A Panasonic Industry considera que o uso da inteligência artificial na fabricação não começa pela escolha de um modelo ou ferramenta pronta, mas pela construção de uma base de dados operacionais confiável. De acordo com o material publicado no MONOist Japan, a empresa passou mais de dez anos transformando os dados das linhas de produção e o conhecimento relacionado a eles em uma estrutura que pode ser utilizada para melhorar os processos.
Essa experiência vem de uma empresa fundada em 1969 que produz, entre outros produtos, capacitores eletrolíticos de alumínio. Esses componentes são utilizados em áreas que incluem veículos elétricos, aplicações de inteligência artificial e infraestrutura de telecomunicações. Nesse contexto, a empresa afirma que melhorar a produção exige lidar com as diferenças entre as linhas de fabricação, disponibilizar recursos e responder às mudanças no volume da demanda.
Os dados vieram antes da inteligência artificial
Há cerca de dez anos, aproximadamente metade dos equipamentos de produção antigos, anteriores a 2010, não era capaz de coletar dados diretamente. Por isso, a Panasonic Industry trabalhou na introdução de equipamentos capazes de fornecer dados e na instalação de controladores lógicos programáveis, ou PLCs, nas linhas de produção existentes.
Esse processo, segundo o material, permitiu coletar dados de mais de 600 linhas de produção. A padronização não se limitou a indicadores gerais; tornou-se possível organizar dados como a qualidade da produção, as taxas de falhas dos equipamentos, os defeitos dos produtos e os defeitos relacionados ao volume, além da eficiência da produção e de outros indicadores operacionais.
Da medição ao conhecimento operacional
A empresa não considera a coleta de dados um objetivo em si. A disponibilização de dados de todos os equipamentos ajuda a analisar as condições de operação e identificar as causas dos problemas, além de permitir comparar o desempenho dos equipamentos e dos processos. A Panasonic Industry relaciona os dados ao conhecimento acumulado pelos funcionários, considerando que a questão prática é entender a relação entre o que os funcionários fazem e o que muda no desempenho dos processos.
O material indica que a empresa trabalha na construção de uma estrutura de conhecimento operacional baseada na transformação da experiência de campo em um formato reutilizável, em vez de mantê-la vinculada a indivíduos específicos. Esse ponto é especialmente importante em ambientes de fabricação nos quais as especificações dos produtos e os métodos de produção mudam de um cliente para outro e podem exigir milhares de procedimentos de configuração e operação.
O que muda na prática?
A transformação efetiva consiste em passar do uso da inteligência artificial como uma ferramenta separada para integrá-la aos dados dos equipamentos e ao conhecimento operacional. O material explica que a Panasonic Industry começou a utilizar tecnologias que incluem agentes de inteligência artificial para apoiar as operações, mas essa etapa ocorreu depois da preparação da infraestrutura básica de dados e da padronização dos indicadores de desempenho.
A principal interpretação aqui é que a inteligência artificial não compensa a ausência de dados ou a falta de consistência em suas definições. Uma fábrica que não consegue acessar os dados de seus equipamentos ou que não possui uma maneira padronizada de descrever as falhas e a qualidade da produção enfrentará limitações antes mesmo da etapa de escolher um modelo de inteligência artificial. No caso da Panasonic Industry, a digitalização de mais de 600 linhas de produção forneceu uma base sobre a qual é possível construir a análise dos processos e ampliar a automação do conhecimento.
O material não comprova que todos os problemas de produção tenham sido resolvidos ou que os agentes de inteligência artificial tenham se tornado substitutos da experiência humana. No entanto, apresenta um caminho claro: coletar dados dos equipamentos, padronizá-los, vinculá-los ao conhecimento de campo e, em seguida, utilizar a inteligência artificial nos processos de fabricação. A eficácia desse caminho continua ligada à qualidade dos dados, à precisão da modelagem do conhecimento e à capacidade dos funcionários de verificar os resultados antes de transformá-los em decisões operacionais.