Depois de mais de muitos anos trabalhando com tecnologia e mais de dez com inteligência artificial, aprendi que uma das melhores formas de avaliar uma nova aplicação é começar pelo problema de negócio. Na indústria, essa lógica fica ainda mais clara. Qualidade, custos, manutenção, estoque, produtividade e previsão de vendas são desafios que existem há décadas. A diferença é que hoje temos capacidade de usar dados e IA para enfrentá-los de novas formas.

Na Paipe, temos acompanhado isso em projetos desenvolvidos para clientes de diferentes segmentos industriais.

Em uma indústria calçadista, aplicamos visão computacional e Deep Learning para automatizar a inspeção de qualidade. Essa tecnologia proporcionou 92,7% de acurácia na detecção de defeitos, com capacidade para inspecionar um produto a cada três segundos. Nesse mesmo segmento havia, também, outro desafio: solucionar os ruídos de movimentação interna no seu estoque. Para isso, instalamos um agente de IA que passou a considerar demanda, giro e regras de armazenagem para otimizar a localização dos produtos. O resultado foi uma redução de 27% na distância percorrida e um aumento de aproximadamente 9% na produtividade.

Em outro cliente, na indústria petroquímica, o problema estava na informação. Milhares de dados técnicos estavam dispersos entre documentos físicos, PDFs, desenhos e sistemas. Neste caso, a IA foi aplicada para extrair e organizar informações de cerca de 3.500 arquivos e 9.500 páginas, criando uma base pesquisável para apoiar as equipes.

Nossas aplicações envolvem, também, o enfrentamento de questões relacionadas à decisão comercial. Em uma indústria química, Machine Learning foi utilizado para previsão de vendas, alcançando 93% de acurácia e um horizonte de previsão entre seis e doze meses.

Problemas diferentes, com tecnologias e impactos diferentes; porém, um ponto comum entre elas: todas começaram pela identificação de uma necessidade concreta do negócio.

É assim que acredito que as empresas deveriam avaliar suas oportunidades dentro da inteligência artificial.

Processos repetitivos, dados pouco aproveitados, desperdícios, decisões demoradas e problemas operacionais recorrentes são um excelente ponto de partida para investigar.

Nem todo desafio precisa de IA. Mas, quando existe aderência, ela pode transformar qualidade, produtividade, custos e capacidade de decisão.

Para quem lidera uma operação industrial, talvez a pergunta mais útil neste momento de hype da IA seja simples: qual problema está custando caro para a minha empresa e poderia ser resolvido de uma forma mais inteligente?

É a partir dessa resposta que os melhores projetos de IA costumam começar.