Você sabe a diferença?

Em minhas leituras me deparei com um especialista chamado Tim Eschert, do “”The Leadership Netwo


31.07.20

Marco Lorenzzo Cunali Ripoli, Ph.D. é Engenheiro Agrônomo e Mestre em Máquinas Agrícolas pela ESALQ-USP e Doutor em Energia na Agricultura pela UNESP, executivo, disruptor, multiempreendedor, inovador e mentor. Proprietário da BIOENERGY Consultoria e investidor em empresas.  Acesse www.marcoripoli.com

Em minhas leituras me deparei com um especialista chamado Tim Eschert, do “”The Leadership Network”, que oferece uma interessante e clara diferenciação entre três temas que ouvimos falar muito.

A manufatura industrial sempre esteve na vanguarda dos avanços tecnológicos. As empresas de manufatura foram as primeiras a utilizar supercomputadores (inicialmente apenas o setor aeroespacial e da academia), por exemplo, para análise de elementos finitos.

No entanto, quando vemos o Machine Learning (ou aprendizado de máquinas) como um avanço tecnológico, ele tem sido adotado principalmente pelos setores financeiro e tecnológico, que têm usado o Machine Learning para:

– traduzir textos complexos entre idiomas;
– recomendar itens para comprar em sites de e-commerce;
– estimar o risco de inadimplência dos solicitantes de empréstimos.

Mas o setor manufatureiro não adotou o aprendizado de máquina com o mesmo entusiasmo. (Ainda assim.) Uma das razões é que sempre usamos dados de várias maneiras dentro da fabricação, como Data Analytics e Six Sigma. Então, qual é exatamente a diferença entre Data Analytics, Six Sigma e Machine Learning – e o que eles têm em comum?  Em última análise, são três ferramentas diferentes que são úteis em situações distintas.

– A Data Analytics (Análise de Dados) é exploratória e envolve a criação de um processo automatizado de coleta de dados e, em seguida, analisar manualmente um conjunto de dados para procurar padrões.
– O Six Sigma (não traduzido para o português) conta com valores e parâmetros escolhidos a dedo. Se baseia em um processo definido, o “ciclo DMAIC”.  Este ciclo deve ser seguido em um projeto de melhoria Six Sigma.  A quantidade de dados entrando em um problema do Six Sigma é muito menor. Os valores são escolhidos a dedo na fase “definir” e, em seguida, medidos na segunda fase.  Isso significa que um processo Six Sigma é frequentemente tendencioso pelos especialistas humanos que conduzem os estudos.
– O que torna o Machine Learning único é uma visão holística e destacada sobre a fabricação. O Machine Learning reconhece automaticamente padrões ocultos nos dados.  É explicativo, que vai além da abordagem exploratória da análise de dados.  É exaustivo, que vai além da abordagem limitada e potencialmente tendenciosa da Six Sigma.

Em conclusão, o Machine Learning é apenas mais uma chave de fenda em nosso kit de ferramentas de otimização de processos.  Não necessariamente substituir outras ferramentas – é uma chave de fenda para um parafuso diferente. Mas talvez no passado, às vezes usamos a chave de fenda errada para alguns deles.

O Agro não para!

TAGS: Machine Learning