Inteligência artificial acelera o acesso a dados e analytics

Ainda que as empresas tenham feito investimentos significativos em dados e analytics, nem todo funcionário necessariamente sabe como usá-los da forma correta. Esse aprendizado exige tempo e esforço. Ao mesmo tempo que grandes repositórios de dados podem existir na organização, o fluxo que chega aos colaboradores pode estar mais para um filete d’água do que para uma cascata.

Abordagens baseadas em inteligência artificial (IA) podem ajudar profissionais em qualquer corporação a conhecer o que está disponível em uma área ou base geográfica. O “trecho final”, no entanto, é um problema comum na transferência de informação.

Em telecomunicações, os canais de banda larga podem transportar dados rapidamente entre pontos centrais. A dificuldade está na periferia, para o usuário individual, em que se formam os gargalos. A velocidade do fluxo no segmento mais lento, tipicamente o último, em que os serviços são para os usuários de pequeno porte, determina a velocidade geral. Todo o ganho da banda larga é inútil se a conexão na ponta é lenta.

Por exemplo, o conteúdo da internet pode viajar pelo mundo todo até o provedor local sem dificuldades, mas para chegar à sua casa ele poderá ser bloqueado por todo tipo de problema, como cabeamentos velhos da rede telefônica, fiação frágil da sua casa ou componentes ultrapassados em seu computador. Não há investimento do provedor que possa corrigir os obstáculos presentes em sua residência – e os investimentos que seu vizinho fizer também não vão ajudar você. A solução para o gargalo final pede que cada usuário faça o seu próprio investimento.

Infelizmente, as organizações que têm incrementado o seu uso de Big Data precisam superar os mesmos tipos de “trechos finais”. Ainda que a empresa tenha uma capacidade considerável de reunir e analisar dados, cada um de seus colaboradores precisa fazer investimentos de forma a entender o que pode ser usado e de que maneira. A disseminação do seu uso requer, portanto, a disseminação do seu entendimento, um aprendizado essencialmente lento e difícil.

Uma das possibilidades animadoras é de que a IA possa contribuir para a aceleração desse aprendizado organizacional. O uso de machine learning pode facilitar o processo, assim como pode espalhar o aprendizado entre as pessoas, nivelando o grau de conhecimento.

O caso da Airbus

Quando a Airbus começou a produzir o modelo de aeronave A350, queria fabricá-lo mais rápido que qualquer outro modelo anterior, mas sem qualquer perda na qualidade. Um desafio específico era o fato dessa aeronave ser nova, por definição. Ninguém tinha qualquer experiência em sua produção. Logo, havia a questão do aprendizado organizacional e o aprendizado da própria produção.

Experiência é um fator importante no processo de manufatura. Em um projeto do porte da montagem de uma aeronave, obstáculos e problemas são praticamente obrigatórios. Alguns deles serão maiores e precisarão que a produção seja interrompida até que o problema seja sanado. Outros, menores e facilmente contornáveis, sem afetar a produção ou a qualidade. Com o tempo, colaboradores terão aprendido a lidar com todos e, mais importante, a discernir quais precisam parar a produção e quais não.

Para atingir a meta de produção mais veloz, a Airbus precisou aprender mais rápido do que jamais fez. A empresa já tinha a capacidade instalada de coletar agilmente os problemas relacionados ao processo de produção do A350. Entretanto, ainda faltava distribuir esse conhecimento por toda a organização – este era o gargalo potencial.

Montar blocos para aprendizagem organizacional por meio de IA

Matthew Evans, vice-presidente de transformação digital, contou que o sistema construído pela Airbus permitiu “acelerar a produção e realmente reduzir o tempo que levaríamos para lidar com as disrupções, para que atingissem a curva de aprendizado”.

O sistema “reuniu uma visão completa de tudo o que já havia acontecido no programa A350”, diz Evans, e começou com o processo de coleta de dados “quando havia uma questão na linha de produção, como uma ferramenta fora do lugar e que havia prejudicado uma peça. A primeira ação que aquela equipe, aquele supervisor, tomaria seria documentar o fato bem depressa, com uma imagem e um pequeno texto explicativo”.

Conectar machine learning à aprendizagem organizacional

Mas reunir e analisar os dados não seria suficiente para que todos aprendessem. A companhia foi adiante e construiu um sistema baseado em IA que colocava, como Evans descreveu, “uma recomendação que dizia, por exemplo, que o melhor caminho é pedir ajuda ao departamento de engenharia e eliminar vários pontos em que se tentava adivinhar o que fazer”.

Os colaboradores não estão limitados à própria experiência e conhecimento. Em vez disso, podem se beneficiar da experiência de outros na organização.

Superar o “último trecho”

Porém, se a Airbus parasse de consolidar a experiência de forma centralizada, os benefícios dos dados e analytics obtidos não chegariam à linha de produção. Evans descreve o problema como “fazer chegar a informação aos que podem fazer diferença no ritmo de produção”.

“Fundamentalmente, é sobre ter acesso àquela informação integrada e projetar um sistema e ferramentas que estão lá para maximizar o resultado do trabalho humano. Não é automação completa. Não é a substituição do trabalho de supervisão. Está lá para ajudá-los. E é a combinação da máquina com a amplitude do conhecimento e os insights para encontrar as melhores combinações, complementadas pelo que o supervisor da linha sabe que está acontecendo e o que a situação precisa. A combinação dos dois fatores é o que o torna eficaz”. O sistema de IA reduz o gargalo no final da linha ao ajudar o colaborador a usar os dados no ponto exato que precisam.

O Fórum: Data Science é uma coprodução de MIT Sloan Review Brasil e SAS.