BIBLIOTECA

Utilização de Machine Learning em uma Estação de Tratamento de Efluentes

Resumo

A Indústria 4.0 propõe novos desafios na modelagem de sistemas de controle que permitam a competitividade e otimização dos processos, tais como a integração de novas tecnologias de interação de homem e máquinas, colaboração entre todas as entidades dos sistemas e maior flexibilidade no fornecimento de serviços e produtos. Desenvolver um sistema de controle como este para uma aplicação específica é uma tarefa complexa. A maioria das soluções envolve a combinação de várias técnicas para atender os requisitos propostos pela Indústria 4.0. Portanto, este trabalho propõe um método usando a parceria entre a MSC Cruzeiro e a Birmind, utilizando machine learning para otimização e controle do processo de Estação de Tratamento de Efluentes(ETE).

Introdução

O aprendizado automático, aprendizado de máquina ou “machine learning” é um subcampo da ciência da computação que evoluiu do estudo de reconhecimento e da teoria do aprendizado em inteligência artificial. Em 1959, Arthur Samuel definiu aprendizado de máquina como o “campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados”. O aprendizado automático explora o estudo e construção de algoritmos que podem aprender de seus erros e fazer previsões sobre dados.

Algumas partes do aprendizado automático estão intimamente ligadas (e muitas vezes sobrepostas) à estatística computacional; uma disciplina que foca em como fazer previsões através do uso de computadores, com pesquisas focando nas propriedades dos métodos estatísticos e sua complexidade computacional. Ela tem fortes laços com a otimização matemática, que produz métodos, teoria e domínios de aplicação para este campo.

O aprendizado automático é utilizado em uma variedade de tarefas computacionais onde criar e programar algoritmos explícitos é impraticável. Exemplos de aplicações incluem filtragem de spam, reconhecimento ótico de caracteres (OCR), processamento de linguagem natural, motores de busca, diagnósticos médicos, bioinformática, reconhecimento de fala, reconhecimento de escrita, visão computacional e locomoção de robôs. O aprendizado de máquinas é às vezes confundido com mineração de dados, que é um subcampo que foca mais em análise exploratória de dados e é conhecido como aprendizado não supervisionado. No campo da análise de dados, o aprendizado de máquinas é um método usado para planejar modelos complexos e algoritmos que se prestam para fazer predições- no uso comercial, isso é conhecido como análise preditiva. Esses modelos analíticos permitem que pesquisadores, cientistas de dados, engenheiros, e analistas possam “produzir decisões e resultados confiáveis e repetitíveis” e descobrir os “insights escondidos” através do aprendizado das relações e tendências históricas nos dados.

Segundo Peter, N et al (2003), o aprendizado de máquina cresceu a partir da busca pela inteligência artificial. Ainda nos princípios da IA como disciplina acadêmica, alguns pesquisadores já se interessavam em fazer máquinas aprenderem a partir de dados. Eles tentaram abordar o problema desde vários métodos simbólicos, assim como com o que foi então nomeado de “rede neural artificial”; estes eram majoritariamente perceptrons e outros modelos que mais tardes foram entendidos como reinvenções de modelos lineares generalizados de estatística. A lógica probabilística também foi usada, especialmente em diagnósticos médicos automatizados.

A indução é a forma de inferência lógica que permite obter conclusões genéricas sobre um conjunto particular de exemplos. Ela é caracterizada como o raciocínio que se origina em um conceito específico e o generaliza, ou seja, da parte para o todo. Na indução, um conceito é aprendido efetuando-se inferência indutiva sobre os exemplos apresentados. Portanto, as hipóteses geradas através da inferência indutiva podem ou não preservar a verdade. Mesmo assim, a inferência indutiva é um dos principais métodos utilizados para derivar conhecimento novo e predizer eventos futuros. Foi através da indução que Arquimedes descobriu a primeira lei da hidrostática e o princípio da alavanca, que Kepler descobriu as leis do movimento planetário, que Darwin descobriu as leis da seleção natural das espécies.

Apesar da indução ser o recurso mais utilizado pelo cérebro humano para derivar conhecimento novo, ela deve ser utilizada com cautela, pois se o número de exemplos for insuficiente, ou se os exemplos não forem bem escolhidos, as hipóteses obtidas podem ser de pouco valor, neste contexto a “machine learning” possibilita selecionar exemplos quantitativamente e qualitativamente para obter o sucesso da predição.

Autores: Mario Augusto Esteves; Nilo Sampaio; Jose Edson da Silva e Marco Tulio Ribeiro Ricci.