O futuro da IA

News Article -- Julho 30, 2020

A Inteligência Artificial (IA) ganha cada vez mais papéis em diversos aspectos das nossas vidas, como, por exemplo, na operação da indústria da aviação. Usar a IA para fazer um avião voar será uma enorme conquista e a prova definitiva da sua habilidade de lidar com a complexidade. Será uma parte crítica para implementar as mudanças exigidas na próxima década, conforme as organizações de A&D (Aviação e Defesa) reavaliam a automação de seus processos de fabricação. A pandemia recente, as licenças, as falências e as aposentadorias estão impactando a produtividade e ampliando o gap de talentos, forçando a indústria a adotar novas tecnologias como a IA para reinventar os seus negócios.

O que é IA e machine learning?

A IA, como muitas palavras da moda de tecnologia, pode significar coisas diferentes para pessoas diferentes. Para nós, um sistema de IA tira proveito de funções de software criadas através de um processo de machine learning, em vez de ser por meio da programação tradicional. Dados, ao invés de código-fonte, são o elemento crítico. A performance de uma aplicação de IA é moldada pelos dados usados para treiná-la.

Sem entrar em detalhes sobre algoritmos ou abordagens de machine learning, podemos generalizar que o poder dentro da IA vem da habilidade do machine learning de modelar sistemas e ambientes complexos muito além do que conseguimos construir em um software tradicional.

Imagine construir um sistema de reconhecimento de voz através de programação tradicional - ter uma função para cada palavra ou uma declaração de caso para cada pronúncia ou sotaque. Levaria uma quantidade de tempo colossal para cobrir até mesmo 10% da língua inglesa. Modelos de machine learning, ao contrário, tem feito dessa tarefa um trabalho simples, ao ponto que sistemas robustos e precisos podem entender um vocabulário completo de centenas de línguas e sotaques.

IA analítica vs. IA operacional

As ferramentas e os ambientes de desenvolvimento para construir aplicações analíticas de IA estão ficando cada vez mais maduros. Antes, cientistas de dados escreviam código de Python para ativar a maioria dos algoritmos e abordagens para o machine learning. Trabalhavam duro, extraindo dados de várias fontes e transformando-os para alimentar algoritmos de IA.

Agora, nós podemos lidar com alguns dos desafios mais complexos que a indústria está tentando resolver. Também podemos ver avanços tecnológicos que estão por vir, como a introdução de mais drones e táxis aéreos.

O que a indústria realmente precisa fazer é alavancar a construção de sistemas complexos de IA operacional. Precisamos do nível de IA capaz de fazer com que um carro dirija a si mesmo ao longo da indústria de A&D. Para fazer isso, precisamos de uma abordagem diferente para desenvolver sistemas de IA. A escala de dados necessária para treinar estes sistemas complexos é muito maior do que o que foi feito antes. Esses dados devem ser bem geridos por meio de sistemas mais complexos de machine learning, onde o software de IA é frequentemente treinado em estágios, utilizando dados que são sinteticamente gerados em pontos-chave. Também temos que considerar o ambiente de teste e validação, já que estamos falando sobre construir sistemas que operam maquinários complexos no mundo real.

IA operacional em A&D: Três exemplos de uso

Ao contrário do desenvolvimento de IA para casos de uso analítico, o desenvolvimento de conjuntos de ferramentas e metodologias para IA operacional está só começando. Acreditamos que o sucesso em qualquer empreitada de IA operacional será determinado mais criticamente ao ter acesso a um ecossistema robusto de desenvolvimento.

Automação de fábrica. Muitos das preocupações em A&D ao longo dos últimos 10 a 15 anos foram causadas pela cadeia de suprimentos ineficiente, que tem criado extrapolações de gastos, atrasos e falências. Muitas empresas estão sofrendo com grandes problemas de cadeia de suprimentos, que vão desde falta de controle - em entregas e prontidão - até falta de controle de qualidade. Ao redor da indústria, problemas de cadeia de suprimentos tem custado às empresas dezenas de bilhões de dólares.

A indústria automotiva é altamente digitalizada e automatizada de um ponto de vista de fabricação, porque tem uma cadeia de suprimentos relativamente estável e gerenciável de 10 a 15 fabricantes de equipamentos originais (OEMs, na sigla em inglês), junto com cooperação e parcerias. Em contraste, a indústria aeroespacial global não tem esse nível de parceria e, criticamente, o volume necessário de fabricação para fazer investimentos semelhantes. As empresas de A&D dependem de uma cadeia de suprimentos muito profunda e pesada, quase sem automação e com muito pouco controle de planejamento ou de qualidade.

Em termos de problemas de atraso e de qualidade, as principais causas são processos e planejamentos manuais mal feitos. Para sustentar a automação, a indústria também precisa de uma forte fundação digital, onde tanto o uso de máquina quanto o trabalho possam ser monitorados e otimizados automaticamente. A automação não traz só conformidade e controle, como também traz uma melhora automática na qualidade que é muito necessária. A resposta para automatizar em A&D está em usar robótica de propósito geral, mais especificamente, cobots (robôs colaborativos), que são robôs humanoides de uso geral que podem trabalhar em meio a uma população humana tanto em chão de fábrica quanto em linhas de produção típicas de A&D. Cobots permitem que a automação seja muito mais barata, porque não é necessário que se reponha as ferramentas dos programas de fabricação.

Estes cobots ainda precisam ser programados, e é aí que a IA entra. Programar soluções de automação tradicionais é caro, porque cada tarefa precisa ser programada de forma customizada para se encaixar em uma fábrica ou linha de produção particular. Com IA, programar inúmeras tarefas diferentes uma por uma não é necessário. IA mais cobots permitem a automação daquele programa ou fábrica operacional em escalas altas e baixas, e até sem escalas, em um custo operacional menor.

Gerenciamento de tráfego aéreo. A IA é crítica para gerenciar as disrupções esperadas nesta indústria ao longo dos próximos 10 anos. Uma das que está sendo observada de perto é a introdução pendente de drones e taxis aéreos, geralmente conhecidos como sistemas de mobilidade aérea urbanos. Por isso, o segundo exemplo de uso é a construção de um controlador de tráfego aéreo com IA.

Hoje, o gerenciamento de tráfego aéreo é geralmente feito por pessoas. Baseado em muitas projeções desta indústria em ascensão, em 15-20 anos haverá 30 vezes o volume de tráfego aéreo voando sobre uma cidade grande, como Los Angeles, do que temos agora. Seres humanos seriam muito pressionados a gerenciar esse grande volume, o que poderia ser impossível.

Mas esse não é o tipo de problema no qual mais humanos podem ser adicionados e no qual cada pessoa fica responsável por uma fatia menor de tráfego aéreo, quando consideramos a sua quantidade e o seu novo tipo que é esperado que opere, especialmente no nível de 0 a 3000 pés. Dado tudo isso, há um consenso amplo de que a indústria precisa de IA para lidar com esse nível de complexidade exponencialmente mais alto.

Veículos completamente autônomos. Esse terceiro exemplo de uso é óbvio, porque somos inundados com notícias sobre o carro autônomo. Primeiro, ser autônomo é diferente de não ser tripulado. Os drones que voam hoje não têm pilotos sentados neles, mas ainda assim são supervisionados por um piloto no chão. Eles têm uma estação terrestre com um humano pilotando o drone remotamente.

A evolução desse estado é a autonomia total, em que um sistema de IA está constantemente avaliando e reagindo ao aeroespaço e tomando decisões para agir de acordo com sua missão. O ímpeto por voo completamente autônomo é o mesmo que o terrestre. Um novo plano de ação foi publicado agora e, com autonomia, não só podemos imaginar um mundo mais eficiente como também mais seguro.

Criando sistemas de IA operacional complexos

Para criar sistemas de IA operacional complexos na indústria de A&D, é preciso atender necessidades muito diferentes de gerenciamento de dados e de algoritmos. Uma simulação muito robusta também é necessária na fase de testes. Acima de tudo, há uma demanda forte de uma solução que permita DevOps de IA operacional complexos.

Quando se está treinando um sistema de IA, existem dois conjuntos de dados. Primeiro, o conjunto histórico de dados usado para o caso de uso preditivo, contendo as instâncias do que está sendo previsto. Depois, vem um conjunto de dados de testagem ou validação. No mundo operacional complexo, organizações investigam redes neurais com frequência para lidar com o reconhecimento de padrões. Algoritmos podem ser usados para construir automaticamente redes neurais cada vez melhores, baseadas na performance das mais produtivas redes neurais de interações passadas.

Mas dado o nível alto de complexidade do ambiente em que o reconhecimento de padrões e o treinamento operam, abordagens de níveis mais complexos devem ser consideradas. Para IA operacional, as várias abordagens de machine learning demandam dados em uma escala maior e gerenciamento de uma maior complexidade.

O que é preciso é uma abordagem em camadas para construir conjuntos de dados diferentes. Comece com um conjunto de dados que é focado na física do que você está tentando usar como modelo; depois, construa um que considere o ambiente de operação. Depois disso, extrapole os dados para criar um conjunto de dados com níveis de magnitude muito maiores.

Então, os algoritmos precisam ser construídos para criar dados sintéticos que alimentem a próxima fase. Além disso, construir um ambiente simulado robusto que corresponde à vida real pode ser um fator chave na aceitação e, onde for necessário, na certificação. Por exemplo, certificar um sistema aéreo é sobre provar que ele é seguro, e DevOps de IA operacional complexos podem ter um papel crucial em fornecer um ambiente robusto de simulação na fase de testes.

IA operacional não é fácil, mas é possível

Construir sistemas complexos de IA operacional não é uma tarefa simples. É muito desafiador gerenciar o ambiente de desenvolvimento e os workflows específicos. O gerenciamento de dados ao longo de todo o ciclo de vida de desenvolvimento é crucial, assim como usar a tecnologia certa para manipular, extrapolar e pôr os dados em escala. É essencial que se construa um sistema que efetivamente gerencie e faça curadoria dos dados que representam o conjunto de dados fundador; e que depois integra, administra e faz a curadoria dos dados daquele conjunto de representação ambiental; e, por fim, fornece a plataforma e a simulação para a extrapolação sintética desta determinada informação fundida em um conjunto de dados muito, muito maior.

Não é fácil fornecer a hospedagem, o gerenciamento e fazer a curadoria dos dados através desses estágios de dados que são massivos em perspectiva. Prover o ambiente de simulação é crucial, porque esse é o “tempero secreto” necessário para que seja possível pegar aquele grande conjunto de dados, combiná-lo e depois extrapolá-lo para finalmente produzir um algoritmo robusto.

A boa notícia - não só para a indústria de A&D, mas para todas elas - é que uma solução que fornece o ambiente de DevOps para fazer com que tudo isso aconteça e opere em escala existe: A DXC Robotic Drive é a primeira solução que provê um conjunto de ferramentas de desenvolvimento e um ambiente de gestão do começo ao fim para construir IA operacional complexa.

Sobre os autores

Mark Roboff
Mark Roboff é General Manager for Digital Transformation in Aerospace and Defense na DXC Technology e um reconhecido líder de pensamento em IA em A&D, viagem e aviação. Com mais de 15 anos de experiência em IA e tecnologia relacionadas, Mark provê suporte a soluções de IA em engenharia, fabricação e manutenção para os clientes da DXC. Ele serve no SAE’s Digital and Data Steering Group e no seu Comitê de Desenvolvimento de Sistemas Aéreos e de Testagem de Segurança. Ele também comanda o Comitê do SAE G-34 de Inteligência Artificial na Aviação, que está definindo o padrão para implementar e certificar a IA para uso em operações críticas de segurança.

Maura M. Fox
Maura M. Fox é uma Digital General Manager for Aerospace, Defense and Manufacturing na DXC Technology, focando na transformação digital em indústrias que precisam de alta confiabilidade. Anteriormente, ela trabalhou em pesquisa sobre inteligência artificial, 5G e realidade-mista, e como designer de sistemas de RF/microwave/mmWave.