--- title: O processo industrial à base de ciência de dados description: Veja quais são os principais usos de Data Science nas indústrias e o potencial dos dados para potencializar resultados url: https://ilumeo.com.br/categorias/2021-06-15-o-processo-industrial-base-de-ciencia-de-dados/ markdown_url: https://ilumeo.com.br/categorias/2021-06-15-o-processo-industrial-base-de-ciencia-de-dados.md type: post slug: 2021-06-15-o-processo-industrial-base-de-ciencia-de-dados author: ilumeo-admin published: 2021-06-15T12:25:07Z modified: 2023-07-28T02:52:32Z language: pt-BR taxonomies: category: - Categorias - Data & Tech word_count: 1147 tokens: 1905 --- # O processo industrial à base de ciência de dados   Veja quais são os principais usos de Data Science nas indústrias e o potencial dos dados para potencializar resultados   Nos últimos 20 anos, a indústria de manufatura tem adotado gradualmente aplicações de ciência de dados em toda a sua linha, principalmente na produção de itens como móveis, auto peças, materiais elétricos, eletrodomésticos, entre uma infinidade de outros bens duráveis. O tamanho que o mercado global de manufatura inteligente deve atingir em 2025 é de US$ 395,24 bilhões. É um setor que já passou por quatro grandes revoluções “industriais”, com a última acontecendo neste momento, onde dados de máquinas, ambientes e produtos são coletados e integrados para convergirem em um único objetivo: fazer os produtos certos nas quantidades certas para os momentos certos.  E por que isso é tão importante? O Dr. Nagdev Amruthnath, cientista de dados e Ph.D. em Industrial Engineering pela Western Michigan University, traz a resposta: para reduzir o custo de fabricação e tornar os produtos mais acessíveis para todos. Em artigo no Medium, Amruthnath defende a vasta utilização de Data Science na indústria de manufatura, que possui diversas possibilidades de aplicações, como manutenção e qualidade preditivas, análise de segurança, análise de garantia, monitoramento de instalações de fábrica, visão computacional, previsão de vendas, entre outros. O uso em manutenção preditiva é um dos principais, pois a quebra de máquinas na fabricação é muito custosa. O tempo de inatividade não planejado é o maior contribuinte individual para os custos indiretos de fabricação, custando às empresas uma média US$ 260 mil por hora. Os dados do sensor das máquinas são monitorados continuamente para detectar anomalias (usando modelos como PCA-T2, one-class SVM, autoencoders e regressão logística), modos de falha de diagnóstico (usando modelos de classificação como SVM, random forest, árvores de decisão e redes neurais), prever o tempo até a falha (TTF) (usando uma combinação de técnicas, como análise de sobrevivência, atraso, e de regressão) e previsão de tempo de manutenção ideal (usando técnicas de pesquisas de operações). Já os sistemas tradicionais de visão computacional medem as peças fabricadas quanto à tolerância de medidas para determinar se são aceitáveis ou não, dentro de uma margem de erro minuciosa, milimétrica. Detectar a qualidade das peças quanto a defeitos como marcas de desgaste, arranhões e amassados são igualmente importantes. Tradicionalmente, os humanos são usados para inspecionar esses defeitos. Hoje, tecnologias de inteligência artificial como CNN, RCNN e Fast RCNN provam ser mais precisas e levam menos tempo para inspecionar, reduzindo significativamente o custo da produção. Já prever as tendências de vendas futuras ajuda a otimizar os recursos para a lucratividade. Na manufatura, conhecer os volumes de produção com antecedência ajuda a alocar da melhor forma esses recursos, como cadeia de suprimentos, equilíbrio entre máquina e produto e força de trabalho. Técnicas que vão desde modelos de regressão linear, ARIMA, lagging, até modelos mais complicados, como LSTM, são usados hoje para otimizar os recursos. Leia mais no blog: Como Data Science pode impulsionar vendas Existem vários desafios para a aplicação da ciência de dados na manufatura. Listamos abaixo alguns dos mais comuns: Falta de experiência no assunto A ciência de dados é um campo muito novo. Cada aplicação requer seu próprio conjunto básico de habilidades. Da mesma forma, na manufatura, conhecer as terminologias de manufatura e processo, regras e regulamentos, entendimento do negócio, componentes da cadeia de suprimentos e engenharia industrial é vital. A falta de experiência pode levar à resolução do conjunto errado de problemas, culminando em projetos fracassados e à perda de confiança da organização nos dados. Ilustração mostrando a atuação do cientista de dados na indústria de manufatura Reinventando a roda Cada problema em um ambiente de manufatura é novo e as partes interessadas são diferentes. A implantação de uma solução padrão é arriscada e, o que é mais importante, em algum ponto, está fadada ao fracasso. Cada novo problema tem uma parte da solução que está prontamente disponível e o restante precisa ser planejado. A engenharia envolve o desenvolvimento de novos fluxos de trabalho de modelos de machine learning para os casos mais simples e o desenvolvimento de um novo sensor ou hardware nos casos mais complexos.  O fato é que a aplicação da ciência de dados na manufatura também é muito nova ainda. Ela é uma das muitas ferramentas que as indústrias de manufatura estão usando atualmente para atingir seus objetivos de produtividade. Novos aplicativos são descobertos todos os dias e várias soluções são inventadas constantemente. Em muitos projetos de manufatura (investimentos de capital), o ROI é realizado ao longo dos anos (5–7 anos), mas há projetos de ciência de dados implantados com sucesso com seu ROI em menos de um ano. Isso os torna muito apreciáveis.    Os gêmeos digitais Uma das inovações mais sexys que os dados trazem à indústria de manufatura são os chamados Gêmeos Digitais, ou Digital Twins. É um processo de transformação digital de plantas fabris que simula virtualmente as condições reais da fábrica com o objetivo de extrair informações e insights que permitam uma visão em tempo real da evolução do item “copiado”. Na prática, um gêmeo digital é uma grande coleção de dados que representam um objeto físico que, quando analisado, pode ajudar a melhorar processos e respaldar tomadas de decisões pela gestão. Segundo uma previsão da ADS Reports – empresa de pesquisas da Holanda – o mercado global desta tecnologia, avaliado em 2020 em US$ 3,1 bilhões, deve atingir US$ 48,2 bilhões até 2026, com uma taxa de crescimento anual de 58% no período. No Brasil, quem faz uso dessa tecnologia é a Petrobrás. A empresa criou, em parceria com a petrolífera espanhola Repsol, um gêmeo digital da plataforma P-50, que opera na Bacia de Campos, no Rio de Janeiro. Com sensores instalados na plataforma a empresa coleta dados de forma ininterrupta para alimentar o gêmeo digital que ainda recebe informações históricas e de outras fontes. Todo esse volume de conteúdo permite que a Petrobras entenda em tempo real o que acontece com a P-50 e possa se antecipar para evitar qualquer eventual problema na operação. Segundo a estatal, o uso de digital twins em plataformas pode trazer ganhos de US$ 20 milhões por ano. A indústria do petróleo prevê que a tecnologia proporcione nas próximas décadas um faturamento de US$ 1,6 trilhão e 4% no fator de recuperação de um campo. Além da Petrobras, a Vale também utiliza os Gêmeos Digitais. A mineradora combina a tecnologia com inteligência artificial para a prevenção e controle de corrosão nas estruturas metálicas de suas plantas industriais. O uso da tecnologia, que combina computação avançada, inteligência artificial, machine learning, big data e realidade aumentada, também ultrapassa a indústria. Pesquisadores já estão criando gêmeos digitais de órgãos humanos, a partir de exames de imagem de pacientes. A pessoa pode, por exemplo, ter uma representação digital do seu coração, de forma que a simulação, ao ser acelerada pelos médicos possa mostrar potenciais doenças, ou mesmo antecipar problemas e avaliar efeitos de tratamentos, dietas ou exercícios.