Com o advento da Quarta Revolução Industrial no ano de 2015 e sua constante evolução é comum ouvirmos termos recorrentes como Data, Big Data, Business Intelligence, Machine Learning, Artificial Intelligence, Data Science dentre outros. Este artigo tem o propósito de esclarecer esses conceitos hoje muito utilizados e necessários para análises preventivas e preditivas, sejam de processos produtivos ou gerenciais.
Se começou a ler o artigo por aqui, sugerimos iniciar a leitura pela Parte 1, para melhor compreensão do tema.
Etapa 06 - Precedente às definições de parâmetros importantes para elaboração de relatórios, a Análise dos Dados requer uma avaliação prévia de quais dados faz sentido para o que se objetiva obter como resultado. Suponha que em um Dataset existam entradas de dados dos mais diversos tipos, porém nem todos valem de sentido para o negócio. Por exemplo, para um produtor de leite, talvez pouco tenha valor a informação da cor da vaca e sim seu peso, idade e raça, desta forma poderá obter uma estimativa de produção de leite por raça e por idade do animal.
Etapa 07 - Dos dados propostos à interpretação e de sua análise é realizada a extração das informações de valor e sentido para os negócios na forma de Métricas - dados mensurados porém ainda não definido seu potencial de contribuição para o negócio, KPIs (Key Performance Indicators) - métricas as quais passaram a ter sentido para o negócio, traduzem-se em metas e objetivos, Relatórios - compilado de informações compreensíveis e que possibilitam a tomada de decisão, como o consumo de energia elétrica e água nos últimos três meses, ou ainda, histórico de vendas por categorias de produtos, e por fim os Dashboards - disposição visual das métricas, KPIs e relatórios, proporcionando uma rápida compreensão da realidade de um negócio, como se fosse uma fotografia de sua saúde produtiva.
Até aqui, muitos dos conceitos e técnicas apresentadas são compreensíveis e comuns de encontrarmos em nossas rotinas de trabalho e vida cotidiana já há alguns anos, porém com a crescente exponencial do poder de processamento computacional, chegamos a um patamar o qual nos possibilita o emprego de metodologias e modelos matemáticos que por muito tempo acreditavam ser inviáveis devido a capacidade de processamento exigida e que hoje vislumbra a predição de ocorrências de eventos ou comportamentos futuros com alta assertividade.
Etapa 08 - Alcançamos finalmente as tecnologias hoje entendidas como sendo de ponta, com emprego de inferências matemáticas, técnicas e modelos analíticos. A escolha dos métodos adequados, vai de encontro com os tipos de dados os quais dispomos para análise e tecnologia compatível, sendo que os Métodos Tradicionais fazem uso de métodos estatísticos avançados sobre os Dados Tradicionais, ao passo que o Machine Learning (Aprendizado de Máquina e uma das formas da AI - Inteligência Artificial) irá trabalhar com o alto volume de dados originários do Big Data, para que, portanto, consiga treinar modelos de aprendizagem de máquina baseados em acerto e erro.
Etapa 09 - Como abordamos, o Método Tradicional irá utilizar técnicas de análise e projeções baseadas em modelos os quais muitos já conhecemos ou tivemos mínimo contato, como as regressões que de forma grosseira, seria como traçar uma mediana sobre sua população de dados em um gráfico, indicando tendências de comportamento ascendente ou descendente. Do ponto de vista do Machine Learning, uma primeira aproximação seria através do Supervised Learning (Aprendizado Supervisionado), método no qual de forma simplificada, há a ordenação dos dados para ingresso no modelo computacional e o informe dos resultados esperados, assim o modelo computacional a ser “treinado” irá empregar algumas técnicas próximas à nossa matriz neural (no sentido figurado) para fazer com os dados fornecidos em sua entrada sejam relacionáveis aos resultados esperados, podendo encontrar soluções que por muito levaríamos altíssimo emprego de tempo e esforço para encontrarmos com métodos tradicionais ou por nós mesmos.
Lembremos aqui que estamos desenvolvendo duas linhas de raciocínio paralelas, não cabendo comparações diretas entre as metodologias, técnicas e tecnologias da primeira linha de raciocínio e a segunda. Este formato nos possibilita, portanto, não a comparação direta mas sim o acompanhamento das etapas as quais cada uma das metodologias, técnicas e tecnologias estão condicionadas.
Etapa 10 - As etapas de 09 a 11, apesar de apresentadas de forma sequencial podem sofrer saltos ou ainda combinações passando diversas vezes por alguns dos métodos ainda que por vezes consecutivamente. Como parte do Método Tradicional, a técnica de Data Clustering (Agrupamento de Dados) possibilita a discriminação dos dados em grupos com representatividade forte, ou seja, consegue classificar os dados em grupos com mais de uma variável dando a eles sentido de análise para o negócio, como por exemplo a identificação de clientes com baixo engajamento ou clientes frequentes apenas baseado em seu perfil de consumo, podemos ainda citar exemplos de maquinários com maior tendência de falhas e quais turnos de produção possuem A ou B características, fatores os quais não são evidentes em quaisquer análises convencionais. Retomando a segunda linha de raciocínio, seguimos para um modelo de Unsupervised Learning (Aprendizado Não Supervisionado) no qual diferente do supervisionado, a este apenas lhe é atribuído os dados de entrada para sua própria ordenação, análise, predição e resultados, neste formato o modelo a ser treinado desconhece do objetivo no início de duas iterações e aprendizado, o que torna o modelo interessante, pois seria como se buscássemos soluções sem precedentes ou extremamente simples para problemas muito complexos, evidenciando aqui a necessidade de um alto volume de dados e capacidade de processamento para que o modelo em treinamento chegue a algum resultado eficaz e de emprego prático.
Etapa 11 - Nesta última etapa, por assim dizer, já que os métodos podem ser reaplicados, temos no Método Tradicional o que é definido como Factor Analysis (Análise de Fatores), este correlaciona dados referentes a uma cadeia de eventos e possibilita por exemplo a detecção apurada de fraudes bancárias, da legitimidade no acionamento de apólices de seguro, sonegações fiscais entre outras aplicações as quais possa imaginar, agora, pense o quão difícil seria analisar todo um volume de dados financeiros de uma nação de forma manual, sim, a grande maioria dos órgãos de Taxes (Receita) conhecidos por nós como Receitas Federal dispõe de sistemas parecidos para cruzamento de dados e análise correlacional. Ainda a mencionar como Método Tradicional, o Time Series (Série Temporal) leva em consideração dados históricos para que assim possa inferir em projeções futuras, como por exemplo a projeção assertiva de índices da bolsa de valores ou do preço médio do consumidor amplo, inflação. Encerramos estas 11 etapas com um dos métodos do Machine Learning ao que se refere como sendo Reinforced Learning (Reforço de Aprendizagem), seria como se replicasse o comportamento de um cachorro ao receber uma recompensa por uma ação correta como sentar-se e uma advertência ao fazer algo incorreto como roer chinelos de seu dono, só que em vez de biscoitos e alertas em voz alta, daria ao modelo recompensas no formato de “pontuação” pelos acertos e “descontos” por seus erros, caracterizando assim um reforço em seu aprendizado, onde irá buscar realizar passos mais próximos aos acertos do que aos erros, podendo este método ser aplicado de forma conjunta a seus predecessores.
O que abordamos até agora está compreendido na área do conhecimento de Data Science, e apesar de tratar de tópicos e conceitos desde alguns princípios básicos aos mais complexos, não houve detalhamentos referentes as ferramentas, recursos e tecnologias que tornam o material de nossa análise realidade. Vale, portanto, a abordagem de alguns conceitos adicionais e importantes para nossa compreensão macroscópica do tema Data Science.
Existem no mercado excelentes tecnologias habilitadoras que viabilizam o emprego do potencial do Data Science em uma transformação digital para a indústria ou segmento de mercado, tecnologia estas conhecidas como Edge Computing (Computação de Borda) e Cloud Computing (Computação em Nuvem), fora suas variações híbridas.
O Edge Computing possibilita o aumento da capacidade de processamento mais próximo à aplicação, como em um ambiente fabril, um galpão logístico, uma seção de um supermercado, participando de toda cadeia do Data Science com a vantagem de entregar aos usuários do sistema ou gestores, informações prontas para decisão, quando estas não já forem tomadas de forma autônoma. Tornando possível, no exemplo do supermercado, que a partir da coleta de imagens o sistema verifique a sazonalidade dos produtos e abra uma requisição automática para reposição de estoque com base no comportamento de compra dos clientes. O Edge Computing possibilita grandes ganhos ainda se pensarmos em ambientes fabris, com grande diversidade de equipamentos em seus protocolos nativos e com dados isolados, possibilitando a integração destes dispositivos a um modelo de análise preditiva e colaborativa, sendo sua vantagem a não dependência de conectividade com a internet, sendo esta integração opcional, podendo ainda trabalhar de forma autônoma, integrando-se à sistemas já existentes e dispondo de suas análises para os mesmos. Possibilitando a uma equipe de produção e gerência o acompanhamento em tempo real dos KPIs e das projeções futuras da indústria em questão.
Pensando agora no Cloud Computing, seu emprego e funcionalidade é similar quase que integralmente ao descrito para o Edge Computing, porém suas vantagens e emprego podem diferir em muito a depender da infraestrutura a qual se almeja realizar o emprego das ferramentas do Data Science. O Cloud Computing é um excelente recurso quando pensamos em escalabilidade e conectividade onde nem todos os “sensores” ou dados estão reunidos em um mesmo ambiente. Um dos exemplos mais comuns são as companhias prestadoras de serviços de taxi, onde seu sistema com poder efetivo de processamento e ferramentas do Data Science as quais possibilitam a tarifação com base na predição de demandas e outros recursos em tempo real, está majoritariamente alocado em um ambiente Cloud, fazendo com que cada usuário e motorista possam contribuir com informações para seu banco de dados, dando característica escalável ao negócio. Outro exemplo interessante seria a leitura de nossos medidores de consumo de energia elétrica e água onde de sua leitura, ou como vimos, da coleta da informação, esta poderia ser transferida a um banco de dados alocado em nuvem e com o emprego das técnicas abordadas anteriormente, realizar um melhor ajuste de produção e distribuição dos recursos, viabilizando a expansão para algumas áreas e aplicando políticas restritivas ou educacionais em outras, melhorando a qualidade dos serviços prestados, dos lucros e redução de impactos no meio ambiente.
Os conceitos abordados e exemplos mencionados como um dos poucos os quais são possíveis de implementação prática, trouxeram à luz do entendimento termos e jargões utilizados por profissionais nesta área de atuação, facilitando a interação com as tecnologias hoje presentes no mercado mundial dando a estas sentido de utilização para que possamos avançar no processo de transformação digital de nosso país rumo à Quarta Revolução Industrial.
Nota do Autor:
Agradeço pelo seu tempo e pelo empenho na extensa leitura para alguns, espero haver contribuído com conhecimento e agregado valor a seus negócios.
Caso enxergue aplicação prática em seu segmento de indústria ou empresa e queira conhecer algumas das tecnologias e soluções disponíveis, procure nossa equipe de profissionais na Baumier Automation
Sucesso e bons negócios!
Por Bruno Duarte - Coordenador de Engenharia de Aplicação na Baumier Automation
Por Bruno Duarte - Coordenador de Engenharia de Aplicação na Baumier Automation
Com o advento da Quarta Revolução Industrial no ano de 2015 e sua constante demanda por tecnologias disruptivas, muitas vezes nos percebemos “perdidos” ou ainda pressionados pela falta de compreensão ao ouvirmos termos recorrentes como Data, Big Data, Business Intelligence, Machine Learning, Artificial Intelligence, Data Science dentre outros os quais poderíamos citar em extensa lista e ainda assim, pareceriam estar distantes de nossas rotinas de trabalho e vida pessoal.
Antes de entendermos o que estes termos - muitas vezes complexos - representam, precisamos entender o significado da palavra dado (data em inglês), que em sua definição bruta é descrito como sendo “s.m. pl. Conjunto de informações disponível para análise”. Porém para nós seres humanos, há ainda uma discrepância na interpretação de dado em informação compreensível, visto que para nos atribuir sentido de compreensão, um conjunto de dados precisa ser traduzido de forma a nos transmitir uma informação a qual possamos compreender. Logo, dado é algo bruto - sem valor de compreensão - e informação é sua interpretação - com valor para a compreensão humana. Tomemos como exemplo, o Censo Demográfico conduzido periodicamente pelo IBGE - Instituto Brasileiro de Geografia e Estatística o qual baseia-se na coleta de dados por amostragem da população residente na República Federativa do Brasil. Da coleta de dados, imagine agora os dados isolados de apenas uma pessoa, contendo sua faixa etária, gênero, se é residente de área urbana ou rural. Note que apenas com estes dados não é possível obter nenhuma informação relevante a respeito do país, como por exemplo, se sua população possui tendências de habitação urbana ou rural, se há regiões com maior densidade demográfica ou áreas onde a população do gênero feminino é predominante. Evidenciamos então, a tese de que o dado por si de forma isolada não traz em sua maioria informação útil.
Com isso em mente, seguimos para a compreensão de termos mais específicos, onde nas etapas de 01 a 11 faremos uma análise individual em busca de seu significado prático.
As imagens a seguir são classificadas no tempo, dando sentido de continuidade e também para nossa compreensão lógica do momento correto do emprego de cada tecnologia, técnica ou método.
Etapa 01 - Representa o dado em sua forma bruta. Entender o tipo de dado é essencial para a definição de como se dará o desenvolvimento das etapas seguintes, tipos de análises e o propósito o qual se objetiva na obtenção e análise destes para interpretação em informação útil. Temos, portanto, duas linhas de raciocínio paralelas, a primeira com base no Dado Tradicional (Traditional Data) o qual temos costume e familiaridade de análise, representando dados com características categóricas (de classificação, bom, ruim, alto, baixo, etc.) e numéricas os quais possibilitarão análises estatísticas e inferências tradicionais. Já a segunda, baseia-se no Big Data o qual pode ser interpretado como uma coletânea de dados com características díspares de formatos e tipos, como textos, números, imagens, sons, vídeos e outros. Estes os quais não possibilitam análises por métodos tradicionais e sim por mecanismos e tecnologias diferenciadas as quais veremos mais adiante.
Etapa 02 - A coleta dos dados (Data Collection) implica na forma de captura e armazenamento. Podemos obter dados provenientes das mais variadas fontes, claro que a depender do tipo de dado e qual propósito de sua análise, podemos obtê-los portanto a partir de uma pesquisa por preenchimento de formulários, captura de informações em um website, informações originárias de um dispositivo eletrônico industrial ou de um sensor para os casos dos Dados Tradicionais, para o Big Data, além dos já mencionados temos ainda a possibilidade de coleta de dados através de câmeras, sensores de ruído, Web Scraping - técnica utilizada para coleta de grandes volumes de dados em páginas web - entre outros. Aqui já teríamos clareza de quais recursos tecnológicos deveríamos dispor para a coleta efetiva do dado bruto e seu armazenamento em formato apropriado.
Etapa 03 - O pré-processamento (Preprocessing) é aquele momento onde em posse dos dados já contidos em uma “tabela”, nos damos conta de que há fragmentos de informação, números sem sentido ou fora de escala, como também a ausência de valores para algumas entradas. Neste processo é onde se aplicam as classificações dos dados como sendo categóricos, numéricos, textos, imagens, áudio, vídeo, etc. e sua respectiva validação, também conhecido como Data Cleasing, ou a junção de normalização e validação dos dados para utilização efetiva, pensando no Big Data, de nada seria válida a análise de uma imagem com um borrão ou um áudio “mudo”.
Note que ao nos referenciarmos pela linha do tempo, somos remetidos a eventos que ocorreram no passado. Isto porque os dados já necessitam estar registrados em um formato de “banco de dados”, mesmo que sua coleta leve milésimos de segundos e sua entrada na base de dados seja quase que instantânea, estaríamos ainda realizando apenas uma análise de dados (baseado em eventos passados - Data) e não sua predição analítica (projeção futura - Data Science).
Etapa 04 - Nesta etapa começamos a ter as primeiras estruturas de dados válidas, ou Dataset como é conhecida, ainda num formato quase que primitivo como em planilhas ou entradas em bancos de dados organizadas por características semelhantes. Diferindo novamente para os dados originados do Big Data, pois seu armazenamento, classificação e relacionamento de um tipo de dado com outro não é de obviedade para nós, requerendo então técnicas de mineração de dados (Data Mining), que terá como papel fundamental, realizar consultas a estas bases dados de diferentes tipos contendo informações nos formatos de imagens, sons, etc., adequar suas relações e definir classificações apropriadas. Ainda nesta etapa, há o que denominamos de Data Shuffling, ou reordenação dos dados, seria como se embaralhássemos os dados para reduzir o risco de análises tendenciosas por amostragens sequenciais. Imagine por exemplo, que em uma câmara frigorífica existam 10 sensores de temperatura espalhados, porém na coleta dos dados considerou-se uma amostragem de 1.000 aferições por sensor, assim compondo um banco de amostras onde os dados de 1 a 1.000 representam as leituras obtidas do primeiro sensor, de 1.001 a 2.000 as leituras obtidas do segundo sensor e assim segue. Agora, para efeitos da análise, apenas desejamos considerar 500 amostras do Dataset, se seguirmos a ordem natural dos registros faríamos leituras apenas dos dados obtidos do primeiro sensor, descartando as leituras obtidas dos demais sensores e aumentando nossa incerteza na aferição da temperatura da câmara. Assim, para que a análise seja confiável e de representação real, a reordenação dos dados possibilitará ter nas 500 amostras, uma variedade de valores obtidos dos diferentes sensores, enriquecendo a análise com proximidade real às condições de temperatura da câmara frigorífica.
Etapa 05 - Voltando ao exemplo do Censo Demográfico IBGE, teríamos agora uma coletânea de informações disponíveis, ordenadas e classificadas, como os dados da população referente a sua faixa etária, gênero, área de habitação dentre outros. Carecemos, portanto, interpretar estas informações dando sentido prático e útil, gerar mapas de calor, gráficos com as regiões de maior densidade demográfica, ou se estiver cansado deste exemplo, podemos pensar em algo mais próximo a nossas rotinas como relatórios gerenciais com médias históricas, dados de produção de bens de consumo ao longo do último mês, toneladas de produtos produzidos e refugos de processo, qual o número de pessoas que frequentam uma determinada franchise de academia por dia da semana e assim melhorar suas promoções, observar o consumo de alimentos do brasileiro médio em determinadas épocas do ano e panejar as entressafras de forma a suprir as demandas aumentando sua vantagem competitiva e otimização de custos. Estas e outras interpretações estão incorporadas ao que conhecemos como Business Intelligence, ou Inteligência de Negócios, iremos explorar suas demais características a seguir.
Note que ainda estamos referenciados no passado, ou seja, o momento presente de nossas análises e interpretações dos dados em informação de valor útil baseia-se em eventos os quais já ocorreram, mesmo assim, nos possibilita a tomada de decisões de forma assertiva baseadas em dados, sendo o Business Intelligence o ápice da análise de dados sem predições analíticas ou de comportamentos futuros como observamos na imagem acima.
Se leu até aqui, continue a leitura do artigo - Parte 2.
Ficou claro, que a tendência da automação é a digitalização.
Por isso, é importante garantir a confiabilidade de seus sistemas de automação.
Principalmente para quem não pode estar no local para monitorar os processos 24 horas por dia, 7 dias por semana.
A transformação digital em que nos encontramos hoje é parcialmente definida pela alta disponibilidade dos sistemas de produção e o alto grau de automação. Isso leva a um aumento na complexidade dos sistemas e apresenta novos desafios para os criadores e integradores de sistemas na rede de elementos digitais e físicos que podem incluir:
- Garantir o processo de produção;
- Maximizar a resiliência;
- Otimizar a transferência de dados;
- Integrar a cadeia de abastecimento no processo de produção;
- Fazer o uso eficiente de dados processados na nuvem;
Essencialmente, a abordagem da transformação digital visa harmonizar estratégia, organização, processos, tecnologia e pessoas.
Na indústria de processo, existem requisitos muito específicos necessários para componentes em rede no campo. A lógica de sistemas redundante melhora drasticamente a confiabilidade no caso de falhas de comunicação. Com múltiplas relações de comunicação vinculadas à unidade de controle dos sistemas, a Belden agora oferece uma solução inovadora para o uso de módulos IP67 na base IO-Link, o S2-Redundancy.
Ao integrar o S2-Redundancy ao portfólio LioN-Power IO-Link, é oferecido uma vantagem clara na estratégia de diversificação dos mercados-alvo, visto que a equipe de desenvolvimento de produtos está sempre trabalhando para identificar e gerar valor para os clientes com novas soluções industriais.
PROFINET S2-Redundancy
A Belden está agora oferecendo uma abordagem completamente nova dentro da série LioN-Power IO-Link Master, especificamente desenvolvida para produtos farmacêuticos. S2-Redundancy abre uma porta para um novo mundo de indústrias de processo para os sistemas IO-Link da Lumberg Automation.
A funcionalidade é engenhosamente simples, assim que a comunicação com o controlador primário é perdida ou interrompida, o mestre IO-Link estabelece uma relação de comunicação com a segunda unidade de controle sincronizada a fim de manter o processo de produção funcionando e evitar tempo de inatividade.
Essa nova funcionalidade não deve ser confundida com a estrutura do protocolo de redundância de mídia (MRP). Com o MRP, um anel de comunicação redundante é configurado e usado principalmente para proteger a transferência de dados no nível da rede. A redundância S2, por outro lado, protege a falha de comunicação física do controlador primário devido a uma quebra de cabo ou mau funcionamento no nível do PLC ou similar.
Dentro dos sistemas de automação industrial, há sempre um requisito importante - alta disponibilidade!
A alta disponibilidade dentro da sua aplicação traz:
- Qualidade constante, produção da máquina e entrega pontual de bens de consumo
- Aspectos ecológicos dentro do design da sua operação - menos risco de desperdício de matéria-prima, reduzindo a parada de produção
- Alta lucratividade de seu processo produtivo - Minimize o risco de investimento
- Proteção de uma das situações mais odiadas de aplicações industriais → Estado incerto do recipiente de enchimento
Dúvidas sobre como implementar recursos de redundância em sua rede, contate a Baumier Automation.
Muito se fala da Transformação Digital e da IIoT. Mas na prática, o que realmente vai mudar para atingirmos a tal da "fábrica inteligente"? No que ela se difere daquilo que temos feito nas últimas 2 décadas e isso será realmente possível? Tudo o que temos hoje em nossas fábricas, precisará ser substituído? O que se entende por "fonte única da verdade"?
Nesse webinar, vamos desvendar todos esses termos, mostrando de forma simples, que para podermos realmente fazer a "transformação digital", precisamos mudar nossa forma de pensar. Esse webinar tratará de conceitos, tentando mostrar as grandes vantagens do IIoT no nosso mundo atual.
