CategoriesGestão de Ativos,  NXT

Como o machine learning pode auxiliar na gestão de ativos

O surgimento da Internet das Coisas no contexto da Indústria 4.0 introduziu muitas novas possibilidades e casos de uso para a área de gerenciamento de ativos. A gestão de ativos, no passado, era sobre manutenção reativa e planejamento baseado em despesas operacionais tradicionais para equipamentos vendidos de forma clássica.

Atualmente, dados de sensores vindos de máquina transformam a gestão de ativos em manutenção proativa e planejamento de manutenção baseado em critérios críticos, permitindo estratégias de pagamento por uso e venda de equipamentos como serviço.

Requisitos do Cliente e Desafios

Embora uma grande fração de fabricantes de ativos e operadores de máquinas esteja tecnicamente entrando na era da Indústria 4.0, movendo-se para máquinas habilitadas para IoT, todo o potencial no nível do processo ainda está praticamente inexplorado. Um dos motivos é a falta de recursos técnicos para extrair insights úteis dos dados recém-disponibilizados e permitir que o usuário final aproveite diretamente o potencial desses insights. Um segundo motivo é a falta de recursos humanos para personalizar e permitir o aprendizado de máquina para ativos e sistemas de ativos específicos do cliente.

Integração e Automação

É preciso reduzir a necessidade desse papel, permitindo que engenheiros, operadores de máquinas e gerentes de frota aproveitem o potencial do aprendizado de máquina diretamente. Isso significa que o maior desafio na aceleração da inteligência no gerenciamento de ativos é permitir que o especialista do domínio faça uso rápido dos dados e das análises dos recursos de aprendizado de máquina e os produza nos processos de negócios diários sem precisar se tornar especialista em integração de dados, preparação de dados, aprendizado de máquina ou programação de software. Essa aceleração dos usuários finais para possibilitar o potencial de seus dados requer a sinergia de vários componentes e fatores.

Automated Machine Learning

Além da inspeção visual de dados, o que pode ser desafiador, dados os potenciais grandes volumes de dados de séries temporais, recursos de análise automatizada especificamente adaptados para aplicação em problemas relevantes de gerenciamento de ativos tornam-se necessários para acelerar o usuário final aproveitando a percepção mantida dentro dos dados.

Atualmente, devido à grande quantidade de recursos computacionais sob demanda baratos, avaliar vários algoritmos de aprendizado de máquina e configurações em paralelo não requer mais muito investimento e reduz a necessidade de um cientista de dados ou especialista em aprendizado de máquina. Além disso, pesquisas atuais focadas na otimização desses tipos de problemas de busca (múltiplos algoritmos possíveis vezes múltiplas configurações de parâmetros multiplicam os recursos de dados gerados) aceleram esses testes automatizados.

Confie na Compreensão e na controlabilidade

Ao permitir que usuários finais façam uso de métodos de outros domínios, a ambiguidade potencial dos vocabulários usados ​​é um fator importante, muitas vezes não apreciado. Dentro do domínio de gerenciamento de ativos, os termos comuns de aprendizado de máquina precisam ser traduzidos para serem naturalmente compreensíveis por especialistas em domínio.

Esta tradução é crucial para permitir o consumo dos resultados calculados, especialmente, no domínio da aprendizagem de máquina, em que os resultados são frequentemente probabilísticos, e os engenheiros estão mais acostumados a resultados determinísticos. Além disso, nos processos infundidos de aprendizado de máquina, a controlabilidade do resultado e a influência direta nos resultados futuros é um fator-chave no estabelecimento da confiança com o usuário final.