Um tipo diferente de Inteligência Artificial

“Muitas pessoas associam a IA a chatbots baseados em grandes modelos de linguagem (LLMs) que parecem dar respostas diferentes a cada vez. Esse tipo de comportamento pode ser adequado para a redação de textos, mas não é aceitável para aplicações como as que usamos na indústria alimentícia, tais como o aprendizado de máquina”, afirma Sindri Ólafsson.

"Nosso foco não está nos LLMs, mas na Inteligência Artificial voltada para tarefas específicas, que nos permite prever e medir o desempenho. Não desenvolvemos modelos de IA tão grandes, mas implantamos modelos menores que fazem parte integrante da cadeia de software que implementamos na máquina." 

“Depois que nosso modelo de IA é instalado, não há surpresas, pois sabemos exatamente como ele se comporta, já que foi exaustivamente testado para a aplicação pretendida. Essa abordagem nos ajuda a oferecer soluções de maior qualidade de forma mais rápida e confiável aos nossos clientes.”

Não é um jogo de adivinhação

Sindri Ólafsson continua: “Em nosso mundo de alta produtividade, a reprodutibilidade é fundamental. Se o mesmo produto passar pelo mesmo sensor nas mesmas condições, o sistema deve fornecer a mesma resposta todas as vezes para os mesmos pontos de dados. Certo ou errado, o resultado deve ser previsível.”

“Ao contrário de muitas aplicações de LLM, que são projetadas para adaptar suas respostas ao usuário, nosso modelo de IA foi desenvolvido com foco na consistência. Nossa empresa não se beneficia de resultados que parecem um jogo de adivinhação. Ela depende de um comportamento estável e mensurável no qual os clientes possam confiar.” 

IA sem surpresas

“Do ponto de vista do cliente, a IA não deve improvisar, e nosso modelo de IA não o faz. Ele não muda de ideia. Ele auxilia a máquina ao interpretar os dados dos sensores de maneira consistente e mensurável. Nós desenvolvemos e fornecemos a inteligência, enquanto o cliente se beneficia de seu comportamento consistente nas operações diárias.

“Treinamos nossos modelos de IA para realizar tarefas específicas com requisitos claros, utilizando ferramentas que nos permitem fazer isso em grande escala. Acompanhamos cuidadosamente quais dados são utilizados, como são rotulados e qual é o desempenho dos modelos em diferentes conjuntos de teste. Isso nos permite apresentar relatórios com precisão e confiança, sem surpresas para nossos clientes, exatamente como faríamos com qualquer outro componente de software.”

No que diz respeito aos aspectos teóricos, a JBT Marel utiliza principalmente redes neurais convolucionais (CNNs), combinadas com transformadores de visão, além de redes neurais MLP (MultiLayer Perception).

Máquinas de ensino 

Tradicionalmente, as decisões relacionadas à qualidade dependem fortemente da experiência humana. Um operador pode avaliar uma situação de maneira ligeiramente diferente de outro. A IA ajuda a eliminar essa variação.

Sindri Ólafsson continua: “Durante o desenvolvimento de um novo equipamento, treinamos modelos de IA usando dezenas de milhares de imagens que retratam todos os tipos de variações. Cada imagem é cuidadosamente rotulada por especialistas, portanto, essa ainda é uma tarefa humana. Pouco a pouco, o modelo aprende o que procurar, assim como um novo inspetor humano aprenderia a profissão estudando muitos exemplos.”

Depois de treinado, o modelo é congelado e submetido a testes exaustivos. Medimos a precisão e a confiabilidade e podemos relatar claramente resultados como a detecção de 99% de características específicas em condições definidas. Somente quando o desempenho for comprovado é que implantamos o modelo em uma máquina.”

Interpretação de imagens

Por exemplo, na máquina VC-i, as imagens do sensor de visão são processadas por um algoritmo de rastreamento, que correlaciona cada imagem a um ID específico de manilha. Uma vez associada à manilha correspondente, a imagem é enviada a um modelo de IA que identifica características importantes, áreas relevantes e determina condições como:

• Tem uma galinha no gancho?
• Onde fica a cloaca?
• Onde fica a parte sensível da galinha?
• A galinha está bem presa no gancho?
• Ele está preso com as duas pernas ou com uma perna?

Os modelos de IA, por si só, não tomam decisões; seu único objetivo é interpretar a imagem com base em conjuntos de dados pré-treinados e fornecer informações estruturadas. Durante o desenvolvimento da máquina, o modelo de IA converte os dados (visuais) captados pelo sensor em algo que o software da máquina possa compreender. Essas informações, juntamente com a imagem original, são então encaminhadas para um sistema de pós-processamento e armazenadas em um banco de dados. 

“Além disso, utilizamos um sistema abrangente para avaliar a qualidade e a precisão esperadas dos modelos de IA. Por exemplo, ao utilizar um conjunto de dados validado de 50.000 imagens, conseguimos atingir uma taxa de detecção correta da cloaca próxima a 100% no VC-i”, acrescenta Sindri Ólafsson.

Inteligência estagnada significa desempenho previsível

O modelo de IA da JBT Marel é estático ou “congelado” durante toda a vida útil desse modelo dentro da máquina. Isso significa que ele não aprende nada, não evolui nem altera seu comportamento depois de instalado na máquina e colocado em produção. Isso pode parecer uma limitação, mas, na verdade, é um ponto forte. Modelos congelados garantem um comportamento estável e previsível ao longo do tempo. A máquina funcionará amanhã exatamente como funcionou hoje.

“Antes da instalação do equipamento, a JBT Marel e o cliente mantêm discussões detalhadas para confirmar que o modelo de IA atende a todos os requisitos do cliente. Todos os equipamentos apresentarão apenas o comportamento esperado. Em nenhum caso em que implantamos as máquinas o modelo de IA altera seu comportamento.” 

Utilizar a IA onde ela agrega valor real

A JBT Marel não utiliza IA em todas as situações, e isso é intencional. Algumas tarefas são melhor resolvidas por meio da física, da calibração ou de algoritmos clássicos. Por exemplo, no SensorX, a detecção de gordura ou osso por meio de raios X se baseia em propriedades físicas que não requerem IA.

Quando se busca apenas anomalias simples, um algoritmo básico pode ser suficiente — por exemplo, aplicar um limiar a uma linha vermelha e identificar seu ponto mais alto. Se isso for tudo o que você precisa, não é necessário um modelo de IA.

No entanto, se você quiser detectar padrões mais complexos ou incomuns, é aí que a IA entra em cena. Onde a IA realmente se destaca é na interpretação. Ela é muito boa em analisar dados de sensores, reconhecer padrões, identificar anomalias e compreender informações visuais complexas. Nesses casos, as redes neurais convolucionais são particularmente eficazes, pois podem analisar padrões dentro de séries de dados e extrair insights mais significativos.

Menos dependente

A inteligência artificial ajuda as máquinas a “ver” e a interpretar melhor as informações visuais, de modo que elas não dependam tanto do julgamento humano. Isso significa que:

• Menor necessidade de supervisão manual constante
• Qualidade mais estável entre turnos e unidades
• Detecção mais rápida de falhas antes que se transformem em problemas

Sistemas como o VC-i se beneficiam da tecnologia de visão baseada em IA, e essa melhoria na qualidade se reflete em todas as etapas subsequentes. Mesmo máquinas que não incorporam diretamente a tecnologia de IA ainda se beneficiam das informações detalhadas e mais consistentes que recebem, como o Nuova-i, que agora também apresenta melhor desempenho.

“Nossa tecnologia de IA aumenta a segurança e a qualidade do produto que circula entre essas máquinas; assim, toda a linha de evisceração é influenciada pela IA fornecida pelo VC-i. A IA será integrada a todas as novas máquinas que desenvolvermos? Definitivamente não. A IA influenciará todas elas? Definitivamente sim.” 

Projetado para escalabilidade e consistência

Um dos pontos fortes da IA da JBT Marel é a escalabilidade. A mesma plataforma de IA oferece suporte a várias máquinas e aplicações nos setores avícola, de carnes, de peixes e de processamento posterior. Isso garante padrões de qualidade consistentes e inovação mais rápida em todo o portfólio. “Podemos resolver tarefas mais complexas com maior rapidez e precisão. E podemos fazer isso com menor custo, pois não precisamos dedicar tantas horas de engenharia quanto antes.”

Para a JBT Marel, a IA não é apenas uma iniciativa do tipo “nós também”. Trata-se de uma capacidade cuidadosamente controlada, aplicada apenas onde traz benefícios mensuráveis.”

Perspectivas para o futuro

No futuro, nem todas as máquinas dependerão da IA, mas, com o tempo, mais linhas de produção se beneficiarão dela. Ao melhorar o desempenho das máquinas por meio da IA, a JBT Marel ajuda os clientes a alcançar maior qualidade, maior estabilidade e menor dependência da expertise individual.

No fim das contas, a IA não tem como objetivo substituir as pessoas. Trata-se de dotar as máquinas de melhores recursos sensoriais, para que as pessoas possam se concentrar na gestão de suas operações com confiança.