IA e Machine Learning: Uma Jornada de Melhorias nos Sistemas
Há um grande burburinho em torno da Inteligência Artificial (IA) e do Machine Learning (ML) nos dias de hoje, já que aparentemente todos estão falando sobre eles e tentando utilizá-los de alguma forma para melhorar os sistemas. Apesar do burburinho atual, essas técnicas existem há muito tempo em alguma forma ou outra.
Introdução
Nos anos 90, quando comecei minha carreira como engenheiro de processos, nossa equipe de engenharia realizava cálculos e tarefas repetitivas. Desenvolvi um método para calcular retrações antes da construção do molde com base nos dados que possuía. Eu chamava esse projeto de ‘Molde Experiente’. Com o tempo, as indústrias começaram a perceber os benefícios potenciais e os termos IA e ML surgiram, ajudados pelo aumento exponencial do poder computacional.
Uma Visão Geral: IA e ML
A IA dá aos computadores a capacidade de pensar e raciocinar como os humanos, abordando problemas de forma lógica. O ML é uma subseção da IA, permitindo que computadores realizem tarefas sem a necessidade de programação explícita para cada tarefa.
Aprendizado Supervisionado e Não Supervisionado
Aprendizado Supervisionado
No aprendizado supervisionado, os algoritmos são fornecidos com dados etiquetados, o que significa que os dados incluem causas potenciais e seus resultados. Por exemplo, um conjunto de dados poderia incluir temperatura de fusão, viscosidade da fusão e velocidade de injeção como fatores do processo de moldagem, além dos resultados associados como dimensões da peça e qualidade cosmética.
Os algoritmos de aprendizado supervisionado observam e analisam o conjunto de dados para descobrir o modelo subjacente relacionado aos insumos e os resultados do processo de moldagem. Esse método é conhecido como regressão quando visa prever valores numéricos e classificação quando tenta categorizar outcomes.
Aprendizado Não Supervisionado
Já no aprendizado não supervisionado, dispensa-se a etiquetagem de dados. Os algoritmos procuram semelhanças em múltiplos atributos e agrupam pontos de dados com base nesses atributos. A ideia é encontrar atributos que se comportem de forma similar e tratá-los com uma estratégia comum.
Por exemplo, um algoritmo de clustering pode descobrir que jovens em certas regiões geográficas com condições climáticas específicas têm mais interesse em esportes competitivos. Anúncios de materiais esportivos e suplementos dietéticos podem ser então direcionados mais precisamente para tais regiões.
Deep Learning
O Que é Deep Learning?
Na última década, a tecnologia de Deep Learning, uma categoria do ML, dominou os holofotes. Utiliza Redes Neurais Artificiais (ANN) para emular o cérebro humano. Um cérebro humano tem milhões de neurônios conectados através de sinapses, cada um tomando uma decisão unitária.
O equivalente de um neurônio em uma ANN é um perceptron, um pequeno programa que realiza uma função matemática unitária (função de ativação) transformando sinais de entrada em saídas. As ANN são compostas de várias camadas, onde cada camada está conectada à próxima.
Como as Redes Neurais Funcionam?
Em uma rede totalmente conectada, os perceptrons são dispostos em camadas, e cada camada está totalmente conectada à próxima. Uma ANN possui uma camada de entrada que recebe o sinal processado pelas camadas intermediárias com funções de ativação matématica, pesos e vieses. A camada de saída gera os resultados previstos.
As Redes Neurais são treinadas mostrando um conjunto de dados que contém preditores e valores de etiquetas. Por exemplo, no processo de moldagem, os preditores eram temperatura de fusão, viscosidade da fusão e velocidade de injeção, enquanto a etiqueta era a dimensão da peça. A ANN aprende observando milhares de pontos de dados, ajustando-se para fazer previsões com precisão e rapidez.
Aplicações Reais de AI e ML
Impacto no Cotidiano
Todo mundo já utiliza IA e ML, mesmo sem perceber. Por exemplo, o Google Maps pode prever exatamente quantos minutos levará para você chegar ao destino. Isso é possível porque ‘aprendeu’ com todas as vezes que motoristas viajaram naquela rota em diferentes horários do dia.
A IA coleta dados continuamente, ajustando seus modelos e tornando as previsões mais precisas. Alguns dos preditores são hora do dia, dia da semana, densidade do tráfego e clima, enquanto as etiquetas são tempo de chegada e sugestões de rotas alternativas.
Desafios na Indústria de Moldagem de Injeção
Embora tenhamos aprofundado nosso entendimento da moldagem por injeção nos últimos anos, ainda há muitos aspectos desconhecidos. Por exemplo, como calcular a tonelagem necessária para uma peça antes do design do molde? Aqui é onde AI e ML podem desempenhar um papel fundamental, ajudando a prever de forma mais precisa e eficiente.
Um esforço inicial começou na FimmTech Inc., construindo um portal online personalizado para prever a tonelagem necessária para um dado molde. Com dados de algumas peças, um modelo foi desenvolvido e o programa conseguiu prever a tonelagem exigida com precisão considerável.
Input parameters for the software and the respective outputs after calculations. Source: FimmTech
Predições de Tonelagem
As figuras acima mostram exemplos de predições de tonelagem com base em diferentes parâmetros de entrada. À medida que mudam os inputs, as predições também mudam.
Tonnage required predicted on the basis of five different data points. Source: FimmTech
Reflexões Finais
O Futuro da IA e ML na Moldagem por Injeção
O uso de IA e ML pode aproximar significativamente as previsões das condições reais observadas. O maior desafio é obter todos os dados iniciais do design da peça, material, molde, máquina e processo. Quanto mais rica for a base de dados, melhores serão as predições.
Programas de simulação, por exemplo, estão incorporando IA e ML, o que é uma excelente notícia para a indústria de moldagem, pois essas tecnologias contribuirão para uma maior eficiência e precisão.
Considerações Finais
Em resumo, as tecnologias de AI e ML estão transformando a forma como percebemos e aplicamos a moldagem por injeção e muitas outras indústrias. Com dados mais precisos e técnicas avançadas, estamos no caminho para um futuro mais eficiente e inovador.
Sobre o Autor: Suhas Kulkarni é fundador e presidente da FimmTech, San Diego, uma empresa orientada para serviços de moldagem por injeção focando em Moldagem Científica. FimmTech desenvolveu várias ferramentas customizadas que ajudam moldadores a desenvolver processos robustos e seus seminários treinaram centenas de indivíduos. Kulkarni é autor do best-seller, “Robust Process Development and Scientific Molding,” publicado pela Hanser Publications. Contato: suhas@fimmtech.com; fimmtech.com.
#Fundamentals #Artificial #Intelligence #Machine #Learning #Application #Injection #Molding
Última atualização em 7 de agosto de 2024
