Baixe o app para aproveitar ainda mais
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!
Compartilhar