Inteligéncia Artificial no Contexto da Industria 4.0 Eduardo Santos Telles, Dante Augusto Couto Barone, Alexandre Moraes da Silva Instituto de Informatica - Universidade Federal do Rio Grande do Sul Av. Bento Goncalves, 9500 - Porto Alegre - RS, 91509-900 - Brasil eduardo.telles@ufrgs.br, barone@in£.u alexandre. silva@in£.ufrga.br gs.br, Abstract. With the migration of artificial inteltigence (AD) from fiction to a disruptive technology applicable 10 production processes, there is a need 10 analyze how this theme is related 10 the fourth industrial revolution, known as industry 4.0. This paper aims to expose the aspects of each theme and relate them to generate the debate and demonstrate the existing applications Resumo. Com a migragao da inveligéncia artificial (IA) da flegao para uma tecnologia disruptiva aplicdvel nos processos produtivos, existe uma necessidade de analisar como este tema esté relacionado com a quarta revoluedo industrial, conhecida como indiistria 4.0. Este trabalho tem como objetivo expor os aspectos de cada tema e relacioné-los para gerar o debate e demonstrar as possiveis aplicacoes existentes. 1, Introducao a Inteligéncia Artificial Industrial A inteligéncia artificial (IA) € uma ciéncia cognitiva com pesquisas nas areas de processamento de imagens, robética, processamento linguagem natural, aprendizado de maquina etc. O desenvolvimento de novas tecnologias pode ser separado em fases, e n0 caso da IA, existem estudos que demonstram que uma nova onda de interesse por LA iniciou em meados de 2010 baseada em trés fatores: I) Utilizagao de Big data para coméreio eletronico, redes sociais, pesquisas online ¢ aplicagdes governamentais; 11) Métodos de aprendizado de maquina e algoritmos que evoluem conforme o crescimento das bases de dados e III) Computadores potentes que fornecem 0 processamento necessirio. Este progresso disruptivo est’ mudando a IA tradicional (IA 1.0), que pressupdem métodos simbélicos caracterizado por conteiidos estruturados e controle centralizado, para uma nova fase, chamada IA 2.0. A énfase neste caso, € para 0 aprendizado de miquina, em especial deep learning, com contetido nao estruturados, descentralizados (distribuidos aleatoriamente) e controle de estruturas (Yao et al. 2017). A IA e aprendizado de maquina tem sido consideradas téenicas avangadas no setor industrial, porém existe falta de evidéncias que comprovem que estas téenicas funcionam ¢ resultam em um retorno sobre 0 investimento atrativo para os acionistas das empresas. Ainda, os resultados dos algoritmos de aprendizado de maquina dependem da experiéneia dos desenvolvedores. Assim, 0 sucesso da aplicagdo da IA no setor industrial ainda ¢ limitado, com barreiras e limites para desenvolver novas pesquisas que tornem este assunto uma disciplina com foco na criagao, validagao e uso de aprendizado de maquina para aumentar a eficiéneia produtiva, O desenvolvimento de pesquisas promove solucdes para aplicagdes industriais e funciona como uma ponte queconecta pesquisas académicas ¢ industrias que aplicam IA (Lee et al. 2018; Zhong et al. 2017). E esperado um crescimento da utilizagio de automagao industrial baseada em IA, com resultados quantitativos positives no indice de produtividade das empresas. Atualmente as indistrias enfrentam desafios em termos de demanda e competividade global, com constante necessidade por mudancas e utilizagao de novas técnicas produtivas. Um promissor conceito tecnolégico é a nova revolucio industrial, conhecido amplamente como Indiistria 4.0 (termo oriundo da Alemanha) mas também difundido como Smart mamifacturing (EVA) ¢ Smart factory (Coreia do Sul) (Wuest et al. 2016). A integracao da IA com emergentes pesquisas realizadas nas Areas de Internet of Things (IOT) (RiiGmann et al. 2015), Big dara (Yao et al. 2017), Computagdo na nuvem (Almada Lobo 2016) e Espacos cyber fisicos (Wang 2016) possibilita que as operagdes industriais sejam mais flexiveis e eficientes. A interacZo entre humanos e maquinas na indastria possibilita o trabalho colaborativo, com 0 uso de tecnologias cognitivas de aprendizado de maquina. Assim, avancados modelos de aprendizado de maquina so aplicados em robés inteligentes, capazes de aprender com humanos e desenvolver aptiddes complementares em diferentes contextos operacionais (Zhong et al. 2017). Estudos realizados pela Festo Bionic Learning Network encontrou muitas aplicagées, como bragos robsticos que utilizam 1A para otimizagio do algoritmo e BionicANT, com utilizagio sistemas multiagentes para habilitar a comunicagao de robés entre sie encontrar a melhor maneira de organizar, de forma colaborativa, determinada tarefa proposta (Festo 2020). ‘Ao considerar que a IA na indiistria 4.0 esta em um processo inicial de crescimento é importante conhecer melhor sobre 0 assunto e suas aplicagdes, Para atingir este propésito, este trabalho tem como objetivo analisar um sistema produtivo que possua elementos da indistria 4.0 e forneca melhor compreensio sobre as relagdes da IA neste ambiente. A contribuigio deste trabalho é gerar o debate e demonstrar as possiveis aplicagdes existentes, de modo que pesquisadores e pessoas relacionadas 4 indistria possam explorar as aplicagdes possiveis. 2. Elementos da Inteligéncia Artificial Industrial Os elementos da IA Industrial incluem: 1) Tecnologia Analitica; II) Tecnologia de Big Data; 11) Tecnologia de Computagio na nuvem; IV) Dominio do Conhecimento e V) Evidéneia (Lee et al. 2018). A tecnologia analitica é um elemento essencial da IA, que por si sO nao contribui se os demais elementos nao existirem. Big Data e Tecnologia de Computagio na nuvem sao essenciais para fornecerem dados para o sistema de TA. Ta Dominio de Conhecimento e Evidéncia séo elementos que possibilitam compreender 0 problema, fornecer dados relevantes para o sistema de IA, preparar o sistema para coletar corretamente © com qualidade os dados, conhecer as conexdes existentes do sistema e os parimetros de producao exigidos e, além de tudo, validar os dados gerados pelo sistema de LA. 3. Benefix A aplicagdo dos elementos de IA em conjunto possibilita que os sistemas de manufatura aprendam com as préprias experiéneias, com propésito de permitir a solugao auténoma de problemas e otimizar a produgo (Zhong et al. 2017). A coleta de dados do sistema s da Inteligéncia Artificial Industrialprodutivo © posterior identificagio de padrées, possibilita que a IA Industrial crie modelos cada vez mais precisos e robustos com o tempo. A figura | (adaptado de Lee et al, 2018) demonstra a comparagio da eficiéneia entre um sistema industrial tradicional com LA ao longo do tempo. —— [Aindustrial te Aprendizado de Maquina —— Sistemas Légicos (com regras) —— Especialistas ‘Tempo Figura 1. Comparaco da IA Industrial com outros métodos de aprendizado O crescimento da eficiéncia baseada em Especialistas apresenta 0 menor ganho para as indistrias, uma vez que aps superar a curva de aprendizado em determinado momento iri ocorrer a rotatividade do funcionério e, por consequéncia, perda de parte do conhecimento adquirido previamente. Em relagio aos Sistemas Légicos, considera que © crescimento existe apenas em momentos que novas regras e parimetros de ajustes so inseridos nos sistemas que suportam o incremento da eficiéneia. Té os sistemas que possuem IA, com capacidade de resolver problemas, apresentam crescimento pos identificar oportunidades de otimizagao em relacao a0 cenario atual A aplicagio de IA Industrial possibilita uma configuragao dinamica do arranjo de produgao, nao limitada a uma linha de producao fixa convencional com produtos idénticos, mas uma linha de producdo modular que se ajusta conforme a combinagao dos pedidos de produgo recebidos dos clientes. A organizagao da linha de producao ocorre virtualmente nos Espacos cyber fisicos. A aplicagio de IA Industrial em fabricas da BMW nos processos de estampagem, pintura e montagem demonstraram aumento da eficiéneia, com redugdo de 30% no uso de agua, redugio de 40% no uso de energia e redugio de 20% nas emissdes para atmosfera (Cheng et al. 2017). 4. O Sistema Produtivo na Industria 4.0 ‘Um modelo genérico sobre a integragao dos diferentes elementos da indiistria 4.0 € proposto por Zhong et al. (2017), no qual a integragio dos processos é essencial, Tipicamente adotam-se sensores avangados, comunicagio sem fio, processamento de grandes dados e algoritmos especificos para prover a troca de dados. Para implementar estas ferramentas, os sistemas produtives buscam plataformas virtuais para simular e produzir os diferentes produtos customizados sem aumento de custo. Tais plataformas podem reduzir 05 custos ao otimizar a infraestrutura existente, com novas configuragdes de desenvolvimento, producao e gerenciamento logisticoA figura 2 (adaptado de Zhong et al. 2017) apresenta as relagdes existentes na industria 4.0, sendo elas: 1) Design inteligente: Busca 0 ripido desenvolvimento de produtos com auxilio de novas tecnologias, como realidade virtual (VR - Virtual Reality) ¢ realidade aumentada (AR - Augmented Reality). Softwares de desenvolvimento CAD (Computer-aided design) ¢ CAM (Computer-aided manufacturing) possuem fungdes especificas para interagir com os Espagos cyber fisicos em tempo real. 11) Maquinas inteligentes: A utilizagao de maquinas inteligentes pode ser alcangada com 0 auxilio de robés inteligentes e virios outros objetos capazes de coletar informagdes e comunicar-se uns aos outros em tempo real. Por exemplo, uma maquina inteligente capaz de coletar dados ¢ envid-los para um sistema de computagao na nuvem, para quando préximo do término de processamento de uma pega sincronize com as operagdes posteriores. TI) Controle em tempo real: Um sistema de produgdo adaptativo pode ser alcangado com a utilizago de espagos cyber fisicos. Controles inteligentes executam comandos para otimizar os resultados em diferentes maquinas inteligentes através de um sistema de computago na nuvem. IV)Cronograma inteligente: A programagio da produgo pode ser otimizada incluindo avangados modelos e algoritmos com dados coletados dos sensores ¢ miquinas. A capacidade de calculo, modelagem e simulagio de cendrios possibilita melhor utilizagao dos recursos. Controle em tempo real ieP2 Design inteligente Prototipagem Controles —Sensores Inteligentes _inteligentes Figura 2. Industria 4.05. Desafios da Inteligéncia Artificial Industrial A industria ¢ um setor de transformagio estabelecido nas maiores economias mundiais, no entanto, paises desenvolvidos identificaram uma redugao da contribuicao deste setor no resultado do produto interno bruno (PIB) nas tltimas décadas. A concorréncia global e redugdo nos custos de producao impdem novos desafios ao sistemas produtivos atuais (Wuest et al. 2016) Os novos sensores, dispositivos eletrOnicos e diferentes maquinas digitais utilizadas nos processos demandam grande capacidade de armazenamento de dados, em que frequentemente sio perdidos ou nio aproveitados plenamente. Executivos de empresas pioneiras nos setores em que atuam esto utilizando a tecnologia de Big dara para otimizar as operagdes e prover decisées em tempo real (Zhong et al. 2016). A multinacional General Eletric (GE) utiliza a tecnologia de Big dara para melhorar a comunicagao com seus clientes e operagdes produtivas, no centro de monitoramento localizado em Atlanta, Um time com mais de 50 engenheiros analisam os dados que chegam de turbinas e geradores localizados em 58 paises (Minter 2015). A comunicagio dos dispositivos e transmissdo de dados exige que as estruturas atuais suportem as novas aplicagdes desenvolvidas. Os métodos de transmissao de dados via rede intema pode apresentar instabilidade, em especial quando utilizadas redes sem fio para transferir grande quantidade de dados. Sinais via ridio frequéncia e infravermelho so facilmente afetados por interferéncias eletromagnéticas, reflexio em metais e sobreposigio de sinais durante a comunicagio. A transmissio de dados depende da largura de banda ¢ 0 protocolo utilizado, 0 atual modelo de comunicagao méovel (ex. internet 4G) ndo pode oferecer conexdes eficientes e confidveis para a tecnologia Big dava (Zhong et al. 2016). Os desafios, oportunidades e perspectivas fururas sobre IA Industrial foram classificados pelo autor em: 1) Tecnologia Big data: A capacidade de coletar dados, classifieé-los, armazend-los e interpreti-los com o uso de IA pode se tornar a vantagem competitiva das indistrias. Para viabilizar a utilizagao desta tecnologia, as empresas precisam investir em redes de computadores potentes, métodos de protegio de dados, capacidade de armazenamento prevendo o crescimento ¢ aumento da velocidade de processamento com novos computadores. Il) Modelagem de cendrios: Os sistemas de IA que interpretarem com maior confiabilidade das informagdes serio capazes de auxiliar as empresas n0 aumento da eficiéneia. A modelagem de cenarios pode ser realizada nos espagos evber fisicos, com elementos autnomos e cooperatives que interagem entre si com habilidade de fazer previsdes para otimizar as maquinas © o sistema logistico das indistrias. A fusdo entre os sistemas reais e virtuais possibilitam um sistema produtivo inteligente robusto em meio as mudangas e incertezas do ambiente.I1))Predigdo de falhas: A identificagao e predigdo de falhas em sistemas dinamicos é uma extensio das informages coletadas pela tecnologia Big data. Novas técnicas de IA podem auxiliar com o aprendizado de maquina, baseado em dados coletados e histérico de falhas dos equipamentos. Esta area de estudo possibilitari aumento da disponibilidade e, por consequéncia, melhor aproveitamentos dos recursos fabris. Aumentar a aplicagdo de IA industrial é um desafio que requer ferramentas e métodos confidveis. Wuest (2016) comenta que outro desafio é levar em consideragio a interpretagao dos resultados. A maioria dos dados de saida nio possui formas ilustradas Ge facil compreensio, mas sim algoritmos e parimetros de ajustes especificos com informagdes valiosas. Sem a correta interpretagio dos resultados o impacto negativo pode ser prejudicial para o sistema produtivo. A capacidade analitica e julgamento de informagdes dos profissionais que atuam com LA sio indispensiveis para prover os gestores dos processos industriais de informacdes concisas, 6. Conclusio Com 0 aumento da discussio sobre os temas inteligéneia artificial e indastria 4.0, a andlise dos elementos e iteragdes existentes ¢ cada vez mais importante para compreender os novos sistemas produtivos que serio praticados. A indtistria 4.0 considerado um caminho sem volta, no qual exige adaptagio das empresas que buscam continuar competitivas no mercado globalizado. A aplicagdo de téenicas de IA nos processos produtivos possibilita maior otimizacdo dos resultados, com predigio dos potenciais modos de falhas, aprendizado continuo e, assim, aumento da eficiéncia, Espera-se que este trabalho inspire novos pesquisadores e empresirios de indiistria em busca do conhecimento constante e contribua com o avango dos processos produtivos. Também se acredita que os aspectos discutidos neste trabalho despertem novas ideias e gere discusses colaborativas para a aplicagio das técnicas da industria 4.0 nas empresas. Referéncias Almada-Lobo, Francisco. 2016. “The Industry 4.0 Revolution and the Future of Manufacturing Execution Systems (MES).” Journal of Innovation Management 344): 16-21. Cheng, Guo Jian, Li Ting Liu, Xin Jian Qiang, and Ye Liv. 2017. “Industry 4.0 Development and Application of Intelligent Manufacturing.” Proceedings - 2016 International Conference on Information System and Artificial Intelligence, ISA (2016: 407-10. Festo, 2020. “Bionic Learning Network.” https://www.festo.com/group/en/ems/10156.htm (March 29, 2020). Lee, Jay, Hossein Davari, Jaskaran Singh, and Vibhor Pandhare. 2018. “Industrial Artificial Intelligence for Industry 4.0-Based Manufacturing Systems.” Manufacturing Letters 18: 20-23. Minter, Steve. 2015. “GE Plans for Big Data Are ‘Brilliant. Industry week.https://www.industryweek.com/technology-and-iiot/emerging- technologies/article/22005985/ge-plans-for-big-data-are-brilliant (March 27, 2020), Rifmann, Michael et al. 2015. “Industry 4.0. The Future of Productivit Manufacturing.” Boston Consulting (April): 1-5. and Growth in ‘Wang, Ben. 2016. “The Evolution and Future of Manufacturing ; A Review.” Journal of Manufacturing Systems 3(April): 79-100. Wuest, Thorsten, Daniel Weimer, Christopher Ingens, and Klaus Dieter Thoben. 2016. “Machine Learning in Manufacturing: Advantages, Challenges, and Applications.” Production and Manufacturing Research 4(1): 23-45, ‘Yao, Xifan, Jiajun Zhou, Jiangming Zhang, and Claudio R. Boer. 2017. “From Intelligent Manufacturing to Smart Manufacturing for Industry 4.0 Driven by Next Generation Artificial Intelligence and Further On.” Proceedings - 2017 Sth International Conference on Enterprise Systems: Industrial Digitalization by Enterprise Systems, ES 2017: 311-18. Zhong, Ray Y., Stephen T. Newman, George Q. Huang, and Shulin Lan. 2016. “Big Data for Supply Chain Management in the Service and Manufacturing Sectors: Challenges, Opportunities, and Future Perspectives.” Computers and Industrial Engineering 101: 572-91. http://dx.doi.org/10.1016/j.cie.2016.07.013. Zhong, Ray Y., Xun Xu, Eberhard Klotz, and Stephen T. Newman. 2017. “Intelligent Manufacturing in the Context of Industry 4.0: A Review.” Engineering (5): 616— 30, http://dx.doi.org/10.1016/J.ENG.2017.05.015.