A importância nos media, a quantidade de soluções e ferramentas com recursos de Inteligência Artificial, com que somos inundados diariamente, e as potencialidades adjacentes garantem a nossa atenção.

Apesar do conceito ter surgido há várias décadas (John McCarthy, 1956), só nos últimos anos se viram reunidas as condições tecnológicas necessárias para que a sua utilização em massa fosse possível.

Desde logo, o desenvolvimento da Internet e das comunicações de alta velocidade, os avanços computacionais, o aparecimento dos smartphones, a crescente oferta de cloud computing, permitindo o acesso generalizado a supercomputadores num custo acessível, o desenvolvimento dos softwares de programação e dos próprios algoritmos aplicados na Inteligência Artificial e, não menos relevante, a disponibilidade e acesso a grandes volumes de dados têm permitido isso, através da digitalização.

Estamos na era do big data e a quantidade de informação que se gera diariamente é algo de extraordinário (≈ 328,77 Milhões de Terabytes/dia). Mas a verdade é que nem todos os dados interessam ou têm qualidade. É necessário tratar, normalizar, catalogar, criar estruturas próprias organizacionais, depurar erros e prepará-los para “consumo”.

Capacidade tecnológica à parte é nos dados que reside a matéria-prima para o bom funcionamento dos algoritmos de Inteligência Artificial. Por melhor e mais eficiente que o algoritmo seja, se a amostra de dados for de baixa qualidade, imprecisa ou limitada, os resultados produzidos vão perpetuar essas deficiências, podendo até desacreditar aquilo que seria um projeto interessante a desenvolver com os recursos de Inteligência Artificial.

Se pensarmos no campo da Manutenção Técnica podemos dividir os dados base de serviço dos ativos em 2 grandes grupos: aqueles que são provenientes dos sistemas de monitorização, sejam eles por via das GTC – Gestões Técnicas Centralizadas, equipamentos de IoT – Internet of Things, ou diretamente das controladoras dos ativos, e aqueles que têm origem na ação humana, que descrevem as intervenções históricas sobre os ativos e que geralmente são registados nos softwares de gestão da manutenção ou até mais recentemente, nos modelos BIM – Building Information Modeling.

Cada grupo de dados, apresenta as suas particularidades para poderem ser utilizados convenientemente nos modelos de Inteligência Artificial. A monitorização, por exemplo, possibilita o acesso a um grande volume de dados, mas geralmente o que nos interessa, da análise, são as anomalias ou as tendências que levaram às anomalias nos ativos. Situação que pode depender de uma variável em particular ou da combinação de várias variáveis, direta ou indiretamente relacionadas com os ativos (exemplo: carga em serviço, o n.º de horas de trabalho ou até as condições de funcionamento ambientais). Em determinados casos, a cadência destas ocorrências pode ser tão baixa, que não se conseguem tirar dados úteis numa janela temporal aceitável. E, apesar de ser possível ampliar a amostra, avaliando em simultâneo ativos iguais ou equivalentes, há que garantir que essa análise, às variáveis de funcionamento (diretas e indiretas), é realizada nas mesmas condições, o que pode aumentar a complexidade dos modelos e das extrapolações necessárias.

Noel Leitão
Project Manager
TDGI – Tecnologia de Gestão de Imóveis, S.A.

Para ler o artigo completo faça a subscrição da revista e obtenha gratuitamente o link dedownload da revista “Manutenção” nº160/161. Pode também solicitar apenas este artigo através do email: a.pereira@cie-comunicacao.pt

Outros artigos relacionados

• Artigo “Vantagens da Inteligência Artificial na gestão da manutenção” da edição 160/161 da revista Manutenção;
• Artigo “Inteligência artificial e a Internet das coisas no futuro da Manutenção 4.0” da edição 150/151 da revista Manutenção;
• Artigo “Next-generation maintenance: harnessing the Internet of Things, Artificial Intelligence, robotics, and metaverse technologies” da edição 160/161 da revista Manutenção;