A aprendizagem mecânica está a assumir o controlo na indústria de processos?

A frase "data is the new oil" (The Economist, 2017) já existe há alguns anos, sublinhando a mudança que enfrentamos em todas as indústrias: do retalho aos meios de comunicação e entretenimento, dos cuidados de saúde e assistentes pessoais aos transportes e plataformas sociais, a realidade hiper interligada gera enormes quantidades de dados. A alimentação destes dados, a análise e os algoritmos de Machine Learning (ML) estão a peneirar padrões e informação para aplicações de energia, empresas em expansão e novos modelos de negócio.

A Aprendizagem Automática é aplicável a todas as indústrias? Onde está o lugar da Aprendizagem Automática na indústria de processos? Quão seguros e fiáveis são estes algoritmos para operar processos?

Estas respostas estão na confluência da teoria dos Sistemas de Controlo, Aprendizagem Automática e a abertura da indústria às novas tecnologias.

A grande maioria dos algoritmos que são utilizados são de aprendizagem supervisionada: isto significa que estes algoritmos necessitam de conjuntos de formação de dados que são semelhantes (têm a mesma distribuição) que os dados de teste ou de funcionamento normal. Uma vez formado, o modelo de Aprendizagem Automática é utilizado em novos dados, a fim de os avaliar.
As empresas que desenvolveram os seus produtos e serviços integrando a utilização de dados no seu núcleo e aplicam a recolha de dados apoiada pela monetização destes dados estão a sair-se muito bem utilizando toda a paleta de algoritmos que a Aprendizagem Automática tem para oferecer. O exemplo mais claro deste tipo de empresa é o Facebook que gera receitas quase exclusivamente a partir de publicidade digital. Outra pista de como é importante ter os dados integrados no núcleo do negócio é o facto de que todos os dados que estas empresas têm, só podem ser monetarizados ao seu valor máximo pela mesma empresa; tirados da sua plataforma, vamos assumir num dispositivo de armazenamento (muito grande), os mesmos dados não geram o mesmo valor por si só; o valor vem quando os dados são utilizados no contexto da plataforma da empresa: os produtos, os serviços, as interfaces com outros terceiros são os que geram valor a partir dos dados.

Para as empresas que tinham um negócio antes da era da aprendizagem mecânica, aplicar algoritmos de aprendizagem mecânica sobre os dados disponíveis e modificar a operação para incluir as novas tecnologias em todo o seu potencial é um desafio - e é disto que se trata a transformação digital.

A indústria de processos, como o nome lhe diz, trata da operação de vários processos para produzir bens, é uma "indústria física". O resultado da operação é um produto final. O tempo faz parte de uma instalação farmacêutica, petroquímica, energética ou de tratamento de água, o processo precisa de operar em pontos de ajuste controlados, ser robusto a perturbações e falhas, e ter uma estabilidade garantida. Tudo isto é feito pela aplicação da teoria de Sistemas de Controlo, um ramo da matemática aplicada que nos últimos dois séculos tornou possível a aplicação de todos os avanços tecnológicos. A partir da manutenção de uma pressão constante num tanque ou de uma potência constante de uma central de energia ou fluxo de água de uma estação de tratamento, a teoria de Sistemas de Controlo ajuda a conceber os loops de feedback que mantêm optimamente os processos operacionais.

O aspecto mais importante ao conceber o controlo é assegurar a estabilidade de um processo. O resto vivo das falhas de estabilidade está presente na cultura popular como a memória do desastre da central de Chernobyl. A primeira palestra do prémio IEEE Bode, "Respeite a instável" (Stein, 2003) dá uma visão profunda sobre a utilização das ferramentas dos Sistemas de Controlo na avaliação da estabilidade de um processo.

Para além da estabilidade, controlar a operação de um processo implica robustez - assegurando que as acções de controlo são afectadas apenas em pequena parte por medições ruidosas, erros de concepção e assegurando que o processo opera dentro dos limites de concepção.

Outro aspecto é a natureza determinística do processo e do controlo: embora os processos sejam normalmente não lineares e sejam aplicados diferentes tipos de algoritmos de Sistemas de Controlo, no final obtém-se e utiliza-se um modelo matemático; este modelo tem uma interpretação directa no mundo físico e todo o sistema (processo + controlo) pode ser entendido em detalhe. Este aspecto é muito diferente da utilização de uma rede neural de Aprendizagem Automática, onde os diferentes coeficientes dos neurónios em todas as diferentes camadas não têm interpretação física - isto representa um grande obstáculo na adopção da Aprendizagem Automática nesta indústria.

Fechando o feedback através de uma rede neural e deixando um algoritmo de Machine Learning assumir o controlo total de um processo pode estar muito longe. No entanto, os algoritmos de Machine Learning, com o seu poder de identificar padrões, podem ser usados para avaliar o estado do processo num circuito aberto e dar apoio aos operadores; por outras palavras, para funcionar como um sistema de apoio à decisão.

Os principais benefícios da utilização de algoritmos de Aprendizagem Automática em tais indústrias incluem: previsão de falhas, programação de manutenção, redução de tempos de paragem e custos de operação, melhoria da eficiência através da identificação de estrangulamentos e estados de operação sub-óptimos.

Os algoritmos ML mais comuns utilizados para processos são a detecção de anomalias, e a classificação. Um algoritmo de Aprendizagem de Máquina pode ser treinado com anos de dados históricos a fim de prever e alertar quando um componente está a começar a funcionar mal, quando se afasta do funcionamento normal. A arte está a fornecer os dados correctos e as etiquetas correctas ao algoritmo: irá reportar uma anomalia fora da região que foi representada pelo conjunto de formação.
O algoritmo de aprendizagem de reforço está a colmatar a lacuna entre a Aprendizagem de Máquinas e os Sistemas de Controlo à medida que fecha o ciclo de feedback e interage com o processo de ambas as formas: leitura de medições e envio de acções. Este algoritmo mapeia o ambiente para um modelo interno e em cada passo selecciona de uma série de acções possíveis para interagir com o ambiente real com o objectivo de minimizar uma função de optimização. Este tipo de algoritmos foi utilizado pelo DeepMind para ganhar no Go contra o campeão mundial (Silver, 2018) e também para ganhar contra adversários humanos a jogar jogos de PC (Hodson, 2019). Estes algoritmos também encontraram o seu caminho numa aplicação mais crítica do processo de optimização do consumo de energia de um centro de dados (Judge, 2019). O desafio com este tipo de algoritmo é a alta sensibilidade às mudanças do ambiente (como sempre acontece na indústria): uma mudança no tamanho da tabela Go, a mudança de possíveis acções num jogo de PC ou uma mudança física de um elemento de um processo torna o modelo obsoleto e impõe um re-treino dispendioso e demorado.

Embora ainda seja muito optimista esperar que a Aprendizagem Automática resolva todos os problemas que temos e optimize o funcionamento de uma fábrica inteira, estes algoritmos podem funcionar muito bem em algumas aplicações particulares que podem apoiar a tomada de decisões. Tal como na parte da optimização, o "controlo óptimo" é um ramo consagrado e maduro dos Sistemas de Controlo com muitos anos de estudo e implementações bem sucedidas.

Bibliografia

• Hodson, H., 2019. 1843magazine. [Online] Disponível em: https://www.1843magazine.com/features/deepmind-and-google-the-battle-to-control-artificial-intelligence [Acesso em 18 de Setembro de 2019].
• Juiz, P., 2019. datacenterdynamics. [Online] Disponível em: https://www.datacenterdynamics.com/analysis/smartening-how-ai-and-machine-learning-can-help-data-centers/ [Acedido a 18 de Setembro de 2019].
• Silver, D., 2018. DeepMind. [Online] Disponível em: https://deepmind.com/blog/article/alphazero-shedding-new-light-grand-games-chess-shogi-and-go [Acedido a 18 de Setembro de 2019].
• Stein, G., 2003. Respeitar a instável. IEEE Control Systems Magazine, 7, pp. 12-25, Aug. 2003, doi: 10.1109/MCS.2003.1213600 [Online] Disponível em: https://ieeexplore.ieee.org/document/1213600
• TheEconomist, 2017. TheEconomist. [Online] Disponível em: https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data [Acedido a 18 de Setembro de 2019].