Big data e inteligência artificial na produção

Prévia do material em texto

Big data e inteligência artificial na 
produção
APRESENTAÇÃO
Nos últimos anos ocorreram muitas mudanças em razão das novas tecnologias. Cada vez mais 
são encontrados dispositivos automatizados ao nosso redor. Nas indústrias, isso não é muito 
diferente, pois com o auxílio da inteligência artificial e do grande volume de dados disponível, 
mudanças acontecem constantemente, tornando os processos mais rápidos, confiáveis e de 
qualidade.
Nesta Unidade de Aprendizagem, você estudará o que é big data e inteligência artificial, assim 
como a evolução da inteligência artificial ao longo dos anos. Além disso, verá algumas 
aplicações de big data e inteligência artificial na gestão da produção.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Definir big data e inteligência artificial.•
Descrever o percurso evolutivo da inteligência artificial.•
Enumerar as aplicações de big data e inteligência artificial na gestão da produção.•
DESAFIO
Durante o processo produtivo é necessário o gerenciamento de diversas atividades, estoques, 
pedidos, etc. Nos últimos anos, o uso de tecnologias facilitou esse gerenciamento, fazendo com 
que dados sejam obtidos em tempo real, facilitando a tomada de decisões.
Quais controles da produção os gestores poderiam ter na palma de suas mãos com o uso 
dos tablets? Indique no mínimo 6.
INFOGRÁFICO
Inteligência artificial é uma expressão que surgiu no ano de 1956, mas antes disso ela já estava 
presente em estudos e alguns dispositivos. Depois dessa data, ela sofreu avanços, mas também 
passou por períodos em que teve pouco investimento.
Neste Infográfico, você vai ver a evolução da inteligência artificial, desde as pequenas 
pesquisas, passando pelas revoluções e chegando nas possibilidades para o futuro.
Conteúdo interativo disponível na plataforma de ensino!
CONTEÚDO DO LIVRO
Big data e inteligência artificial são duas expressões que passaram a fazer parte do cotidiano há 
pouco tempo, ganhando força com o avanço das tecnologias. Com elas, é possível que processos 
sejam otimizados, análises sejam mais criteriosas, a qualidade de produtos seja melhorada, entre 
outros inúmeros benefícios.
No capítulo Big data e inteligência artificial na produção, da obra Tecnologias de produção, 
base teórica desta Unidade de Aprendizagem, você vai aprender o que é big data e inteligência 
artificial, como ocorreu a evolução da inteligência artificial, bem como alguns exemplos de 
aplicações de big data e inteligência artificial na gestão da produção.
Boa leitura. 
TECNOLOGIAS 
DE PRODUÇÃO
Aline Morais da Silveira
Big data e inteligência 
artificial na produção
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:
 � Definir big data e inteligência artificial.
 � Descrever o percurso evolutivo da inteligência artificial.
 � Enumerar as aplicações de big data e de inteligência artificial na gestão 
da produção.
Introdução
Atualmente, convivemos com situações que antes pareciam bastante 
distantes de nossa realidade, como diagnósticos médicos feitos por robôs, 
sugestões de produtos para consumidores de acordo com suas preferên-
cias, indicações de trajeto a partir de informações do trânsito, etc. Tudo 
isso só se tornou possível com os notáveis avanços tecnológicos ocorridos 
nas últimas décadas, sobretudo no que diz respeito ao surgimento da 
inteligência artificial (IA) e à evolução de nossa capacidade de gerar, 
armazenar e gerenciar um grande volume de dados.
Neste capítulo, você vai estudar as definições de big data e de inteli-
gência artificial, o percurso evolutivo da inteligência artificial e também 
como esses dois conceitos podem ser aplicados na gestão da produção.
1 Big data e inteligência artificial
Nos últimos anos, novos termos foram e têm sido criados para acompanhar a 
dinâmica dos avanços tecnológicos. Alguns desses nomes, que até pouco tempo 
apresentavam circulação restrita a meios específicos, agora fazem parte do 
cotidiano de uma parcela populacional bem mais abrangente, tendo uso corrente 
nas esferas tanto residencial e comercial quanto empresarial. A seguir, você 
vai ler a respeito de dois desses novos termos: big data e inteligência artificial.
Big data
Big data é um conjunto de dados extremamente amplo, rápido e complexo, 
sendo definido por Sharda, Delen e Turban (2019, p. 40) como “[...] dados que 
não podem ser armazenados em uma única unidade”. Computadores ainda 
apresentam certa dificuldade para acompanhar e analisar esses dados, não 
apenas pelo seu grande volume, mas principalmente pelo ritmo acelerado 
com que são gerados.
Segundo SAS (2019), o conceito de big data ganhou força no início dos 
anos 2000, quando Doug Laney o definiu como os três Vs: volume, velocidade 
e variedade.
 � Volume: as organizações coletam dados de diversas fontes.
 � Velocidade: os dados passam em grande velocidade, sendo preciso 
tratá-los em tempo adequado.
 � Variedade: os dados são fornecidos nos mais diferentes formatos, 
como estruturados, não estruturados e semiestruturados, em função 
de características como gerenciamento e armazenamento.
Além desses, SAS (2019) acrescenta mais dois Vs: veracidade e valor.
 � Veracidade: os dados precisam estar condizentes com a realidade e 
ser analisados em tempo real.
 � Valor: os dados devem ser ricos para poder realizar as perguntas corretas 
no início do processo de análise.
Os dados estruturados apresentam formato e comprimento definidos, 
como datas, palavras e números, geralmente sendo “[...] resultados de proces-
sos de geração de dados inerentes a sistemas transacionais ou resultantes de 
observações e processos de medição” (MORAIS et al., 2018, p. 14).
Os dados não estruturados não apresentam um formato específico, como 
imagens e vídeos. Desse modo, são necessários dispositivos de armazenamento 
que suportem o seu formato.
Os dados semiestruturados são intermediários aos dois imediatamente 
acima citados, sendo exemplos deles os arquivos XML e os conteúdos acom-
panhados de tags, bastante comuns na internet.
Big data e inteligência artificial na produção2
Para que as empresas tirem proveito do big data, segundo SAS (2019), é 
preciso:
 � definir uma estratégia de big data;
 � identificar fontes de big data;
 � acessar, gerenciar e armazenar os dados;
 � analisar os dados; e
 � tomar decisões orientadas pelos dados.
Após essas etapas, é possível obter resultados como redução de custos, 
economia de tempo e otimização tanto de tarefas quanto das tomadas de 
decisão futuras.
Inteligência artificial
Inteligência artificial (IA), ou “inteligência de máquina”, é como são desig-
nadas máquinas que imitam funções cognitivas humanas, como aprendizado 
e resolução de problemas.
Conforme Morais et al. (2018, p. 58), há outras definições para IA, como 
as listadas a seguir.
 � Capacidade de um computador digital ou robô controlado por com-
putador executar tarefas comumente associadas a seres inteligentes.
 � Máquina com habilidade para realizar tarefas cujo poder de execução 
era considerado restrito a humanos, por demandarem certo grau de 
inteligência.
 � Simulação de processos de inteligência humana (como aprendizado, 
raciocínio e autocorreção) por máquinas, especialmente sistemas de 
computador.
 � Capacidade de uma máquina imitar o comportamento humano 
inteligente.
Na Figura 1, apresenta-se esquematizada a relação existente entre os com-
ponentes de um sistema de IA. A partir da análise do esquema, é possível 
perceber que, ao se projetar um desses sistemas, devem ser consideradas tanto 
questões como aquisição, representação e manipulação do conhecimento, 
quanto estratégias para pesquisa e dedução.
3Big data e inteligência artificial na produção
Figura 1. Visão conceitual dos sistemas de inteligência artificial.
Fonte: Silva et al. (2019, p. 15).
Ertel (2017) destaca que, dentro da IA, existem as seguintes quatro técnicas 
que permitem seus avanços:� categorização — definição das métricas que vão permitir a divisão do 
problema em partes menores;
 � classificação — definição de classificadores para cada uma das cate-
gorias anteriores, indicando ao usuário a direção da conclusão;
 � aprendizado de máquina — utilização de algoritmos e técnicas es-
pecíficas para que sejam fornecidas informações que possibilitem o 
aprendizado de máquina; e
 � filtragem colaborativa — utilizada para classificar grandes conjuntos 
de dados e fornecer respostas com alto grau de confiança.
A IA está presente nas mais variadas áreas e situações, sendo uma delas o atendimento 
ao consumidor em sites de empresas. Nesse caso, o atendimento a todos os usuários 
é garantido pelo uso de um robô atendente (chatbot), que esclarece suas dúvidas ou 
as encaminha para o setor responsável.
Big data e inteligência artificial na produção4
A IA, segundo Silva et al. (2019), pode ser dividida em três categorias. 
Observe a seguir.
 � Inteligência artificial fraca: considera que nunca será possível a cons-
trução de máquinas realmente inteligentes, pois , para tanto, seriam 
necessárias consciência e autopercepção. Somente é possível imitar 
comportamentos inteligentes e emoções, além de resolver problemas.
 � Inteligência artificial forte: considera que existe a possibilidade de 
serem criadas máquinas capazes de pensar, criar e comportar-se de 
modo inteligente a partir do uso de algoritmos cognitivos.
 � Superinteligência: é um tipo hipotético de IA, que seria muito mais 
inteligente que o melhor cérebro humano, com características como 
criatividade científica e habilidades sociais.
2 Evolução da inteligência artificial
Segundo Kleina (2018), as ideias sobre IA são bastante anteriores ao sur-
gimento dessa tecnologia. Já na década de 1940, especificamente em 1943, 
foi apresentado por Warren McCulloch e Walter Pitts um artigo sobre redes 
neurais e estruturas de raciocínio artificiais em forma de modelo matemático 
que imitavam o sistema nervoso humano. E também na década seguinte 
ocorreram importantes pesquisas relacionadas à IA.
Em 1950, Claude Shannon publicou um artigo sobre como programar 
uma máquina para jogar xadrez mediante cálculos de posição simples, mas 
eficientes. No mesmo ano, Alan Turing desenvolveu o teste de Turing, ou Jogo 
da Imitação — uma forma de avaliar a capacidade de uma máquina para se 
passar por um humano em uma conversa por escrito. Em 1951, Marvin Minsky 
desenvolveu uma calculadora de operações matemáticas simulando ligações 
entre neurônios. E, em 1952, Arthur Samuel criou um jogo de damas no IBM 
701.No entanto, foi apenas em 1956 que, de acordo com Kleina (2018), esse 
campo de pesquisa foi batizado como “inteligência artificial”. O nome foi 
dado por John McCarthy, durante a Conferência de Dartmouth, evento que, 
além de promover esse marco, desencadeou a seguinte série de avanços na IA:
 � 1957 — apresentação do perceptron, um algoritmo que é uma rede 
neural de uma camada classificadora de resultados;
 � 1958 — surgimento da linguagem de programação Lisp, que até hoje 
serve de inspiração para outras linguagens;
5Big data e inteligência artificial na produção
 � 1959 — criação do termo machine learning para descrever um sistema 
que dá aos computadores a habilidade de aprender alguma função sem 
serem programados diretamente para isso;
 � 1964 — atividade do primeiro chatbot do mundo, que conversava imi-
tando um psicanalista; e
 � 1969 — demonstração do primeiro robô capaz de unir mobilidade, fala 
e certa autonomia de ação.
Entre meados dos anos 1970 e início dos anos 1980, a IA sofreu com cortes 
em investimentos e pouco interesse. Foi nesse contexto que finalmente surgi-
ram os sistemas especialistas, que “[...] são softwares que realizam atividades 
complexas e específicas de um campo, fazendo o papel de humanos, mas com 
raciocínio bem mais veloz e base de conhecimento bem mais vasta” (KLEINA, 
2018, documento on-line).
A partir de 1982, o Japão começou a investir em tecnologia para moderni-
zação da indústria, incluindo o uso de IA, o que acelerou o desenvolvimento 
de microprocessadores e supercomputadores. Porém, foi utilizada nesses casos 
uma linguagem de programação sem grande adesão, e as CPUs não tinham 
o poder de processamento necessário.
Na segunda metade dos anos 1990, houve a explosão da internet comercial, 
que aproveitou a IA para desenvolver sistemas de navegação e de indexação.
Em 1997, o computador Deep Blue, da IBM, derrotou o campeão soviético Garry Kasparov 
em um jogo de xadrez. O Deep Blue previa respostas e sugeria o melhor movimento.
Em 2002, foi desenvolvido o Roomba (Figura 2a), um assistente de lim-
peza autônomo que combinava eficiência, pré-configurações e sensores de 
posicionamento. E, em 2005, surgiu o BigDog (Figura 2b), um robô capaz de 
se movimentar por terrenos de difícil acesso.
Big data e inteligência artificial na produção6
Figura 2. (a) Assistente de limpeza autônomo e (b) robô capaz de se movimentar por 
terrenos difíceis.
Fonte: (a) LOW CARB KITTY (2013); (b) Kleina (2018).
(a) (b)
Desde 2005, já existem estudos relacionados à aplicação da IA em carros 
autônomos, algo bastante complexo devido à necessidade de integração entre 
sensores, semáforos, outros automóveis, etc. Três anos adiante, em 2008, 
surgiu o processamento de linguagem natural, que possibilita a realização 
de pesquisas por meio de interação com o assistente virtual, cujos exemplos 
notáveis são, entre outros, a Siri, da Apple, e a Alexa, da Amazon.
Já em um período mais recente, em 2010, o Facebook introduziu em sua pla-
taforma virtual a tecnologia de reconhecimento facial, o que tornou possível a 
identificação de pessoas em imagens e um consequente melhor direcionamento 
das sugestões de perfis na rede social. Em 2014, um chatbot chamado Eugene 
Goostman venceu o teste de Turingao conseguir convencer os jurados de um 
programa de que ele era humano. Já em 2016, a AlphaGo virou mestre em um 
jogo de tabuleiroapós derrotar o campeão mundial da categoria — façanha 
alcançada porque o algoritmo havia aprendido as regras e estratégias do jogo 
analisando outras partidas e jogando contra si próprio.
Atualmente, a IA está presente na maioria dos eletrônicos, e os exemplos de 
sua aplicação vão desde os jogos de computador, até a organização de playlists 
e as sugestões de respostas automáticas que recebemos durante a escrita de 
um e-mail. Segundo Remp Academy (2018), o pesquisador norte-americano 
Ray Kurzweil afirma que até 2030 os computadores serão mais inteligentes 
que os seres humanos.
7Big data e inteligência artificial na produção
A IA também está presente em muitos filmes de Hollywood, como, por exemplo, 
Metropolis; Blade runner: o caçador de androides; A.I. Inteligência Artificial; Ela; Matrix; 
Exterminador do futuro; Eu, robô; 2001: uma odisseia no espaço; etc.
3 Aplicações de big data e IA na gestão 
da produção
Muitas pessoas se perguntam se robôs substituirão as pessoas em atividades 
industriais, mas, segundo Taurion (2019, documento on-line): 
[...] o mais provável é que a IA venha a aumentar o desempenho humano, 
automatizando certas partes de uma tarefa, permitindo que os indivíduos se 
concentrem em aspectos mais ‘humanos’ que exigem habilidades empáticas, 
sociais e inteligência emocional.
O big data e a IA têm diversas aplicações nas indústrias, das quais algumas 
serão apresentadas a seguir.
Análise multivariada
A análise multivariada (MVA, do inglês multivariate data analysis) “é uma 
ferramenta que encontra padrões e relações entre várias variáveis, permitindo 
prever efeitos e mudanças que uma variável terá sobre a outra”. Com ela, é 
possível aumentar a qualidade dos produtos, otimizar os processos e também 
tomar melhores decisões (ASTRO 34, 2016).
Em qualquer estudo, dificilmente trabalhamos com variáveis independentes, 
e é devido a isso que se torna tão importante a análise multivariada de dados. 
No entanto, as técnicas de MVA só ficaram maisconhecidas e passaram a 
ser mais utilizadas por causa do avanço tecnológico, visto que programas de 
computador facilitam a utilização dessas técnicas.
A MVA pode ser utilizada para análise qualitativa e quantitativa em pes-
quisa de mercado, controle de qualidade, otimização e controle de processos, 
automação de manufatura, pesquisa e desenvolvimento, etc.
Big data e inteligência artificial na produção8
As técnicas multivariadas mais utilizadas, segundo EJE (2019), são as 
apresentadas a seguir.
 � Análise de cluster: localiza grupos homogêneos nos dados, classi-
ficando objetos e pessoas mediante a análise de suas semelhanças. 
O uso dessa técnica permite agrupar indivíduos levando-se em conta 
o máximo de semelhança possível entre eles e de diferença em relação 
aos indivíduos dos outros grupos formados. A análise de cluster é 
aplicável para identificar nichos empresariais, sintomas de uma doença 
específica, influências de determinado comportamento, etc.
 � Análise de componentes principais: simplifica os dados, separando 
aqueles que não acrescentam em nada daqueles que contêm toda a 
informação necessária. Essa técnica nos permite obter resultados mais 
limpos e direcionados ao assunto principal.
 � Análise fatorial: objetiva reduzir o número de variáveis iniciais com 
a menor perda de informação possível, além de entender quais são as 
informações que estão escondidas. Pela análise fatorial, podem-se 
resumir as variáveis iniciais, mas não apenas por exclusão: também é 
possível que isso seja feito pelo estabelecimento de relações. 
 � Regressão múltipla: constrói modelos para descrever as relações exis-
tentes entre as diversas variáveis de determinado processo.
 � Regressão logística: produz um modelo para a predição de valores 
categóricos a partir de variáveis explicativas.
Métodos de decisão multicritério
Com o aumento do número de informações, tomar decisões nas empresas, na 
maioria dos casos, não é uma tarefa fácil. Para atenuar essa dificuldade, podem 
ser utilizados métodos de decisão multicritério, que exigem a definição 
de vários critérios para que, pela sua análise, se chegue a uma escolha final 
entre diferentes alternativas. Esses métodos têm se mostrado uma boa opção 
sobretudo por serem eficazes como auxílio durante a resolução de problemas 
com critérios conflitantes.
A decisão multicritério “[...] padroniza o processo de tomada de decisão 
através de modelagem matemática, auxiliando o decisor a resolver problemas 
nos quais existem diversos objetivos a serem alcançados simultaneamente” 
(SILVA; BELDERRAIN, [201-?], documento on-line).
9Big data e inteligência artificial na produção
O processo de decisão multicritério, segundo Silva e Belderrain ([201-?]), 
envolve as etapas listadas a seguir.
1. Definição das alternativas.
2. Definição dos critérios relevantes para o problema de decisão.
3. Avaliação das alternativas em relação aos critérios.
4. Avaliação da importância relativa de cada critério.
5. Determinação da avaliação global de cada alternativa.
Na Figura 3, é apresentado um esquema de um sistema decisório multi-
critério. Nele, pode-se observar a necessidade de definição do problema, de 
identificação das restrições, de critérios e de alternativas possíveis. A decisão 
ocorre mediante o cruzamento dos critérios com as alternativas e dos critérios 
com o objetivo final.
Figura 3. Montagem do sistema decisório nos métodos de tomada de decisão.
Fonte: Briozo e Musetti (2015, p. 808).
Big data e inteligência artificial na produção10
O método de decisão multicritério mais difundido é o método de análise 
hierárquica (AHP, do inglês analytic hierarchy process), no qual o problema 
de decisão é dividido em níveis hierárquicos, o que facilita sua compreensão 
e sua avaliação.
Segundo Briozo e Musetti (2015), esse método permite uma análise com 
critérios conflitantes e a participação de diversas pessoas no processo; além 
disso, discrimina critérios tangíveis de intangíveis por meio de uma escala de 
razão. Isso possibilita a divisão do problema em diversas partes, relacionando-
-as e conectando os juízos de comparação com o objetivo final da aplicação.
Outras aplicações
A análise de dados permite que se reconheçam padrões de funcionamento das 
máquinas para que se melhore o seu desempenho. Com o big data analytics, ou 
seja, com o uso aplicado de dados, análises e raciocínio sistemático, é possível 
identificar padrões e variáveis que afetam a produção e, a partir disso, realizar 
ações para melhorar todos os processos.
Segundo Cetax ([201-?]), o big data pode auxiliar na gestão de riscos, pois 
os fornecedores têm a possibilidade de compartilhar seus dados de produção 
e qualidade com seus parceiros e clientes. Com isso, o cliente pode ajustar os 
processos relacionados, evitando tempos de espera.
A fabricação de produtos por encomenda, que, segundo Cetax ([201-?]), 
é um modelo de negócios muito eficiente e lucrativo, também é facilitada com 
o big data. Para isso, é preciso ter uma plataforma de dados bem definida a 
fim de que seja possível analisar o comportamento do cliente e os dados de 
vendas. Essas informações permitem que os fabricantes definam seu portfólio 
ideal para atingir a maior receita possível em um determinado momento.
A manutenção da qualidade do produto também é uma das aplicações do 
big data, pois, com os dados necessários, é possível melhorar significativamente 
os níveis de qualidade e reduzir os custos relacionados a ela. Esses dados 
podem ser obtidos após testes de qualidade ou até por sensores que detectam 
defeitos. Com isso, também se podem reduzir custos de garantias e recalls.
O acompanhamento da produção diária se torna possível com dados 
de sensores das máquinas utilizadas na produção, informações financeiras 
vinculadas aos dados operacionais, dados dos funcionários em tempo real, 
etc. Esse acompanhamento possibilita a otimização contínua, a redução de 
custos e até a prevenção de desvios na produção.
11Big data e inteligência artificial na produção
As manutenções periódicas e preditivas podem ser melhoradas com a 
antecipação de padrões e tendências e com a identificação da vida útil das peças, 
trazendo benefícios como otimização do tempo, dos custos e da produtividade.
O rastreamento de despesas gerais é facilitado com o big data e o uso 
de recursos avançados de análise. Esses custos podem advir de peças não 
padronizadas, mão de obra, desperdício de matéria-prima, etc., que, ao serem 
reduzidos, aumentam a lucratividade do fabricante.
A simulação de novos processos de fabricação, mediante o uso de ambien-
tes de realidade virtual e diferentes simulações, permite que sejam reduzidos 
os riscos de implementação de um novo produto ou de novos processos. Cetax 
([201-?], documento on-line) destaca que “[...] o objetivo da chamada transfor-
mação digital de empresas de manufatura é implementar essas plataformas de 
dados que tornam a tomada de decisão estratégica uma ciência”.
Supply chain é o termo utilizado para se referir ao gerenciamento da cadeia 
de suprimento, envolvendo todo o processo logístico. Com ele, é possível 
prever demandas a fim de se evitarem desperdícios e custos desnecessários.
Na gestão de colaboradores, são identificados padrões de comportamen-
tomediante a delineação do perfil dos colaboradores. Essa definição permite 
que eles sejam direcionados para setores específicos.
A IA pode ser aplicada na gestão da produção para o gerenciamento 
de informações, transformando dados ignorados por gestores em gatilhos 
para potenciais mudanças e inovações. Os softwares projetam tanto cenários 
quanto as consequências das decisões tomadas, indicando em que pontos se 
deve investir ou reduzir os investimentos.
Na gestão da cadeia produtiva, o uso da IA torna desnecessários os 
controles manuais. Com essa tecnologia, recebem-se diretamente os dados 
sobre entrada de matéria-prima, vendas, gestão de estoque, entre outras in-
formações — estando todas elas integradas em um únicosistema, o que reduz 
erros e desperdício de tempo.
A IA também pode facilitar a análise de dados ao ser empregada para traçar 
tendências de pensamento e comportamento do consumidor, contribuindo 
para a identificação dos tipos de produtos e serviços que são mais procurados. 
Além disso, o contato inicial com o consumidor pode ser agilizado por meio 
do uso de chatbots.
Ainda, cabe destacar que delegar tarefas mais simples ou de menor valor 
à IA aumenta a produtividade. Isso porque, desempenhando menos funções 
mecânicas, os funcionários terão as mãos e a mente livres para colocar sua 
criatividade em prática.
Big data e inteligência artificial na produção12
Aevo (2019) cita a aplicação da IA em algumas indústrias:
 � nas empresas da área de energia, previne-se, com até 1 ano de antecedên-
cia, a capacidade produtiva das safras de cana-de-açúcar, aumentando 
a produtividade e reduzindo o risco operacional;
 � nas indústrias de petróleo e de gás, utiliza-se a IA, a partir de informa-
ções e dados de sensores e satélites, para prever a produção futura; e
 � na agricultura, são utilizados dispositivos inteligentes para que os 
agricultores explorem os recursos naturais com maior eficiência e 
identifiquem o melhor momento para as diferentes etapas do processo.
AEVO. Aplicações de inteligência artificial em indústrias de processo contínuo. [S. l.], 8 
mar. 2019. Disponível em: https://blog.aevo.com.br/inteligencia-artificial-industrias/. 
Acesso em: 9 fev. 2020.
ASTRO 34. O que é Análise Multivariada (MVA)? [S. l.], 2016. Disponível em: http://astro34.
com.br/o-que-e-analise-multivariada/. Acesso em: 9 fev. 2020.
BRIOZO, R. A.; MUSETTI, M. A. Método multicritério de tomada de decisão: aplicação 
ao caso da localização espacial de uma Unidade de Pronto Atendimento – UPA 24 h. 
Gestão & Produção, v. 22, n. 4, p. 805–819, 2015. Disponível em: http://www.scielo.br/
pdf/gp/v22n4/0104-530X-gp-0104-530X975-13.pdf. Acesso em: 9 fev. 2020.
CETAX. 10 casos de uso de big data em manufatura. [S. l., 201-?]. Disponível em: https://
www.cetax.com.br/blog/10-casos-de-uso-de-big-data-em-manufatura/. Acesso em: 
9 fev. 2020.
EJE. Análise multivariada: o que é e qual a sua importância? [S. l.], 24 out. 2019. Disponível 
em: http://ejeconsultoria.com.br/2019/10/24/analise-multivariada-o-que-e-e-qual-a-
-sua-importancia/. Acesso em: 9 fev. 2020.
ERTEL, W. Introduction to artificial intelligence. Suíça: Springer, 2017.
KLEINA, N. A história da inteligência artificial. In: TECMUNDO. [S. l.], 23 out. 2018. Dis-
ponível em: https://www.tecmundo.com.br/mercado/135413-historia-inteligencia-
-artificial-video.htm. Acesso em: 9 fev. 2020.
LOW CARB KITTY. Review: iRobot roomba pet series. 2013. Disponível em: https://www.
lowcarbkitty.com/review-irobot-roomba-pet-series/. Acesso em: 14 fev; 2020. 
13Big data e inteligência artificial na produção
Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento foi comprovado no momento da publicação do material. No entanto, a 
rede é extremamente dinâmica; suas páginas estão constantemente mudando de 
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade 
sobre qualidade, precisão ou integralidade das informações referidas em tais links.
MORAIS, I. S. et al. Introdução a Big data e Internet das Coisas (IoT). Porto Alegre: SAGAH, 
2018.
REMP ACADEMY. A evolução da inteligência artificial: como está sendo utilizada por 
empresas no Brasil e no mundo? [S. l.], 25 set. 2018. Disponível em: https://www.reamp.
com.br/blog/2018/09/a-evolucao-da-inteligencia-artificial-como-esta-sendo-utilizada-
-por-empresas-no-brasil-e-no-mundo/. Acesso em: 8 fev. 2020.
SAS. Big Data: o que é e qual a sua importância. [S. l.], 2019. Disponível em: https://
www.sas.com/pt_br/insights/big-data/what-is-big-data.html. Acesso em: 8 fev. 2020.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para gestão 
do negócio. 4. ed. Porto Alegre: Bookman, 2019.
SILVA, F. M. et al. Inteligência artificial. Porto Alegre: SAGAH, 2019.
SILVA, R. M. da; BELDERRAIN, M. C. N. Considerações sobre métodos de decisão mul-
ticritério. [S. l., 201-?]. Disponível em: http://www.bibl.ita.br/xiencita/Artigos/Mec03.
pdf. Acesso em: 8 fev. 2020.
TAURION, C. Uma viagem pela evolução da inteligência artificial. In: NEOFEED. [S. l.], 3 
jun. 2019. Disponível em: https://neofeed.com.br/experts/uma-viagem-pela-evolucao-
-da-inteligencia-artificial/. Acesso em: 8 fev. 2020.
Big data e inteligência artificial na produção14
DICA DO PROFESSOR
Os dados obtidos durante a gestão da produção, na maioria das vezes são em grandes volumes e 
complexidade, fazendo com que seja necessária uma análise mais aprofundada, utilizando 
métodos estatísticos, como a análise multivariada.
Nesta Dica do Professor, você vai ver mais informações sobre a análise multivariada e como ela 
pode ser aplicada na gestão da produção em alguns setores.
Conteúdo interativo disponível na plataforma de ensino!
EXERCÍCIOS
1) O big data é um conjunto de dados amplo, complexo e que flui de forma muito 
rápida, necessitando de computadores com grande capacidade de processamento. O 
conceito inicial de big data foi definido como os três Vs.
Quais são eles, respectivamente?
A) Variedade, volume e vulnerabilidade.
B) Volume, velocidade e variedade.
C) Variabilidade, vulnerabilidade e volume.
D) Vulnerabilidade, volume e variedade.
E) Velocidade, variedade e variabilidade.
Inteligência artificial (IA) é a expressão utilizada para máquinas que imitam funções 2) 
cognitivas humanas, como aprendizado e resolução de problemas. De acordo com as 
suas limitações, a IA pode ter diferentes classificações.
Selecione a opção que considera que as máquinas serão mais inteligentes que o 
melhor cérebro humano.
A) Inteligência artificial fraca.
B) Nanointeligência.
C) Inteligência artificial superior.
D) Superinteligência.
E) Inteligência artificial forte.
3) A inteligência artificial vem passando por evoluções desde a década de 1940, 
ganhando maior visibilidade e aplicações a partir dos anos 2000. Os carros 
autônomos utilizam inteligência artificial e, muito provavelmente, logo se tornarão 
realidade em nosso cotidiano.
O que dificulta o desenvolvimento desses veículos?
A) Altos investimentos iniciais.
B) Difícil aceitação dos consumidores.
C) Integração com outros automóveis.
D) Falta de mão de obra especializada.
E) Tecnologias não disponíveis no Brasil.
4) Uma das formas de analisar um grande volume de dados, que muitas vezes não 
parecem ter relação e um padrão específico, é por meio da análise multivariada. 
Existem diferentes tipos de análise multivariada, sendo que uma delas permite a 
obtenção de resultados mais limpos após a simplificação dos dados.
Qual é essa análise?
A) Análise fatorial.
B) Análise de cluster.
C) Regressão múltipla.
D) Regressão logística.
E) Análise de componentes principais.
5) No método de decisão multicritério vários critérios são utilizados para uma escolha 
final entre diferentes alternativas, sendo eficaz para a resolução de problemas com 
critérios conflitantes. O método mais difundido é o método de análise hierárquica.
Selecione a alternativa que apresenta uma de suas características.
A) Diversas pessoas podem participar da análise.
B) Maior tempo para que uma decisão seja tomada.
C) Deve ser realizado somente em situações críticas.
D) Indicado para quem não tem experiência em decisão multicritério.
E) É realizado por pessoas de maior nível hierárquico dentro da empresa.
NA PRÁTICA
Todos os dias as empresas produzem um grande volume de dados que precisam ser analisados 
antes que decisões sejam tomadas. A tecnologia pode ser uma grande aliada para a análise 
desses dados, apresentando resultados para embasar um novo investimento, uma melhoria em 
qualidade, uma mudança de layout, etc.
Neste Na Prática, você vai ver como a correta análise de big data pode trazer benefíciospara 
uma empresa de manufatura de cimento.
SAIBA MAIS
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do 
professor:
O que é big data?
Neste vídeo, você vai ver o que é big data e como ele está relacionado com algumas aplicações 
do dia a dia. Acompanhe.
Conteúdo interativo disponível na plataforma de ensino!
Aplicação de tecnologias analíticas de processo e inteligência artificial para 
monitoramento e controle de processo de recobrimento de partículas em leito fluidizado
Nesta dissertação, você vai ver a utilização de um sistema de monitoramento e controle em 
tempo real de processos de recobrimento de partículas. A inteligência artificial está presente no 
desenvolvimento de malhas de controle que recebem informações da fluidodinâmica e do 
crescimento das partículas. Confira.
Conteúdo interativo disponível na plataforma de ensino!
Pesquisa aponta que 30% das grandes empresas controlam a evolução da IA
Nesta notícia, são apresentados alguns dados de uma pesquisa recente que aponta que 30% das 
grandes empresas controlam a evolução da inteligência artificial.
Conteúdo interativo disponível na plataforma de ensino!