De acordo com pt.wedoany.com-Os fabricantes de alimentos e bebidas estão eliminando sistematicamente o desperdício de produção e prevenindo gargalos de capacidade por meio da padronização de dados e tecnologias de aprendizado de máquina. Dados do relatório "State of Lean Manufacturing" de 2023 mostram que apenas 10% a 15% das empresas nos Estados Unidos praticam sistematicamente os princípios Lean, obtendo vantagens competitivas significativas e retornos financeiros. O foco central da Gestão Lean e do Seis Sigma sempre foi a otimização de processos, a capacitação de pessoas e a resolução de problemas reais, em vez de aumentar cegamente os investimentos de capital.
Atualmente, enquanto os fabricantes de alimentos e bebidas continuam aumentando os investimentos em automação, eles também estão fortalecendo a competitividade de longo prazo ao promover a padronização de dados nas fábricas. O aprendizado de máquina já está sendo aplicado em cenários como embalagem, manutenção preditiva e limpeza in loco (CIP), identificando com precisão as fontes de desperdício e fornecendo soluções otimizadas. Markus Guerster, fundador e CEO da MontBlancAI, destaca que, na era do aprendizado de máquina, a gestão Lean não pode se limitar à construção de modelos algorítmicos; é necessário integrar os insights dos dados nos fluxos de trabalho diários. A IA deve estar profundamente vinculada às reuniões de produção, aos procedimentos de manutenção de equipamentos e aos ciclos de melhoria contínua; caso contrário, não conseguirá criar valor duradouro para a empresa. John Oskin, vice-presidente sênior da SmartSights, afirma que, nos últimos 15 a 20 anos, a maioria dos fabricantes de alimentos e bebidas investiu pesadamente em automação de hardware, mas a padronização de dados raramente foi incluída no planejamento estratégico inicial. Em 2024, Michael Warter, vice-presidente sênior e diretor de informações da gigante de alimentos congelados Ruiz Foods, anunciou que a empresa está implementando um grande projeto de padronização de dados para o departamento de P&D. No passado, os dados estavam dispersos em sistemas isolados; a integração profunda é crucial para quebrar os silos de dados e eliminar a dependência de planilhas eletrônicas. As medidas iniciais já trouxeram resultados em conformidade regulatória e rastreabilidade de produtos. Ele admitiu que o conselho inicialmente não compreendeu o impacto profundo da inteligência artificial na produção, mas agora a equipe executiva reconhece que os princípios da Gestão Lean, a redução do desperdício de produção e o futuro da IA estão intimamente interligados.
David Ariens, fundador da mídia e consultoria do setor IT/OT Insider, afirma que a Gestão Lean e o Seis Sigma fornecem metodologias sistemáticas para eliminar desperdícios e controlar a variação dos processos de produção. Agora, essa mesma metodologia pode ser transferida para o campo da gestão de dados, reduzindo o consumo na busca, limpeza e contextualização dos dados, além de construir uma infraestrutura subjacente para evitar que cada novo cenário de aplicação precise ser construído do zero. Atualmente, as novas fábricas de alimentos nos EUA apresentam uma clara tendência orientada por dados (Data-first). Bob Rice, vice-presidente de engenharia da Control Station, aponta que, há 20 anos, o principal objetivo ao construir uma fábrica era "fazer os equipamentos funcionarem". Hoje, grandes projetos estabelecem padrões operacionais extremamente elevados desde o início do planejamento, exigindo que a produção atinja níveis de capacidade predefinidos já no início das operações, e até realizam análises de planejamento de dados antes do início da construção. No entanto, a priorização de dados não significa construir modelos completos de aprendizado de máquina em toda a fábrica. Ariens complementa que poucas empresas constroem um "Modelo Ontológico de Manufatura" (Manufacturing Ontology) completo, ou seja, um modelo de alto nível legível por máquina que define o mapeamento entre equipamentos e processos, as cotas de consumo de materiais em cada etapa e a correspondência de receitas de processo por lote de produção. Guerster acredita que o principal desafio atual para implementar projetos de dados com aprendizado de máquina reside na coordenação entre diferentes áreas: diferentes linhas de produção ou unidades fabris frequentemente adotam padrões próprios para nomenclatura de sinais, unidades de medida, frequências de amostragem e metadados contextuais, enquanto os departamentos de TI e tecnologia operacional (TO) muitas vezes atuam de forma isolada. Ariens enfatiza que, se TI e TO não conseguirem se alinhar e colaborar, nenhuma tecnologia avançada conseguirá salvar a estratégia de dados.
A transformação digital das empresas deve começar com pequenos passos, focando na obtenção rápida de resultados intermediários (Quick Wins). Guerster afirma que, antes de iniciar um projeto de dados, é necessário esclarecer o valor comercial. Empresas bem-sucedidas geralmente escolhem cenários com escopo bem definido e diretamente vinculados a indicadores-chave de desempenho (KPIs) operacionais quantificáveis. Oskin concorda com a estratégia de "passos pequenos e rápidos, iteração ágil", sugerindo planejar um ou dois projetos de IA que possam gerar resultados em uma semana ou um mês, focando em um equipamento crítico, uma linha de produção principal ou um indicador-chave específico. Marc Bertrand, da SmartSights, compartilhou um caso em um webinar: um cliente utilizou a Análise de Importância de Características (Feature Importance Analysis) e a Análise Prescritiva (Prescriptive Analysis) para identificar com sucesso gargalos de capacidade na linha de embalagem e reduzir significativamente o desperdício. A Análise de Importância de Características identifica com precisão as variáveis mais influentes, ajudando a construir modelos de dados eficientes e interpretáveis. O principal objetivo do cliente era estabelecer KPIs como o Tempo Médio Entre Falhas (MTBF) ou avaliar o valor central das máquinas nos pontos de gargalo da linha de embalagem. A tecnologia ABLE da SmartSights realizou uma Análise de Causa Raiz (Root Cause Analysis) nas máquinas de amarração, envelopamento e paletização da linha, identificando com precisão, com base nas causas potenciais, o equipamento com maior impacto na linha geral. Simultaneamente, a equipe do projeto utilizou métodos de Análise Prescritiva para modelar completamente a linha de embalagem, introduzindo um KPI chave chamado "Taxa Efetiva (Effective Rate)" para os gargalos de capacidade. Esse indicador é calculado multiplicando a disponibilidade do equipamento pela taxa média da linha de produção, medindo com precisão a produção real por minuto. Bertrand apontou que, embora os dados das duas abordagens estivessem corretos, os resultados eram altamente enganosos: a análise sugeria focar na paletizadora, mas o verdadeiro problema estava na máquina de amarração. Com base nos insights profundos fornecidos pela modelagem de aprendizado de máquina, a empresa encontrou um ponto de equilíbrio, aumentando simultaneamente o limite superior de velocidade operacional e a taxa real de operação de ambos os equipamentos, superando com sucesso o gargalo de capacidade naquele centro de produção.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
