanto os dados quanto a capacidade de processá-los rapidamente são essenciais para o funcionamento desses sistemas.

Vamos considerar um cenário em que sua fábrica precisa produzir 1000 unidades por hora. Operando em plena capacidade, se uma de suas máquinas parar, você não atingirá a meta de 1000 unidades por hora. Em tal situação, uma das principais prioridades é agilizar o ciclo de manutenção da máquina afetada. Para evitar essa paralisação da linha de produção, você pode ter um plano de manutenção em vigor e, seguindo as melhores práticas, estaria implementando uma metodologia de manutenção baseada na condição. Isso envolve a medição de diferentes variáveis ​​em uma máquina, como temperatura e vibração, usando sensores. Quando um limite específico é excedido, alertas são enviados e você sabe que uma peça específica precisa ser substituída antes que ocorra uma falha no equipamento.

Para a manutenção preventiva, você precisará de um sistema de aquisição de dados para coletar variáveis ​​críticas e armazená-las em um computador. Uma vez coletados, esses dados podem ser comparados a limites predefinidos para determinar quando a manutenção é necessária. Até aqui, tudo parece relativamente simples. No entanto, à medida que as peças de reposição são integradas, a máquina pode apresentar comportamentos diferentes com o passar do tempo, o que pode levar a falsos positivos e problemas operacionais imprevistos. É nesse momento que você percebe que possui uma quantidade substancial de dados, incluindo dados de controle de qualidade do produto final. É nesse ponto que você pode implementar um algoritmo de aprendizado de máquina para analisar e cruzar todos esses dados de forma eficaz, permitindo que seu sistema tome decisões de manutenção mais assertivas de forma autônoma.

A melhor parte é que os modelos de aprendizado são escaláveis, pois adquirem mais dados a cada iteração e, com o tempo, os algoritmos de aprendizado de máquina como um todo melhoram. Mas essa não é toda a história. Agora que você tem um algoritmo em evolução, você tem a capacidade de implementá-lo em sistemas que tomam decisões de forma autônoma e melhoram com o tempo.

Ao considerar diferentes opções de arquitetura, uma abordagem envolve o uso de registradores de dados como o CONPROSYS família da Contec que coleta dados e depois os envia dados para um servidor para processamento. A vantagem dessa abordagem é que o processamento pesado de dados é descarregado para um servidor centralizado. No entanto, uma desvantagem significativa é o potencial de geração de um grande volume de tráfego de rede durante o envio dos dados. À medida que a escala das operações aumenta, isso pode levar a problemas e custos operacionais mais elevados devido às limitações de largura de banda. Além disso, a capacidade de reagir em tempo real a tarefas críticas é prejudicada pelos atrasos de rede de e para o servidor.

Por outro lado, também podemos implantar um Sistema de aquisição de dados baseado em PC Da Contec. Este sistema permite executar localmente algoritmos complexos, como inferência baseada em aprendizado de máquina, enquanto simultaneamente obtém os dados diretamente no mesmo sistema. Essa capacidade leva o processamento para a borda e permite escalar conforme necessário, sem a necessidade de construir infraestrutura em torno de servidores. Um aspecto interessante deste sistema de aquisição de dados baseado em PC é a possibilidade de incorporar registradores de dados remotos, como os produtos da Conprosys, para criar uma arquitetura de plataforma híbrida.

Qualquer algoritmo de inteligência artificial ou aprendizado de máquina sempre precisará de dados para ser útil. É aqui que a motivação para entender a aquisição de dados se torna importante, e encontrar o parceiro certo, como a Contec, para prosperar nessa revolução é crucial. Conhecer suas opções e aplicar as melhores práticas de aquisição de dados estabelece a base para obter o máximo da inteligência artificial.