Duas equipes de estudantes da Faculdade de Ciências da Computação e Informação da Universidade Misr de Informática desenvolveram duas aplicações destinadas a enfrentar dois problemas práticos do setor manufatureiro: melhorar a eficiência da produção e das máquinas e detectar riscos de atraso no fornecimento de matérias-primas. O desenvolvimento dos dois projetos ocorreu em colaboração com especialistas da Alemanha, da Espanha e dos Países Baixos, e ambos foram submetidos a uma sessão de avaliação realizada pela plataforma Zoom, da qual participaram os supervisores e os especialistas.
Segundo a universidade, as duas aplicações foram projetadas em resposta às necessidades de instituições relacionadas às indústrias inteligentes e à quinta revolução industrial, com o aproveitamento do projeto de redes de manufatura inteligentes, flexíveis e renováveis, financiado pelo programa Horizon Europe. A comissão externa de avaliação foi presidida pelo professor alemão Bernd Kramer e contou com a participação do professor Mike Papa Zoglou, da doutora María Ramírez Gutiérrez e do senhor Fernando Gigante, da instituição espanhola AIDIMME.
Dos dados dos sensores às decisões de manutenção
A primeira aplicação chama-se «Otimizador da eficiência da produção e das máquinas baseado em um modelo de conhecimento». Ela busca tratar de um problema comum nas plataformas modernas de manufatura: a permanência dos sistemas em um modo reativo, no qual as falhas das máquinas ou os gargalos de produção só são enfrentados depois que ocorrem.
A aplicação utiliza uma plataforma híbrida de apoio à decisão que combina modelos de aprendizado de máquina, entre eles Isolation Forest e XGBoost, com inferência ontológica usando a linguagem OWL. O sistema conecta os fluxos de dados dos sensores a uma hierarquia dos ativos da fábrica e, em seguida, utiliza regras SWRL para rastrear as relações causais entre a degradação dos componentes, os gargalos do sistema e as perdas de eficiência da produção.
A plataforma inclui um módulo de explicação baseado em grandes modelos de linguagem para transformar situações semânticas complexas em recomendações de manutenção em uma linguagem mais simples. O projeto também conta com uma camada de expansão da base de conhecimento que gerencia seis agentes concorrentes de inteligência artificial, cuja função é monitorar novos padrões comportamentais e propor regras SWRL que são revisadas pelos engenheiros antes de sua aprovação. A universidade indica que o projeto visa operar a plataforma em um ambiente fabril por meio de um contêiner de execução e baixa latência.
Gêmeo digital para os riscos das matérias-primas
A segunda aplicação, «Gêmeo digital semântico para a detecção e o tratamento de riscos no fornecimento de matérias-primas», concentra-se na baixa visibilidade em tempo real na logística de manufatura e na dificuldade de lidar com as condições não estruturadas dos acordos de nível de serviço. O sistema busca detectar previamente atrasos nas entregas e ativar fornecedores alternativos quando necessário.
A aplicação combina aprendizado de máquina para prever as probabilidades de atraso, grandes modelos de linguagem para transformar textos contratuais em «triplas ontológicas» estruturadas e um raciocinador ontológico para apoiar a execução das decisões. Por meio de um grafo de conhecimento que conecta dados e dependências, a estrutura tenta transferir a gestão do fornecimento da resposta após a ocorrência do atraso para a intervenção proativa, oferecendo uma fonte unificada de informações relacionadas à disponibilidade de estoque.
Por que esse desenvolvimento é importante?
A importância dos dois projetos está na combinação de tecnologias de inteligência artificial e métodos de representação do conhecimento em dois cenários industriais específicos, em vez de se limitar a uma apresentação geral das capacidades da inteligência artificial. Na prática, o primeiro projeto concentra-se em tornar os dados dos sensores interpretáveis e úteis para a tomada de decisões, enquanto o segundo se concentra em transformar os dados dispersos de contratos e cadeias de suprimentos em um modelo que possa ser usado para previsão e intervenção.
Entretanto, o material não apresenta resultados operacionais quantitativos, como a redução de falhas ou a melhoria do tempo de fornecimento, nem esclarece se as duas aplicações entraram na fase de uso comercial ou de testes em campo. Portanto, o impacto industrial anunciado permanece relacionado à fase de desenvolvimento e avaliação, e não a resultados de desempenho comprovados em fábricas em operação.
A equipe da primeira aplicação incluía Abdel Karim Ahmed, Seif Wafik, Mohamed Hussein, Renad Sameh e Malak Montaser, sob a supervisão da doutora Shereen El-Fayoumi. A equipe da segunda aplicação incluía Matthew Wael, Youssef Fares, Youssef Osama e Mark Tadros, sob a mesma supervisão.