10/03/21

Inteligência artificial não é mais assunto de ficção visto apenas no universo cinematográfico. Ela já está presente em nosso meio e tende a se alastrar com grande velocidade e densidade.  

Imagine uma fábrica de sapatos, com mil modelos no catálogo. Fabricar cada modelo implica em preparar a linha de produção para cada código. Implica comprar, estocar e mover insumos, treinar equipes, instalar o ferramental específico na linha de montagem, embalar e despachar corretamente cada modelo. 

O custo da mão de obra e do ferramental são fatores importantes no custo dos itens produzidos.

Com a introdução de computadores na linha de montagem, ferramentas flexíveis, com controle numérico, bem como novos métodos de gestão (o sistema Toyota e seus desdobramentos), séries menores passam a ser viáveis, devido a controles superiores (inclusive de estoques de parceiros), a custos de ferramental e tempos de setup cada vez menores.

Imagine agora uma linha de montagem capaz de produzir qualquer modelo (que use processos passíveis de fabricação pelo ferramental instalado), sem tempo de setup, em séries de um. 

Capaz de solicitar a compra de insumos automaticamente, pelo melhor preço. Capaz de priorizar, identificar, embalar armazenar e despachar corretamente produtos para clientes, sem intervenção e falhas humanas.

As tecnologias de AI (Inteligência Artificial) mais disseminadas atualmente são sistemas especialistas (“AI fraca”), muito capazes ao resolver problemas que possuem variáveis restritas (por exemplo, chips de sistemas de injeção eletrônica). Esta tecnologia molda nosso estilo de vida, mas não é flexível. 

Maçãs em uma esteira de seleção frequentemente tem o controle de qualidade feito por humanos, porque sutilezas na cor e na forma são atributos de difícil detecção, cognição e classificação. Até agora.

Em março de 2016 o programa Alpha Go, do projeto Deep Mind, da empresa Google (uma espécie de programa Apollo para a inteligência artificial, cujo objetivo declarado é “resolver AI e, com ela, resolver todo o resto”) venceu pela terceira vez seguida o campeão mundial de Go, Lee Sedol. 

O fato pode parecer banal, dado que em 1997 o supercomputador IBM Deep Blue venceu uma série de partidas contra o então campeão mundial Gary Kasparov.  

Especialistas, no entanto, entendiam que era impossível bater o campeão mundial de Go usando soluções computacionais do tipo “força bruta”. Go é um jogo que apresenta mais configurações possíveis no tabuleiro do que existem átomos no universo. 

Para esta tarefa, uma abordagem mais flexível, similar ao cérebro humano, capaz de aprender com a experiência e testar hipóteses plausíveis foi adotada. 

O Alpha Go é um exemplo de como algoritmos podem “sentir”, “experimentar” e “aprender”, solucionando problemas cada vez mais complexos e imprevisíveis. Como o trânsito, o clima ou a bolsa de valores.

A teoria de pesquisa operacional, importante referencial teórico da organização eficiente de sistemas produtivos, é uma ferramenta útil para modelar sistemas com variáveis previsíveis. 

Mas e quando o imprevisível entra em cena? E se uma peça a ser alimentada a uma montagem tomba? E se o custo de determinada etapa do processo se torna proibitivo e vale a pena terceirizá-lo? E se o produto sofrer alterações a cada pequeno lote?

É impossível prever (modelar) o imprevisível. Sistemas inteligentes, no entanto, podem rapidamente se adaptar a inputs (entrada de informações) não estruturados. 

Através do compartilhamento de dados com outras redes (de fornecedores, logística ou de compradores, por exemplo), com sistemas análogos, e a partir da memória de eventos passados, é possível encontrar soluções cada vez mais precisas e rápidas. 

Robôs como o Baxter, da Rethink Technologies, são exemplos práticos de máquinas resolvendo problemas de formas não pré-programadas, mas sim testadas, otimizadas, compartilhadas e aprendidas, a partir da extrapolação de regras gerais em tempo real. 

A Deep Logic, uma empresa japonesa, apontou um software de AI para seu board de diretores devido a sua capacidade de “identificar padrões não imediatamente claros para humanos” (http://www.advancedmp.com/artificial-intelligence/).

Evoluções recentes, tanto em paradigmas de computação (fuzzy logic, computação neural, algoritmos evolucionários, sistemas multiagente) quanto implementações emergentes de hardware e software (reconhecimento de fala e visão, computação quântica, Internet das coisas - IoT) fazem com que aplicações surjam para otimizar processos antes possíveis somente através da intervenção humana.

O efeito que este tipo de tecnologia terá em nossas fábricas e processos produtivos é ainda uma pergunta em aberto. É plausível supor que:

· A intervenção humana, os tempos de setup e os defeitos tenderão a zero;

· Os custos marginais cairão, tendendo a zero;

· Haverá desemprego, ao menos até as sociedades se ajustarem a nova realidade produtiva.

Quem ganha e quem perde com isto, o tempo dirá, mas os fluxos de nossas empresas estão prestes a mudar radicalmente.

Tags

Compartilhe