O aprendizado de máquina será um impacto revolucionário na qualidade?

Como o aprendizado de máquina poderá  transformar a melhoria da qualidade.

progress4Johannes Freiesleben

O aprendizado de máquina, às vezes chamado de conhecimento profundo, está ganhando mais atenção atualmente. Como parte do campo da inteligência artificial (artificial intelligence – IA), o aprendizado de máquina lida com algoritmos que fazem os computadores pensarem – ou seja, dão conta de enormes quantidades de dados não estruturados por si mesmos.

Semelhante ao cérebro humano, essas máquinas estão tentando encontrar padrões nos dados. Ou, em termos estatísticos, eles realizam uma análise de componentes principais para distinguir entre os fatores que podem ajudar a explicar um fenômeno e aqueles que não podem.

O aprendizado de máquina já é parte integrante de muitos aplicativos usados todos os dias, como os algoritmos de reconhecimento facial do facebook que identificam faces não marcadas aos algoritmos de busca do Google, refinando a pesquisa do usuário observando os padrões das pesquisas anteriores.

O aprendizado de máquina só se tornará mais onipresente no futuro próximo. É, de fato, definido para revolucionar a maneira como vivemos. Os recentes avanços da Tesla com carros autônomos são um exemplo perfeito.

Esses carros guiam automaticamente o passageiro por meio de situações de trânsito complexas e às vezes caóticas, ao interpretarem grandes quantidades de dados enquanto dirigem, permitindo que os carros reajam rapidamente a eventos imprevistos que aparecem subitamente. Os carros são equipados com centenas de sensores que alimentam o computador. Os algoritmos de aprendizado de máquina permitem que os carros aprendam com os dados e melhorem lidar com situações complicadas e prever sua probabilidade de ocorrência.

Olhe para o futuro, e você não apenas encontrará carros, ônibus, trens ou aviões autônomos, mas uma grande variedade de outros possíveis usos do aprendizado de máquina. Alguns exemplos incluem pesquisa de mercado, controle estratégico, análises médicas e serviços jurídicos, para citar apenas alguns. Cada um deles se preocupará em trabalhar com grandes quantidades de dados para encontrar a resposta correta.

O aprendizado de máquina também afetará a produção industrial? E, o mais importante para nós como profissionais de qualidade, irá melhorar e manter a qualidade do projeto e a qualidade da produção? Este artigo aborda o provável impacto futuro do aprendizado de máquina nessas duas dimensões de qualidade.

Claro, isso é um pouco como ler folhas de chá – o campo da IA evolui rapidamente e com resultados incertos. No entanto, podemos deduzir alguns dos principais campos de aplicação do gerenciamento de qualidade apenas por ter uma compreensão correta do que é o aprendizado de máquina e onde ele pode nos ajudar em nosso campo de investigação.

Saber o que é o aprendizado de máquina e como ele funciona, e identificar áreas na gestão da qualidade onde sua aplicação provavelmente terá um impacto potencialmente revolucionário, pode fornecer um guia útil para onde os profissionais devem direcionar seus esforços.

Máquinas inteligentes

Desde que a revolução digital decolou a sério em 1995, os computadores se tornaram auxiliares onipresentes em muitos empreendimentos diários. Tradicionalmente, um computador era visto como uma máquina de processamento sistemático, transformando dados de entrada em saída usando algoritmos (isto é, programas), que haviam sido projetados para essa finalidade por humanos. Como os dados são alimentados no computador em um formato de consumo, seu poder de processamento produz resultados previsíveis de forma eficaz e eficiente, superando amplamente suas contrapartes humanas.

Com o advento do aprendizado de máquina, esta imagem está mudando (veja a Figura 1). Em vez de alimentar os dados e programas do computador e esperar a saída, o computador agora recebe dados de entrada, bem como dados de saída, para descobrir um vínculo sistemático entre eles – isto é, um algoritmo funcional. O aprendizado de máquina é, portanto, aplicável sempre que:

– Existirem padrões entre dados de entrada e saída, mas não os conhecemos.

– Não podemos modelar o padrão matematicamente – caso contrário, apenas recorreríamos ao conhecido método de programação de algoritmos.

– Temos uma grande quantidade de dados não rotulados ou não categorizados.

progress1

Para quase todos os sistemas que coletam e analisam dados reais, pelo menos um desses três pontos é relevante:

– O conhecimento pode nem sempre ser explícito, como no caso de tarefas de rotina, como dirigir, que não podem ser facilmente divididas em programas simples.

– A programação tradicional produz códigos rígidos, que não se adaptam a mudanças ao longo do tempo ou a usuários diferentes. Isso é algo que o aprendizado de máquina consegue, adaptando-se à mudança de dados de entrada, como filtrar e-mails de spam e acompanhar as técnicas de spam em constante evolução.

– Grandes quantidades de dados dinâmicos não podem ser processadas por código escrito por humanos, porque são simplesmente muito complexas, como ocorre com a previsão do tempo.

A ideia principal de aprendizado de máquina é permitir que o computador aprenda sozinho, semelhante a como os humanos adquirem conhecimento. Em uma definição famosa, Herbert A. Simon, economista americano e cientista político, destacou que “Aprendizagem denota mudanças em um sistema que … ativar um sistema para fazer a mesma tarefa … de forma mais eficiente na próxima vez”. (1) Este aprendizado acontece sem conhecimento prévio ou acesso a ele. Semelhante a um ser humano sem experiência anterior, o computador aprende com a experiência.

Os dados iniciais, que servem como ponto de partida para o processo de aprendizado, são frequentemente chamados de dados de treinamento ou conjuntos de treinamento e permitem que o computador obtenha uma primeira visão sobre o assunto em questão. A comparação constante com novos dados recebidos enriquece o banco de dados e serve como um verificador para os insights iniciais.

O processo de aprendizagem permite que o computador progrida de exemplos individuais para generalizações mais amplas – isto é, para executar o raciocínio indutivo. A incorporação de conhecimento prévio na forma de conjuntos de treinamento – implicando um certo viés do processo de aprendizagem – é frequentemente considerada inevitável para o sucesso de algoritmos de aprendizagem, impedindo que o processo chegue a conclusões sem sentido. (2)

O que descrevemos até agora é o aprendizado supervisionado – ou seja, as categorizações dos dados são fornecidas (por exemplo, comprimento do cabelo no exemplo de reconhecimento facial) e um conjunto de treinamento é fornecido para que o algoritmo não precise ser iniciado a partir do zero. No entanto, um resultado semelhante ao obtido com o aprendizado supervisionado pode ser feito com aprendizado não supervisionado.

Aqui, o algoritmo faz sentido de todos os dados puramente por si só. Nenhuma categoria ou outra classificação é fornecida, e não há distinção entre dados de treinamento e ensaio. Em julho de 2017, por exemplo, os pesquisadores do Google programaram um algoritmo de aprendizado não supervisionado para fazer uma máquina humanoide avançar em território difícil – uma das tarefas mais desafiadoras para ensinar um humanoide porque há variáveis aparentemente ilimitadas envolvidas – unicamente ao estabelecer um incentivo para superar obstáculos. (3)

Sendo confrontado com um conjunto variado de obstáculos, como vigas, paredes ou penhascos posicionados no caminho, o algoritmo desenvolveu os movimentos necessários para atravessar o terreno de forma mais eficaz e eficiente. Nenhum desses movimentos foi programado. Embora o exemplo tenha sido realizado no espaço digital (mostrando uma representação de um fantoche em execução em uma paisagem virtual), ele destaca o enorme poder incorporado na tecnologia de aprendizado de máquina.

Gestão inteligente de qualidade

Esse poder também pode ser aplicado para produzir avanços nos campos de melhoria e manutenção da qualidade? É uma percepção compartilhada entre a maioria dos profissionais de qualidade que alcançar alta qualidade é, em grande parte, aprender com os dados. Portanto, há razões para acreditar que podemos encontrar sobreposições interessantes entre as duas disciplinas.

Considere as duas principais dimensões da qualidade – qualidade de projeto e de produção – e onde o aprendizado de máquina pode ser útil para encontrar soluções novas e inovadoras.

Qualidade de projeto inteligente: Para começar com a primeira decisão com a qual uma empresa é confrontada, a dimensão da qualidade do projeto diz respeito à identificação do segmento de clientes a ser atingido e ao grau em que os recursos do produto correspondem aos requisitos do cliente nesse segmento. A excelente qualidade de projeto é uma combinação perfeita de recursos para os requisitos e a qualidade de projeto ruim é uma composição de recursos que deixa muitos clientes-alvo insatisfeitos com o produto.

A melhoria da qualidade do projeto significa melhorar a correspondência e projetar a manutenção da qualidade significa manter uma boa combinação permanentemente, apesar das possíveis mudanças nas necessidades do cliente. Os dados desempenham um papel importante na qualidade do projeto em três níveis sequenciais:

– Tomar a decisão certa em relação ao segmento de clientes a ser segmentado. Isso depende de ter informações suficientes sobre a segmentação de clientes no mercado, bem como as capacidades tecnológicas e gerenciais da organização (ou sua capacidade de adquiri-las) para atender aos requisitos do cliente no segmento-alvo.

– Tomar a decisão certa sobre as características do produto para o segmento de clientes-alvo, o que depende de ter uma compreensão profunda do que os clientes do segmento-alvo esperam.

– Revisando a decisão sobre os recursos do produto para o segmento de clientes-alvo, que geralmente evoluem dinamicamente com o tempo. Isso depende de informações suficientes sobre as tendências do mercado e de possíveis mudanças nos requisitos do cliente.

Na realidade, os níveis um e dois são frequentemente inter-relacionados. Tomar uma decisão errada no nível um (por exemplo, apontar para um segmento de cliente que está, de fato, além do alcance da organização em termos de sua capacidade de produzir as características requeridas do produto) certamente afetará o nível dois, onde provavelmente o erro decisão sobre as características do produto é tomada. Mas, independentemente do nível um, uma decisão errada pode ser tomada no nível dois, quando não é totalmente claro para a organização quais recursos são esperados pelos clientes-alvo.

Por exemplo, considere o conhecido fracasso do sedã de luxo da Volkswagen, Phaeton, que era voltado para o segmento de compradores de carros de classe alta. Embora a Volkswagen tivesse todas as habilidades tecnológicas e administrativas para almejar esse segmento e de fato projetasse o Phaeton como um sedã superlativo, a empresa perdeu o ponto de que os clientes daquele segmento esperavam marcas de luxo como parte das características esperadas do produto. Assim, o Phaeton deveria ter sido vendido sob uma nova marca de luxo, em vez da marca Volkswagen, que era considerada uma fabricante de carros de médio porte confiáveis e bem projetados, e não carros de luxo.

Finalmente, no nível três, buscar a decisão certa significa ficar constantemente informado sobre as possíveis mudanças nas necessidades do cliente, nos avanços dos concorrentes e nos ciclos do produto, porque as composições consideradas em voga no ano passado podem se tornar médias este ano. Essas mudanças não são tão rápidas em outros setores quanto no setor de Tecnologia da Informação (TI). No entanto, é vital que todas as organizações se mantenham informadas sobre as grandes tendências que moldam os requisitos do cliente e, consequentemente, as expectativas em relação aos seus produtos.

O aprendizado de máquina pode ajudar em todos os três níveis, dando sentido a grandes quantidades de informações não estruturadas. Isso é mais óbvio no nível três ao discutir tendências. Por sua própria natureza, as tendências mostram sinais precoces, mas frequentemente fracos, decorrentes de uma variedade de fontes de dados. Geralmente, eles são bastante confusos e difíceis de compreender até que (às vezes de repente) se manifestem.

A organização que entende as tendências primeiro e pode usá-las para adaptar proativamente seus projetos de produto tem uma clara vantagem competitiva. A detecção de tendências é muito semelhante à previsão do tempo – e, portanto, é um domínio no qual o aprendizado de máquina pode fornecer à organização uma análise vital e a melhor previsão.

Usando a mesma lógica, a decisão sobre os recursos do produto no nível dois – e até mesmo a decisão de qual segmento de cliente atingir no nível um – pode ser muito avançada com o aprendizado de máquina. Os mercados geralmente são bastante confusos, e não é totalmente claro onde os limites dos segmentos se desdobram e quais são as expectativas precisas do cliente em segmentos definidos aleatoriamente.

O aprendizado de máquina pode não apenas ajudar a definir melhor e mais precisamente os segmentos (o melhor método para isso seria o aprendizado não supervisionado, porque é completamente livre de quaisquer suposições anteriores sobre o assunto), mas também pode analisar melhor os enormes dados potencialmente aplicáveis à definição. das necessidades do cliente. Isso permite uma melhor correspondência e uma composição de recursos otimizada.

Especialmente em indústrias nas quais a customização em massa é importante, o aprendizado de máquina pode orientar as organizações em suas decisões sobre quais partes do produto podem tornar personalizáveis e de que forma. Para usar a renomada classificação de atributos do modelo Kano, o aprendizado de máquina (4) também pode fornecer a uma organização insights sobre atributos de prazer, que podem ajudar a distinguir a oferta de produto da concorrência.

Por último, no nível um, o aprendizado de máquina também pode ser aplicado para encontrar recursos tecnológicos ou gerenciais necessários quando – por razões estratégicas, por exemplo – um determinado segmento de cliente é direcionado, mas alguns dos recursos necessários não estão disponíveis internamente. Encontrar as capacidades necessárias não é tarefa fácil, porque elas estão incorporadas em seres humanos. O aprendizado de máquina, no entanto, pode tornar a busca por indivíduos superdotados muito mais precisa, pois pode inferir de uma variedade de dados de entrada (e não apenas os fatos oficialmente declarados em currículos) a probabilidade de uma pessoa ser capaz de fornecer esses recursos.

Em resumo, o aprendizado de máquina pode ajudar bastante as organizações a alcançar alta qualidade de projeto, analisando um conjunto de dados mais rico e complexo do ambiente externo – sejam dados sobre clientes, tendências, concorrentes ou funcionários em potencial – para alcançar um nível muito mais próximo. correspondência entre os requisitos do cliente e os recursos do produto.

Qualidade de produção inteligente: A discussão de como a aprendizagem de máquina pode ajudar na outra dimensão da qualidade não é menos interessante e potencialmente revolucionária para muitas indústrias.

Depois que a decisão do projeto do produto foi tomada, a qualidade da produção diz respeito à questão de quão bem o processo de produção é capaz de transformar os produtos em especificações – em outras palavras, quão grande é a taxa de defeitos. Quanto menor a taxa de defeito, melhor a qualidade da produção – com zero de defeitos (ou próximo de zero, como propagado pelo Seis Sigma), o que significa qualidade de produção perfeita. Os dados desempenham um papel importante aqui.

Usando o ciclo de investimento de qualidade (5) para uma estrutura analítica, vamos começar com o reconhecimento do problema de qualidade – uma taxa de defeito geralmente detectada pela inspeção ou produtos defeituosos sendo retornados. Isso desencadeia uma investigação do problema, que geralmente envolve duas etapas:

Etapa 1: Encontrar o parâmetro de processo relevante à qualidade (quality-relevant process parameter – QRP) ou a combinação de QRP que causam o problema.

Etapa 2: Encontrando a causa raiz dos desvios de parâmetros. A decisão de melhoria da qualidade constitui o próximo passo.

Etapa 3: Tomar a decisão de eliminar a causa raiz, otimizando a tecnologia dada ou adotando uma tecnologia mais adequada.

Depois que a causa raiz do defeito é sanada e o nível de qualidade de produção melhora, o investimento de acompanhamento é na manutenção da qualidade. Dado o conhecimento que foi adquirido durante a investigação do problema, a forma lógica de manutenção da qualidade é a instalação de um sistema de monitoramento que rastreia os QRP identificados e indica a degradação de parâmetros iminentes por sinais de alerta antecipados.

Para garantir um nível permanentemente de alta qualidade, o monitoramento deve ser instalado para todos os QRP. Uma tarefa principal para garantir a alta eficácia da manutenção é, portanto, identificar todos os potenciais QRP.

Após o sistema de monitoramento ter identificado parâmetros que aumentam a variabilidade e excedem os limites de controle, pequenos investimentos de contrapartida podem ser feitos antes que os defeitos sejam produzidos, e um ciclo de investimento de manutenção é iniciado. Portanto, podemos adicionar as duas etapas de manutenção de qualidade como:

Etapa 4: Submeter os QRP conhecidos a um sistema de monitoramento para obter controle de qualidade nesses QRP.

Etapa 5: Eliminar quaisquer desvios nos QRP monitorados antes que os defeitos sejam produzidos.

O aprendizado de máquina pode ajudar na melhoria da qualidade da produção de várias maneiras. Seu poder de dar sentido a grandes volumes de dados pode ser aplicado diretamente à investigação do problema descrita nas etapas 1 e 2 – isto é, encontrar os QRP que causam defeitos e detectar as causas-raiz do problema.

O método estatístico clássico disponível para o trabalho desse detetive – por exemplo, o planejamento fatorial fracionário dos experimentos – pode ser substituído pelo aprendizado de máquina. O computador pode ser alimentado com uma variedade de dados de entrada de todos os parâmetros do processo que são rastreados e os dados de saída do nível de qualidade dos produtos. O que as estatísticas fizeram antes – encontrar os QRP no vasto número de parâmetros do processo – agora é feito pelo algoritmo.

Considerando que esta aplicação é direta, um aplicativo conectado à etapa 3 pode estar digitalizando diversos dados do ambiente externo para ajudar a encontrar as melhores opções de melhoria para problemas de qualidade, semelhante a encontrar a melhor combinação de recursos do produto para as necessidades do cliente na dimensão de qualidade de design.

O aprendizado de máquina também pode ajudar na etapa 4 na manutenção da qualidade da produção. Em termos de eficácia do monitoramento, quanto mais QRP forem conhecidos e controlados (isto é, monitorados), mais efetivo será o sistema de manutenção.

Mesmo sem a ocorrência de problemas de qualidade, o aprendizado de máquina pode ajudar a detectar QRP que podem ser monitorados proativamente. Na verdade, podemos pensar no aprendizado de máquina como um complemento lógico para um sistema de monitoramento, pois ele pode fornecer as percepções certas de onde alocar sensores e como interpretar a variabilidade nos dados do sensor com base nos dados de monitoramento obtidos.

Em resumo, o aprendizado de máquina pode ajudar muito a alcançar alta qualidade de produção porque aumenta a eficácia dos sistemas de investigação e monitoramento de problemas com base na análise de dados internos sobre parâmetros de processo, o que leva a uma melhor identificação de QRP. Além disso, pode ajudar a encontrar melhores respostas aos problemas de qualidade, analisando dados externos sobre os avanços tecnológicos e verificando sua aplicabilidade na melhoria desejada.

Perspectiva

Podemos pensar no aprendizado de máquina como um facilitador do que o mundo industrial atualmente fala sob o termo da Indústria 4.0 – a tendência de automação e troca de dados na produção industrial abrangendo sistemas ciberfísicos, a internet e a inteligência artificial. Nesse contexto, alguns novos termos chamativos aparecem, como a manutenção preditiva (6) – que essencialmente nada mais é do que a combinação de monitoramento e aprendizado de máquina, conforme descrito anteriormente. E a manutenção, como praticada antes do advento do aprendizado de máquina, também era preditiva por natureza.

Portanto, não é de surpreender que o aprendizado de máquina seja debatido calorosamente e, às vezes, descartado como um simples exagero. No entanto, há uma lógica convincente que transcende a promoção: seu grande poder de dar sentido a enormes quantidades de dados que podem ajudar as organizações em seus esforços de gestão de qualidade.

É claro que não devemos negligenciar os detalhes da implementação, o que pode ser um desafio. Os dados do exterior nem sempre estão em formato de consumíveis. Há problemas de segurança a serem resolvidos quando uma organização conecta seus sistemas internos ao ambiente externo. E há a necessidade de especialistas em IA capazes que entendam onde é melhor aplicar algoritmos de aprendizado de máquina e como desenvolvê-los ainda mais.

Mais importante, não sabemos o que o futuro nos reserva. Pode haver outros desafios que impedem a ascensão do aprendizado de máquina, como limites ao crescimento do poder de computação ou decisões políticas que retardam o desenvolvimento no campo.

Como acontece com qualquer nova tecnologia, os que adotam a tecnologia mais cedo podem explorar as oportunidades decorrentes do uso de aprendizado de máquina e obter uma vantagem competitiva possivelmente decisiva. As aplicações de aprendizado de máquina poderiam, além disso, reforçar o efeito positivo sobre a competitividade que um sistema de boa qualidade já implica. (7)

Mesmo que as organizações sejam cautelosas, o caminho a seguir deve ser começar a explorar as opções de aprendizado de máquina, determinando se existe um encaixe potencial com os procedimentos e objetivos de negócios da organização e se preparando para uma possível implementação. Com alguma probabilidade, isso se tornará um bom investimento. No final, não há razão para não estar preparado.

Aprendizado de máquina e reconhecimento facial

Um exemplo de aprendizado de máquina são os algoritmos de reconhecimento facial usados em plataformas de mídia social, como o facebook. Apenas o aprendizado de máquina pode realizar o reconhecimento de rostos não identificados.

Um programa tradicional falharia porque o que nós humanos fazemos com facilidade não pode ser facilmente decomposto em programas simples (ponto nº 1), porque o algoritmo deve se adaptar à mudança de dados de entrada na forma de diferentes representações fotográficas de um indivíduo (ponto n º 2), e porque os bilhões de fotos não rotuladas na plataforma são um conjunto crescente de dados complexos (ponto n º 3).

Como mostrado na Figura 1, o algoritmo é primeiramente treinado em um conjunto de fotos de indivíduos com propriedades faciais distintas, como comprimento do cabelo, cor dos olhos e expressões faciais. As propriedades faciais são as entradas e o nome do indivíduo é a saída.

progress2

Com base nesse conjunto de treinamento, o algoritmo desenvolve uma função de previsão que minimiza o erro de previsão no conjunto de treinamento – ou seja, procura a função que melhor corresponda às propriedades faciais aos nomes.

Na segunda fase, a função preditiva é testada em um conjunto de exemplos de ensaio nunca antes visto de indivíduos selecionados do conjunto de treinamento. Agora deve ser capaz de reconhecer as faces de ensaio – isto é, inferir da entrada (faces de teste) a saída (nome do indivíduo).

O objetivo do aprendizado de máquina é aperfeiçoar a função preditiva refinando-a em tantos dados quanto possível. Isso explica porque grandes bancos de dados como o facebook, no qual o algoritmo compara continuamente as propriedades faciais de indivíduos e o verifica em uma grande quantidade de outros conjuntos de dados, não apenas reconhecem corretamente seu rosto, mas também sugerem com qual celebridade é parecida ou sósia. (JF)

Referências

(1) Herbert A. Simon, “Why Should Machines Learn?” which appeared in R.S. Michalski, Jaime G. Carbonell and Toni M. Mitchell, eds., Machine Learning: An Artificial Intelligence Approach. Tioga Pub Co., 1983.

(2) Shai Ben-David and Shai Shalev-Shwartz, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014.

(3) DeepMind.com, Producing Flexible Behaviors in Simulated Environments, https://deepmind.com/blog/producing-flexible-behaviours-simulated-environments, 2017.

(4) N. Kano, N. Seraku and F. Takahashi, Attractive Quality and Must-Be Quality, Journal of the Japanese Society for Quality Control, Vol. 14, No. 2, 1984, pp. 147-156.

(5) Johannes Freiesleben and Gabriele Schwarz,  Quality-Triggered Learning Effects, Total Quality Management & Business Excellence, Vol. 17, No. 7, 2006. pp. 825-834.

(6) Relayr, IoT Enables Predictive Maintenance, http://blog.relayr.io/iot-enables-predictive-maintenance-1, 2017.

(7) Johannes Freiesleben, Can Six Sigma Claim to Be a Generic Strategy? Reassessing the Competitive Implications of Quality Improvement, International Journal of Six Sigma and Competitive Advantage, Vol. 3, No. 3, 2007, pp. 248-265.

Johannes Freiesleben é professor de administração de empresas na Universidade de Ciências Aplicadas de St. Gallen, na Suíça, e enfoca a economia de qualidade e a aplicação do aprendizado de máquina na produção. Ele é doutor em administração de empresas pela Universidade de St. Gallen, na Suíça. Ele é membro da ASQ.

Fonte: Quality Progress/2018 October

Tradução: Hayrton Rodrigues do Prado Filho



Categorias:Qualidade

Tags:, , , , , ,

Deixe uma resposta

%d blogueiros gostam disto: