Gestão de Manutenção com IA

Prévia do material em texto

SEMINÁRIO – PRODEM
O Aluno: Luís Miguel Lima Teixeira
Orientador: Professor Doutor Luís Andrade Ferreira
27/Junho/2025
INDÍCE
Abstract	3
Resumo	4
CAPITULO 1 – Introdução à Manutenção, Gestão de Ativos, Gestão da Manutenção	9
1.1 – Introdução à Manutenção	10
1.2 – Evolução histórica da Função Manutenção	11
1.3 – Definição de Manutenção	12
1.4 – Função Manutenção	12
1.5 – Tipos de Manutenção	13
1.5.1 – Manutenção Corretiva	14
1.5.2 – Manutenção Preventiva	15
1.5.3 – Manutenção Produtiva Total – TPM	17
1.6 – Gestão de ativos e Gestão da manutenção (07.03.2024)	18
1.7 – TPM – Manutenção Produtiva Total e a Inteligência Artificial	22
1.7.1 – Introdução	22
1.7.2 – Acrónimo TPM	23
1.7.3 – Objetivos	23
1.7.4 – Valorização da Aplicação do TPM	24
1.7.5 – Princípios de Desenvolvimento do TPM	24
CAPITULO 2 – Introdução à Inteligência Artificial (tratamento de dados)	26
2.1 – Introdução à Inteligência Artificial	27
2.2 – Definições de Inteligência Artificial	28
2.2.1 – Pensar como um ser Humano	28
2.2.2 – Pensar de forma racional	29
2.2.3 – Agir como um ser Humano	29
2.2.4 – Agir de forma racional	29
2.3 – Técnicas de Inteligência Artificial	34
2.3.1 – Machine Learning	34
2.3.2 – Algoritmos de Aprendizagem Supervisionada (supervised learning)	36
2.3.3 – Algoritmos de Aprendizagem Não-Supervisionada (unsupervised learning)	37
2.3.4 – Algoritmos de Aprendizagem por Reforço (reinforcement learning)	38
2.3.5 – Algoritmos de Aprendizagem Profunda (deep learning)	39
2.3.6 – Algoritmos de Processamento de Linguagem Natural (NLP)	40
2.4 – Áreas de aplicação da Inteligência Artificial	40
2.4.1 – Inteligência Artificial, Robótica e a natureza evolutiva do trabalho	40
2.4.2 – Inteligência Artificial e o Direito	41
2.4.3 – Inteligência Artificial e a Medicina	42
2.4.4 – Inteligência Artificial e a Aviação	43
2.4.5 – Inteligência Artificial e a Produção e a Gestão da Manutenção	44
CAPITULO 3 – Gestão da Manutenção apoiada com técnicas de Inteligência Artificial	49
3.1 – Análise de óleos lubrificantes com apoio de Inteligência Artificial	52
3.1 – Termografia apoiada por Inteligência Artificial	53
3.2 – Análise de Vibrações apoiada por Inteligência Artificial	53
3.3 – Tecnologias de Ultrassons apoiadas por Inteligência Artificial	55
3.4 – Monitorização de Activos Eléctricos apoiada por Inteligência Artificial	56
3.5 – Gestão de Stocks apoiada por Inteligência Artificial	57
3.6 – Gestão de Investimentos apoiada por Inteligência Artificial	59
CAPITULO 4 – Propostas de Estudo para desenvolvimento de técnicas de IA que apoiem a Gestão da Manutenção	61
Abstract
Maintenance management and asset management have a strong commitment to operational results and production availability in a capital-intensive industrial unit.
The development of monitoring and data processing tools allows real-time control of machines and equipment. In this domain, maintenance management takes on a dynamic that is increasingly supported by data – predictive maintenance – which allows reducing unavailability rates, as well as the costs associated with resolving the fault.
In the last ten years, the evolution of computing associated with the emergence of Artificial Intelligence has opened up a universe of opportunities in the development of new techniques to predict events, in machines and equipment, based on the collection and processing of data.
In this work, in chapter 1, the theoretical bases of maintenance management and asset management techniques are presented.
In chapter 2, we evolve the theoretical concepts of the bases on which Artificial Intelligence tools are based.
In chapter 3, we present current maintenance management techniques, crossing them with the current state of the art that Artificial Intelligence exerts on them.
In the last, chapter 4, we suggest study proposals for the development of Artificial Intelligence techniques that support maintenance management, which will be the basis of the dissertation work that we propose to develop in the next two academic years of this course.
Keywords
Maintenance Management, Asset Management, Predictive Maintenance, Artificial Intelligence, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Deep Learning, Natural Language Processing.
Resumo
A gestão da manutenção e a gestão de ativos tem um forte compromisso com os resultados operacionais e disponibilidade produtiva numa unidade industrial de capital intensivo.
O desenvolvimento de ferramentas de monitorização e tratamento de dados permitem um controlo em tempo real de máquinas e equipamentos. Neste domínio a gestão da manutenção assume uma dinâmica cada vez mais apoiada em dados – manutenção preditiva – o que permite reduzir as taxas de indisponibilidade, assim como, os custos associados à resolução da avaria.
Nos últimos dez anos com a evolução da computação associada ao surgimento da Inteligência Artificial abre um universo de oportunidades no desenvolvimento de novas técnicas para prever acontecimentos, em máquinas e equipamentos, baseadas na recolha e tratamento de dados.
Neste trabalho, no capítulo 1, apresentam-se as bases teóricas das técnicas de gestão da manutenção e da gestão de ativos.
No capítulo 2, evoluímos os conceitos teóricos das bases em que assentam as ferramentas de Inteligência Artificial.
No capítulo 3, apresentamos técnicas atuais de gestão da manutenção cruzando-as com o, atual, estado da arte que a Inteligência Artificial exerce sobre elas.
No último, capítulo 4, sugerimos propostas de estudo para desenvolvimento de técnicas de Inteligência Artificial qua apoiem a gestão da manutenção que serão a base do trabalho de dissertação que nos propomos desenvolver nos próximos dois anos letivos do presente curso.
Palavras-chave
Gestão da Manutenção, Gestão de Ativos, Manutenção Preditiva, Inteligência Artificial, Aprendizagem Supervisionada, Aprendizagem Não-Supervisionada, Aprendizagem por Reforço, Aprendizagem Profunda, Processamento de Linguagem Natural.
Agradecimentos
Ao Sr. Professor Doutor Luís Andrade Ferreira pela disponibilidade em nos acompanhar neste trabalho de seminário.
A quem diariamente nos chama à razão e nos relembra com paciência, com elegância e com amor de que “os homens não são máquinas”.
A quem nos surpreende, numa manhã de setembro de 2024, e nos diz com firmeza ao pequeno-almoço: “o tempo faz-se!”
Lista de Tabelas
Tabela A – Tipos, abordagens e técnicas de manutenção.	14
Tabela B - Domínios envolvidos na Gestão de Ativos. [adaptado de: https//tractian.com]	18
Lista de Figuras
Figura 1 – Gestão de Activos Vs Gestão da Manutenção.	19
Figura 2 – Definições de IA classificadas em quatro quadrantes. Fonte: adaptado de Russel e Norvig (2005, p. 5).	28
Lista de Abreviaturas
IA – Inteligência Artificial
TPM – Total Produtive Maintenance
OEE – Overed Equipment Efficiency
PPM – Parts Per Million
MCE – Manutenção Corretiva de Emergência
MPS – Manutenção Preventiva Sistemática
MC – Manutenção Condicionada
JIPM – Japan Institute of Plant Maintenance
AFNOR – Associacione Francaise de Normalizacion
CAPEX . Capital Expediture
OPEX – Operational Expediture
PROLOG – Programação Lógica
– CAPITULO 1 – 
Introdução à Manutenção, Gestão de Ativos, Gestão da Manutenção
1.1 – Introdução à Manutenção
O atual cenário industrial, assenta num modelo de desenvolvimento contínuo, contribuindo para um aumento da competitividade interempresarial. Para fortalecer esta competitividade as empresas esforçam-se para manter os custos de produção o mais baixo possível, resultando este princípio na crescente preocupação com os aspetos económicos e técnicos, o que se traduz na necessidade de inovar e otimizar os recursos disponíveis.
A gestão dos recursos disponíveis afeta diretamente a produtividade e a qualidade de um sistema produtivo, de tal forma que o seu sucesso, ou fracasso, depende muito desta gestão. Para serem atingidos bons níveis de qualidade e de produtividade é necessário que todas as funções da empresa contribuam para o mesmo objetivo, ou seja, a obtenção de rentabilidade económicaa robótica de gestão de padrões sociais está muito ativa na nossa vida implicitamente em aplicações informáticas de uso diário, revelando o enorme poder das tecnologias RAIA na estrutura da sociedade, provocando grandes transformações nos estilos de vida dos seres humanos e na sua relação com o trabalho.
Prevê-se que os avanços tecnológicos nas tecnologias RAIA acelerem o futuro. Alguns grupos de pesquisa, neste domínio, consideram a possibilidade de que a inteligência artificial possa, em determinado momento, superar a inteligência humana.
2.4.2 – Inteligência Artificial e o Direito
Conforme nos apresenta (Araújo, 2022) no seu trabalho de dissertação – Inteligência Artificial no Processo: Desafios e Perspetivas, é muito promissor poder explorar as novas tecnologias, direcionando-as para um novo processo, para um novo pensamento processual, que possa colaborar para tornar os direitos mais efetivos e as decisões mais justas, adequadas e rápidas. Contudo, a capacidade de uma folha de papel não pode ser comparada ao processamento de um sistema de IA. Doravante devemos manter a preocupação com a real concretização dos direitos do cidadão que precisa de ser uma constante. É imperativo destacar que esse movimento, denominado de “viragem tecnológica do direito” tem vindo a impor sem que os juristas se preocupem adequadamente com o mesmo ou com a produção apenas dos benefícios como os ganhos de eficiência e produtividade nas atividades a serem realizadas, em especial pelas suas virtudes serem apresentadas (“vendidas”) por fornecedores de produtos e serviços (legal techs) que evitam divulgar os riscos no uso dessas tecnologias. Por isso, compreender como se fundamentam e funcionam essas tecnologias baseadas na IA é essencial para conceber como a sua utilização e aperfeiçoamento irão modificar o cotidiano processual, bem como a vida dos operadores do Direito. 
2.4.3 – Inteligência Artificial e a Medicina
Inteligência Artificial em medicina é o uso de computadores que, analisando um grande volume de dados e seguindo algoritmos definidos por especialistas na matéria, são capazes de propor soluções para problemas médicos.
Na medicina, segundo (Lobo, 2017), atualmente, o diagnóstico clínico numa relevante dependência de exames complementares, enfatizando cada vez mais a importância do computador na medicina e na saúde publica. Hoje faz-se diagnóstico pelos exames e não pelo raciocínio e julgamento clínico. Esta relação surge pela adoção de sistemas de apoio à decisão clínica quer, também, pelo uso integrado de novas tecnologias, quer pela armazenagem de grandes volumes de dados de saúde de pacientes e da população. Com a evolução da tecnologia a capacidade de armazenagem e processamento de dados aumentou exponencialmente nos últimos anos, surgindo o novo conceito de “big data”. A Inteligência Artificial tem a capacidade de processar grandes quantidades dessa informação por recurso a algoritmos, com capacidade de aperfeiçoar o seu próprio funcionamento (self learning) propondo hipóteses de diagnóstico cada vez mais precisas. Segundo o mesmo autor, o supercomputador inglês Deep Mind, da Google, registou informações de 1,6 milhões de pacientes atendidos no National Health Service (NHS), permitindo desenvolver novos sistemas de apoio à decisão clínica, analisando os dados desses pacientes, permitindo gerar alertas sobre a sua evolução, evitando medicações contraindicadas e informando oportunamente os profissionais de saúde sobre os seus pacientes. O Deep Mind, ao avaliar um conjunto de imagens dermatológicas, na pesquisa do melanoma, mostrou um desempenho melhor que os especialistas (76% versus 70,5%), com uma especificidade de 62% versus 58% e uma sensibilidade de 82%.
Atualmente, o uso de “wearable devices” tem sido introduzido na prática médica, obtendo informações continuas sobre glicemia, ECG (eletrocardiograma) e movimento, por exemplo, que podem gerar ações autónomas, como injetar insulina, dar uma descarga elétrica num desfibrilador subcutâneo ou variar a dose de um medicamento em pacientes com doença de Parkinson. Mesmo em hospitais que disponham de sistemas eletrónicos de prescrição médica. Com possibilidade de melhor alocação de dados, admite-se que 78,9% dos erros médicos estariam relacionados a problemas na relação médico-paciente, resultando num exame clínico desajustado, falha de avaliação dos dados do paciente ou falta de exames que comprovem a hipótese diagnóstica.
Recentemente trabalho científico analisou a adoção de sistemas de apoio à decisão clínica para melhorar a acurácia da medicina, considerando o aumento da carga de trabalho de médicos em emergências clínicas de família.
Segundo os estudos de (Rimoldi, 1988) é possível verificar que o número de dados de anamnese, exame físico e exames complementares requisitados por médicos internos, residentes, e especialistas para resolver um caso varia significativamente, indicando a importância da experiência na proposição de possíveis diagnósticos. O reconhecimento de padrões (pattern recognition) e de critérios de diagnóstico (combinação de sistemas, sinais e resultados de exames) é usado na determinação de um diagnóstico correto.
A Inteligência Artificial envolve várias etapas ou competências, como reconhecer padrões de imagens, entender linguagem aberta escrita e falada, perceber relações e nexos, seguir algoritmos de decisão propostos por especialistas, ser capaz de entender conceitos e não apenas processar dados, adquirir “raciocínios” pela capacidade de integrar novas experiências e, assim, se autoaperfeiçoar, resolvendo problemas ou realizando tarefas.
2.4.4 – Inteligência Artificial e a Aviação
De acordo com a EASA – European Union Aviation Safety Agency a Inteligência Artificial (IA) está destinada a desempenhar um papel em todos os domínios da aviação. A introdução desta tecnologia permitirá uma assistência avançada aos profissionais da aviação e a otimização de processos de formas que, de outro modo, não seriam possíveis, permitindo um setor da aviação ainda mais seguro e sustentável. Naturalmente, as novas tecnologias acarretam riscos e desafios, por exemplo a complexidade dos sistemas de aprendizagem automática, as implicações éticas e a cibersegurança dos sistemas de IA. Através do seu Roteiro de Inteligência Artificial, a EASA está empenhada em garantir que o sector da aviação beneficie do potencial de integração da inteligência artificial nas suas operações, mantendo simultaneamente os mais elevados padrões de segurança e de proteção ambiental. Um dos grandes poderes da inteligência artificial é a capacidade de processar grandes quantidades de dados e aprender com eles. Essas capacidades podem ser utilizadas para detetar padrões, desenvolver previsões e antecipar riscos e podem ter um impacto positivo em diferentes domínios da aviação, como se pode ver nos exemplos descritos abaixo.
Segundo Patrick KY, diretor-executivo da EASA, a indústria da aviação sempre esteve na vanguarda da inovação tecnológica, ultrapassando constantemente os limites para tornar o transporte aéreo mais seguro, mais eficiente e mais acessível. Desde os primeiros voos pioneiros até aos dias de hoje, a aviação passou por muitas revoluções tecnológicas, cada uma delas contribuindo para a evolução de viagens aéreas mais seguras. A última revolução é a ascensão da inteligência artificial (IA) e o seu potencial para transformar o mundo da aviação. A IA permite-nos criar sistemas inteligentes que podem fornecer soluções avançadas de assistência aos utilizadores finais humanos, otimizar o desempenho das aeronaves, melhorar a gestão do tráfego aéreo e, por sua vez, aumentar a segurança de forma que antes eram inimagináveis. No entanto, a implantação da IA na aviação também coloca novos desafios e questões que precisam de ser abordadas.
No referente à manutenção, segundo a EASA, com a digitalização, a quantidade de dados tratados pelas organizações de produção e manutenção está a aumentar e, com isso, a necessidade de recorrer à IA para tratar estes dados também estáa aumentar. A manutenção preditiva baseada na IA pode ajudar a otimizar os calendários de manutenção, prever a vida útil remanescente das peças e, por conseguinte, prevenir avarias.
2.4.5 – Inteligência Artificial e a Produção e a Gestão da Manutenção
A produção e a manutenção (incluindo a logística de componentes) são domínios onde a digitalização, provavelmente, irá afetar processos e modelos de negócios, significativamente. Com a digitalização, a quantidade de dados tratados pelas organizações de produção e manutenção aumenta constantemente e, por isso, a necessidade de contar com a IA para lidar com esses dados também está a aumentar.
De referir que as tendências são o desenvolvimento de modelos digitais de substituição na indústria de fabricação, com a introdução da internet das coisas (IoT) nas cadeias produtivas e o desenvolvimento de tecnologias de manutenção preditiva onde a grande quantidade de dados e a necessidade de identificar sinais de alarme certamente exigirão o recurso à IA.
Hoje em dia, os fabricantes de motores já não vendem motores e peças sobressalentes, mas sim disponibilidade de motores para voar. Esta mudança de paradigma implica que, para evitar penalidades por atrasos, a fiabilidade e a segurança da disponibilidade do motor fazem parte do mesmo conceito. Manutenção preditiva baseada em IA, sustentada por uma elevada quantidade de dados, permite antecipar falhas e fornecer soluções preventivas. 
Os principais agentes da indústria de vanguarda já reconheceram o valor da manutenção preditiva. Por exemplo, na Airbus a Análise de Manutenção de Aeronaves (Airman), utilizada em mais de uma centena de clientes, monitoriza constantemente o estado de condição de órgãos, previamente, definidos e transmite informação remota sobre a falha ou emite mensagens de alerta ao controlo do equipamento em terra, proporcionando acesso rápido ao planeamento da manutenção por recurso a etapas de solução de problemas, priorizados pela probabilidade de ocorrência de falha, assim como, a sua criticidade.
Certas pesquisas universitárias estimam que a manutenção preditiva pode aumentar até 35% a disponibilidade de aeronaves.
A aplicação da inteligência artificial na manutenção industrial representa um avanço significativo na eficiência e na gestão dos sistemas de produção. Por recurso à monitorização contínua de dados e informações, esta oferece-nos uma visão mais precisa e abrangente dos diferentes sectores e das suas necessidades de manutenção.
Ao analisar o desempenho dos profissionais e identificar padrões de operação, a ferramenta ajuda na definição de estratégias para aumentar a produtividade e reduzir os custos operacionais.
Os sistemas com inteligência artificial possibilitam uma monitorização mais completa e simplificada, permitindo aos gestores identificar rapidamente os pontos críticos e antecipar melhorias necessárias.
Seguidamente fazemos referência aos impactos da IA na manutenção industrial.
A inteligência artificial está a causar um impacto significativamente positivo na indústria, e na manutenção não é exceção. Esta tecnologia revolucionária está a redefinir a forma como as empresas abordam a manutenção dos seus ativos industriais, trazendo consigo uma série de benefícios e oportunidades.
Desde a otimização de processos até a previsão de falhas, a IA torna possível que as empresas melhorem a sua eficiência, reduzam os seus custos e aumentem a qualidade dos seus produtos.
Estudos recentes indicam que a IA tem o potencial de aumentar as margens de lucro em 38% e contribuir para o crescimento de diversos setores industriais em cerca de 14 triliões de dólares até 2035. Com a aplicação da IA na manutenção industrial, as empresas podem adotar uma abordagem mais proativa, identificando e resolvendo problemas antes mesmo que eles ocorram.
Ao combinar dados de sensores IoT alimentados por IA, as empresas podem implementar estratégias de manutenção preventiva e preditiva, garantindo o máximo desempenho de seus ativos industriais.
Principais benefícios do uso da IA na manutenção industrial
Desde o aumento da eficiência operacional até a redução de custos de manutenção e a prevenção de falhas não planeadas, a IA está a transformar a forma como as empresas gerem. os seus ativos. Abaixo, apresentam-se os principais benefícios do uso desta ferramenta na manutenção industrial.
Aumento da eficiência operacional
A aplicação da inteligência artificial na manutenção industrial oferece um aumento significativo na eficiência operacional das unidades industriais. Ao analisar dados em tempo real e prever possíveis falhas, a IA permite que as empresas identifiquem áreas de melhoria e otimizem os seus processos de produção, o que resulta numa utilização mais eficiente dos recursos disponíveis, maximizando a produção e minimizando o tempo de inatividade.
Redução de custos de manutenção
Um dos benefícios mais evidentes da IA na monitorização de ativos é a redução dos custos associados à manutenção preventiva e corretiva. Ao prever falhas antes mesmo que elas ocorram, as empresas podem planear as suas atividades de manutenção de forma mais eficiente, evitando reparações de emergência muito dispendiosas e minimizando o impacto nos custos operacionais. 
Além disso, a inteligência artificial também pode ajudar na identificação de oportunidades de otimização de processos, reduzindo o desperdício de recursos e aumentando a eficiência geral do sistema.
Melhoria da fiabilidade dos equipamentos
Com a IA, as empresas podem monitorizar em continuo o estado dos seus equipamentos industriais e identificar sinais que possam gerar desgaste ou falha iminente, permitindo que intervenções preventivas sejam realizadas antes que ocorram falhas catastróficas, o que aumenta significativamente a fiabilidade dos equipamentos.
Otimização do tempo de inatividade
Por fim, a IA permite uma otimização significativa do tempo de inatividade dos equipamentos. Ao prever falhas e agendar manutenções preventivas de forma inteligente, as empresas podem minimizar o tempo em que os equipamentos ficam fora de operação, resultando numa maior disponibilidade de ativos e aumentando a capacidade de produção.
Ferramentas de IA aplicadas à manutenção
Nesse contexto de rápida evolução tecnológica, a manutenção industrial está a entrar numa nova era impulsionada por ferramentas de inteligência artificial (IA) e outras tecnologias inovadoras. A seguir, apresentam-se algumas ferramentas que estão a ser utilizadas na monitorização de ativos:
IoT
A Internet das Coisas (IoT) está a revolucionar a manutenção industrial, permitindo a conexão e a comunicação entre dispositivos, máquinas e sistemas. Sensores inteligentes e dispositivos interligados em rede, entre si, recolhem dados em tempo real, fornecendo um grande volume de dados sobre o desempenho e a integridade dos equipamentos.
Sensores
Os sensores desempenham um papel crucial na recolha de dados para a manutenção preditiva. Eles monitorizam variáveis importantes, como vibração, temperatura, pressão e caudal, permitindo a detecção precoce de falhas e o planeamento de manutenção preventiva.
Realidade aumentada
A realidade aumentada oferece suporte visual aos técnicos durante as operações de manutenção, fornecendo informações contextuais sobre equipamentos e procedimentos de reparação diretamente nos seus campos de visão.
Big data
O big data na manutenção industrial envolve a recolha, a armazenagem e a análise de grandes volumes de dados de sensores e sistemas de monitorização. Essa análise de dados em larga escala permite identificar padrões, prever falhas e otimizar estratégias de manutenção.
Armazenamento em nuvem
O armazenamento em nuvem desempenha uma função importante na realização da monitorização on-line de ativos. Ele viabiliza a centralização dos dados recolhidos em plataformas acessíveis de forma remota, eliminando a necessidade de uma infraestrutura local complexa e dispendiosa.
– CAPITULO 3 – 
Gestão da Manutenção apoiada com técnicas de Inteligência Artificial
Conforme já desenvolvemosno capítulo 1 a manutenção é uma componente fundamental para prolongar a vida útil de uma máquina aumentando o valor da sua vida útil. Embora operar uma máquina de forma continua até à falha, conhecido como método run-to-break, produza o tempo de atividade consecutivo mais longo, também conduz a falhas inesperadas. As consequências dessas falhas repentinas conduzem ao aumento do risco de avarias e dessa forma à necessidade de interromper as operações, para reparação, por mais tempo do que em condições de paragem planeada, acresce que os danos ocorridos podem pôr em causa a integridade da restante máquina com risco de perda total do ativo.
Existem duas estratégias de manutenção que reduzem esse risco a valores residuais: a manutenção preventiva baseada no tempo (TBPM) e a manutenção baseada na condição (CBM). A estratégia TBPM baseia-se em paragens regulares para manutenção, com intervalos curtos, que tornam improvável a avaria inesperada da máquina. No entanto, as paragens frequentes aumentam o tempo de inatividade e os custos de manutenção. A solução para minimizar estes impactos é a estratégia CBM que normalmente depende de sistemas de monitorização do estado de condição (CM). Esta técnica deteta sinais precoces de problemas levando a que a manutenção seja realizada só quando necessária. Mesmo que a intervenção não seja imediata por razões operacionais ou por falta de peças de reposição disponíveis, a deteção precoce permite ao operador reduzir a carga do sistema que apresenta a falha. Além disso, métodos avançados de monitorização e análise permitem localizar o local exato do problema economizando o tempo de análise do problema por parte de técnicos especializados e, se necessário, permite o aprovisionamento antecipado e exclusivo das peças que serão alvo de intervenção.
A monitorização do estado de condição pode ser sustentada em três domínios: deteção de falhas, diagnóstico de falhas e prognóstico de falhas.
A deteção de falhas diz respeito ao reconhecimento do componente defeituoso da máquina.
O diagnóstico de falhas identifica o mau funcionamento com mais detalhes, por exemplo, a sua localização, a sua gravidade e o tipo de problema. As informações específicas sobre a falha diagnosticada podem ser muito úteis para planear a intervenção de manutenção.
O prognóstico de falhas diz respeito ao desenvolvimento de falhas no futuro, por exemplo, estimando a vida útil remanescente (RUL) de um componente. As estimativas RUL fiáveis simplificam o agendamento da manutenção e permitem melhores estimativas da capacidade produtiva.
O estado da arte, atualmente, está focado principalmente no diagnóstico de falhas, porque o diagnóstico, se desenvolvido de forma robusta, pode ser usado como base para melhores métodos de prognóstico de falhas.
Um método muito fiável de monitorização do estado de condição da máquina baseia-se na análise de vibrações que inclui vários métodos e técnicas para recolher e compilar informações de dados de vibração.
Os dados de vibração de uma máquina são recolhidos por recurso: a acelerómetros; a codificadores rotativos (tipo encoder); ou a transdutores de torque (binário). Os acelerómetros são normalmente fixos na parte estática da máquina sujeita a monitorização, como caixas de órgãos mecânicos ou chassis. Os transdutores de torque e os codificadores rotativos são montados com mais frequência entre os órgãos rotativos.
Os dados desses sensores podem ser usados para recolher um “espectro de vibração” de uma máquina ou de um componente em funcionamento que pode ser comparada com vibrações futuras.
Se os espectros de vibração forem semelhantes a máquina, provavelmente, está em bom estado de condição. Se forem diferentes, do padrão das amostras anteriores, podem evidenciar que algo está a degradar-se. Os diferentes tipos de falhas podem ser reconhecidos analisando-se os padrões de vibração recolhidos quando se desviam do histórico, considerado – “espectro saudável”.
Existem diversas ferramentas poderosas para analisar vibrações porque a análise de sinais tem sido objeto ativo de estudo nas últimas décadas. Além destas, devemos também considerar outros métodos para determinar o estado de condição da máquina, sendo eles: a análise de lubrificantes, a análise de desempenho, a análise termográfica e a análise por ultrassons.
No entanto, em muitas aplicações, a análise de vibrações tem vantagens sobre estas últimas referidas uma vez que permite identificar com precisão peças defeituosas, em estado de falha (partidas) ou em estado de pré-falha; funcionando na maioria dos tipos de máquinas reagindo instantaneamente a alterações.
Grande parte do CBM atual é feito por monitorização continua do histórico de vibração, parametrizando-se uma variável de interesse e acionando automaticamente um alarme quando for excedido um limite pré-estabelecido. Contudo, uma análise mais aprofundada das condições ainda requer um especialista humano, o que poderá ser impraticável e oneroso para determinadas estruturas industriais ou companhias.
Com a evolução tecnológica estes problemas podem ser mitigados com recurso a sistemas inteligentes que podem, de forma autónoma, realizar diagnósticos profundos de falhas recorrendo a análise de vibrações. Recentemente, estão em desenvolvimento numerosos métodos de aprendizagem de máquina (machine learning) para diagnóstico de falhas baseado em vibrações, mais recentemente com soluções baseadas em aprendizagem profunda (deep learning). Este tipo de estudos tem tido muita recetividade no ambiente académico em trabalhos de pesquisa e de desenvolvimento de soluções teóricas. O deep learning tem a vantagem de poder trabalhar com dados brutos de séries temporais com menos necessidade de recursos de entrada trabalhados de forma manual.
No entanto, a maioria dos métodos de deep learning necessitam de muitos dados exigindo um grande número de exemplos de estados defeituosos para funcionar corretamente. Além disso, estes, podem não ser representativos se as condições de operação mudarem, como por exemplo a rotação de um órgão mecânico ou o controlo de binário de um acionamento mecânico.
Estes desafios tornam a deep learning um tema com interesse académico para desenvolvimento de modelos de aplicações para serem úteis em aplicações industriais.
3.1 – Análise de óleos lubrificantes com apoio de Inteligência Artificial
Ainda estamos longe de utilizar a IA para lubrificar equipamentos de forma customizada. Existem algumas opções disponíveis que utilizam monitorização de condições para aplicar lubrificantes quando a máquina tem essa necessidade. No entanto, essas opções geralmente são reservadas para aplicações específicas, e utilizá-las em todos os pontos não é economicamente viável.
A IA pode ajudar a determinar a frequência adequada de aplicação e o lubrificante correto a ser utilizado. Cada aplicação é única e, portanto, pode requerer alguma análise complementar à adição de lubrificante e à frequência com que ele precisa ser aplicado. Pequenas mudanças nos aditivos e na viscosidade podem proporcionar melhorias significativas na fiabilidade quando combinadas corretamente.
Amostragem de Lubrificantes
O maior valor nessa área está na interpretação dos resultados da amostragem. Muitos laboratórios já estão a utilizar a IA para analisar conjuntos de dados e fornecer alertas sobre problemas que podem estar a ocorrer dentro da máquina. 
Com um bom conjunto de dados históricos, a IA pode ser capaz de rastrear e identificar falhas incipientes com mais facilidade do que alguém que apenas analisa os dados sem entender completamente o intuito das tendências.
3.1 – Termografia apoiada por Inteligência Artificial
Na apresentação do seu trabalho de dissertação “Termografia e inteligência artificial na deteção de falhas em transformadores”, (Santos G. M., 2017), descreve-nos que a análise dos gases dissolvidos no óleo isolante em transformadores de potência refrigerados a óleo é uma técnica bastante difundida para deteção de falhas incipientes. Contudo, esta técnica envolve procedimentos desegurança para a recolha das amostras de óleo, prazos de resposta dos laboratórios e em alguns casos há a necessidade de se retirar o transformador de operação. Retirar um transformador de operação em determinadas situações pode-se tornar muito onerosa, pois há ambientes de produção que devem funcionar ininterruptamente e paragens como esta representam perda financeira. Termografia por raios infravermelhos é uma técnica não destrutiva de medição de temperatura muito utilizada para detetar anomalias e prever possíveis falhas sem interromper a operação do sistema. Este trabalho apresenta estudos com o uso da medição infravermelha de temperatura para detetar falhas incipientes no transformador baseada na Análise dos Gases Dissolvidos no Óleo Isolante. A metodologia desse estudo apresenta o uso sistemas inteligentes para analisar as temperaturas superficiais do transformador e detetar falhas incipientes. Os resultados obtidos neste trabalho apresentam 86% e 83% de acertos de classificação utilizando Redes Neurais Artificiais e Lógica Fuzzy, respetivamente.
3.2 – Análise de Vibrações apoiada por Inteligência Artificial
O apoio com a visão artificial auxiliada por computação é atualmente um complemento muito eficaz para apoio à decisão. a SKF (fabricante de rolamentos) desenvolveu uma ferramenta de IA para apoiar a avaliação automática de deteção de danos em rolamentos, ajudando os clientes no diagnóstico de causas raiz de problemas que depois de isoladas e eliminadas potenciam o prolongamento da vida útil de componentes críticos.
A indústria para garantir elevadas taxas de disponibilidade de equipamento, atualmente, recorre a tecnologias digitais avançadas para monitorizar o estado de condição dos seus equipamentos. Os sistemas modernos de monitorização, deste estado de condição, aplicam técnicas de análise avançada para detetar os primeiros sinais de anormalidade como insuficiência de lubrificação, previamente ao desgaste, e consequente dano em rolamentos e outros componentes críticos. Uma vez identificada a causa raiz do problema, apesar de toda a tecnologia disponível, não podemos desconsiderar os olhos e o conhecimento adquirido de um engenheiro experiente. A simbiose entre tecnologia e homem tornam, o conjunto, uma ferramenta de diagnóstico muito poderosa.
Ao analisar as marcas físicas nas superfícies de contacto dos elementos rolantes os especialistas podem avaliar a gravidade de um problema e, face à experiência adquirida, identificar a sua causa provável. A inspeção visual pode permitir que sejam realizas modificações dos procedimentos de operação ou manutenção para evitar que os problemas se repitam. Também pode determinar, no caso de grandes rolamentos utilizados em aplicações de indústria pesada como fábricas de papel, na quais temos experiência, produção de aço ou turbinas eólicas, se um rolamento danificado é adequado para ser recuperado, em fábrica pelo fabricante SKF, e reutilizado pelo cliente.
Entretanto, ter acesso a um analista de rolamentos qualificado nem sempre é fácil, e economicamente viável, para algumas empresas. É necessária a experiência adquirida de muitos anos, trabalhando diariamente com rolamentos, para os especialistas acumularem conhecimentos e partilharem experiências. Se o equipamento danificado estiver num local remoto, para se conseguir um especialista para a análise de defeitos pode ser um problema, além de que, todos vivemos uma outra experiência recente, pela restrição de viagens impostas pela pandemia COVID 19.
Sistema de Inteligência Artificial para Avaliação de Rolamentos
A SKF está a desenvolver tecnologia associada a um sistema automático de visão assistida por computador com a capacidade de avaliar danos em rolamentos através de câmaras digitais. O sistema usa ferramentas de Inteligência Artificial (IA) na forma de um algoritmo de reconhecimento de imagem de rede neural, devidamente treinado, recorrendo a milhares de imagens de rolamentos danificados dos arquivos da SKF. O sistema de IA foi projetado para operar em condições reais, onde por vezes as imagens são obtidas em ambiente fabril severo sem controlo rigoroso sobre a iluminação e sobre outros agentes como a limpeza da área envolvente, assim como, a limpeza e desengorduramento dos elementos rolantes. O sistema foi idealizado de forma a poder identificar características da superfície de um rolamento mesmo que a imagem recolhida esteja num ângulo desfavorável.
Uma vez identificada e selecionada a área de interesse, a ferramenta de IA classifica o tipo e a gravidade dos danos na superfície do rolamento. Os rolamentos tem morfologias de avaria muito diversificadas em função da causa raiz da avaria. Por exemplo, a norma ISO 15243:2017 apresenta-nos uma listagem de diversas morfologias de avaria.
3.3 – Tecnologias de Ultrassons apoiadas por Inteligência Artificial
A manutenção preditiva com recurso à tecnologia de ultrassons é uma das formas mais pragmática e eficaz de evitar paragens não planeadas e indisponibilidade de equipamentos. Com este recurso podemos proteger os ativos e reduzir o desperdício energético.
Introdução aos ultrassons
As ondas sonoras emitidas pelos ativos dão informação do estado de funcionamento, se conforme ou não conforme, acerca da funcionalidade de uma máquina ou equipamento. Mas sem o recurso à tecnologia de ultrassons, essas frequências emitidas são demasiado altas para serem ouvidas, não sendo possível ao ouvido humano detetar o ruído de alta frequência que, por exemplo, podem resultar de problemas de lubrificação ou impactos, até que seja tarde demais, isto é, passarem para uma situação de avaria permanente e nessa fase passar a ser detetável pela análise de vibrações.
Do ponto de vista da gestão da manutenção a análise de dados recolhidos por recurso à tecnologia dos ultrassons, permitem:
- analisar a eficácia da lubrificação baseada na condição – em caso de dúvida, “ouvir” os rolamentos durante o processo de lubrificação permite eliminar suposições e dúvidas. Desta análise é possível saber exatamente quando foi aplicada lubrificação suficiente;
- monitorizar o estado de condição dos rolamentos – se um ativo está em serviço, com elementos rolantes, poder “ouvir-se” o seu estado da sua condição. Com esta técnica é possível detetar o momento em que um defeito aparece nos elementos rolantes, mesmo em rolamentos que rodam a uma velocidade extremamente lenta;
- detetar fugas de fluídos – uma das formas mais fácil de reduzir custos é eliminar as perdas energéticas. Com os ultrassons é possível localizar e quantificar rapidamente todo o tipo de fugas, mesmo em ambientes industriais ruidosos;
- inspecionar o funcionamento de purgadores de vapor e de válvulas – é possível saber instantemente quais as válvulas que apresentam fuga ou passagem sendo também possível quantificar os custos de energia desperdiçada e a redução da eficiência de produção;
- detetar descargas elétricas parciais – verifica-se com precisão pontos onde ocorrem pequenos arcos elétricos que podem comprometer os sistemas elétricos, desde o efeito corona e arco elétrico até à arborescência e vibrações mecânicas. Esta técnica é segura e eficaz a todos os níveis de tensão elétrica.
3.4 – Monitorização de Activos Eléctricos apoiada por Inteligência Artificial
A manutenção de ativos elétricos está em constante transformação devido ao desenvolvimento da IA na IoT. A abordagem ideal envolve implementações progressivas, começando com a parametrização da operação por meio de regras inteligentes. Isso permite ao sistema identificar rapidamente problemas operacionais, proporcionando ganhos consideráveis num curto período. Com a implementação inicial de uma inteligência mínima e operacional básica, os benefícios são muito significativos.
Num segundo estágio, pode-se avançar para a implementação de um sistema de IA capaz de analisar e identificar mudanças dinâmicas de comportamento. Embora haja despesas iniciais envolvidas na integração da IA e seja necessário tempo considerável para treinar o sistema em manutenção preditiva,as vantagens a longo prazo superam significativamente os custos operacionais (OPEX) e os custos de capital (CAPEX). Esse avanço é particularmente crucial para setores que frequentemente enfrentam restrições de recursos e cortes orçamentais. 
A computação inovadora, a “Internet das Coisas Industrial”, a análise de dados e os modelos preditivos avançados estão a redefinir completamente o ambiente de manutenção. A integração da IA num modelo de manutenção preditiva para ativos permitirá um futuro mais promissor para um sistema de manutenção altamente responsável e eficiente.
Essas mudanças tecnológicas abrem abrindo portas para uma manutenção mais proativa e eficiente, permitindo que as organizações antecipem problemas, reduzam custos e maximizem a disponibilidade dos seus ativos elétricos.
3.5 – Gestão de Stocks apoiada por Inteligência Artificial
Qual deverá ser o nível de stock adequado para responder às necessidades atuais e previstas de um armazém de peças de reserva, considerando ao mesmo tempo não comprometer a saúde financeira da organização? Como garantir que no stock não haja excessos de peças codificadas e, ao mesmo tempo, não faltem itens essenciais ao funcionamento da organização?
A gestão eficaz do stock de peças de reserva é a chave para essa questão de manter as existências adequados para garantir fluxos suaves de produção e comercialização, ao mesmo tempo que minimiza o investimento em stock de peças de reserva. Contudo, a procura por níveis de stock ideais não é uma tarefa fácil. Desenvolveremos neste ponto o conceito de Inteligência Artificial (IA) no apoio da gestão eficaz de stocks de peças de reserva.
O papel do stock de peças de reserva na organização da gestão da manutenção
O stock desempenha um papel fundamental nas cadeias de abastecimento, como o de facilitar o equilíbrio entre a procura e a oferta. A gestão da manutenção procura encontrar um equilíbrio entre satisfazer as exigências dos clientes internos, o que por vezes é difícil de prever com precisão, e manter um fornecimento adequado das peças de reserva necessárias. Esse equilíbrio é geralmente alcançado por meio do stock físico. Não obstante, há muitos estudos e aplicações de ferramentas e processos para otimizar o planeamento de vendas e operações de abastecimento – Sales and Operations Planning (S&OP).
O stock pode ser uma parte vital da gestão das cadeias de abastecimento. Por isso, o estado do stock de uma empresa é frequentemente utilizado como um teste decisivo para a “saúde” dos processos de gestão da cadeia de abastecimento e das tomadas de decisão.
Por exemplo, se considerarmos uma organização que possui quantidades excessivas de stock na forma de stock de segurança. Um stock de segurança tão elevado é, de facto, um problema por si só, devido aos custos de manutenção deste stock e aos custos de oportunidade de ter capital circulante parado na forma de ativos que não estão a produzir e nem criar riqueza para a organização.
Gestão de stock e previsão das necessidades de fornecimento
Para garantir um controlo de stock é necessário realizar a previsão das necessidades de fornecimento durante um período. A eficácia do processo de stock é impactada em parte pelo desempenho da previsão, porque dependendo do momento, a quantidade ideal e quando deve ser feito o pedido, assim como uma possível variação da procura, há uma dependência da precisão da previsão para garantir que não ocorram ruturas e faltas de provisão. Todas essas variáveis, que precisam de ser tidas em consideração durante a etapa de previsão das necessidades, afetam o controlo de stock. Portanto, garantindo uma previsão bem-sucedida garante-se uma gestão de stock eficiente.
Para realização de previsões das necessidades, torna-se necessário aplicar métodos e ferramentas como softwares de gestão e de Manufacturing Resource Planning (Planeamento de Recursos de Produção), os MRPs. Contudo, o desafio de realizar o planeamento de políticas adequadas de stock tem-se tornado cada vez mais complexo, considerando o grande volume de dados disponíveis nas bases de dados das organizações.
Previsão dos pedidos de peças de reserva com apoio da IA
A previsão das necessidades é um requisito fundamental na gestão eficaz de stock de peças de reserva, e a inteligência artificial oferece métodos avançados para melhorar a sua precisão.
Os algoritmos de IA podem analisar uma ampla gama de variáveis, incluindo dados históricos de vendas, sazonalidade, tendências do mercado e até mesmo fatores externos como condições climáticas.
Ao aplicar técnicas de machine learning e deep learning, torna possível que esses algoritmos possam identificar padrões complexos nos dados e gerar previsões mais precisas, permitindo que as empresas ajustem os seus níveis de stock de acordo com a procura prevista com maior segurança e rapidez.
Recomendação de Stocks Equilibrados (Ideais) com IA
Encontrar o equilíbrio certo no stock é essencial para evitar excessos ou escassez de produtos. A inteligência artificial pode desempenhar um papel relevante ao recomendar níveis de stock ideais para cada item com base numa variedade de fatores, como histórico de avarias, sazonalidade, lead time de fornecedores e custos previstos.
Algoritmos de IA podem analisar grandes volumes de dados em tempo real e gerar recomendações personalizadas, levando em consideração a estratégia de gestão da empresa e os seus KPI’s. Isso permite que os gestores de stock tomem decisões mais informadas e eficazes, garantindo que o stock seja mantido em níveis ótimos para responder às necessidades dos clientes internos sem excessos desnecessários.
O Futuro da Gestão de Stock: Estratégias Impulsionadas pela IA
Ao longo deste ponto, demos notas do papel vital da inteligência artificial na gestão eficaz de stock e por conseguinte o mesmo princípio ser aplica à gestão de peças de reserva para manutenção. Desde a previsão da procura até à recomendação de níveis ideais de stock, a IA oferece soluções inovadoras para os desafios enfrentados pelas empresas na gestão dos seus inventários.
A aplicação de algoritmos de IA na previsão das necessidades permite uma visão mais precisa e detalhada das necessidades futuras de requisitos de gestão de peças de reserva em contexto de manutenção industrial, permitindo que as empresas ajustem os seus níveis de stock de maneira proativa e eficiente. Além disso, os sistemas de recomendação de stock baseados em IA ajudam a equilibrar os níveis de stock para cada item, garantindo que as empresas tenham o produto certo, na quantidade certa, no momento certo.
Ao adotar estratégias baseadas em IA para a gestão de stocks, as empresas podem esperar uma série de benefícios, incluindo redução de custos, melhoria na eficiência operacional e aumento da satisfação das necessidades. Ao automatizar tarefas repetitivas e analisar grandes volumes de dados em tempo real, a IA permite que os gestores de stock tomem decisões mais informadas e estratégicas, impulsionando o sucesso do negócio no mercado competitivo de hoje.
Portanto, é evidente que a inteligência artificial está a transformar a forma como as empresas gerem os seus stocks, oferecendo oportunidades sem precedentes para melhorar a eficiência, a precisão e a satisfação das necessidades.
3.6 – Gestão de Investimentos apoiada por Inteligência Artificial
A revolução da Inteligência Artificial (IA) na gestão de investimentos, ilustrada pelos artigos de 2017 da RCG Global Services e de 2020 da McKinsey, refletem um cenário onde os algoritmos de aprendizagem de máquina (ML) estão a transformar as estratégias de investimento e as operações bancárias. Em 2017, a RCG Global Services destacou a capacidade emergente do ML em descobrir algoritmos preditivos, transformando a forma como os gestores de ativos operam. A automação e aprimoramento da análise de dados por meio de ML demonstram um potencial significativo na gestão de portfólio e na avaliação de fatores ESG (ambientais, sociais e de gestão) em investimentos.
A evolução da IA em investimentos, segundo a RCG GlobalServices, envolve o uso de IA para interpretar grandes conjuntos de dados e fornecer insights preditivos valiosos. A análise eficiente de tendências de mercado e o comportamento do consumidor tornaram-se realidades possíveis através da IA, superando os métodos tradicionais. Além disso, a integração de fatores ESG em estratégias de investimento, com a ajuda da IA, permite às empresas alinhar-se com práticas sustentáveis enquanto potenciam uma melhoria nos retornos.
Em 2020, a McKinsey ampliou esta visão, argumentando que os bancos precisam de se tornar instituições “AI-first” para se manterem competitivos. A IA pode gerar valor adicional, personalizar serviços e melhorar a experiência do cliente. No entanto, há desafios significativos, incluindo a falta de uma estratégia clara para IA, sistemas de tecnologia inflexíveis, dados fragmentados e modelos operacionais desatualizados. A McKinsey sugere uma transformação holística em várias camadas da organização, abrangendo desde a camada de angariação de clientes até a infraestrutura de tecnologia e dados.
A aplicação prática de IA na gestão de investimentos, conforme referindo por estas fontes, inclui personalização de serviços com base em preferências do cliente, otimização de portfólios usando análise preditiva e algoritmos de ML, detecção e prevenção de fraudes em transações de investimento, e melhoria na tomada de decisões de investimento através de dados.
Em suma, os artigos da RCG Global Services e da McKinsey enfatizam o impacto profundo da IA na gestão de investimentos e no setor bancário. Estes revelam um mundo onde a IA não apenas reformula as estratégias de investimento, mas também desafia os bancos a repensar os seus modelos operacionais numa era cada vez mais dominada pela tecnologia.
– CAPITULO 4 – 
Propostas de Estudo para desenvolvimento de técnicas de IA 
que apoiem técnicas de Gestão da Manutenção
No ambiente industrial, as falhas de máquinas não são apenas inconvenientes; as falhas, podem ter sérias repercussões, afetando desde a segurança dos trabalhadores até às estruturas empresariais. Em resposta a estes desafios, o desenvolvimento e implementação de técnicas avançadas de diagnóstico de falhas tem-se tornado numa prioridade para engenheiros e gestores industriais. Entre essas técnicas, a inteligência artificial (IA) surge como uma abordagem revolucionária, oferecendo potencial para transformar a manutenção de reativa em preditiva.
No seguimento dos trabalhos de desenvolvimento de estudos conducentes ao trabalho final de dissertação do PRODEM – Programa Doutoral em Engenharia Mecânica, propomo-nos, numa primeira fase utilizar e adaptar ferramentas disponíveis de inteligência artificial com o objetivo de melhorar e criar valor às atuais técnicas de gestão da manutenção utilizadas na indústria.
Em função do desenvolvimento destes trabalhos pretendemos, numa segunda fase, desenvolver ferramentas e técnicas de IA que melhor se adaptem, às referidas tecnologias de gestão da manutenção.
Propomo-nos analisar os algoritmos de IA, disponíveis, que possam analisar uma ampla gama de variáveis, incluindo dados históricos de vendas, sazonalidade, tendências do mercado e até mesmo fatores externos como condições climatéricas. Pretendemos analisar este conjunto de variáveis, referidas anteriormente, no processo de deteção preditiva de avarias, analisando os efeitos destas variáveis na fiabilidade dos valores recolhidos pela instrumentação.
Relativamente à gestão de peças de reserva para manutenção, pretendemos estudar o consumo dos rolamentos dos cilindros secadores, da zona de secagem de uma máquina de produção de papel, nos últimos 10 anos e fazer uma previsão para os próximos 5 anos. Analisar o treino do algoritmo para os anteriores 8 anos e ver se coincidiu com posteriores 2 anos, transatos, de consumo. Cruzar estes valores com indicadores da máquina do papel: valores mensais e/ou anuais: velocidade média da máquina; humidade média da secagem; toneladas de produção de papel; temperatura do óleo de secagem; temperatura da secagem.
Analisaremos a possibilidade de desenvolver, ou adaptar, um sistema, com apoio de IA, para garantir um fluxo automático de fornecimento de peças “just in time” para manutenção, reduzindo o volume de stock de armazenagem e o capital circulante associado a este stock.
No domínio da gestão documental de informação técnica, pretendemos estudar a possibilidade de classificação de documentos da manutenção com recurso a ferramentas de IA existentes visando, desta forma, aumentar a eficiência e a rentabilidade dos recursos disponíveis em manutenção.
Pretendemos recorrer a algoritmos de IA, existentes, e utiliza-los na otimização de técnicas de inspeção e diagnóstico de avarias, tais como: análise termográfica, análises de vibrações, análise por ultrassons, análise de lubrificantes, etc..
Este estudo permitirá analisar o potencial da inteligência artificial (IA) no diagnóstico de falhas em máquinas e equipamentos industriais, visando melhorar a eficiência operacional e reduzir os custos de manutenção. Por recurso à revisão de literatura, e análise de dados operacionais, propomo-nos identificas alternativas para a aplicação de sistemas de IA, incluindo o uso de algoritmos de aprendizagem profunda (deep learning) e técnicas de processamento de linguagem natural. Esperamos numa fase mais avançada perceber o potencial destas ofertas para melhorar a deteção precoce de falhas reunindo-se elementos que apoiem a tomada de decisões proativas de manutenção.
Considerando o cenário atual, pretendemos perceber de que forma a inteligência artificial (IA) pode ser aplicada de maneira eficiente no diagnóstico de falhas de máquinas industriais, de modo a aumentar a fiabilidade operacional e diminuir os custos associados à manutenção. 
Ao longo deste estudo, que nos propomos fazer, pretendemos investigar e desenvolver abordagens inovadoras para aplicação de inteligência artificial no diagnóstico de falhas em máquinas industriais, procurando aprimorar a fiabilidade e a eficiência operacional.
Iremos identificar os principais métodos e técnicas de inteligência artificial que podem se efetivamente aplicados ao diagnóstico de falhas em máquinas industriais.
Propomo-nos avaliar a eficácia e a precisão desses métodos de IA comparando-os com técnicas convencionais de diagnóstico.
Pretendemos desenvolver um modelo prático de diagnóstico de falhas, utilizando IA, adaptado-o para implantação em ambientes industriais reais.
Analisaremos o impacto da integração de sistemas de IA no desempenho operacional das máquinas e na redução dos custos de manutenção.
Métodos e Técnicas
Entre os diversos métodos e técnicas de inteligência artificial, alguns destacam-se pela sua relevância no diagnóstico de falhas em máquinas industriais. Um exemplo é o uso de algoritmos de aprendizagem de máquina (machine learning), que permitem que os sistemas aprendam a partir dos dados e identifiquem padrões associados a falhas.
A aplicação de técnicas de aprendizagem de máquina no contexto do diagnóstico de falhas é essencial para o desenvolvimento de modelos precisos e eficientes. Ao possibilitar a extração de dados, essas técnicas permitem que os sistemas identifiquem padrões complexos que podem indicar a presença de falhas em máquinas industriais.
Além dos algoritmos de aprendizagem de máquina, outras técnicas de inteligência artificial podem também desempenhar um papel importante no diagnóstico de falhas. Por exemplo, as redes neurais artificiais são frequentemente utilizadas para modelar relações complexas entre variáveis e identificar padrões de falhas com alta precisão. As redes neurais artificiais são sistemas paralelos distribuídos, compostos por unidades de processamento simples que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para uso, evidenciando a capacidade dessas redes de aprender e generalizar a partir dos dados.
Outra técnica relevante é a lógica fuzzy, que permite lidar com incerteza e a imprecisão inerentesaos dados de diagnóstico de falhas. A lógica fuzzy fornece uma maneira formal de representar e manipular a incerteza e a imprecisão em sistemas de controlo destacando a sua aplicabilidade no desenvolvimento de sistemas de diagnóstico de falhas robustos e fiáveis. Assim, a combinação de diferentes técnicas de inteligência artificial oferece uma abordagem abrangente e eficaz para o diagnóstico de falhas em máquinas industriais, contribuindo para a melhoria da eficiência e da segurança dos processos industriais.
O nosso interesse em desenvolver estes estudos prende-se com o impacto positivo significativo, que a aplicação de sistemas de IA tem no diagnóstico de falhas, no desempenho operacional e na redução de custos de manutenção em ambientes industriais. Ao permitir a deteção precoce de falhas e a realização de manutenção preditiva, estes sistemas contribuem para evitar paragens não planeadas e minimizar os custos associados à reparação de equipamentos. No sentido de irmos ao encontro com a bibliografia atual, recorrendo ao uso das ferramentas anteriormente referidas, esperamos alcançar resultados de redução de até 30% nos custos de manutenção e um aumento de até 20% na disponibilidade de equipamentos com a implementação de um sistema de IA para diagnóstico de falhas.
Prevemos demonstrar que recorrendo ao uso de redes neurais para diagnóstico de falhas em equipamento industrial conseguimos resultados de melhoria significativa na eficiência operacional e na redução dos custos de manutenção. Assim, pela análise de dados recolhidos por sistemas de IA prevemos identificar padrões de falhas recorrentes e sugerir ações corretivas preventivas para evitar problemas futuros, demonstrando assim o potencial destes sistemas para promover uma abordagem proativa e preventiva à manutenção industrial.
Em suma, prevemos evidenciar que a aplicação de sistemas de IA no diagnóstico de falhas não contribui apenas para a redução dos custos de manutenção e da melhoria da disponibilidade dos equipamentos, mas também oferece oportunidades para a revisão continua dos processos de manutenção e a previsão de falhas futuras. Esses benefícios destacam a crescente importância da IA na indústria e o seu papel fundamental na otimização por operações mais eficientes e sustentáveis.
Recolha e Tratamento de Dados
Inicialmente, propomo-nos realizar pesquisas nas bases de dados do sotware MATLAB, sendo realizadas seleções de experiências com ferramentas e algoritmos de IA que se enquadrem nos pressupostos do estudo que nos propomos fazer no diagnóstico de falhas em máquinas industriais.
De seguida, serão extraídos dados de sensores instalados em máquinas industriais, como anteriormente referido, onde atualmente desenvolvemos a nossa atividade profissional, e agrupados por períodos de seis e/ou doze meses. Prevemos que, pela análise destes dados, iremos identificar padrões significativos e tendências, e pela sua análise, espectamos apresentar medidas de redução de até 15% no tempo de inatividade das máquinas com o recurso à aplicação dos sistemas de IA disponíveis no MATLAB. Pela utilização de algoritmos de aprendizagem profunda – deep learning, pretendemos obter uma precisão de até 85% na deteção de falhas, enquanto que pelo recurso ao algoritmo de árvore de decisão prevemos alcançar uma precisão de 78%.
Espectamos que com a combinação destas abordagens e com os dados a obter, será possível alcançar uma visão abrangente e detalhada da situação real sobre os tópicos a serem analisados no estudo sobre o diagnóstico de falhas em máquinas e equipamento industrial com recurso ao uso da inteligência artificial.
Materiais e Métodos
Para alcançar os objetivos propostos, este trabalho seguirá uma estrutura lógica composta por quatro etapas distintas. Inicialmente, será realizada uma revisão da literatura, que consistirá na análise crítica das principais abordagens e técnicas de inteligência artificial aplicada ao diagnóstico de falhas em máquinas industriais. Em seguida, será detalhada a metodologia de pesquisa, descrevendo os métodos utilizados para recolha, análise e interpretação dos dados, bem como a elaboração e aplicação do modelo de diagnóstico de falhas.
Os resultados obtidos a partir da aplicação da inteligência artificial no diagnóstico de falhas serão apresentados e discutidos, incluindo comparações com abordagens convencionais e análise do impacto operacional e financeiro. Por fim, serão apresentadas as conclusões, que sintetizarão os principais resultados, contribuições, limitações do estudo e sugestões para trabalhos futuros.
Os tópicos a serem analisados abrangem os fundamentos teóricos de inteligência artificial aplicados ao diagnóstico de falhas, os métodos e técnicas mais relevantes para essa aplicação em máquinas e equipamento industrial, estudo de casos e aplicações práticas de sistemas de IA, além da avaliação de desempenho e precisão dos modelos de diagnóstico de falhas baseados em IA. Também será analisado o impacto da aplicação de sistemas de IA no desempenho operacional e na redução de custos de manutenção.
Quanto às fontes de informação, serão utilizados artigos científicos e académicos em publicações especializadas, documentos técnicos e relatórios de pesquisa, bem como publicações de conferências e eventos na área da manutenção industrial e inteligência artificial.
A recolha de fatos e de dados será realizada por meio de uma revisão sistemática da literatura para identificar e selecionar estudos relevantes e obter insights práticos, a avaliar o desempenho de diferentes técnicas de IA, e análise de dados históricos de manutenção e falhas de máquinas industriais disponíveis publicamente.
Página 1/2
Planeamento dos trabalhos de investigação – Mapa de Gantt – 
	
	2025
	2026
	2027
	Tarefas a desenvolver
	S
	O
	N
	D
	J
	F
	M
	A
	M
	J
	J
	A
	S
	O
	N
	D
	J
	F
	M
	A
	M
	J
	J
	Estudar modelos de ferramentas IA disponíveis em MATLAB
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Recolha de dados industriais p/ teste algoritmos IA do MATLAB
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Testar modelos de IA do MATLAB c/ dados históricos
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Propor redação de artigo científico (1)
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Testar modelo multi-entrada de diversas especialidades 
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Desenvolver conceitos IA de apoio à decisão em manutenção
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Propor redação de artigo científico (2)
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Início da redação do trabalho de dissertação
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Propor redação de artigo científico (3)
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Conclusão da redação do trabalho de dissertação
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Submeter redação do trabalho de dissertação p/ avaliação
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	Apresentação do trabalho de dissertação
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
Bibliografia
Andreas, T., Pérez-Velázquez, J., Kettelgerdes, M., & Elger, G. (24 de June de 2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering and System Safety 215.
Araújo, R. (2022). Inteligência Artificial no Projecto: Desafios e Perspectivas. Coimbra: Universidade de Coimbra.
Barcelos, A. d., Mazzoni, F. M., & Cardoso, A. J. (s.d.). Análise de Avarias em Rolamentos, utilizando Algoritmos de Inteligência Artificial. Análise de Avarias em Rolamentos, utilizando Algoritmos de Inteligência Artificial.
Bellman, R. (1978). An Introduction to Artificial Intelligence. Michigan: Boyd & Fraser Publishing Company.
Bem-Daya, M., Duffuaa, S., & Raouf, A. (2009). Handbook of Maintenance Management and Engineering. Springer.
Brown, S. (2005). Assessment for Learning. Assessment for Learning, pp. 81-89.
Calligaro, C. (2003). Proposta de Fundamentos Habilitadores para a Gestão da Manutenção em Indústrias de ProcessamentoContínuo Basada nos Princípios da Manutenção de Classe Mundial. Porto Alegre: Universidade Federal do Rio Grande do Sul.
Campbell, J. D. (1995). Outsourcing in maintenance management: A valid alternative to self‐provision. Journal of Quality in Maintenance Engineering, 18-24.
Campbell, J. D., Jardine , A. K., & McGlynn, J. (2011). Asset Management Excellence. London: CRC Press.
Charmiak, E., & McDermott, D. V. (1985). Introduction to Artificial Intelligence. Michigan: Addison-Wesley.
Cozman, F. G., Plonski , G. A., & Neri, H. (2021). Inteligência Artificial: Avanços e Tendências. São Paulo: Instituto de Estudos Avançados.
Girdhar, P., & Scheffer, C. (2004). Practical Machinery Vibration Analysis and Predictive Maintenance. Newnes.
Haugeland, J. (1985). Artificial Intelligence: The Very Idea. Cambridge: MIT Press.
Herbert, R., & Viana, G. (2020). Manual de Gestão da Manutenção, Volume 1. Engeteles Editora.
Herbert, R., & Viana, G. (2020). Manual de Gestão da Manutenção, Volume 2. Engeteles Editora.
Herbert, R., & Viana, G. (s.d.). Gestão da manutenção. 
Ivanon, S., & Webster, C. (2019). Oerceived appropriateness and Intention to Use Service Robots in Tourism. Nicosia - Cyprus: Information and Communicatio Technologies in Tourism.
Kardec, A., & Nascif, J. (2009). Manutenção - Função Estratégica. Rio de Janeiro: Qualitymark.
Kurweil, R. (1990). The Age of Intelligent Machines. Michigan: Kurzweil Foundation.
Lobo, L. C. (2017). Inteligência Artificial e medicina. Revista Brasileira de Educação Médica.
Lopes, Y. L. (2021). Identificação e avaliação dos aspetos ambientais das instalações de abastecimento de águas da Zona Norte de Portugal Continental - Subsistema de Areias de Vilar da Empresa Águas do Norte S.A. Braga: Universidade do Minho.
Lousada, S., Castanho, R. C., Soares-da-Silva, P., & Naranjo-Gómez, J. M. (23 de Janeiro de 2019). Modelação de sistemas de abastecimento de água. Modelação de sistemas de abastecimento de água.
Lucio, J. C. (2009). Metodologia integrada para o gerenciamento de ativos no setor elétrico baseada no apoio à decisão multicritério e na inteligência artificial. Florianópolis: Universidade Federal de Santa Catarina.
Monchy, F. (1987). A Função Manutenção. São Paulo: Ebras/Durban.
Moutinho, A. E. (2023). Técnicas de previsão de vida útil restante utilizando algoritmos de inteligência artificial. Porto: Faculdade de Engenharia da Universidade do Porto.
Poole, D., Mackworth, A., & Goebel, R. (1998). Computational Intelligence: A Logical . Oxford: Oxford University.
Rimoldi, B. E. (1988). A Decomposition Approach to CPM. Zurich, Switzerland: Institute of Electrical and Electronics Engineers.
Russell, S. J., & Norving, P. (2010). Artificial Intelligence - A Modern Approach - Third Edition. New Jersey: Pearson Education, Inc.
Russell, S., & Norvig, P. (2010). Artificial Intelligence - A Modern Approach - Third Edition. New Jersey: Pearson Education, Inc.
Santos, G. M. (2017). Termografia e inteligência artificial na detecção de falhas em transformadores. Recife: Universidade Federal de Pernambuco.
Santos, N. S., Silva, L. C., & Cardoso, E. G. (2024). Aplicação da Inteligência Artificial no diagnóstico de falhas de máquinas. Brazilian Journal of Development, 01 - 14.
Simeón, E. J., & Álvares, A. J. (2008). Aplicação de técnicas de inteligência artificial no desenvolvimento de um sistema de manutenção baseada em condição. Brasília: Universidade de Brasília.
Soeiro, M., Olivio, A., & Lucato, A. (2017). Gestão da Manutenção. Editora e Distribuidora Educacional.
Sshigley, J., & Mischke, C. (1996). Standard Handbook of Machine Design - Second Edition. McGraw-Hill.
TIMKEN. (2019). Obtido de https://www.timken.com/resources/rolamento-analises-de-dano_impressao_7352/
Webster, C., & Ivanov, S. (s.d.). Robótica, Inteligência Artificial e a Enolução do Trabalho. 2019.
Winston, P. H. (1993). Artificial Intelligence. Michigan: Addison-Wesley Publishing Company.
image1.pngresultante da venda de produtos e/ou serviços que a empresa comercializa. Entre estas funções, a Manutenção, tem a desempenhar um papel importante e decisivo.
Os orçamentos empresariais são elaborados, pelos diversos departamentos ou direções, e depois de aprovados pela administração passam a ser um imperativo nos atos de gestão operacional, obrigando o responsável da Manutenção a trabalhar dentro de limites bem definidos que por diversas vezes o impedem de atingir todas as suas metas, entre elas garantir a máxima disponibilidade de todos os equipamentos e instalações dentro de níveis aceitáveis de qualidade e produtividade.
Para agravar esta situação, por vezes, o parque de máquinas que dispomos está envelhecido ou em fracas condições de funcionamento. Qualquer equipamento, sistema ou instalação, seja ele mecânico, elétrico/eletrónico, hidráulico ou pneumático, está sempre sujeito a um progressivo processo de degradação.
Para que uma instalação assegure a função para a qual foi concebida, é necessário que os seus equipamentos e máquinas sejam mantidos em boas condições de funcionamento. Isto requer que sejam efetuadas reparações, inspeções, rotinas preventivas, substituição de órgãos ou peças, mudanças de óleo, limpezas, correção de defeitos, fabricação de componentes, pinturas, etc., para que se possam repor os níveis de operacionalidade. Este conjunto de ações forma o leque de atividades da Função Manutenção.
1.2 – Evolução histórica da Função Manutenção
Após um período em que a Manutenção foi considerada um mal necessário da produção industrial, hoje, reconhece-se na Manutenção como uma das mais importantes e respeitadas funções dentro da empresa, com um peso decisivo na rentabilidade, na qualidade e na própria imagem da empresa.
A evolução da manutenção fez-se sentir desde o início do século XX, em especial ao nível orgânico, passando de uma atividade subsidiária da função Produção até tornar-se numa função autónoma dentro da estrutura da empresa. Esta evolução foi em muitos casos resultante da necessidade da redução dos custos de paragens devido a avarias, bem como, a constante atualização tecnológica e científica. 
Assim da Manutenção Corretiva de Emergência (MCE), caracterizada pela intervenção após a ocorrência da avaria, passou-se à Manutenção Preventiva Sistemática (MPS), em que as intervenções são efetuadas periodicamente e em função de um valor da vida esperada dos equipamentos e sistemas. Finalmente a Manutenção Condicionada (MC), a qual tentando maximizar a utilização de equipamentos e sistemas, não conseguida pela MPS, baseia as intervenções no controlo da condição do equipamento, de tal modo que a intervenção só tem lugar no momento em que a condição de funcionamento deixe de estar adequada, podendo pôr em risco a produção e/ou segurança de pessoas e instalações.
Esta evolução decorreu num período bastante alargado, quando comparado com a maioria das filosofias de gestão da produção. Isto mostra facilmente o descuido a que a função Manutenção estão enquadradas na MCE. Esta situação fica a dever-se a vários fatores, dos quais o não reconhecimento da importância da manutenção e a ignorância dos custos da não – Manutenção são uns dos mais importantes.
Nos tempos modernos, a Manutenção tem sido abordada de forma diferente. Já não se pode analisar uma função de uma empresa sem abordar aquelas que direta ou indiretamente interagem com esta. Assim neste contexto de integração tem surgido várias ideias que defendem a análise da Manutenção no todo da fábrica.
1.3 – Definição de Manutenção
A AFNOR define Manutenção como sendo um conjunto de ações que permitem manter ou restabelecer um bem num estado especificado ou com possibilidade de assegurar um serviço determinado, a um custo global otimizado.
De outra forma, pode-se definir Manutenção como a combinação das ações de gestão, técnicas, económicas, aplicadas a bens, para otimização dos seus ciclos de vida.
1.4 – Função Manutenção
Os equipamentos de produção tem sofrido ao longo dos tempos evoluções importantes, ou seja:
a) Os equipamentos são cada vez mais automatizados, tornam-se mais compactos, mais complexos e são usados de forma mais intensa;
b) Os equipamentos são mais “caros” (investimentos mais elevados) com períodos de amortização mais pequenos;
c) Os tempos de indisponibilidade sobre um “processo” são economicamente mais críticos do que sobre um parque de máquinas em linha;
d) A exigência imposta por novos métodos de gestão da produção.
Assim sendo a função Manutenção evoluiu do conceito original de Conservação para o atual de Manutenção.
Há consenso na literatura em não haver um modelo fechado para a função manutenção, que permita distribuir num organograma os recursos humanos de um departamento de manutenção, visto que cada empresa possui a sua especificidade, por exemplo, segundo o autor (Campbell, Outsourcing in maintenance management: A valid alternative to self‐provision, 1995) não existe uma estrutura organizacional que possa ser considerada correta e que possa ser implantada em qualquer organização sem ajustes e adaptações, para o autor, o que existe são estratégias que podem ser utilizadas em situações específicas. Já no seu ponto de vista (Calligaro, 2003) observa que questões como: posição, níveis hierárquicos e configuração da organização, devem ser estabelecidos com base nos objetivos e metas traçadas por cada organização. O autor também identifica três formas básicas de organização: centralizada, descentralizada e combinada. Para (Monchy, 1987), a centralização deve ser administrativa e hierárquica, enquanto a descentralização geográfica deve ser realizada no nível das atividades, para o autor as vantagens de uma estrutura centralizada, são:
a) Otimização do emprego de recursos;
b) Maior controlo dos custos de manutenção;
c) Padronização dos processos;
d) Acompanhamento padronizado dos equipamentos e suas falhas;
e) Agrupamento adequado de investimentos de maior envergadura; 
f) Melhoria na gestão dos recursos. 
Em relação à descentralização geográfica, as vantagens observadas por (Monchy, 1987) apresentadas no seu estudo, são:
a) Delegação de responsabilidade aos supervisores;
b) Relacionamento mais próximo com o cliente dos serviços;
c) Melhor gestão devido a equipas de menor dimensão e multidisciplinares;
d) Eficácia e rapidez nas intervenções.
Normalmente, em algumas indústrias, quando nos referimos a Produção, pensamos estar a falar da Operação, uma interpretação considerada errada, pois a Produção engloba a Manutenção e a Operação, sendo que estas ocupam um mesmo nível hierárquico dentro de uma organização produtiva.
Manutenção é a arte de escolher os meios de prevenir, de corrigir ou de renovar um parque material, seguindo critérios económicos, com vista a otimizar o custo global de posse do equipamento.
1.5 – Tipos de Manutenção
São vários os tipos de manutenção utilizados no mundo industrial. 
A tabela seguinte resume os tipos de manutenção, as suas abordagens e as técnicas adotadas dentro do contexto das ações de manutenção:
	Tipos de Manutenção
	Manutenção Preventiva
	Manutenção Corretiva
	Abordagens
	Sistemática
	Condicionada
	Emergência
	Planeada
	Técnicas
	
	Sensorial
Preditiva
	
	
Tabela A – Tipos, abordagens e técnicas de manutenção.
1.5.1 – Manutenção Corretiva
Realizada depois da ocorrência de uma avaria com obrigatoriedade de paragem de um equipamento para realizar a função requerida, destinada a restaurar a aptidão desse equipamento para realizar essa função. Como podemos constatar a indisponibilidade do equipamento não depende apenas do tempo total de reparação, mas também dos tempos de diagnóstico, logística e das afinações necessárias ao equipamento. 
A Manutenção Corretiva consiste na realização de tarefas de manutenção realizadas após a ocorrência de uma falha, destina-se à correção ou substituição de um componente, em que, após esta ação a máquina ou equipamento fique em condições de executar novamente as funções para as quais se destina. Observe-se que a definição de manutençãocorretiva, seja a que considera o “defeito” ou a “falha” para o seu início, omitindo o caráter do planeamento na tipificação, no entanto, a manutenção corretiva em alguns momentos pode e deve ser planeada e programada, daí surgirem duas variações de manutenção corretiva: (1) Corretiva de Emergência e (2) Corretiva Planeada.
1.5.1.1 – Manutenção Corretiva de Emergência
A Manutenção Corretiva de Emergência baseia-se na intervenção imediata, necessária para evitar graves consequências aos ativos de produção, a segurança do trabalhador ou ao meio ambiente. A situação não pode esperar, sendo assim, mobilizam-se as equipas de primeira linha existentes na empresa, procurando-se soluções a imediatas para recolocar o ativo em condições para o atendimento das suas funções requeridas. No entanto, na manutenção nem tudo corre perfeitamente, existem situações que a falha leva a uma avaria de grandes proporções, ou de grande dificuldade de resolução, surgindo então a necessidade de planear a intervenção imediata, ou seja, temos então a Manutenção Corretiva Planeada.
1.5.1.2 – Manutenção Corretiva Planeada
A manutenção corretiva planeada pressupõe o conhecimento prévio da falha ou avaria, através de inspeção, monitorização preditiva ou o efeito objetivo da mesma. O ideal seria atuar na manutenção corretiva de forma a solucionar de imediato os problemas, no entanto na vida prática da manutenção nem sempre isto é possível, basicamente por duas razões: Situações em que a falha levou a uma avaria de grandes proporções, ou de grande dificuldade de resolução; Existência de redundâncias na instalação que eliminam a dependência do ativo que tem a avaria, possibilitando assim a tomada de decisão de escolha de data futura para intervenção, o que permite o planeamento da atividade de manutenção. Note-se que o que entende neste tipo de ação corretiva não definir o dia e a hora a que tal ação irá decorrer, pois isso na maior parte das vezes em contexto industrial é impossível e ilógico prever, na verdade quando se fala em manutenção corretiva planeada, quer dizer-se que a intervenção de manutenção para repor as condições do equipamento em conformidade terá um caráter planeável e programável. Logo, a palavra “planeada” neste contexto mostra a preparação da ação de manutenção para resolução de um evento com necessidade de intervenção.
1.5.2 – Manutenção Preventiva
De acordo com vários autores, e tendo por base a bibliografia disponível, podemos classificar a manutenção preventiva, como todo o serviço de manutenção realizado em equipamentos que não estejam em falha, estes, devem estar em condições operacionais ou com defeitos que não afetem a sua regular funcionalidade. A manutenção preventiva divide-se em dois grupos: (1) Manutenção Sistemática e (2) Manutenção Condicionada.
1.5.5.1– Manutenção Preventiva Sistemática
São serviços efetuados em intervalos predeterminados ou de acordo com critérios prescritos, destinados a reduzir a probabilidade de falha. Desta forma proporcionam uma “tranquilidade” operacional necessária para o bom funcionamento das atividades produtivas. Este tipo de manutenção planeada oferece uma série de vantagens para uma unidade fabril. Comparativamente à manutenção corretiva, pode considera-se um armazém de peças de reserva mais reduzido e eficiente, através de um plano de manutenção preventiva bem elaborado e consolidado na área. As matrizes de manutenção sistemática são definidas através de uma pré-análise dos técnicos e engenheiros de manutenção. Esta singularidade proporciona uma redução drástica de ocorrências imprevistas, desta forma o índice de qualidade do serviço alcança um nível bem mais alto do que num ambiente alicerçado basicamente em manutenção corretiva. As manutenções sistemáticas reduzem os acontecimentos corretivos, proporcionando o controlo sobre o funcionamento dos equipamentos e um elevado grau de autoconfiança dos técnicos de manutenção. A manutenção sistemática também possibilita um expressivo melhoramento de técnicas e métodos de trabalho, pois a partir do momento em que ocorrem repetições de eventos no mesmo equipamento, a visualização de pontos críticos torna-se mais visível a cada manutenção preventiva sistemática, fazendo com que os mapas dos planos de manutenção sejam atualizados em permanência. Cabe ressalvar que as inspeções, no que tange ao cumprimento das suas rotas de coleta de dados, são manutenções preventivas sistemáticas. Constatam-se algumas dúvidas de conceito na prática em empresas. Por exemplo, a inspeção preditiva é uma manutenção preventiva sistemática ou uma manutenção condicionada? Quanto a realização da recolha dos dados para análise preditiva, ela é uma manutenção sistemática, pois segue uma grelha pré-definida e com uma frequência definida de repetição. Ou seja, faça chuva ou faça sol, o inspetor irá cumprir as suas rotas sistematicamente. Quando observa uma anomalia (defeito ou falha) num dos equipamentos que compõem a rota de inspeção, surge a manutenção sob condição através da procura de factos e evidencias pelo inspetor para correção da anomalia. Na maioria das vezes, os inspetores emitem sugestões e pareceres para tais correções. Se a anomalia detetada for um defeito, temos uma manutenção sob condição de caráter preventivo, mas se a anomalia detetada consistir numa falha, temos uma manutenção sob condição de caráter corretivo.
1.5.2.2 – Manutenção Preventiva Condicionada
Na manutenção condicionada, o próprio nome inspira o seu conceito pois, tratam-se de ações de manutenção provenientes da observação das condições dos equipamentos relativos a parâmetros técnicos, os quais são acompanhados ao longo do período de vida dos ativos. Como já referido anteriormente, a manutenção condicionada encontra-se no grupo da manutenção preventiva, sendo considerada na grande maioria das vezes o melhor método de atuação de forma a antecipar a falha. No entanto, refira-se que em algumas situações, a manutenção condicional terá caráter corretivo quando a mesma visar corrigir uma situação de num equipamento em estado de falha. A manutenção condicionada tem origem no acompanhamento (inspeção) dos ativos, daí, considerarem-se três tipos de observação sobre os equipamentos: (1) Inspeção Sensorial; (2) Inspeção Preditiva e (3) Acompanhamento por monitorização permanente. A inspeção sensorial é considerada uma monitorização subjetiva das condições do estado de um equipamento. É realizada de forma sensorial, ou seja, através da visão, audição, tato e olfato de uma pessoa que detenha conhecimentos no âmbito da manutenção. Este processo de avaliação pode ser apoiado com ferramentas usuais de controlo metrológico como paquímetros, com o objetivo, por exemplo, de acompanhar o nível de desgaste em peças sacrificiais. A inspeção através de técnicas preditivas, também conhecida como manutenção preditiva, consiste em tarefas de manutenção preventiva que visam acompanhar a máquina ou as peças, por medições através de ensaios não destrutivos ou por controlo estatístico. Esta técnica procura prever a proximidade da ocorrência da falha, bem como, a existência de algum defeito. O objetivo é determinar o tempo preciso da necessidade da intervenção de manutenção a realizar. Algumas das vantagens deste tipo de inspeção são evitar desmontagens para inspeção e utilizar o componente até o máximo da sua vida útil. 
As quatro técnicas preditivas mais usuais utilizadas na indústria, que optaram por um programa de Inspeção Preditiva são: os Ensaios por Ultrassom; a Análise de vibrações mecânicas; a Análise de óleos lubrificantes e a Termografia.
No capítulo 3 abordaremos com mais detalhes essas técnicas, assim como, a sua utilização atual com apoio de técnicas de Inteligência Artificial. O acompanhamento do estado dos equipamentos como recurso a sistemas de monitorização continua são uma das formas mais fiáveis de garantir a disponibilidade de um ativo. Para (Kardec & Nascif, 2009) os sistemas de monitorização contínua podem enviar dados em tempo real para computadores com programas de controlo,onde especialistas fazem o acompanhamento de supervisão no sistema e são capazes de detetar falhas ocultas. Na maioria dos casos, nas empresas onde se aplica esta prática, os equipamentos são monitorados através de diversos sensores como pressostátos, termopares ou acelerômetros que garantem o envio permanente de sinais. Estes sinais são analisados por profissionais especializados que se revezam em regime de turno, por forma a garantir que os sinais de alarme para uma ação de manutenção necessária, defeito ou falha, sejam devidamente encaminhados. Em alguns casos (em situação de defeitos) direcionada para o PCM, uma vez que há tempo para o planejamento da ação e noutros casos (em situação de falhas), são direcionadas para o pronto atendimento da manutenção, conhecidas nas empresas como equipas “da corretiva” ou “do turno” – uma vez que já afetam o desempenho dos equipamentos, podendo até gerar danos irreparáveis aos mesmos. É também conhecida por Preditiva, a expressões como “manutenção por diagnóstico” e “manutenção baseada na avaliação da condição” exprimem bem o seu conceito. Não necessita do conhecimento por antecipação da lei da degradação da máquina ou equipamento.
1.5.3 – Manutenção Produtiva Total – TPM
A sua grande marca filosófica assenta na base de envolvimento ativo do pessoal, da produção, em algumas operações de manutenção considerando-se o facto de o operador ser quem melhor conhece o funcionamento da máquina e, dessa forma, ser quem numa melhor condição de criar ações de manutenção e consequente operacionalidade do equipamento.
Na sua aplicação TPM é a manutenção conduzida com o envolvimento de todos, desde os operadores de máquinas e pessoal da manutenção, até ao nível superior da gestão passando pelos quadros intermédios.
1.6 – Gestão de Ativos e Gestão da Manutenção
Os conceitos gestão da manutenção e gestão de ativos apesar de aparentemente quererem dizer o mesmo, na verdade regem-se por princípios diferentes. Os dois estão focados no aumento da fiabilidade e na eficiência dos equipamentos numa determinada operação durante um período de funcionamento, contudo são conceitos distintos, podendo ser confundidos.
Para gerirmos ativos, devemos considerar todo o ciclo de vida dos equipamentos, por sua vez diretamente ligado a uma estratégia de manutenção robusta.
A gestão de ativos compreende o período que engloba: o planeamento do projeto; a tomada de decisão; o ciclo de vida do ativo – CAPEX (Capital Expenditure) – Despesa de Capital – envolve o dinheiro a que uma organização ou corporação recorre para comprar/fabricar, instalar/montar, treinar/formar; e o OPEX (Operational Expenditure) – Despesa de Operação – que envolve os custos de operação/manutenção do ativo, reparação/substituição, gestão da manutenção e o desmantelamento e abate.
	GESTÃO DE ATIVOS
	
Planeamento
	
Tomada de decisão
	CAPEX
	OPEX
	
Desmontagem
e abate ao efetivo
	
	
	Anteprojeto/Projecto
	Operação
	
	
	
	Compra/Fabrico
	Manutenção do activo
	
	
	
	Instalação/Montagem
	Reparações/Substituições
	
	
	
	Formação/Treino
	Gestão da Manutenção
	
	
	
	ENGENHARIA
	MANUTENÇÃO
	
	
	
	Ciclo de vida do activo
	
	Gestão de incertezas
Tabela B - Domínios envolvidos na Gestão de Ativos. [adaptado de: https//tractian.com]
Na gestão de ativos industriais os decisores que ignoram esta relação ou desconsideram uma estratégia de gestão podem acabar com relevantes prejuízos operacionais, danos nos equipamentos produtivos ou redução drástica na vida útil das máquinas.
A gestão de ativos anda em simbiose com a gestão da manutenção devendo ser considerada a sua análise, sempre que possível, em conjunto.
O primeiro passo para entendermos a gestão da manutenção é conhecermos os detalhes do setor. Até à poucas décadas atrás, a manutenção não era devidamente considerada pela gestão empresarial pois era vista como fonte de gastos excessivos e prejuízos, ativada apenas em situações de emergência.
Na última década com o surgimento do conceito tecnológico da Indústria 4.0, cada vez mais, a manutenção passou a ser vista como uma ferramenta estratégica para reduzir custos e aumentar a produtividade em unidades industriais. O aumento e a garantia da qualidade do produto final está relacionada com o controlo das intervenções realizadas, assim como, o acompanhamento permanente dos parâmetros de operação das máquinas por recurso a ações de manutenção preditiva.
Um dos maiores desafios, para as equipas de manutenção industrial, é garantir a disponibilidade e a fiabilidade das máquinas, recorrendo às melhores técnicas disponíveis pelo menor custo possível. Isso só pode ser possível por recurso a uma boa gestão da manutenção.
As atividades de manutenção quando bem planeadas e bem executadas permitem extrair o máximo de rendimento de um ativo, a equipa de manutenção atua de forma preventiva para evitar as falhas e reduzir as intervenções não planeadas ou em contexto de emergência.
 (
Gestão da Manutenção
Gestão de Activos
)
Figura 1 – Gestão de Ativos Vs Gestão da Manutenção.
A manutenção preditiva é fundamental para reduzir custos ao longo do ciclo de vida desses ativos, pois consegue diminui os valores de OPEX (Operational Expenditure).
A gestão da manutenção é um tópico da gestão de ativos. Origina uma gestão de todo o ciclo de vida dos ativos, desde a tomada de decisão da compra de uma nova máquina ou equipamento, até ao seu abate ao efetivo.
Previamente à compra do ativo, é necessário avaliar os custos e o impacto desse investimento, a sua necessidade e o papel da nova máquina no processo produtivo, tendo em conta todo o ciclo de vida. A gestão de ativos não deve limitar-se à manutenção.
A área de Gestão de Ativos assumiu com o passar do tempo um papel estratégico nas organizações, visto que os resultados dos seus processos podem afetar substancialmente a sustentabilidade empresarial e a sua imagem perante a sociedade, especialmente em casos de insucessos nos aspetos ambientais (Lopes, 2021) e de serviços prestados diretamente à população.
Os níveis de disponibilidade e fiabilidade dos ativos são exigidos de forma crescente e desafiadora em grande parte dos setores de produção, onde as equipas de manutenção procuram cada vez mais desenvolver não só novas técnicas operacionais como também novos métodos de gestão da manutenção, desenvolvendo assim a engenharia da fiabilidade.
Alinhado com este contexto presente nas organizações, surgiram em 2014 as normas ISO da série 55000, demonstrando a clara opção dos engenheiros de manutenção e operações em desenvolver métodos de gestão capazes de elevar o nível de coordenação entre os diversos processos que suportam o desempenho de um ativo.
De acordo com a norma ISO 55000:2014, “o controlo eficaz e a gestão dos ativos pelas organizações são essenciais para obter valor por meio da gestão de riscos e oportunidades, com o objetivo de ser atingido o equilíbrio desejado entre custo, risco e desempenho”.
Nota-se a procura sobre uma gestão de riscos que possibilite um controlo eficaz, daí, realçando a preocupação, já presente nas organizações, nos seus setores de manutenção e operações: a fiabilidade dos ativos.
Partindo do pressuposto da ISO 55000:2014, onde “um sistema de gestão de ativos é um conjunto de elementos inter-relacionados e interagidos de uma organização, cuja função é estabelecer a política e objetivos de gestão de ativos e os processos necessários para alcançar esses objetivos”, podemos entender que a Gestão da Manutenção como uma função, onde estão englobados diversos elementos inter-relacionados e que interagem profundamente com outras áreas de uma organização, como a função operação, aprovisionamentos, logística, segurança no trabalho, gestão económica, projetos de investimento, entre várias outras.
Nota-se que Gestão de Ativos pressupõe o envolvimento de todas as áreas da organização na obtenção do valor dos ativos com menor risco e custo para suas operações, trata-se de uma relevante mudança de visão normalmente estabelecida nas organizações.
A exposição acerca deste assuntovisa estudar sobre a organização da Função Manutenção, procurando atender aos objetivos referentes a área de Manutenção na Gestão de Ativos, sendo de ressalvar que diversas atividades da Gestão da Manutenção, uma vez executadas, suportarão ações de outras áreas no contexto da Gestão de Ativos, como por exemplo, o planeamento de investimentos na área financeira e as premissas de capacitação das equipas de manutenção na área de recursos humanos.
Desta forma, pode-se constatar a importância estratégica da Função Manutenção para a Gestão de Ativos, e, por conseguinte, para a criação de valor para organização, assim como, o seu controlo operacional de riscos.
Surge então a conclusão de que uma adequada Gestão de Ativos, passa necessariamente por uma Gestão da Manutenção bem articulada e competente.
Dificilmente uma organização alcançará um nível avançado na gestão dos seus ativos, sem uma Função Manutenção bem gerida, com os seus processos articulados de forma efetiva e eficaz.
O olhar sobre a Gestão da Manutenção é condição elementar para a construção de um ambiente positivo, onde haja um método normalizado, com rotinas claras e capazes de articular esforços das equipas internas com a manutenção, bem como, as suas inter-relações.
Na literatura encontram-se diversos trabalhos relacionando a Gestão da Manutenção e a Gestão de Ativos, apesar de ser relativamente recente o aparecimento das normas da série ISO 55000 (2014), além da Função Manutenção, trabalhos explorando a relação da gestão de ativos e temas transversais à gestão de empresas de capital incentivo, também estão cada vez mais presentes, podendo-se citar o título “Asset management excellence: optimizing equipment life-cycle decisions”, onde (Campbell, Jardine , & McGlynn, Asset Management Excellence, 2011), aborda decisões sobre investimentos que podem ser otimizadas através da pesquisa e análise dos ciclos de vida dos equipamentos.
No campo da indústria 4.0, a Função Manutenção desenvolve-se rápido, observa-se que desde o ano de 2005, apresentam-se estudos envolvendo a Gestão da Manutenção e aplicações de inteligência artificial, podendo citar-se trabalhos aplicados no setor elétrico (Lucio, 2009), no desenvolvimento de técnicas de manutenção baseada na condição com recurso ao uso de inteligência artificial (Simeón & Álvares, 2008), gestão de ativos em sistemas de distribuição de energia (Brown, 2005) e sistemas de distribuição de água (Lousada, Castanho, Soares-da-Silva, & Naranjo-Gómez, 2019).
No entanto, deixemos este tema da Função Manutenção e a sua articulação com a quarta revolução industrial por ação da inteligência artificial para o Capítulo 3, onde discutiremos este tema mais detalhadamente.
1.7 – TPM – Manutenção Produtiva Total e a Inteligência Artificial
1.7.1 – Introdução
A manutenção produtiva total, com a abreviatura conhecida internacionalmente – TPM, em inglês Total Produtive Maintenance, é um conceito muito em utilização no domínio das melhores práticas disponíveis na manutenção moderna, ferramenta desenvolvida na Japão no início da década de 70, implantada e desenvolvida pela empresa Nippon Denso, do grupo Toyota.
Atualmente, o TPM, é uma marca registada do JIPM – Japan Institute of Plant Maintenance implantada mundialmente em indústrias de vanguarda com resultados técnicos e económicos muito notáveis.
O perfil do TPM caracteriza-se por:
- encontrar a maximização da eficiência global das máquinas e equipamentos, normalmente com o acrónimo OEE – Overal Equipment Efficiency;
- ser um sistema total que engloba todo o ciclo de vida útil das máquinas e dos equipamentos;
- ser um sistema onde participam os quadros técnicos da produção e da manutenção;
- ser um sistema que agrega a participação de todos desde os quadros de alta direção até aos operadores de máquinas.
Trabalhar com esta ferramenta:
- procura a vantagem económica através de um modelo de gestão da manutenção preventiva, lucrativa.
- integra as técnicas de manutenção corretiva, de manutenção preventiva e da prevenção da manutenção, está última, através do diagnóstico precoce de avarias.
É por estes pontos, que se expõe anteriormente, que entendemos existir um enorme potencial de desenvolvimento de uma ferramenta de apoio de Inteligência Artificial.
1.7.2 – Acrónimo TPM
Todos: desde a alta direção até ao operador de chão de fábrica.
Performance, produtividade, perdas reduzidas a zero, prevenção e prática.
Management, homens, manter.
1.7.3 – Objetivos 
O TPM tem como objetivo principal a eliminação de falhas, defeitos e outras formas de desperdícios, como o tempo, visando a maximização global da eficiência das máquinas e dos equipamentos, com envolvimento de todos e a todos os níveis.
Uma fábrica é composta por duas partes distintas. Uma parte visível, a que, realmente, produz produtos com qualidade e cria valor. Uma parte invisível que produz perdas e aumenta os custos operacionais.
O TPM é uma ferramenta que permite transformar a parte invisível em visível, através da eliminação de todas as perdas.
Os quadros das empresas quando implementam o TPM adquirem as seguintes capacidades:
- pessoal da produção: capacidade de desenvolver a manutenção autónoma;
- pessoal da manutenção: capacidade de desenvolver uma manutenção de alto nível;
- engenharia de manutenção: capacidade de desenvolver um programa de gestão de equipamentos com o mínimo de manutenção curativa. (É também neste ponto, que entendemos existir um enorme potencial de desenvolvimento de uma ferramenta de apoio de Inteligência Artificial.)
1.7.4 – Valorização da Aplicação do TPM
Face aos ritmos produtivos da atualidade com o enquadramento económico atual, as empresas, uma necessidade permanente de eliminar todas as causas de perdas. Neste sentido, é imperativo eliminar todas as perdas devido a paragens imprevistas, assim como, as perdas associadas pela produção de defeitos.
As exigências dos pedidos de qualidade dos produtos não deixam qualquer margem para a entrega de produtos defeituosos ao cliente final. Os padrões de aceitação, atuais, de defeitos na casa dos clientes são na base de unidade PPM – Partes Por Milhão. Atualmente, considera-se “normal” entregar uma dada quantidade de produtos encomendados com a certeza de que estão todos conformes.
A produção, em lotes, de numerosos produtos aliada a curtos prazos de fabrico aumentou a necessidade de criar ferramentas e pôr em prática o TPM com o objetivo de satisfazer as necessidades dos clientes. Assim, pela necessidade de reduzir a zero a perda de rendimento trouxe o reconhecimento do TPM como uma ferramenta indispensável à rentabilidade de uma empresa.
1.7.5 – Princípios de Desenvolvimento do TPM
O TPM é uma ferramenta que trabalha muito com intervalos (de tempo) e balizamento de funcionalidades, sendo muito sustentada no domínio e controlo de estado de condição. Neste princípio, existe espaço para uma ferramenta de IA para controlo do balizamento do estado de condição e do comportamento da operacionalidade dentro de determinados limites – Algoritmo de Supervisão. Eliminar a zero as perdas de tempo e a produção de defeitos.
Construir um sistema que permita obter a performance em produção:
- melhorar caso a caso;
- manutenção autónoma;
- manutenção programada;
- formação e treino – saber fazer.
– CAPITULO 2 – 
Introdução à Inteligência Artificial
2.1 – Introdução à Inteligência Artificial
Quando falamos do desenvolvimento tecnológico e da criação de modelos tecnológicos construídos pelo ser humano ao longo da história, a Inteligência Artificial (IA) surge como uma das conquistas mais importantes alcançadas pela humanidade. Quando conduzimos um veículo automóvel, quando fazemos uma pesquisa na Internet, quando acionamos um eletrodoméstico, quando conversamos num telemóvel, quando controlamos uma fábrica automatizada, atualmente, já estão envolvidos vários algoritmos e dispositivos criados para simular em certa medida o pensamento ou a ação humana de maneira a facilitar diversas operações. 
A IA permite que as ferramentas criadas pelo ser humanoatinjam um alto nível de complexidade. Quando a IA surgiu, em meados da década de 1950, havia uma grande expectativa de que, em pouco tempo, com o avanço da tecnologia dos computadores, chegaríamos a máquinas que teriam o mesmo patamar de inteligência da humanidade. Apesar desta expectativa, o que aconteceu foi a constatação de uma série de fracassos e deceções obtidos, numa fase inicial, nos projetos de construção de IA, muito disso em função da subestimação dos processos inteligentes que acontecem no nosso cérebro ou na nossa mente. Entretanto, mesmo com alguns fracassos, surgiram uma série de produtos durante as pesquisas, que fizeram outros campos da Ciência da Computação evoluir, surgindo áreas tais como a Engenharia de Software, Bancos de Dados e Processamento Compartilhado. 
Podemos afirmar que a IA representa o ápice da história da tecnologia, desde as ferramentas manipuladas em pedra pelos primeiros hominídeos, passando pela idade dos metais, os primeiros dispositivos e relógios que utilizavam rodas dentadas, até o advento da computação. O homem exterioriza as ferramentas a partir da sua inteligência como forma de adaptar-se melhor ao ambiente ou mesmo alterá-lo. A tecnologia conta, a partir da IA, com a simulação de processos inteligentes que auxiliam no reconhecimento de padrões, na tomada de decisão ou na execução de tarefas repetitivas. Entretanto, as pesquisas relacionadas à IA têm características diferenciadas, de acordo com a forma com a qual se abordam as questões da inteligência. Por um lado, pode-se considerar a forma como os neurônios comunicam entre si, formato próprio da fisiologia do cérebro. Por outro, pode-se considerar o modelo como a mente lida com símbolos e abstrações. Previamente, é necessário entender o que é a IA e, para isso, é preciso saber primeiro o que é inteligência. Como podemos definir a inteligência? Todos os seres vivos que possuem um cérebro são, de certa forma, inteligentes? Ou apenas é o ser humano que tem este privilégio? As máquinas podem ser inteligentes? Mas a que tipo de inteligência nos referimos? Pode-se notar que a intenção de definir “inteligência” não parece ser algo simples ou trivial.
2.2 – Definições de Inteligência Artificial
Não há uma maneira única de qualificar a Inteligência Artificial, por termos uma série de elementos que se manifestam de maneira diferenciada e também quanto às diferentes interpretações em como os processos de IA se correlacionam com os mecanismos do cérebro e da mente humana. Os autores (Russell & Norving, 2010) compilam diferentes definições a partir da classificação em processos de pensamento, relativos aos mecanismos de raciocínio e processos de ação ou comportamento, relativos ao comportamento da IA. Transversalmente a estes processos, considera-se também a similaridade com relação ao ser humano ou a alguma racionalidade envolvida. Dessa forma, segundo os autores, podem-se considerar quatro quadrantes em que as definições podem ser classificadas.
	
	Ser Humano
	Racionalidade
	Pensar
	Sistemas que pensam como seres humanos
	Sistemas que pensam racionalmente
	Agir
	Sistemas que agem como seres humanos
	Sistemas que agem racionalmente
Figura 2 – Definições de IA classificadas em quatro quadrantes. Fonte: adaptado de (Russel e Norvig 2005).
2.2.1 – Pensar como um ser Humano
“O novo e interessante esforço para fazer os computadores pensarem...máquinas com mentes, no sentido total e literal”. (Haugeland, 1985) 
“[Automatização de] atividades que associamos ao pensamento humano, atividades como a tomada de decisões, a resolução de problemas, a aprendizagem”. (Bellman, 1978)
2.2.2 – Pensar de forma racional
“O estudo das faculdades mentais pelo uso de modelos computacionais”. (Charmiak & McDermott, 1985)
“O estudo das computações que tornam possível perceber, raciocinar e agir”. (Winston, 1993)
2.2.3 – Agir como um ser Humano
“A arte de criar máquinas que executam funções que exigem inteligência quando executadas por pessoas”. (Kurweil, 1990)
2.2.4 – Agir de forma racional
“A Inteligência Computacional é o estudo do projeto de agentes inteligentes”. (Poole, Mackworth, & Goebel, 1998)
De acordo com a exposição destes autores, enquanto o “pensar” se refere aos mecanismos implícitos existentes no cérebro/mente, o “agir” refere-se à manifestação no mundo real de um comportamento inteligente. Por exemplo, quando falamos de um software inteligente que envolva tomadas de decisão baseadas num ser humano especialista, estamos de acordo com a definição sobre “pensar como um ser humano”. Já no caso de um sistema inteligente, que execute raciocínios de acordo com regras de base lógica (por exemplo, utilizando um programa PROLOG – programação lógica), caracteriza a definição do “pensar racionalmente”. Um sistema de jogo de xadrez, que execute as regras de acordo com regras definidas, também se caracteriza por esta definição.
O computador Deep Blue, desenvolvido pela IBM na década de 1990, tornou-se famoso por vencer o campeão mundial de xadrez Garry Kasparov.
O comportamento inteligente requer que exista uma ação sobre o ambiente, sendo característico da automação e da robótica. No caso de um robô antropomórfico, que execute movimentos similares ao ser humano (por exemplo, o robô Asimo, desenvolvido pela Honda, que caminha, corre, empurra um carrinho de supermercado e serve café), é classificado na definição do “agir como um ser humano”.
No caso de robôs que executem alguma atividade no ambiente, de forma diferente de como um ser humano faria, caracteriza a definição do “agir racionalmente”. Por exemplo, um robô aspirador de pó executa um algoritmo de limpeza, desviando-se dos obstáculos de acordo com sensores de proximidade, feito por ele. Um robô de soldadura instalado numa fábrica também pode ser considerado nesta definição.
Cronologia do tempo com alguns eventos relativos à linha conexionista da Inteligência Artificial.
1943 – McCulloch e Pitts criam o primeiro modelo matemático de um neurónio.
1957 – Frank Rosenblatt inventa o perceptron, um classificador binário que podia decidir se im conjunto de entradas pertencia a uma determinada classe.
1969 – Marvin Minsky e Seymour Papert lançam o livro “perceptrons”, demosntrando um problema que o perceptron de Rosemblatt não poderia resolver.
1970 – Seppo Linnainmaa publica um método de diferenciação automática de redes conectadas discretas de funções diferenciáveis aninhadas.
1974 – Paul Werbos menciona a possibilidade de se aplicar o princípio da retropropagação para o treino de redes neurais artificiais.
1982 – Paul Werbos aplica o método de Linnainmaa para treinar redes neurais de uma forma que é muito utilizada hoje em dia.
1986 – David Rumelhart, Geoffrey Hilton e Ronald Williams demonstram as regras de aprendizagem por meio de representações internas nas camadas ocultas de redes neurais.
1988 – Terence Sejnowski cria a rede neural NETtalk, com 300 neurónios divididos em três camadas que foi treinada para a pronuncia de palavras em inglês.
1993 – Eric Wan é o primeiro a vencer um desafio internacional de reconhecimento de padrões por meio do algoritmo de retropropagação.
2010 – Uso de modernas GOUs que aumentam o poder computacional para o treino de redes muito grandes.
2013 – Softwares de reconhecimento da fala mais populares utilizam redes neurais treinadas com o algoritmo de retropropagação.
Cronologia do tempo com alguns eventos relativos à linha simbólica da Inteligência Artificial.
1950 – Alan Turing propões o teste Famoso que leva o seu nome, no aqul uma pessoa precisa de descobrir se está a conversar com um ser humano ao com uma máquina.
1955-1957 – Herbert Simon e Alan Newell criam o Ligic Teorist, para demonstração de teoremas lógico-matemáticos e o General Problem Solver, um solucionador geral de problemas que poderia fazer provas de teoremas, problemas de geometria e jogo de xadrez.
1958 – John McCarthy cria a linguagem LISP (List Processing), uma linguagem própria para manipular conhecimento representado na forma de listas encadeadas.
1966 – JosephWeizenhaum cria o software ELIZA para simulação de diálogos, o programa ancestral dos chatterbots atuais.
1968 – Desenevolvido pela universidade de Stanford o DENDRAL, um sistema especialista para inferir sobre estruturas moleculares orgânicas a partir de espectrometria de massa.
1970 – Edward Shortlifr e Bruce Buchanan desenvolvem o MTCIN, um sistema especialista para identificar infecções bacterianas e recomendação de antibióticos.
1974 – Marvin Minsky propões a teoria do framework para a representação de conhecimento na forma de redes de objectos e eventos conectados.
1986 – Criado o sistema especialista R1 pela empresa DEC para configuração de pedidods de compra de computadores, auxiliando a economia cerca de 40 milhões de dólares ao ano.
1990 – Alan Newell propõe o modelo SOAR como uma arquitectura modular de agente inteligente.
1997 – O supercomputador Deeo Blue, desenvolvido pela IBM com 256 coprocessadores, capaz de analisar 200 milhões de jogadas por segundo, vence o campeão mundial de xadrez Garry Kasparov.
De forma geral durante o desenvolvimento da IA, o otimismo quanto à descoberta de decifrar os mecanismos da inteligência humana induziu muitas promessas e, na sequência, deceções. Isto deveu-se ao desconhecimento dos princípios que fundamentam a inteligência quanto pelos limites práticos relativos à capacidade de processamento dos computadores que estavam disponíveis à época dos estudos (Russell & Norving, 2010).
No início da segunda metade do século XX, os estudiosos na área da Inteligência Artificial eram bastante progressistas quanto às previsões do secesso das suas pesquisas. Em 1057, Herbert Simon previa que em dez anos um jogo de xadrez seria campeão mundial e um teorema matemático relevante seria provado por um computador. Ainda que não tenham levado dez anos, tais previsões aconteceram ao fim de quarenta anos. 
A história da IA simbólica poderá subdividir-se em três períodos: Clássica, Romântica e Moderna. A era clássica (1956 – 1970) tinha como objetivo a simulação da inteligência humana, utilizando programas que solucionavam problemas e sistemas baseados em lógica proposicional e de primeira ordem. O principal motivo do fracasso foi a subestimação da complexidade computacional dos problemas.
Na era romântica (1970 – 1980), o objetivo já era o de simular a inteligência humana em situações predeterminadas, utilizando formalismos de representação do conhecimento adaptados ao problema, e não mais gerais como propostos na era anterior. Mesmo assim, o motivo do fracasso foi a subestimação da quantidade de conhecimento necessária para resolver mesmo o problema mais simples. Entretanto, surgiram vários conceitos que impulsionaram algumas áreas da ciência da computação como orientação a objectos, os ambientes de desenvolvimento e software e o processamento de tempo despendido.
Na era moderna (1980 até a este momento), o objetivo foi o de simular o comportamento de um especialista humano e resolver problemas em domínios bem específicos. Como metodologias, utilizavam-se sistemas de regras de produção, modelos de representação de conhecimento com incerteza e também algumas abordagens conexionistas. Ainda assim, o motivo do fracasso continuou a ser o das subestimações do problema de aquisição de conhecimento. Porém outras áreas ca ciência da computação foram beneficiadas com estas pesquisas, tais como a engenharia de software e bancos de dados.
A linha evolutiva é caracterizada pelo uso da teoria da evolução natural e seus conceitos em simulações computacionais e algoritmos para resolução de problemas. Os modelos mais conhecidos são relativos à área de algoritmos genéticos, programação genética, autómatos celulares e de vida artificial. Algoritmos genéticos e programação evolucionária em arquitetura de circuitos eletrónicos, programação de jogos, previsão do tempo, descoberta de identidades matemáticas e modelação de sistemas planetários extrassolares.
Seguidamente, apresentamos uma cronologia do tempo com alguns eventos relacionados à linha evolucionária da Inteligência Artificial.
1950 – Alan Turing propões uma máquina de aprender que seria paralelo com a teoria da evolução.
1954 – Nils Barricelli começa a trabalhar com simulações de computador sobre evolução.
1957 – Alex Fraser publica uma série de artigos sobre a simulação de seleção artificial de organismos.
1962 – Jans-Joachim Bremermann publica um artigo sobre a evolução e recombinação para resolução de problemas de optimização.
1966 – Lawrence Fogel lança um livro “Inteligência Artificial através de Evolução Simulada”, propondo a noção de programação evolucionária.
1971 – Ingo Rechenberg propõe o conceito de evolução artificial e o uso de estratégias evolucionárias para resolver problemas de optimização.
1975 – John Holland lança o seu livro seminal sobre algoritmos genéticos, “Adaptação em Sistemas Naturais e Artificiais.
1986 – Christopher Langton consolida o campo de pesquisa da Vida Artificial, que examina a vida natural e os processos associados por recurso a simulações computacionais, robótica e bioquímica.
1988 – Lançado o Evolver, um pacote comercial para utilização de algoritmos genéticos, para uso com Excel e também por API.
1989 – Lançado o Axcelis, sistema comercial de algoritmos genéticos para computadores desktop.
1990 – John Koza propões o conceito de programação genética aplicando-o a vários problemas complexos e de busca.
Em síntese, nesta abordagem anterior, apresentamos uma resenha ao estudo e às abordagens da Inteligência Artificial, assim como a sua importância como área de pesquisa em forte expansão reunindo conhecimentos de diversas áreas científicas. Segundo os autores referenciados expusemos diferentes abordagens e, por conseguinte, apresentamos, segundo os mesmos, quatro quadrantes consequência dos critérios dos processos de raciocínio e processos de comportamento. Foram abordadas também as linhas de pesquisa da IA: simbólica, conexionista e evolucionária, as quais demonstram diferentes perspetivas na construção de sistemas inteligentes respetivamente, com a mente, o cérebro ou a teoria da evolução de Darwin. Nas referências apresentadas enfatizaram-se alguns dos principais investigadores, tais como Marvin Minsky, John McCarthy, Nathaniel Rochester, Claude Shannon, Frank Rosenblatt.
Seguidamente a esta resenha apresentaremos as principais técnicas de Inteligência Artificial.
Aprendizagem de máquina (machine learning) é um termo geral utilizado para definir uma série de algoritmos que extraem informação a partir de um conjunto de dados, sem ser necessário definir um modelo matemático específico. A partir de um conjunto de dados de treino, estes algoritmos procuram um padrão relacionando entradas e saídas, permitindo utilizar este padrão para realizar prognósticos. Dependendo da forma como estes dados são fornecidos, os algoritmos são classificados em diferentes categorias, sendo as principais apresentadas a seguir.
2.3 – Técnicas de Inteligência Artificial
2.3.1 – Machine Learning
A aprendizagem de máquina é considerada um tema de inteligência artificial que se preocupa principalmente com o desenvolvimento de algoritmos que permitem que um computador tenha autonomia de aprendizagem com a experiência de dados anteriores. O termo aprendizagem de máquina foi introduzido pela primeira vez por Arthur Samuel em 1959.
Definição: Machine Learning permite que uma máquina aprenda automaticamente com os dados, melhore o desempenho com base nas experiências e preveja coisas sem ser programada explicitamente.
Um sistema de máquina aprende com dados históricos, constrói os modelos de previsão e sempre que recebe novos dados consegue prever a saída dos mesmos.
Recursos de Machine Learning
· Machine Learning usa dados para detetar vários padrões num determinado conjunto;
· Tem a capacidade de aprender com dados anteriores e melhorar automaticamente;
· É uma tecnologia baseada em dados;
· Machine Learning é muito semelhante à mineração de dados, pois também lida com uma grande quantidade de dados.
Classificaçãode Machine Learning
Classifica-se nestes tipos:
· Aprendizagem supervisionada – Supervised learning;
· Aprendizagem não supervisionada – Unsupervised learning;
· Aprendizagem “por reforço” – Reinforcement learning”.
Benefícios que oferecem os algoritmos de Inteligência Artificial
Automação eficiente – Permitem a automação de tarefas repetitivas e complexas, melhorando a eficiência operacional e libertando tempo para trabalhos mais estratégicos.
Segurança e deteção de anomalias – Contribuem para a segurança dos sistemas digitais, identificando padrões anormais ou detetando ameaças à cibersegurança.
Personalização e recomendações – Possibilitam a personalização de experiências em plataformas de streaming e publicidade direcionada, melhorando a satisfação do utilizador.
Melhor experiência de utilizador – Em aplicações de atendimento ao cliente, os algoritmos antecipam as necessidades dos utilizadores, fornecendo respostas mais rápidas e personalizadas.
Desenvolvimento de novas soluções – Fomentam a inovação ao permitir o desenvolvimento de soluções tecnológicas avançadas, de veículos autónomos a assistentes virtuais.
Precisão e velocidade nas previsões – Aumentam a precisão de tarefas como diagnósticos médicos, previsões meteorológicas e análise de riscos financeiros.
2.3.2 – Algoritmos de Aprendizagem Supervisionada (supervised learning)
Os algoritmos de aprendizagem supervisionada relacionam uma saída com uma entrada com base de dados rotulados. Neste caso, o utilizador fornece ao algoritmo pares de entradas e saídas conhecidos, normalmente na forma de vetores. Para cada saída é atribuído um rótulo, que pode ser um valor numérico ou uma classe. O algoritmo determina uma forma de prever qual o rótulo de saída com base numa entrada informada. Por exemplo, uma mistura de ar e combustível pode ou não entrar em combustão dependendo das condições do meio. Pode-se realizar uma série de experiências variando parâmetros de interesse, como composição, pressão, velocidade, temperatura externa, etc., e para cada caso atribuir um rótulo “com combustão” ou “sem combustão”. O algoritmo pode então ser treinado com estes dados, sendo capaz de prever se haverá ou não combustão para uma dada condição de entrada. Este tipo de algoritmo, onde a saída pode assumir só um conjunto de rótulos pré-definidos (e não um valor qualquer) são chamados de algoritmos de classificação. De maneira similar, o rótulo de saída pode ser um valor real, como por exemplo a temperatura do meio onde ocorre a reação. Neste caso, o algoritmo deve prever qual o valor desta temperatura para uma dada condição de entrada, sendo que a saída pode assumir qualquer valor real. Estes algoritmos são chamados de algoritmos de regressão.
Os algoritmos de aprendizagem supervisionada relacionam dados de saída com dados de entrada tendo por sustentação uma base de dados, dados estes rotulados. Neste tipo de algoritmos o utilizador alimenta o algoritmo com dados de entrada e dados de saída conhecidos, normalmente sob um modelo vetorial. Aos dados de saída atribui-se um rótulo sob a forma de valor numérico ou sobre a forma de classe. Os algoritmos tem a capacidade de prever um rótulo de saída com recurso a uma entrada conhecida. Por exemplo, uma mistura gasosa de combustível e comburente, poder ter ou não ter a relação AF (ar-fuel) na proporcionalidade correta para que se dê a combustão. Para ser atingida esta condição é necessária a realização de diversos ensaios fazendo variar “as variáveis” que influem sobre a relação, podendo considerar-se: a pressão, temperatura e volume, etc.; podendo atribuir-se para cada caso o rótulo “com combustão” e “sem combustão”. Neste sentido, com os pressupostos e as variáveis acima referidos existem condições do algoritmo poder ser treinado, com estes dados, tornando-se possível prever ser existirá ou não combustão baseado nas condições de entrada. Este tipo de algoritmos, onde a saída assume um conjunto de rótulos pré-defenidos (e não um valor) são chamados algoritmos de classificação. De forma equivalente, o rótulo de saída poderá assumir um valor real, como por exemplo a temperatura do meio envolvente onde ocorre a reação. Nesta situação, o algoritmo deve prever o valor desta temperatura para uma dada condição de entrada, podendo o valor de saída conceder um valor real. Estes algoritmos são chamados de algoritmos de regressão.
Este tipo de algoritmo usa um conjunto de dados de treino que foram previamente etiquetados, ou seja, dados aos quais foram atribuídas uma ou mais categorias para classificá-los de acordo com seu o contexto ou significado. No campo da aprendizagem automática ou machine learning, esses dados servem como base para fazer previsões ou tomar decisões mais precisas sobre novos dados que não fazem parte do conjunto treinado.
O principal objetivo dos algoritmos de Aprendizagem Supervisionada é aprender uma função ou modelo que possa mapear com precisão um objeto de entrada para uma saída desejada. Essa técnica pode ser usada em vários setores, sendo estes os mais conhecidos:
Classificação de texto e linguagem natural – Os algoritmos de aprendizagem supervisionada são usados em aplicações de processamento de linguagem natural, como o filtro de mensagens indesejadas (spam) e a análise de sentimentos em redes sociais.
Sistema de recomendação – É aplicado em plataformas de streaming ou comércio eletrônico para recomendar conteúdos e sugerir produtos, filmes ou músicas com base no histórico e nas preferências do utilizador.
Os Algoritmos de Aprendizagem Supervisionada no domínio da aprendizagem automática ou machine learning os dados servem para fazer previsão ou apoio à tomada de decisão com maior precisão sobre novos dados de entrada que não fazem parte dos dados de treino.
O principal objetivo destes algoritmos e aprenderem uma função ou um modelo que mapeie de forma precisa um objeto de entrada para uma saída pretendida.
Setores, mais conhecidos, onde ser poderá recorrer a esta técnica:
Sistema de recomendação – utiliza-se me plataformas de streaming ou em plataformas de comércio eletrónico para recomendar conteúdos e sugerir produtos, filmes ou músicos com base no histórico nas preferências do utilizador.
 
2.3.3 – Algoritmos de Aprendizagem Não-Supervisionada (unsupervised learning)
No caso dos algoritmos de aprendizagem não-supervisionada, não é atribuído um rótulo para os dados de saída. Com base num número elevado de dados, o algoritmo procura padrões e similaridades entre os dados, permitindo identificar grupos de itens similares ou similaridade de itens novos com grupos já definidos. Estes algoritmos podem ser divididos em algoritmos de transformação e algoritmos de agrupamento. Os algoritmos de transformação são utilizados para criar uma nova representação de um conjunto de dados que seja mais adequada que a original, seja para facilitar a interpretação humana ou para melhorar o desempenho de outros algoritmos de aprendizagem. Os algoritmos de agrupamento (clustering) agrupam os dados em grupos com características similares com base em critérios pré-estabelecidos, permitindo encontrar padrões entre os dados fornecidos. Diversos métodos de agrupamento podem ser aplicados, podendo estes serem baseados na distância geométrica entre os pontos, em distribuições estatísticas especificas ou levar em conta a densidade de pontos em áreas especificas do conjunto de dados. Em alguns casos, pode-se aplicar um conjunto de dados onde só parte destes dados é rotulada. Normalmente, só uma pequena fração de dados recebe um rótulo, porém isto tende a melhorar significativamente o desempenho dos algoritmos de aprendizagem não-supervisionada. Esta abordagem híbrida é normalmente chamada de aprendizagem semi-supervisionada.
Os algoritmos de Aprendizagem não supervisionada são usados para descobrir padrões ocultos em dados não etiquetados. A diferença dos algoritmos de aprendizagem supervisionada, em que há conhecimento prévio das respostas desejadas, estes algoritmos não apresentam um conjunto de dados ordenados ecumprem a função de determinar quais são as características comuns mais importantes de um grupo de informações para, posteriormente, agrupá-las de acordo com as suas semelhanças. 
Estes algoritmos podem identificar segmentos de público com interesses semelhantes e são usados numa ampla gama de aplicações, por exemplo: 
Agrupamento de dados (clustering) – Usado para agrupar dados semelhantes em clusters, o que é fundamental para a análise de segmentação de mercado e categorização de notícias.
Deteção de anomalias – Os algoritmos de aprendizagem não supervisionado são úteis na deteção de comportamentos incomuns ou anomalias nos dados, que são aplicados em cibersegurança e fraudes financeiras.
2.3.4 – Algoritmos de Aprendizagem por Reforço (reinforcement learning)
Neste tipo de sistema, um agente realiza uma ação (numa uma série de ações possíveis) num ambiente e recebe uma recompensa de acordo com o resultado dessa ação, sendo o objetivo do algoritmo receber a maior recompensa possível. Estes sistemas possuem três componentes principais: o agente, o ambiente e a forma de interação entes estes dois. O agente é o programa que está a ser treinado. De alguma forma, este agente precisa observar, interagir e modicar o ambiente ao longo do tempo.
As etapas envolvidas costumam seguir a seguinte sequência:
1. O agente faz uma observação do ambiente;
2. O agente escolhe uma ação de entre diversas ações possíveis baseado na observação;
3. O agente entra num estado de espera para que o ambiente envie novas observações;
4. O ambiente executa a ação recebida pelo agente e envia para o agente uma recompensa e a nova configuração do ambiente;
5. Repete-se as etapas 1-4.
Como a interação entre o agente e o ambiente ocorre de forma sequencial, é preciso operar de forma transiente, fazendo que a cada passagem pelo loop o tempo seja incrementado num passo de tempo definido. Por definição, o agente inicia no tempo zero sem nenhuma forma de treino (sem saber como atingir o objetivo). Através da resposta do ambiente às ações do agente, um sinal de recompensa é gerado, sendo o objetivo do agente maximizar este sinal. A recompensa pode ser enviada no sinal de cada passo de tempo ou só após uma determinada etapa ser atingida, dependendo das características do problema.
Os algoritmos de aprendizagem por reforço representam uma técnica que se concentra na tomada de decisões a partir da própria experiência. Em vez de depender de dados etiquetados, como outros tipos de algoritmos, essa categoria baseia-se num processo de treino de tentativa e erro, em que a máquina recebe “recompensas” ou “punições” que servem para aprimorar a sua estratégia de ação. Seguidamente, apresentam-se alguns exemplos:
Robótica autónoma – os robôs autônomos usam algoritmos de aprendizagem por reforço para aprender a navegar em ambientes desconhecidos, manipular objetos e realizar tarefas complexas.
Gestão e planeamento de recursos – estes algoritmos também são muito utilizados em áreas como orientação de tráfego, otimização de portfólio financeiro e gestão de energia, com o objetivo de maximizar a eficiência e os recursos.
Assistentes virtuais – são aplicados em assistentes virtuais e “chatbots” para entender as preferências do utilizador e fornecer respostas mais personalizadas, assim como na automação de tarefas de atendimento ao cliente ou suporte técnico.
Visão computacional – são essenciais para o reconhecimento facial, o rastreamento de movimentos e a análise de imagens, usados em aplicações incorporados em sistemas de segurança ou veículos autónomos.
Diagnóstico médico – auxiliam os profissionais da saúde na identificação de doenças por meio da análise de imagens médicas, como radiografias e exames de ressonância magnética.
2.3.5 – Algoritmos de Aprendizagem Profunda (deep learning)
A Aprendizagem Profunda, também conhecida como deep learning, é um ramo especializado da inteligência artificial que se dedica à construção e ao treino de redes neurais profundas. Essas redes, inspiradas na estrutura e na função do cérebro humano, são estruturadas em forma de camadas de nós interconectados em que cada um executa operações matemáticas complexas. Diferentes dos modelos mais tradicionais, as redes neurais profundas são capazes de aprender representações hierárquicas e abstrações de dados, o que as torna muito eficazes para tarefas como reconhecimento de padrões, processamento de linguagem natural, visão computacional, etc..
Na robótica, eles facilitam a aprendizagem autónoma para aprimorar a capacidade de navegar, manusear objetivos e adaptarem-se a ambientes em constante mudança. No mundo dos negócios, com a ajuda da análise preditiva, modela padrões complexos para prever eventos futuros, como tendências de mercado e comportamento do consumidor. A sua capacidade de analisar grandes quantidades de dados ajuda na tomada de decisões estratégicas em áreas como finanças e logística.
2.3.6 – Algoritmos de Processamento de Linguagem Natural (NLP)
Os algoritmos de Processamento de linguagem natural são uma categoria especializada de algoritmos de inteligência artificial projetados para entender e processar a linguagem humana de forma eficiente. Eles têm a capacidade de permitir que as máquinas interpretem, analisem e produzem textos de maneira semelhante a um ser humano, permitindo uma comunicação mais natural entre humanos e máquinas. Este campo da ciência da computação conta com uma infinidade de aplicações nos dias de hoje, entre elas:
Análise de sentimentos – Avaliam o tom emocional de textos, comentários ou resenhas, o que é uma informação importante para empresas que desejam entender a perceção do público sobre produtos ou serviços.
Classificação de documentos – Categorizam documentos de maneira automática de acordo com o assunto ou o estilo, simplificando a gestão de grandes quantidades de informações em ambientes comerciais e governamentais.
Tradução automática – Facilitam a tradução automática entre diferentes idiomas e são essenciais para a globalização e a comunicação eficaz num mundo cada vez mais interligado.
2.4 – Áreas de aplicação da Inteligência Artificial
2.4.1 – Inteligência Artificial, Robótica e a natureza evolutiva do trabalho
Tendo por base as orientações do trabalho de (Ivanon & Webster, 2019), na sua publicação “Transformação de negócios baseada em dados sociais”, a maioria dos trabalhadores no futuro terão diferentes interações com o trabalho totalmente distintas daquelas que conhecemos hoje.
O trabalho realizado por seres humanos tem vindo a ser substituído por máquinas, no passado exclusivamente pela valorização da sua força motriz, nos dias de hoje pela sua capacidade de interligação com outras máquinas aumentando a performance e as necessidades produtivas.
Temos em memória de no passado estarmos restringidos aos horários laborais das entidades bancárias para levantamento de valores em moeda. No passado recente o aparecimento das caixas de levantamento de dinheiro, ligadas a uma rede de comunicação digital, reduziu em substância os levantamentos em balção. À data, com a evolução explosiva dos meus digitais as transações económicas passaram a ser permanentes, globais e rastreáveis.
Do parágrafo anterior queremos realçar que num espaço temporal de trinta anos, por exemplo, a atividade bancária sofreu uma mudança estruturante com a evolução tecnológica. Embora muito trabalho no sector dos serviços assente em trabalho humano as tarefas são muito mais automatizadas tornando-se menos críticas, com risco mais reduzido, comparativamente às similares do passado.
Avanços recentes em robótica, inteligência artificial e tecnologias de automação (RAIA) permitiram que empresas de vários sectores da economia adotassem estas tecnologias na procura: da redução de custos; da redução do tempo de produção; da uniformização dos padrões de qualidade; da otimização das operações das cadeias de abastecimento; entre outros.
Na atualidade os grupos empresariais usam “chatbots” para comunicar e manter o seu relacionamento com os clientes. Desta forma,