Barreiras à adoção de tecnologias de Inteligência Artificial na Manutenção Industrial

A inteligência artificial (IA) tem vindo a deslumbrar pelas suas capacidades, como a análise de grandes quantidades de dados, a realização de previsões, a automatizar de tarefas, a aceleração da execução de tarefas demoradas, a compreensão de texto e a produção de conteúdo multimédia. Apesar de, muito possivelmente, a utilizarmos de algum modo no nosso quotidiano (mesmo sem termos noção disso), a implementação destas tecnologias ainda permanece uma questão duvidosa para grande parte das indústrias não ligadas diretamente ao setor tecnológico. Isto leva à identificação de um conjunto de barreiras externas, organizacionais, pessoais e tecnológicas que dificultam a sua adoção na indústria, em especial na manutenção.

Historicamente, existem indústrias onde a adoção de novas tecnologias é, por natureza, mais lenta, como é o caso das indústrias agrícola, siderúrgica, extrativa e nuclear, quando comparadas, por exemplo, com as indústrias automóvel e alimentar. Esta realidade está frequentemente associada à cultura de segurança extrema existente nestes setores e à sua aceitação pela sociedade. Eventos como o de Three Mile Island, em 1979, e o desastre de Chernobyl, em 1986, incutiram um sentimento de medo na consciência pública que potencializou uma cultura de cuidado e supervisão alargada que, historicamente, conduziu a poucas inovações tecnológicas.

A par deste medo, surge a ambiguidade legal em relação à responsabilidade atribuída às decisões tomadas com base em IA, o que desencoraja a sua aplicação, uma vez que a responsabilização permanece pouco clara, particularmente em setores onde falhas podem significar grandes impactos económicos e graves consequências humanas.

Comum a qualquer outra área, a principal barreira à adoção de tecnologias de IA e Machine Learning (ML) na manutenção prende-se com a base que sustenta esta tecnologia: os dados.

“Sem farinha não há bolos. Sem dados não há IA.”

É impossível desenvolver qualquer tipo de sistema inteligente se não existirem dados de qualidade que sustente o seu desenvolvimento.

Por dados de qualidade entendem-se dados acessíveis, em quantidade suficiente, limpos, precisos, explicáveis, fiáveis, relevantes e contextualizados com a realidade.

Apesar de os sistemas produzirem, geralmente, uma grande quantidade de dados, muitas organizações não têm por hábito recolhê-los e armazená-los corretamente, tornando-os praticamente inacessíveis. Com base nisto, muitos sistemas inteligentes acabam por ser desenvolvidos a partir de dados simulados através de modelos teóricos que, apesar de muito fiáveis, não contemplam a variabilidade associada ao funcionamento real da instalação. Tal pode afetar o seu desempenho em ambiente real, contribuindo para a diminuição da confiança nestes sistemas e, consequentemente, dificultando a sua adoção.

Muitas vezes, estes dados até estão disponíveis. Contudo, são insuficientes. Umas vezes, por possuírem um reduzido número de entradas. Outras, devido à sua qualidade, que, após uma fase de processamento, não permite que sejam totalmente utilizados. Naturalmente, garantir o padrão de qualidade implica a eliminação de dados incorretos, corrompidos, não catalogados e duplicados, o que se traduz na diminuição da quantidade de dados.

Na medida em que o desenvolvimento de sistemas de IA e ML começa, maioritariamente, com um processo de aprendizagem, é correto assumir que o sistema terá tanto maior qualidade quanto maior for a qualidade dos dados utilizados.

“GIGO – Garbage In, Garbage Out.”

É por este motivo que o tratamento dos dados é tão importante. Todavia, isto envolve, à partida, conhecimento especializado de técnicas estatísticas e matemáticas suficientes para a remoção de ruído, eliminação de outliers e normalização, entre outras, muitas vezes não disponível na organização. Contudo, o recrutamento de um especialista em dados, a requalificação dos quadros internos e o investimento na sua maturidade digital podem ser económica e temporalmente dispendioso, sendo frequentemente vistos como não prioritários pela gestão ou inacessíveis a todas as organizações, em particular às pequenas e médias empresas. Por estes motivos, empresas de manutenção não tem profissionais de dados como posições prioritárias para os seus quadros.

Se o objetivo for o desenvolvimento das próprias ferramentas de IA unicamente no ceio da organização, esta tarefa fica dificultada na medida em que será necessário conhecimento especializado, não só em dados, mas também em mecânica, fiabilidade, hidráulica, pneumática, controlo de sistemas, entre outras áreas. A existência da totalidade destas competências fica limitada numa única organização. Mesmo possuindo uma grande equipa de engenharia, o mais comum é que cada engenheiro seja especializado numa área específica, pelo que garantir a correta partilha de conhecimento e comunicação eficaz entre serviços e departamentos surge como outro desafio, de forma a garantir a coerência no desenvolvimento de sistemas inteligentes.

Os dados são, geralmente, produto da realização de tarefas ou atividades integrantes de um processo. Por sua vez, uma organização será tão conhecedora dos seus dados quanto dos processos que desenvolve. No entanto, acontece que, quando as organizações mapeiam os seus processos, descobrem muitas vezes que existe uma falta de padronização, especialmente na área da manutenção, onde os seus profissionais relatam uma fácil alteração dos seus padrões e procedimentos ao longo do tempo, estando a sua atividade muito dependente da experiência operacional do executante e sujeita à pressão externa típica do setor, o que limita a transferência e a digitalização destes processos para soluções baseadas em IA.

“Sem padronização, não há automação.”

Sistemas de IA podem apresentar comportamentos errados ou inesperados quando lhes são fornecidos dados pouco fiáveis, tornando-os imprevisíveis e inseguros. Se considerarmos o potencial que os sistemas físicos utilizados na manutenção têm para causar danos que resultam em acidentes ou perda de vidas humanas, a preocupação com a segurança aumenta consideravelmente.

Desta forma, é importante garantir que estes sistemas não são acedidos por fontes externas maliciosas com o objetivo de comprometer a organização. Aqui surgem questões de privacidade, governança e segurança que dificultam a implementação destas tecnologias.

Imagine-se que a operação e manutenção de um sistema crítico, como, por exemplo, uma estação nuclear, é auxiliada por um sistema de apoio à decisão baseado em IA. É muito normal e fácil de perceber as reticências demonstradas pelos seus responsáveis quanto à sua fiabilidade e fragilidade em ser corrompido por fontes externas.

A segurança destes sistemas poderá ser reforçada através de investimento em cibersegurança, infraestruturas e espaços físicos seguros. No entanto, apesar do retorno, investimento implica custos no imediato.

Os custos são, por natureza, uma grande barreira à modernização e à adoção de novas tecnologias, especialmente se o principal objetivo de uma organização for meramente económico.

A aquisição de máquinas com poder de processamento e armazenamento suficiente, o aumento da infraestrutura de recolha de dados através da instalação de sensores, meios de comunicação, a criação de servidores, repositórios de dados e a garantia da sua segurança constitui um entrave económico muito expressivo. Contando que muitas organizações ainda se baseiam em sistemas legacy, a integração de sistemas de IA com estes sistemas, sem perturbar a sua funcionalidade, são, além de económico, um desafio tecnológico.

A própria complexidade ambiental dificulta a implementação destas tecnologias. O ambiente industrial é, por regra, um ambiente hostil, imprevisível e variável, onde interagem o espaço físico, condições ambientais, máquinas e a atividade humana. Tal variabilidade dificulta a implementação técnica do hardware que alimenta a IA, como sensores e sistemas de transferência de dados, bem como a garantia da sua integridade e segurança.

Talvez como o mais difícil de gerir, surjam o ceticismo, a resistência à mudança e a cultura organizacional. O utilizador final é muitas vezes adverso ao risco, desconfiado face à existência de fontes únicas de verdade e desconfortável perante a falta de confiança na eficácia destes sistemas. Encontram-se facilmente exemplos na indústria em que tarefas como o controlo de stocks ou a elaboração de ordens de trabalho continuam a ser efetuadas com recurso ao papel e caneta, quando um sistema informático poderia facilmente automatizar este processo, diminuir a carga de trabalho, reduzir a probabilidade de falha e libertar o pessoal para outras tarefas de maior importância. Associado a isto, existe o medo por parte da classe trabalhadora mais antiga de ser substituída pelas novas tecnologias. O ego humano é um bicho difícil de combater.

“Os velhos do Restelo ainda existem, mais no campo da manutenção do que se possa imaginar.”

A manutenção industrial está diretamente ligada à operação de equipamentos com um forte potencial de causar perdas financeiras avultadas e quebras de segurança significativas, caso algo ocorra fora dos parâmetros técnicos e legais. Neste sentido, a responsabilidade do dono dos processos de manutenção é elevada, levando a que, quer sendo guiado por IA ou não, a compreensão das conclusões retiradas no seu processo de tomada de decisão seja primordial. Associado a isto, surge ainda a questão da dificuldade em definir-se, indubitavelmente, o responsável por decisões tomadas com base em IA.

Por fim, muitas empresas ainda sofrem com uma gestão de topo obsoleta e antiquada, que insiste em não aceitar as vantagens das novas tecnologias, faltando-lhe visão futura e sentido de liderança. Historicamente, temos os casos da Nokia, BlackBerry, Compaq e Kodak como exemplos que continuam a ser ignorados. Muitas destas administrações vivem agarradas aos resultados passados, onde o sucesso foi alcançado com base em políticas e aplicação de processos manuais e muito dependentes da intervenção humana. Exemplo é a continua aplicação de papel físico na indústria portuguesa na atribuição de ordens de trabalho e controlo de avanço de obra, quando na era atual muitas empresas já o fazem digitalmente através de dispositivos eletrónicos de fácil portabilidade.

A gestão das organizações terá, inevitavelmente, de se modernizar e procurar definir uma estratégia clara de IA, se não quiser perder competitividade no mercado.

Apesar do cenário aparentemente resistente, a maioria (ou talvez a totalidade) destas barreiras pode ser ultrapassada.

A mudança deverá começar no pensamento cultural e organizacional. A administração deverá procurar implementar uma cultura de inovação. Apesar de esta tendência ser cada vez mais frequente em Portugal, como se constata através da criação de departamentos de investigação e inovação nas organizações, ainda se mantêm limitada, especialmente onde o tecido empresarial reside essencialmente em pequenas e médias empresas.

Como plano de ação, a organização deverá procurar mapear os seus processos de forma a conhecer-se e controlar os dados que produz.

Os processos deverão ser o mais padronizados, estanques e imutáveis possível. Sem padronização, não existe automatização, uma vez que a recolha de dados será constantemente dificultada e comprometida. Se um determinado processo, que produz constantemente o mesmo produto, é efetuado de forma completamente distinta de cada vez que ocorre, o conjunto de dados que irá produzir será, naturalmente, diferente, levando à deterioração da sua qualidade, quantidade, transparência e explicabilidade.

Identificados os processos, deverá procurar-se a sua otimização através da transformação digital da organização, que deverá iniciar-se pela consciencialização e familiarização dos seus quadros com as novas tecnologias e metodologias de trabalho. A realização de formação assente em workshops, demonstrações de casos práticos e visitas técnicas a locais onde estas tecnologias já se aplicam poderá ajudar a consciencializar o utilizador para os seus benefícios, tornando-o mais recetivo à sua adoção.

“Antes de se experimentar o automóvel a combustão, o cavalo era ótimo.”

A par da transformação digital, deverá ser edificada uma infraestrutura física, tecnológica e regulatória que possibilite a recolha e armazenamento de dados num formato acessível, muito antes de se pensar no seu tratamento. Isto pode ser alcançado através da garantia da adoção, no mínimo, de um plano de manutenção preventivo de todos os equipamentos que obrigue ao registo de todas as ações de manutenção, consumíveis utilizados, recursos empenhados e resultados alcançados.

A partir daqui, poderá garantir-se a maturação de um sistema de recolha e tratamento de dados e evoluir para uma política de manutenção preditiva através da implementação de sistemas inteligentes.

Nesta fase, a organização poderá procurar adquirir conhecimento especializado na área para o desenvolvimento e implementação destes sistemas, requalificar os seus quadros ou adjudicar a sua execução a terceiros.

A adoção destes sistemas deverá ser, logicamente, incremental e híbrida, mantendo o ser humano no círculo de atuação e transferindo a responsabilidade de forma gradual para o sistema, à medida que se vai ganhando confiança na sua robustez.

A falta de confiança poderá ser mitigada desde a fase de desenvolvimento, através do estabelecimento de um canal correto de comunicação entre o desenvolvedor do sistema e o utilizador. Procurar integrar recomendações de quem tem conhecimento das operações da organização no sistema faz com que o utilizador se sinta integrado e parte da solução final, potencializando a sua adoção e contribuindo para a qualidade do produto final.

A confiança aumentará consoante o nível de transparência e a capacidade de explicabilidade do sistema. A utilização de algoritmos explicativos elimina o fator “caixa negra” do sistema, através da apresentação de justificação para as suas saídas. Isto poderá ser muito benéfico em organizações conversadores e céticas às vantagens e potencialidades dos sistemas inteligentes.

O recurso à simulação permite reproduzir cenários reais e validar a resposta dos sistemas a esses cenários. Esta técnica poderá ajudar a incrementar a confiança, na medida em que se vai garantindo a capacidade do sistema de responder em segurança perante situações hostis, bem como detetar-se um conjunto de pontos de melhoria sem consequências reais.

A garantia de uma boa experiência de utilizador é essencial para a adoção destas tecnologias. Para esta contribuem sistemas com um design adequado, user-friendly, explicáveis, interpretáveis e confiáveis.

A adoção de tecnologias de IA é altamente dependente do contexto, sendo aqui que se torna importante que os desenvolvedores destas tecnologias tenham conhecimento empírico do ambiente de operação. Isto é, não se deverá assumir que uma determinada solução de IA, com resultados provados, irá apresentar os mesmos resultados num ambiente completamente diferente. Provavelmente, os resultados serão catastróficos.

Por exemplo, quando nos referimos à indústria agrícola, extrativa, florestal, marítima ou alimentar os padrões ambientais e de segurança diferem, o que limita a transferência de soluções diretamente de um contexto para o outro.

Este conhecimento poderá ser adquirido através de entrevistas aos responsáveis de operação e manutenção, visitas ao local, pesquisa ou através do trabalho com um consultor especializado na área.

Apesar de, na manutenção, o tempo ser um recurso valioso e escasso, neste domínio é algo que precisa de ser respeitado. Saltar etapas nos processos de desenvolvimento e implementação poderá reduzir a qualidade da solução e, consequentemente, o valor destas tecnologias. Tal levará a uma perda de recursos temporais, pessoais e monetários.

Neste sentido, os stakeholders deverão ser consciencializados para os benefícios a longo prazo que poderão justificar os custos de implementação e o retorno do investimento, que, além de económico se irá expressar numa diminuição de paragens inesperadas, falhas de segurança e acidentes.

Deverá procurar-se efetuar uma correta gestão de expetativas, especialmente em aplicações de IA para monitorização de equipamentos ou sistemas, onde os benefícios acabam por ser percecionados meses, ou mesmo anos, após a sua implementação.

Estas são apenas algumas das abordagens possíveis para mitigar as barreiras identificadas à adoção de tecnologias de IA na manutenção, sendo expectável que outras exijam um maior nível de engenharia e de reflexão conceptual.

A ConsulNav está preparada para apoiar a sua organização neste percurso de transformação. Entre em contacto connosco.