A Internet das Coisas e o limite dos sentidos

As limitações humanas para transformar os dados em informação.

Segundo o psicólogo alemão Hermann Ebbinghaus, amanhã você só se lembrará da metade do que está escrito nesse artigo. A atenção humana e a memória permanecem ativas para uma tarefa por vez em intervalos de aproximadamente 15 minutos, limitando nossa capacidade de processar informações e tomar decisões. Em vez de criticá-lo antecipadamente, devemos reconhecer que a perda de atenção é uma característica inerentemente humana e não há mais nada além de nos desculparmos.

Para não se afogar nos dados 

A maioria dos painéis de informação, impressos ou na tela do computador, são projetados para fornecer informações que não excedam as capacidades humanas, no entanto, atualmente os sistemas automatizados coletam milhões de dados de centenas de sensores que com um único clique devem saltar para a sua tela.

Nossa primeira opção é realizar uma análise de cada série temporal de forma intuitiva tentando reconhecer padrões nos dados e detectar o aparecimento de valores críticos, com sorte alguns dados serão registrados e nos darão a impressão de que algo que também pode não estar certo.

Então mais profundamente poderíamos usar um pouco de matemática e fazer uma análise de sazonalidade e descobrir outros padrões adicionais e o que eles marcariam em um futuro próximo. Mas um dos desafios para a interpretação dos dados é ter a capacidade de analisar a informação em uma velocidade superior à qual ela chega, reduzindo sua quantidade e utilizando diferentes métodos, como agrupamento por meio de histogramas ou por médias. Ao longo do tempo, conhecido como médias móveis, podemos transformar vários pontos da série temporal em conjuntos menores, mais digeríveis pelos nossos sentidos, mas isso vem com uma consequência: a perda de detalhes que às vezes podem ocultar informações importantes para a tomada de decisões.

A situação pode ser mais desafiadora se nos sistemas monitorados, e como de costume, queremos analisar várias medições simultaneamente. Nesses casos, deve-se garantir que ambas as medidas e seus agrupamentos estejam sincronizados para poder comparar os valores entre as séries, algumas técnicas como as interpolações são capazes de estimar valores intermediários entre os dados e, assim, modificar a localização dos pontos. Como consequência do ajuste de múltiplas séries temporais às possibilidades humanas, haverá uma redução no número de dados e a perda de informações. Concluindo, é natural nos sentirmos afogados em um mar de tabelas e gráficos quando não temos ferramentas para nos imergirmos neles ou perplexos ao ver uma imagem incompleta quando mal utilizada.

A miopia dos dados

Uma vez que os gráficos desejados são alcançados e apresentados, chega o processo de extrair informações deles. A redução ou a falta natural de informação levanta sérios problemas de interpretação em relação aos dados disponíveis, por exemplo, se ao cruzar um limiar por uma fração muito pequena o estado do equipamento é diferente? Algumas pessoas muito sujeitas às regras consideram que objetivamente uma barreira foi ultrapassada, mas não sabem que os dados incorporam erros de medição e processamento. Existe uma probabilidade real de que o limiar não tenha sido ultrapassado, mas é devido a um erro nos dados analisados, e se este ponto for um dado obtido a partir de uma interpolação, a probabilidade é ainda maior.

As probabilidades fazem parte do processo de medição, tão importante quanto o valor medido é a região em que ele poderia estar, conhecido como incerteza, e é ainda mais importante quando há previsões derivadas de tais medições. A maioria das medições e previsões da indústria são geralmente relatadas sem um valor de incerteza, dando origem a suposições, como as discutidas acima, onde se presume que o valor relatado é um valor verdadeiro e não um valor mais provável, com uma probabilidade menor de que o valor verdadeiro é diferente do relatado. A principal ferramenta para avaliar a incerteza é o desvio padrão que pode ser transformado em intervalos de confiança ou a probabilidade de ocorrência de um valor.

Reduzir para intensificar 

A redução da quantidade de dados não se destina apenas a tornar os dados digeríveis, mas também a concentrar o significado da informação contida em um conjunto de dados menor, conhecido como informação de valor, o conjunto de dados deve se tornar a melhor versão reduzida dos dados originais dentro de um horizonte de tempo e para fins de análise sob os seguintes critérios:

• Preservar os valores representativos como valores médios e desvios;
• Manter as tendências visíveis e relevantes para o horizonte de tempo;
• Manter padrões sazonais ou periódicos de acordo com o propósito da análise;
• Destacar eventos de interesse para a análise, como descontinuidades e valores extremos.

A internet das coisas chegou às nossas indústrias e graças a ela resolvemos o problema de captura de dados e com eles de analisar, planejar e gerenciar a manutenção, mas o pré-processamento permanece, tornando esses dados pequenos e representativos. É um processo delicado e geralmente esquecido, dando uma falsa sensação de certeza que nos leva a acreditar que os dados dos ativos monitorados mudam de uma forma muito mais suave e lenta do que realmente o faz.


A ânsia de fazer um conjunto de dados digeríveis pode nos levar a descartar os eventos mais interessantes que geralmente são estranhos e estão fora da área mais provável, como valores fora da faixa, mudanças abruptas nos sinais de entrada ou perda de padrões cíclicos, removendo o sal e a pimenta do conjunto de dados, transformando-os em uma mistura homogênea e insípida.

Prepare-se para o lançamento de Predictto com o curso: IoT e manutenção preditiva. Aprenda de forma simples cada um dos aspectos básicos desta nova era da manutenção 4.0 Acesse o link: https://fracttal-br.teachable.com/p/iot-preditiva