Otimização do TORO: Classificação Automática de Aplicações Usando Processamento de Linguagem Natural

Introdução: O Problema de Classificação de Aplicações no TORO

Na indústria atual, onde a eficiência da produção é crítica, a gestão de manutenção, reparação e operação (MRO) desempenha um papel central. Centenas e às vezes milhares de solicitações de manutenção, reparo ou peças de reposição são geradas todos os dias. A tradicional classificação manual, priorização e roteamento dessas solicitações é um processo demorado e sujeito a erros humanos. Isto resulta em atrasos nas respostas, má alocação de recursos, aumento do tempo de inatividade dos equipamentos e, como resultado, perdas financeiras.

Para resolver este problema, a UNITEC-D GmbH propõe considerar a utilização de tecnologias de inteligência artificial, em particular Processamento de Linguagem Natural (NPM), para automatizar a classificação de aplicações em sistemas TORO. Esta abordagem permite transformar uma descrição textual não estruturada do problema em dados estruturados que podem ser instantaneamente classificados, priorizados e direcionados aos atores apropriados. Isto corresponde aos princípios da Indústria 4.0 e permite às empresas ucranianas aumentar a eficiência operacional e a fiabilidade dos processos de produção.

Princípio de Funcionamento do OPM para Classificação de Aplicações

A inteligência artificial é um ramo da inteligência artificial que permite aos computadores compreender, interpretar e gerar a fala humana. No contexto da classificação dos pedidos TOO, o sistema OPM analisa a descrição textual do problema fornecida pelo operador ou técnico e atribui-a a uma ou mais categorias predefinidas. O processo inclui várias etapas principais:

Coleta e pré-processamento de dados: O sistema precisa de dados históricos – milhares ou dezenas de milhares de aplicativos já classificados com descrições de texto. O texto é limpo de caracteres desnecessários, erros tipográficos, palavras irrelevantes (por exemplo, "e", "mas", "y").
Tokenização e representações vetoriais (incorporação): o texto é dividido em palavras ou frases separadas (tokens). Cada token é convertido em um vetor numérico que reflete seu significado semântico e contexto na frase. Modelos modernos como BERT ou Word2Vec criam representações vetoriais de alta qualidade que permitem ao sistema “entender” sinônimos e contexto.
Treinamento de um modelo de aprendizado de máquina: com base nessas representações vetoriais, um modelo de aprendizado de máquina (por exemplo, um classificador baseado em redes neurais profundas ou um método de vetor de suporte) é treinado. O modelo do professor combina os vetores de texto com suas categorias corretas, revelando padrões.
Classificação: após o treinamento, quando o sistema recebe uma solicitação nova e não classificada, ele passa pelas mesmas etapas de processamento. O modelo treinado analisa a representação vetorial do novo texto e prevê a categoria mais provável (por exemplo, “Falha elétrica”, “Vazamento hidráulico”, “Manutenção programada”) com um certo nível de confiança.

Essa abordagem permite que o sistema não apenas pesquise palavras-chave, mas compreenda o conteúdo do aplicativo, mesmo que o texto não seja claro ou contenha gírias técnicas específicas características de uma determinada empresa.

Requisitos de dados

A qualidade e o volume de dados são críticos para o sucesso da implementação de um sistema OPM. Sem dados adequados, qualquer modelo será ineficaz. Os principais requisitos incluem:

Volume de aplicativos históricos: Para o treinamento inicial do modelo, são necessários no mínimo 5.000 a 10.000 aplicativos classificados qualitativamente. Para obter alta precisão, é desejável ter de 20.000 a 50.000 aplicações ou mais.
Qualidade das descrições do texto: as descrições devem ser tão detalhadas e claras quanto possível. Descrições pouco claras, muito curtas ou preenchidas com abreviações que não são decodificadas no sistema reduzem a precisão. É necessário realizar uma auditoria dos dados e, se possível, unificar a terminologia.
Precisão da classificação manual: os aplicativos históricos devem ser classificados corretamente por humanos. Se os dados de treinamento contiverem erros, o modelo os reproduzirá. Recomenda-se verificar e corrigir as classificações existentes.
Formato de dados: os dados devem estar disponíveis em um formato estruturado (por exemplo, CSV, JSON ou diretamente do banco de dados STUOiR/SAUAP). Cada entrada deve conter uma descrição textual do problema e a categoria (ou categorias) correspondente. Campos adicionais como ID do ativo, data, prioridade e executor podem ser usados para enriquecer o modelo.
Privacidade e proteção de dados: De acordo com os requisitos da legislação ucraniana (por exemplo, a Lei da Ucrânia "Sobre a Proteção de Dados Pessoais") e padrões internacionais (ISO/IEC 27001), é necessário garantir a proteção adequada das informações confidenciais contidas nos aplicativos.

A preparação dos dados é a etapa mais demorada da implementação do OPM. Os investimentos na qualidade dos dados compensam com uma precisão e confiabilidade do sistema significativamente maiores.

Arquitetura de implementação de sistema

A integração do sistema OPM no cenário de produção existente requer uma arquitetura bem pensada. Uma arquitetura típica inclui os seguintes componentes:

Operadores/Sensores → Sistema de gerenciamento TORO (SUTOiR/SUAP) → Módulo OPM → Sistema de despacho/banco de dados → Executores

Fonte de aplicativos: podem ser operadores que inserem manualmente descrições de problemas no sistema (por exemplo, SAP PM, IBM Maximo, 1C:TORO) ou sistemas automáticos de monitoramento de condição (Monitoramento de condição), que geram notificações com base em dados de sensores (temperatura, vibração, pressão de acordo com EN ISO 10816-1).
Toro Management System (SUTOiR/SUAP): o sistema existente da empresa que coleta, armazena e gerencia aplicativos. O módulo OPM integra-se a este sistema para receber aplicações não classificadas e retornar dados confidenciais.
Módulo OPM: o componente central que executa o processamento de linguagem natural. Ele pode ser implantado como um servidor local (On-Premise) para garantir a máxima segurança dos dados ou como um serviço em nuvem (baseado em nuvem) para flexibilidade e escalabilidade. O módulo inclui:
- Interface de entrada/saída: Para interação com SUTOiR/SUAP via API (Application Programming Interface).
- Subsistema de pré-processamento: Limpeza de texto, tokenização.
- Subsistema de Representações Vetoriais: Conversão de texto em vetores numéricos.
- Modelo de classificação: modelo de aprendizado de máquina treinado.
Sistema de despacho e banco de dados: as solicitações classificadas são automaticamente encaminhadas para as equipes apropriadas ou técnicos individuais especializados nesta categoria de mau funcionamento. As informações são armazenadas em um banco de dados para posterior análise e relatórios.
Feedback e reciclagem: um elemento crítico. Técnicos ou gestores TORO verificam a classificação automática. Se a classificação estiver incorreta, eles a corrigem. Esses dados ajustados são usados para retreinar periodicamente o modelo, melhorando sua precisão ao longo do tempo.

É importante garantir que a integração esteja em conformidade com os padrões de segurança de dados e sistemas de informação, como DSTU ISO/IEC 27001:2015.

Resultados Reais e Eficiência Econômica

A implementação do OPM para classificação de aplicações TORO demonstra melhorias significativas nos indicadores operacionais:

Melhorar a precisão da classificação: Os sistemas OPM automatizados alcançam uma precisão de classificação de 85 a 95%, o que é significativamente maior do que a classificação manual, que geralmente fica em torno de 60 a 70% devido ao cansaço, à falta de padronização e à subjetividade.
Redução do tempo de processamento de aplicativos: o tempo desde o recebimento de um aplicativo até sua classificação e roteamento é reduzido de 15 a 30 minutos (com processamento manual) para menos de 1 minuto. Isto acelera a resposta a avarias críticas.
Diminuindo o número de solicitações roteadas incorretamente: até 20-40% das solicitações que foram enviadas anteriormente para a equipe ou especialista errado agora são classificadas e roteadas corretamente. Isto reduz o “rollover” da aplicação entre departamentos.
Tempo médio de recuperação (MTTR) reduzido: um despacho mais rápido e preciso leva à redução do MTTR, o que afeta diretamente o tempo de inatividade do equipamento. Uma queda de 10-15% no MTTR é típica.
Análise de dados aprimorada: a classificação automática padronizada gera dados de alta qualidade para análise adicional da causa raiz, previsão de falhas e otimização de programações de manutenção preventiva.
Economia de custos e retorno do investimento (ROI): Devido à redução do tempo de inatividade, à otimização do tempo de trabalho da equipe (até 10-15% do tempo de trabalho dos gerentes de manutenção) e ao aumento da eficiência dos trabalhos de reparo, o retorno do investimento é geralmente de 12 a 24 meses.

Métricas Aplicadas:

Custo do projeto piloto: 20.000 – 50.000 EUR (incluindo preparação de dados e implantação do modelo básico).
Custo da integração completa: 100.000 – 500.000 EUR (depende da complexidade da integração, da quantidade de dados e da necessidade de personalização).
Redução de custos administrativos: Até 0,5 - 1,5 EUR para cada solicitação processada. Com 10.000 aplicações por mês, isto resulta numa poupança de 5.000 a 15.000 EUR por mês.

Limitações e problemas potenciais

Apesar das vantagens significativas, os sistemas OPM não são uma solução universal e têm as suas limitações:

Entra lixo, sai lixo: Se os dados de treinamento forem de baixa qualidade, o modelo produzirá previsões imprecisas. Descrições inadequadas, terminologia inconsistente ou classificação manual incorreta criam problemas fundamentais.
Ambiguidade e contexto: a linguagem humana é complexa. Os modelos OPM podem ter dificuldade em compreender descrições altamente ambíguas, sarcásticas ou excessivamente breves que requerem uma compreensão contextual profunda.
Especificidade do domínio: modelos treinados em corpora de texto geral não serão eficientes para o jargão técnico TORO. É necessário treinamento em dados específicos do setor. Isto requer um esforço significativo na recolha e rotulagem de dados.
Suporte e reciclagem: Processos de produção e mudança de equipamentos. Surgem novos tipos de avarias, novos ativos, mudam os prazos. O modelo OPM requer monitorização regular e reciclagem periódica (por exemplo, uma vez a cada 3-6 meses) sobre novos dados para manter a sua relevância e precisão.
Dependência da infraestrutura de TI: a implantação e operação de sistemas OPM exigem uma infraestrutura de TI robusta, recursos de computação e, possivelmente, experiência especializada em aprendizado de máquina.

Construir ou Comprar: Análise de Decisão

Ao planejar a implementação de um sistema OPM para classificação de aplicações, as empresas se deparam com um dilema: desenvolver uma solução internamente (Build) ou adquirir uma solução comercial (Buy).

Desenvolvimento por forças próprias (Construir):

Vantagens:

Personalização total para as necessidades exclusivas da empresa.
Preservação da propriedade intelectual.
Integração profunda com sistemas internos existentes sem compromisso.

Desvantagens:

Altos custos iniciais de desenvolvimento e manutenção.
A necessidade de uma equipe de dados especializada (Cientistas de Dados, Engenheiros de ML).
Longo tempo de implementação (12 a 24 meses).
A necessidade de apoio e desenvolvimento constantes.

Compra de uma Solução Comercial (Comprar):

Vantagens:

Implantação mais rápida (3 a 6 meses para integração básica).
Custos iniciais mais baixos (embora os custos gerais de licença e suporte possam ser significativos).
Suporte e atualizações do fornecedor.
Muitas vezes inclui modelos pré-treinados que exigem novo treinamento em dados específicos do cliente.

Desvantagens:

Menos flexibilidade na personalização.
O aprisionamento do fornecedor é possível.
Problemas de segurança de dados se a solução for baseada na nuvem.
As soluções padrão podem não corresponder totalmente aos processos de negócios exclusivos.

Para a maioria das empresas industriais ucranianas, especialmente na fase inicial, uma abordagem híbrida é ideal: a compra de uma plataforma pronta a usar que permite formação adicional sobre dados próprios e integração com EMS/ACS existentes. Isso permite que você obtenha os benefícios da velocidade de implementação e suporte, mantendo a adaptabilidade.

Passos práticos para implementação

O seguinte plano passo a passo é recomendado para a equipe de engenharia da empresa considerando a implementação do OPM:

Auditoria de dados: conduza uma análise detalhada dos aplicativos históricos existentes em seu EMS/ACS. Avalie o volume, a qualidade das descrições textuais e a precisão da classificação atual. Determine se há dados suficientes para treinar o modelo.
Definição de cenário de uso: comece com uma categoria específica de alto volume de reclamações, onde a classificação manual é a mais problemática (por exemplo, falhas de um único tipo de equipamento ou de um chão de fábrica específico).
Formação de uma equipe interdisciplinar: Crie um grupo de trabalho que inclua especialistas em manutenção, departamento de TI, departamento de automação e possivelmente pessoal operacional.
Projeto piloto: implante um pequeno projeto piloto. Use um conjunto de dados limitado e concentre-se em uma ou duas categorias. Isto permitirá testar a tecnologia, avaliar a sua eficácia e identificar potenciais problemas sem investimentos significativos.
Seleção de soluções: Com base nos resultados do projeto piloto e na análise de mercado, escolha a solução comercial mais adequada ou desenvolva um plano de desenvolvimento interno.
Integração: Garanta a integração perfeita do módulo OPM com seu EMS/SMS existente seguindo padrões de troca de dados como DSTU ISO/IEC 19505-1:2015 (UML).
Monitoramento e otimização: após a implementação, monitore continuamente a precisão da classificação, colete feedback do usuário e treine regularmente o modelo novamente com dados novos e ajustados para manter o alto desempenho.

A UNITEC-D GmbH apoia estratégias de transformação digital na indústria, fornecendo peças sobressalentes e componentes confiáveis e certificados (CE, UkrSEPRO) que atendem aos padrões EN e ISO. A nossa vasta gama de produtos, disponíveis através do catálogo eletrónico, permite-lhe encontrar e encomendar rapidamente os elementos necessários para quaisquer sistemas que tenham sido diagnosticados com a ajuda de sistemas inteligentes TORO. Isso garante a operação ininterrupta do equipamento e minimiza o tempo de inatividade, o que é fundamental para obter sucesso com os benefícios do OPM.

Resumo

A classificação automática de solicitações de manutenção usando o Processamento de Linguagem Natural é uma ferramenta poderosa para melhorar a eficiência da manutenção na indústria ucraniana. Permite reduzir o tempo de resposta, otimizar a alocação de recursos e melhorar significativamente a qualidade dos dados para análises posteriores. Embora a implementação exija investimento em dados e tecnologia, as poupanças potenciais e o aumento da fiabilidade operacional proporcionam um retorno rápido.

Para apoiar as suas iniciativas de M&A e garantir a fiabilidade dos processos de produção, convidamo-lo a familiarizar-se com a nossa gama de peças sobressalentes e componentes industriais de alta qualidade. Visite o Catálogo Eletrônico UNITEC-D.

Ligação

DSTU ISO 9001:2015 Sistemas de gestão da qualidade. Requisitos
DSTU ISO/IEC 27001:2015 Tecnologias de informação. Métodos e meios de garantir a segurança. Sistemas de gestão de segurança da informação. Requisitos
DSTU EN ISO 10816-1:2006 Vibração. Medição e avaliação de vibração de máquinas. Requisitos gerais.
PT ISO 13849-1:2015 Segurança de máquinas. Partes dos sistemas de controle relacionadas à segurança. Princípios gerais de design.
Diretivas de Marcação CE para Máquinas (2006/42/EC).
Regulamento técnico de segurança de máquinas, aprovado pela resolução da CMU de 30 de janeiro de 2013 nº 62 (corresponde à Diretiva 2006/42/CE).
DSTU 4163-2003 Sistema de documentação de projeto. Regras para design de documentos de texto.