%2017.28.jpeg)
"In a sterile Bristol Myers Squibb lab about an hour north of Boston, scientists in scrubs and hairnets transfer living cells to a 2,000-liter stainless steel bioreactor that grows them for weeks. The goal is to produce proteins that are genetically engineered to attack cells that cause disease.
Tiny variations in heat, light or pH level can stop the cells from growing, causing drug shortages that endanger patients. Typically scientists would have to wait to see what went wrong during that fragile process, but now artificial intelligence is used to carefully monitor important variables - such as temperature and oxygen levels - and alert technicians if there are problems."
Em vez de esperar pelo fim do processo para perceber que algo correu mal, a empresa usa dados de produções anteriores para antecipar problemas e apoiar decisões durante o processo. A IA, neste caso, não aparece como magia. Aparece como uma forma de transformar a experiência acumulada, dados históricos e variáveis de processo em uma capacidade de decisão mais rápida. Confesso que, quando comecei a usar a IA, sonhei com o que poderia aprender com a análise de padrões em mais de 20 anos de arquivo de CAPAs numa empresa farmacêutica para a qual prestava serviço à época.
Ao ler este exemplo da BMS, lembrei-me imediatamente do início da minha vida profissional. Trabalhei na produção de PVC-emulsão e, nessa altura, usávamos um microscópio electrónico para observar visualmente o produto e tomar decisões sobre o processo. Não era inteligência artificial, claro. Mas a lógica de fundo tinha alguma semelhança: olhar para sinais que não eram evidentes a olho nu, interpretar o que se passava no processo e decidir o que fazer antes que o problema se tornasse irreversível.
Na altura, a decisão dependia da experiência das pessoas, da capacidade de observação e da interpretação técnica. Hoje, a inteligência artificial pode ajudar a fazer algo semelhante, mas com outra escala: analisar milhares de dados históricos, detectar padrões subtis, relacionar variáveis que, isoladamente, parecem inocentes e sugerir acções antes do desvio se transformar em perda, retrabalho ou rejeição.
A fábrica deixa de ser apenas um local onde se executam operações. Passa a ser um sistema que aprende com aquilo que já fez.
"Previously, scientists and technicians were never sure why some batches of cells produced a large amount of proteins, while others failed completely. But now AI uses information from past batches to identify what variables need to change. For example, if oxygen levels are lower than in previous batches, the system will suggest that oxygen be added. If the pH levels are higher than previous batches, it will recommend a fix. It also makes suggestions about the best time to harvest the cells.
These innovations have boosted the volume of drugs produced for clinical trials and commercial use at the facility by about 40%, according to a company spokesperson.
“We are able to now intervene in the batches during the manufacturing process and not have to wait until we get to the end,”"
O caso da BMS é interessante precisamente porque não começa pela tecnologia. Começa por um problema industrial real. Há um processo crítico. Há variáveis difíceis de controlar. Há pequenos desvios que podem ter grandes consequências. Há dados históricos. Há conhecimento técnico. E há uma decisão operacional que precisa de ser tomada mais cedo.
É aqui que a IA pode criar valor. A pergunta não é: "Como podemos usar inteligência artificial?" A pergunta mais útil é outra: Onde é que estamos a perder dinheiro, tempo, qualidade ou capacidade porque não conseguimos interpretar a variação suficientemente cedo?
Muitas empresas industriais ainda tratam a variação como ruído. Aceitam que certos defeitos "acontecem" (meu Deus, tantas recordações de desculpas para matar investigações e justificar o status quo), que certos lotes "são mais difíceis", que certas máquinas "são temperamentais" (como o russo no filme Armageddon), que certos fornecedores "dão sempre mais problemas", que certas equipas "trabalham melhor" do que outras (a minha mente voa para duas linhas de produção de calçado por injecção e dois turnos com produtividades tão diferentes entre si).
No entanto, por trás dessas frases, pode haver padrões. E por detrás desses padrões pode haver oportunidades de optimização.
A IA industrial não deve ser vista como um novo brinquedo digital. Deve ser vista como uma extensão da capacidade da organização para compreender o seu próprio processo.
A inteligência artificial parece ter mais potencial quando determinadas condições se cumprem. O artigo não transforma este caso numa regra geral, mas o padrão é claro: a IA parece criar mais valor quando existe histórico de processo, variáveis interdependentes, elevado custo de erro, sinais precoces e capacidade de actuar antes do problema se tornar irreversível.
Primeiro, quando o processo é repetitivo. Quanto mais ciclos, lotes, ordens, ensaios ou operações houver, maior a possibilidade de aprender com o histórico.
Segundo, quando há muitas variáveis interdependentes. Temperatura, pressão, humidade, velocidade, tempo de ciclo, características da matéria-prima, equipa, máquina, turno, lote, fornecedor, condições ambientais. Cada variável isolada pode parecer controlada. O problema, muitas vezes, está na combinação entre elas. O bom velho Taguchi.
Terceiro, quando o custo do erro é elevado. Um lote rejeitado, uma cozedura perdida, uma linha parada, uma série de peças com defeito, uma reclamação importante, uma investigação de desvio, um retrabalho caro. A IA torna-se mais interessante quando o erro chega tarde e custa muito.
Quarto, quando há sinais precoces. A IA só ajuda de verdade se houver dados que permitam antecipar o problema. Se tudo for descoberto apenas no fim, já estaremos no território da constatação. O valor está em perceber antes.
Quinto, quando ainda é possível actuar. Não basta prever. É preciso poder fazer alguma coisa: ajustar parâmetros, alterar uma sequência, parar a produção, chamar manutenção, rever uma fórmula, mudar o plano, segregar material, reforçar controlo ou investigar uma tendência.
Por isso, a IA cria mais valor ao transformar sinais fracos em decisões antecipadas.
Não invento, está tudo no artigo:
1. "AI uses information from past batches to identify what variables need to change."
2. "For example, if oxygen levels are lower than in previous batches, the system will suggest that oxygen be added. If the pH levels are higher than previous batches, it will recommend a fix. It also makes suggestions about the best time to harvest the cells."
3. "Previously, scientists and technicians were never sure why some batches of cells produced a large amount of proteins, while others failed completely."
4 e 5. "We are able to now intervene in the batches during the manufacturing process and not have to wait until we get to the end."
Os sectores com maior potencial não são necessariamente os mais "modernos". São aqueles onde a variabilidade é cara, frequente e difícil de interpretar.
Há um primeiro grupo de sectores onde predominam processos físico-químicos ou biológicos. Aqui entram a indústria farmacêutica, a biotecnologia, a química fina, a alimentação, as bebidas, a fermentação, as formulações e alguns processos de tratamento térmico. Nestes sectores, pequenas variações de pH, temperatura, tempo, concentração, humidade, pressão ou qualidade da matéria-prima podem alterar significativamente o resultado.
Há depois um segundo grupo: processos com máquinas, ciclos repetitivos e muitos dados operacionais. A injecção de plásticos (uma abordagem tipo BMS seria usar dados de ciclos anteriores para prever defeitos antes de serem visíveis: empeno, chupados, rebarbas, falta de enchimento, variação dimensional, marcas superficiais ou peças fora de tolerância), a embalagem, a maquinação e a metalomecânica (desgaste de ferramentas, vibração, temperatura, rugosidade, tolerâncias, rejeições, manutenção preditiva, consumo energético, muito bom para IA porque há dados de máquina e sinais físicos ricos) e certas linhas de montagem são bons exemplos. Nestes casos, a IA pode ajudar a relacionar parâmetros de máquina com defeitos, tempos de ciclo, desgaste, consumo energético, rejeições e manutenção.
Um terceiro grupo inclui processos intensivos em energia e com grande variabilidade de matéria-prima. A cerâmica (um sector onde a variabilidade é enorme: matérias-primas naturais, humidade, granulometria, formulações, prensagem, secagem, cozedura, curvas de forno, temperatura, atmosfera, esmaltes, retracção, empeno, fissuras, tonalidade e defeitos superficiais. Uma abordagem inspirada no exemplo da Bristol Myers Squibb seria usar dados históricos para prever o comportamento da pasta, da secagem e da cozedura; o vidro, o papel, o têxtil (por exemplo, na tinturaria: acabamento, encolhimento, gramagem, cor, defeitos, consumo de água e energia) e os materiais de construção entram aqui. São sectores onde muitos defeitos aparecem tarde, depois de já se ter gasto energia, tempo de forno, capacidade produtiva e material. Prever com antecedência pode ser muito valioso.
Finalmente, há sectores onde o potencial está menos no controlo fino de parâmetros físicos e mais na gestão do fluxo. O calçado, a confecção, o mobiliário e outras produções por encomenda ou em pequenas séries podem beneficiar de IA na previsão de atrasos, optimização de corte, balanceamento de capacidade, controlo visual da qualidade, gestão de materiais e redução de retrabalho.
E volto à pergunta anterior. A pergunta não é: "Como podemos usar inteligência artificial?" A pergunta mais útil é outra: Onde é que estamos a perder dinheiro, tempo, qualidade ou capacidade porque não conseguimos interpretar a variação suficientemente cedo? Mais um exemplo de obliquidade. O objectivo não é usar IA, o objectivo é melhorar o desempenho e, por isso, recorre-se à IA.
%2006.21.jpeg)
Sem comentários:
Enviar um comentário