Falhas de produtos são temidas pelos fabricantes pelos custos associados e danos resultantes à sua imagem pública. Embora a maioria dos defeitos possa ser rastreada até as decisões tomadas no início do processo de design, eles geralmente são descobertos muito tarde, durante as verificações de qualidade (gerando custos da má qualidade) ou, na pior das hipóteses, descobertos durante o uso pelo cliente.
Um sistema baseado em aprendizado de máquina que automaticamente retroalimenta insights sobre as taxas de falha dos processos de garantia de qualidade e retorno para o processo de design, sem a necessidade de qualquer análise manual de dados, ajuda a garantir a qualidade do produto de forma preventiva.
A norma ISO9000 para gestão da qualidade define a garantia da qualidade como a “parte da gestão da qualidade focada em fornecer confiança de que os requisitos de qualidade serão atendidos”. O tempo futuro nesta definição indica que a garantia de qualidade deve ser proativa: os efeitos adversos das falhas de qualidade devem ser evitados antes de se tornarem relevantes no uso real de um produto, por exemplo, por definição rígida de como um produto deve ser montado. Um termo intimamente relacionado é o da qualidade preditiva, que se refere a métodos que, com base em dados, identificam padrões estatísticos para prever desenvolvimentos futuros relativos à qualidade de um produto.
A Garantia da Qualidade deve ser preditiva (deve tirar conclusões dos dados) e preventiva.
A Garantia da Qualidade não deve simplesmente evitar que produtos defeituosos passem para os clientes, mas deve também focar na geração de resíduos internos. Idealmente, as próprias falhas devem ser evitadas erradicando suas causas, que muitas vezes são frutos das decisões de projeto desfavoráveis. Uma ferramenta para conseguir uma performance favorável é a previsão baseada em dados, mas esta precisa acontecer antes mesmo de um produto ser produzido, não depois. Além disso, esse processo não deve depender de análises manuais caras, demoradas e sujeitas a erros, mas deve ser ativado por aprendizado de máquina automatizado.
Arquitetura para garantia de qualidade preventiva
Vamos fazer uma breve conjectura acerca de uma arquitetura geral e da funcionalidade de um sistema de Garantia de Qualidade Preventiva de um ponto de vista teórico e independente.
Num conceito geral, o sistema deve consistir de um componente de análise autônoma e outro de assistência em tempo real. O componente de assistência fornece feedback em tempo real para designers de produto ou gerentes sobre suas decisões, enquanto o componente de análise gera as estruturas de dados necessárias para fornecer as funções de assistência.
A entrada consiste em fontes heterogêneas de informações sobre produtos e suas taxas de falha (implicitamente associadas), por exemplo, dados de software de planejamento de recursos empresariais (ERP), documentos técnicos detalhando projetos de produtos e/ou registros de verificação de qualidade.
Esses dados estruturados podem ser enriquecidos por dados não estruturados, como fotografias dos produtos defeituosos ou descrições textuais. Em geral, o pré-requisito é a informação sobre análise em produtos existentes, suas características e os respectivos casos defeituosos.
• A saída do sistema, fornecida pelo componente de assistência, consiste em duas funções: Primeiro, o sistema julga o estado atual de um produto e notifica o responsável se for detectado um risco aumentado de defeitos, mostrando possíveis defeitos com sua probabilidade e amostras de produtos similares existentes exibindo os defeitos para servir como uma justificativa e aumentar a aceitação do sistema.
• Em segundo lugar, o sistema pode ser consultado para alternativas que são tão semelhantes quanto possível a uma configuração definida, mas têm uma taxa de falha estimada menor.
Numa condição de Análise de Dados Automatizada, o componente de análise de dados aprende um mapeamento de produtos com as taxas de defeito associadas com base nas informações coletadas de produtos existentes. Em particular, esse mapeamento também pode ser aplicado a produtos totalmente novos e inéditos.
Assistência em tempo real deve responder a dois tipos de consultas, uma sobre os riscos envolvidos no design de um determinado produto e outra para recuperar alternativas com maior qualidade prevista.
Há também de se considerar a escolha de um método de classificação dentre diversos disponíveis. Alguns dos diferentes algoritmos de classificação para a implementação de meta classificadores estão listados aqui: regressão logística, Bayes ingênuo, florestas aleatórias, redes neurais de estilo perceptron multicamadas (MLPs) e AdaBoost com base em árvores de decisão. Esta lista serve aqui para ilustrar os modelos já disponíveis no mercado mas não é objeto deste artigo discutir os benefícios, os desafios e conceitos básicos de cada uma delas.
Assim, a ideia da Garantia Preventiva da Qualidade, um sistema que orienta os responsáveis pelo desenvolvimento de novos produtos nas suas decisões de forma a otimizar a qualidade do produto, traz em si, como principal característica, um grau de automação intrínseco, ou seja: um usuário não precisa ser um especialista em análise de dados, mas recebe automaticamente o conhecimento e a assistência de que precisa em cada momento.
Para tanto, aspectos como a análise de dados não estruturados, a realização de funções de assistência e uma integração com outros softwares deverão ser considerados dentro do pacote de implementação. Combinar várias fontes de dados além dos sistemas ERP, como arquivos de design de produto ou verificações de qualidade, ajuda a aumentar a precisão das previsões e a aplicabilidade em mais etapas do processo de desenvolvimento.
Então, sua empresa já vem discutindo uma estratégia de médio e longo prazo no tocante ao desenvolvimento e implementação gradual de machining learning em seus processos chaves? Se ainda não se iniciou discussão neste sentido, eu me atrevo a dizer que sua empresa já carrega um grau de atraso comparado à alguns de seus competidores líderes de sua indústria. Considere!
João F Amancio de Moraes.
AQC – Otimizando Processos.
