Portfólio

Inteligência Artificial

A Inteligência Artificial (IA) é a área que busca reproduzir comportamentos, capacidade de raciocínio e tomada de decisão similar à humana ou de outros animais (e.g. abelhas, formigas, etc.). A IA engloba áreas como visão computacional, machine learning, logica fuzzy dentre outras técnicas e mecanismos de aprendizado.

Dentre as áreas da IA, destaca-se a Machine Learning, que surgiu com o intuito de contornar problemas complexos onde o nível de influência das variáveis é desconhecido. Um dos tipos de aprendizado maios utilizados no setor industrial é o aprendizado supervisionado, no qual a partir da utilização de um banco de dados é possível detectar padrões do processo e sugerir ações corretivas, preditivas, dentre outros tipos dependendo da finalidade da modelagem desenvolvida. Esse aspecto interativo do aprendizado de máquinas acarreta em uma série de vantagens para as indústrias, visto que o modelo pode ser criado para se adaptar aos novos dados de forma independente. As máquinas conseguem aprender com os cálculos anteriores para tomar novas decisões e ter resultados confiáveis.

A IA possibilitou a modernização nas indústrias, fazendo integração de diversas tecnologias que visam o aumento da produção e a eficiência energética, por meio da automação dos processos, digitalização e sistematização de dados.

A utilização de IA na modelagem de equipamentos ou processos industriais inicia-se a partir do entendimento do processo e identificação das principais variáveis atreladas ao mesmo. Logo após o recebimento dos dados, realiza-se um pré-processamento dos dados com filtros estatísticos, onde é possível realizar a remoção de valores incoerentes e fora do padrão de operação além de identificar possíveis variáveis com maior grau de correlação.

Com o novo conjunto de dados, avalia-se a necessidade da utilização de técnicas secundárias para redução na dimensão do problema ou separação do conjunto de dados como análise de componentes principais (PCA), clusterização dentre outras técnicas que podem ser utilizadas para melhorar a performance e acurácia do modelo. Por fim, o modelo é construído por meios de técnicas de Machine Learning (Kriging, RNA, Decision Tree, etc) utilizando os softwares Python® ou Matlab®.

O modelo proposto passa por uma etapa de validação junto à empresa e posteriormente avalia-se novos cenários de operação buscando uma otimização das condições operacionais do processo, sempre visando manter a estabilidade do processo e a qualidade do produto.