ML na fábrica: automatizar o caos só gera mais caos

Imagine que você decidiu montar o cronograma perfeito para uma fábrica enorme, mas, em vez de fundação, tem areia movediça feita de anotações em guardanapos e das fantasias dos mestres de chão de fábrica dos últimos dez anos. É nessa armadilha que caem muitos diretores de TI quando concluem que o aprendizado de máquina é uma varinha mágica capaz de calcular instantaneamente a intensidade de trabalho da produção. Na teoria, tudo parece bonito: alimenta-se o modelo com dados de pedidos anteriores e ele devolve o tempo ideal de cada operação. Na prática, descobre-se que a IA não apenas erra, como erra com uma confiança assustadora, escalando uma bagunça acumulada por décadas.

O cálculo da intensidade de trabalho na indústria mecânica não é só uma questão de matemática, é uma questão de sobrevivência do negócio. Dessas cifras depende tudo: do custo de uma peça à carga das máquinas e ao preço final para o cliente. Tradicionalmente, quem cuida disso são os normatizadores de tempo (normirovshchiks), mas o trabalho deles costuma ser subjetivo e lento. O desejo de substituí-los por um algoritmo é compreensível, mas ignora uma lei fundamental do trabalho com dados: lixo entra, lixo sai. Se seus dados históricos refletem não o tempo real de trabalho, mas o que o mestre "desenhou" no relatório para ganhar bônus, o modelo de ML vai aprender a "desenhar", não a calcular.

Quando uma equipe de entusiastas começa a treinar modelos com dados "sujos", logo percebe que os algoritmos clássicos passam a alucinar. Modelos probabilísticos são ótimos para achar padrões onde eles não existem ou, pior, para tomar erros sistemáticos por verdade. O resultado é um "acelerador de erros". Onde uma pessoa poderia desconfiar de um número estranho, o sistema automatizado simplesmente o engole e entrega um resultado de aparência sólida, mas sem relação com a realidade do chão de fábrica. Isso cria uma ilusão de controle que custa à empresa mais do que não ter automação alguma.

Por que isso acontece? A indústria desenvolveu um abismo perigoso entre quem escreve código e quem fica na máquina. Cientistas de dados costumam enxergar a fábrica como um conjunto de tabelas num banco SQL, sem pensar em como esses números foram parar ali. E chegaram ali pelas mãos de pessoas com seus próprios incentivos, medos e preguiça. Se a empresa não tem cultura de coleta de dados limpos nem metodologia única de normatização, qualquer tentativa de acoplar IA por cima é só um jeito caro de jogar areia nos olhos da diretoria. Você não resolve o problema, você o conserva em formato digital.

O verdadeiro salto na IA industrial virá não quando inventarmos uma nova arquitetura de transformers, mas quando as empresas entenderem a importância da "higiene de processos". Antes de treinar um modelo, é preciso montar um sistema de controle objetivo, tirar o fator humano do registro de tempo e, possivelmente, jogar fora 90% do lixo digital acumulado. É um trabalho chato, longo e ingrato, que não dá para vender como "salto inovador", mas que separa as soluções que funcionam das apresentações bonitas que nunca sairão do projeto-piloto.

O ponto central: o aprendizado de máquina não cura processos tortos, ele os escala. Você está disposto a admitir que seus dados são lixo antes de gastar milhões para automatizá-los?