Aprendizado de máquina e redes neurais: termos importantes na logística moderna, mas o que eles significam de fato? Nós precisamos de um especialista para nos explicar. Paul Hamblin, editor da revista Logistics Business, conhece um.
Especialista em robótica móvel e em AGV, a Kollmorgen mede o desempenho e o comportamento dos sistemas AGV tanto no nível do sistema quanto em AGVs individuais. Ela coleta informações sobre inversores de motor, scanners a laser, localização, tráfego e interferência de obstáculos, encontrando tendências e padrões que a ajudam a melhorar as configurações dos produtos e do sistema.
Altos e baixos de produtividade ou tendências de utilização diária podem ser medidos, e os dados podem ser usados para otimizar rotas, aumentar o rendimento e calcular uma utilização mais inteligente de recursos. Para o usuário final, isso se traduz em custos mais baixos e em receita mais alta. Os dados coletados também dão dicas importantes para processos externos que podem prejudicar o desempenho do AGV. Por exemplo, pedestres bloqueando o caminho dos AGVs ou empilhadeiras manuais sendo guiadas em áreas originalmente planejadas para os AGVs.
Porém, com ele faz tudo isso? Samuel Alexandersson, gerente de gerenciamento de produto AGVs na Kollmorgen, será nosso guia.
"Uma rede neural artificial é um modelo computacional que se baseia, de um modo geral, na estrutura do cérebro humano", ele começa. "As células cerebrais, ou neurônios, são conectados por uma rede intrincada de nervos ao longo dos quais os sinais eletroquímicos viajam. Para simplificar, podemos dizer que, se a carga dos sinais de entrada for forte o bastante, o neurônio será acionado, e o sinal continuará para o próximo conjunto de células ao qual o neurônio está conectado."
"Dessa forma, a estrutura das conexões entre todos os diferentes neurônios em nosso cérebro vai determinar como um sinal se propaga. Quando você aprende coisas novas, o que acontece dentro do seu cérebro é a reestruturação das conexões."
"Em uma rede neural artificial, os sinais são digitais em vez de eletroquímicos, e as forças das conexões são armazenadas em cargas. Inicialmente, essas cargas terão um valor aleatório, ou seja, quando alimentamos uma entrada na rede, ela apenas produzirá coisas sem sentido, aleatórias. Porém, do mesmo modo que nós, humanos, aprendemos com a experiência, podemos deixar o modelo aprender com a experiência na forma de dados."
"Cada ponto de dados será uma entrada e uma saída esperada, assim, esses pares são exemplos com os quais podemos aprender. Usando os chamados algoritmos de aprendizado de máquina para ajustar gradualmente os pesos, aproximaremos a saída do modelo cada vez mais da saída esperada, de modo que ele possa aprender a fazer previsões."
"Por exemplo, se fôssemos ensinar um computador a ver a diferença entre um cão e um gato, precisaríamos criar um conjunto de dados com imagens (entradas). Em cada imagem haveria um rótulo indicando se é um cão ou um gato (as saídas corretas). Depois de treinar a rede neural no conjunto de dados, podemos alimentá-la com uma nova imagem e, embora essa imagem nunca tenha sido vista pela rede antes, ela nos dirá se é um cão ou um gato."
Ele poderia dar exemplos de como gerar percepções com base em dados em um contexto de logística?
"Projetar um sistema AGV pode ser uma tarefa complexa que requer muita habilidade e experiência", ele responde. "Ao projetar a rede de estradas, por exemplo, pode haver dezenas de milhares de extensões de estrada individuais que precisam ser configuradas corretamente. É claro que é fácil cometer um erro, e muitas vezes esses erros não são descobertos até você executar o sistema durante uma simulação."
"Portanto, estamos desenvolvendo ferramentas que podem analisar a rede de estradas diretamente para que o usuário receba um feedback mais imediato. Em testes AB internos, vimos uma melhoria de cinco vezes no tempo que levava para os usuários encontrarem a causa raiz em uma configuração com falhas."
"Uma indicação mais prática do impacto que podemos ter com uma abordagem orientada por dados é um caso de suporte em que algo que um engenheiro estava resolvendo há várias horas com métodos convencionais foi resolvido em 10 minutos usando um protótipo que analisa automaticamente os dados da configuração."
Então é isso. Como sempre, tudo se resume a cães e gatos.
