Industria 4.0: Planejar o Big Data é preciso
Precisamos repensar a forma de como executamos as nossas ações práticas para tomada de decisões. A tentativa e erro tem prevalecido para atender o nosso senso de urgência, estimulado pela ilusão de alcançar os resultados objetivados num menor tempo (vide quadro em destaque abaixo). Com a 3ª. revolução industrial, grande parte das operações industriais passaram do registro manual de dados para coleta automática, uma vez que as máquinas e equipamentos de hoje possuem hardwares capazes de coletar e armazenar os dados durante as operações industriais. Consequentemente, isto tem gerado enormes bancos de dados de difícil análise. Isto ocorre porque não sabemos planejar, lidar e avaliar os efeitos lineares e não lineares das múltiplas variáveis coletadas simultaneamente. Por essa razão, a tomada de decisões e as práticas industriais não tem se beneficiado do conhecimento contido nos dados armazenados. Isto significa que transformar as informações em conhecimento, requer uma lógica matricial adequada.
Com a indústria 4.0, é previsível que esses bancos de dados se tornem ainda maiores e, portanto, os tempos de processamento aumentem. Isto vai dificultar a tomada de decisões em tempo real que está na contramão da 4ª. Revolução industrial e das que estão porvir. Desta forma, precisamos nos preparar para mudar o nosso modo de executar as ações práticas, isto é, planejá-las antes de partir para execução.
O primeiro passo é aprender a linguagem lógica para separar as informações úteis das inúteis, automaticamente, e o segundo é utilizar as informações úteis para criar modelos preditivos capazes de executar otimizações online dos processos industriais. Isto é exequível, se conseguirmos supervisionar o Machine Learning para atuar como filtros de coleta de dados úteis, unindo duas operações importantes, apoiadas no mesmo conceito matemático: a lógica ortogonal ou quase ortogonal e as operações matriciais evolucionárias, utilizando a função desejabilidade como resposta. Essa função permite expressar as informações, contidas em múltiplas respostas, numa única resposta, reduzindo assim, a complexidade matemática para atingir a solução ótima num menor tempo.
A lógica ortogonal é preferida porque as combinações de níveis das múltiplas variáveis são estabelecidas de tal forma a evitar a multicolinearidade entre eles. Quando essa condição é atendida, isto garante que os efeitos lineares e não lineares das variáveis independentes se tornam aditivos para mudar o valor da resposta. Desta forma, os dados úteis são geralmente as variáveis independentes capazes de mudar o valor da resposta. Já a operação evolucionária é a dinâmica matricial utilizada para ir em direção a solução ótima, através de pequenas variações dos níveis das variáveis independentes. Essa ideia inovadora objetiva criar soluções ótimas auto-renováveis para os processos industriais, já que os modelos preditivos são constantemente retroalimentados com novas informações ou dados. Para atender as demandas da indústria 4.0, precisamos criar uma nova arquitetura matricial para planejar os nossos bancos de dados, através da lógica ortogonal. Com isto, as decisões serão mais econômicas porque transformamos condições preestabelecidas, inicialmente, em condições ótimas e auto-ajustáveis, frente as mudanças contextuais.
Repensar o senso de urgência
O senso de “urgência subjetiva” desenvolvido, por nós, para alcançar rapidamente os resultados objetivados, nos leva a executar grande parte das nossas ações sem planejamento prévio. Adotamos a ideia equivocada de que fazer, sem planejar, chega mais rápido aos resultados almejados do que planejar, antes de fazer. Essa conduta nos arremete a outra ideia equivocada: pensar analiticamente para planejar o que fazer é pura perda de tempo, pois o importante é fazer. Isto nos induz a executar alterações a esmo dos níveis das variáveis, bem como da dimensionalidade do espaço investigado, na tentativa de atingir os valores objetivados para depois compreender o que aconteceu, tentando transformar hipóteses em conclusões. Embora essa prática seja até inconsciente, é dispendiosa, consome tempo e gera análises inconclusas, devido a multicolinearidade estabelecida entre os níveis das variáveis. Como a tentativa e erro é a prática corrente, ela produz enormes banco de dados de difícil análise.
Esses grandes bancos de dados nos trazem desconforto analítico porque não estamos preparados para analisar inúmeras variáveis simultaneamente, principalmente, quando os dados são obtidos por tentativa e erro. A discussão dessa problemática surgiu a partir da 3ª revolução tecnológica e a tendência é potencializar com 4ª revolução tecnológica (a indústria 4.0). Essa realidade já existia, desde a década de 60, porém longe de nós. Agora faz parte do nosso presente e do futuro, pois estamos conectados em rede com acesso às múltiplas informações e dados. Ao invés de investir no senso de urgência, precisamos desenvolver a habilidade de planejar nossos bancos com informações úteis para tomadas de decisões, apoiados em modelos capazes de descrever matematicamente o contexto real. A lógica ortogonal abre amplos horizontes para transformar a informação, contida nos dados úteis, em conhecimento.