Aula6-industria40

Prévia do material em texto

Prof. Fábio Lucio Félix
fabio.felix@facthus.edu.br
Inteligência Artificial, o que é ?
 É um campo da ciência da computação que se concentra no desenvolvimento de sistemas 
de computador e programas capazes de realizar tarefas que normalmente requerem 
inteligência humana.
 Essas tarefas incluem:
 Coleta e interpretação de dados, resolução de problemas complexos, tomada de decisões, 
aprendizado e adaptação a novas situações.
 A IA busca criar sistemas que podem simular algumas das capacidades cognitivas humanas.
 Raciocínio lógico, reconhecimento de padrões, linguagem natural e tomada de decisões éticas.
Inteligência Artificial
 Os seus fundamentos envolvem uma 
série de conceitos que formam a base 
para o seu desenvolvimento.
 Aprendizado de máquina
 Redes Neurais Artificiais
 Processamento de Linguagem 
Natural
 Visão Computacional
 Aprendizado Profundo
 Robótica
Inteligência 
Artificial
Inteligência
Artificial
Aprendizado
De Máquina
Redes Neurais
ArtificiaisProcessamento
De Linguagem
Natural
Visão
Computacional
Redes Neurais
Profundas
Visão
Computacional
Reconhecimento
De Imagens
Robótica
Processamento
De Linguagem
Natural
Aprendizado de Máquina, o que é?
 Um modelo de Aprendizado de Máquina é uma representação matemática entre uma 
variável (ou grupo de variáveis) e um alvo.
 Em geral, aprendizado de máquina consiste em fazer previsões e classificações.
 O aprendizado de máquina é dividido em:
 Aprendizado Supervisionado;
 Aprendizado não-Supervisionado;
 Aprendizado por Reforço;
Aprendizado 
de
Máquina
Um algoritmo de Aprendizado de Máquina 
(Machine Learning) é um conjunto de 
regras e procedimentos matemáticos que 
permite que um sistema computacional 
aprenda a partir de dados e melhore seu 
desempenho em tarefas específicas sem 
ser explicitamente programado.
Os algoritmos são utilizados para 
aprender padrões e realizar previsões ou 
tomar decisões com base nos dados.
Aprendizado 
de 
máquina
(Machine
Learning)
Aprendizado 
Supervisionado
Mobilidade pessoal 
em grande escala.
Popularização dos 
automóveis.
Aprendizado não-
supervisionado
Urbanização 
acelerada.
Elevação da qualidade 
de vida.
Aprendizado por 
reforço
Crescimento 
significativo do 
comércio 
internacional
Envolve o treinamento de algoritmos usando um conjunto 
de dados rotulados (possui um alvo, target). O algoritmo é 
"supervisionado" por um conjunto de exemplos de entrada 
e saída, onde a saída desejada (rótulo ou classe) para cada 
exemplo de entrada é conhecida.
Envolve o treinamento de algoritmos usando um 
conjunto de dados que não possui rótulos ou saídas 
conhecidas. O modelo de aprendizado não-
supervisionado deve aprender padrões e estruturas nos 
dados por conta própria.
É uma abordagem em que um agente (programa de 
computador ou um robô) aprende a tomar decisões 
sequenciais interagindo com o ambiente. Aprende 
através da tentativa e erro, recebendo um feedback na 
forma de recompensas ou penalidades do ambiente.
Algoritmos de Aprendizado de 
Máquina "Clássicos"
 Regressão
 Regressão Linear Simples/Múltipla
 Árvore de Decisão / Floresta Aleatória
 Regressão de Vetor de Suporte (SVR)
 K-Vizinhos mais próximos (k-NN)
 Classificação
 Regressão Logística
 Árvore de Decisão / Floresta Aleatória
 Máquinas de Vetores de Suporte (SVM)
 K-Vizinhos mais próximos (k-NN)
Principal Biblioteca em Python: Scikit-Learn
Algoritmos de Aprendizado de 
Máquina "Clássicos"
 Agrupamento/Clusterização
 Agrupamento Espectral
 K-Médio
 Modelos de Mistura de Gaussianas
 Agrupamento Hierárquico
 Redução de Dimensionalidade
 Análise de Componentes Principais (PCA)
 Autoencoders
 Análise de Fatorização de Matriz
 Análise Linear do Discriminante (LDA)
Principal Biblioteca em Python: Scikit-Learn
Algoritmos de 
Aprendizado 
de Máquina
"Clássicos"
Algoritmos de Aprendizado de 
Máquina "Modernos"
 Perceptron/Perceptron Multicamadas
 Redes Neurais Feedforward (FNN)
 Backpropagation
 Gradiente Descendente Estocástico
 Algoritmo de Aprendizado por Momento
 Redes Neurais Convolucionais (CNN)
 Redes Neurais Recorrentes (RNN)
 Redes Neurais Artificiais Profundas (DNN)
 Redes Generativas Adversárias (GAN)
Principais Bibliotecas em Python: TensorFlow, PyTorch, Keras.
Sistemas de controle tradicionais x IA
 Sistemas de controle tradicionais usam algoritmos e modelos matemáticos pré-definidos 
para controlar processos. Dependem de regras e equações que são derivadas a partir do 
conhecimento do sistema, requerem uma modelagem completa e precisa do sistema a ser 
controlado. São eficazes em sistemas com modelos matemáticos bem conhecidos e 
estáveis.
Sistemas de controle tradicionais x IA
 Controle baseado em IA não exigem uma modelagem precisa do sistema. Podem 
aprender diretamente a partir dos dados de entrada e saída, adequados para sistemas cujo 
comportamento é difícil de modelar. Usam algoritmos de aprendizado de máquina, para 
aprender a controlar um sistema. Não dependem de modelos matemáticos e se adaptam 
a sistemas complexos e dinâmicos.
• Manufatura aditiva
• Robótica avançada
• Otimização de processos
Manufatura 
inteligente
• Previsão de demanda
• Gestão de estoque
• Logística autônoma
Cadeia de 
suprimentos 
inteligente
• Controle de processos autônomos
• Detecção de anomalias
• Controle de qualidade
Qualidade e 
controle de 
processos
• Manutenção preditiva
• Assistência remota
• Gestão de ativos
Manutenção e 
serviços 
inteligentes
• Gerenciamento de energia
• Redes elétricas inteligentes
Energia e 
sustentabilidade
• Robôs colaborativos
• Monitoramento de saúde
Saúde e segurança 
no trabalho
• Fabricação sob demanda
• Design Generativo
• Assistência virtual ao cliente
Personalização de 
produtos e serviços
Computação em Nuvem
 A computação em nuvem vem para oferecer uma infraestrutura flexível e 
escalável para suportar as necessidades tecnológicas das empresas.
 Refere-se ao fornecimento de serviços de computação, como 
armazenamento, processamento de dados e acesso a software e recursos 
de TI, pela internet, em vez de depender de servidores locais ou 
infraestrutura física.
Computação em Nuvem
 Armazenamento de Dados em Nuvem: Enormes quantidades de dados de sensores, 
dispositivos e sistemas de produção são gerados. A computação em nuvem fornece um 
meio eficaz para armazenar, gerenciar esses dados de forma escalável e segura.
 Processamento de Dados: Permite que as empresas executem análises avançadas, 
aprendizado de máquina e processamento em tempo real dos dados industriais. 
Crucial para tomada de decisões informadas, otimizar processos e melhorar eficiência 
operacional.
Computação em Nuvem
 Acesso Remoto: Permite o acesso remoto a sistemas e dados industriais, permitindo que 
as empresas monitorem e controle suas operações de qualquer lugar do mundo.
 Flexibilidade e Escalabilidade: Oferece flexibilidade para dimensionar recursos de 
acordo com as necessidades em contantes mudança. As empresas podem alocar mais 
capacidade de computação ou armazenamento conforme necessário, sem a necessidade 
de investimentos elevados em hardwares.
Computação em Nuvem
 Custos e Eficiência: A computação em nuvem muitas vezes resulta em custos mais 
baixos, pois as empresas pagam apenas pelos recursos que usam. Maior eficiência 
operacional se concentrando em suas principais competências em vez de gerenciar uma 
infraestrutura de TI.
 Atualização de Software: As atualizações de softwares e firmware podem ser 
implantadas centralmente na nuvem, simplificando o processo de manutenção e 
garantindo que os sistemas industriais estejam atualizados com as últimas melhorias de 
segurança e desempenho.
Computação 
em Nuvem
 Engloba uma variedade de técnicas e ferramentas que permitem aos 
usuários acessar recursos de computação armazenados pela internet.
 1 – Modelos de Implantação:
 Nuvem Pública: Recursos de nuvem são fornecidopor provedores e 
compartilhados entre múltiplos clientes.
 Nuvem Privada: Recursos de nuvem são dedicados exclusivamente a uma 
organização ou cliente e geralmente implantados em data centers próprios ou 
hospedados por terceiros.
 Nuvem Híbrida: Combina nuvens públicas e privadas, permitindo que dados e 
aplicativos sejam movidos entre elas de acordo com as necessidades da 
organização.
 2 – Modelos de Serviço:
 Infraestrutura como serviço (IaaS): Fornece recursos de infraestrutura 
virtualizadas. Como máquinas virtuais, armazenamento e redes.
 Amazon Web Services (AWS), Microsoft Azure, Google Cloud Plataform (GCP).
 Plataforma como serviço (PaaS): Oferece uma plataforma completa de 
desenvolvimento e execução de aplicativos, incluindo bancos de dados, 
ambientes de execução e ferramentas de desenvolvimento.
 Google App Engine, Heroku.
 Software como Serviço (SaaS): Fornece aplicativos de softwares completos 
pela internet, geralmente acessados por meio de um navegador da web.
 Microsoft 365, Salesforce, Dropbox.
Computação 
em Nuvem
 As plataformas que fornecem infraestrutura como 
serviço (IaaS), trazem uma gama enorme de serviços em 
nuvem, algumas delas sendo:
 Máquinas virtuais escaláveis para execução de aplicativos
 Armazenamento em nuvem escalável
 Serviço de banco de dados gerenciado
 Execução de códigos em resposta a eventos
 Deploy e gerenciamento de aplicativos web
Exemplo 
(Failure 
Prediction 
- Previsão 
de Falha)
 NASA Turbofan Jet Engine (Motor a jato Turbofan da NASA)
 DATA SET
 Projeto
https://www.kaggle.com/datasets/behrad3d/nasa-cmaps
https://www.kaggle.com/code/wrecked22/eda-logistic-regression-for-failure-prediction
Exemplo
(Manipulador 
Robótico)
 Manipulador Robótico de Cadeia Cinemática Paralela com elos rígidos
 Manipulador Robótico de Cadeia Cinemática Paralela com elos flexíveis
 Proposta do trabalho:
 Resultados: Comparação com utilização de 9 sensores (6 extensômetros, 3 encoders)
	Slide 1: INDÚSTRIA 4.0 UniFACTHUS - Uberaba
	Slide 2: Inteligência Artificial, o que é ?
	Slide 3: Inteligência Artificial
	Slide 4: Inteligência Artificial
	Slide 5: Aprendizado de Máquina, o que é?
	Slide 6: Aprendizado de Máquina
	Slide 7: Aprendizado de máquina (Machine Learning)
	Slide 8: Algoritmos de Aprendizado de Máquina "Clássicos"
	Slide 9: Algoritmos de Aprendizado de Máquina "Clássicos"
	Slide 10: Algoritmos de Aprendizado de Máquina "Clássicos"
	Slide 11: Algoritmos de Aprendizado de Máquina "Modernos"
	Slide 12: Sistemas de controle tradicionais x IA
	Slide 13: Sistemas de controle tradicionais x IA
	Slide 14
	Slide 15: Computação em Nuvem
	Slide 16: Computação em Nuvem
	Slide 17: Computação em Nuvem
	Slide 18: Computação em Nuvem
	Slide 19: Computação em Nuvem
	Slide 20: Computação em Nuvem
	Slide 21: Exemplo (Failure Prediction - Previsão de Falha)
	Slide 22: Exemplo (Manipulador Robótico)
	Slide 23