Dados do historiador (e ML)
- Um historiador é o arquivo de séries temporais da fábrica: anos de dados de sensores e PLC, já recolhidos, já pagos.
- É o caminho mais rápido para o valor do ML: as plataformas modernas treinam com dados do historiador sem hardware novo.
- As armadilhas são os artefactos de compressão, os nomes de tags sem significado e o contexto em falta (produto, turno, lote): resolúveis, mas orçamente-os.
- Não precisa primeiro de um data lake: as plataformas ligam-se cada vez mais diretamente ao historiador e contextualizam à medida que aprendem.
Toda a ambição de ML numa fábrica passa por um ativo pouco glamoroso: o historiador. OSIsoft PI, Wonderware, GE Proficy ou uma base SQL desenvolvida internamente: guarda anos exatamente dos dados de que os modelos precisam, e já lá está. As fábricas que começam o ML pelo historiador obtêm os primeiros resultados em dias; as que começam por construir um data lake muitas vezes só os obtêm no exercício seguinte.
O que os modelos precisam dele
Três coisas, por ordem de dificuldade. Resolução: os historiadores comprimem (deadband, swinging-door); uma compressão agressiva pode apagar precisamente os transitórios de que um modelo precisa. Verifique a resolução efetivamente armazenada face ao que os modos de falha exigem. Semântica das tags: aos modelos é indiferente que uma tag se chame TT4711, mas aos engenheiros que agem com base nas atribuições não: uma fase de mapeamento de tags faz parte de qualquer implementação séria. Contexto: códigos de produto, IDs de lote, marcadores de turno e de mudança de série transformam séries temporais anónimas em dados de treino conscientes dos regimes; sem eles, os modelos confundem uma mudança de produto com uma deriva de processo.
Sequência prática
Ligar o historiador em modo só de leitura, carregar retroativamente 6-24 meses, mapear as tags que importam, acrescentar fluxos de contexto (dados de produto e lote do MES/ERP) e deixar a plataforma treinar. Os fornecedores diferem enormemente no quanto disto automatizam: é uma pergunta de demonstração melhor do que qualquer coisa sobre algoritmos.
Perguntas frequentes
- De quantos dados do historiador precisam as plataformas de ML?
- Produção normal suficiente para cobrir os regimes de funcionamento reais: habitualmente 6-24 meses de histórico. Mais produtos e sazonalidade empurram para o limite superior; uma linha estável de produto único pode começar com menos.
- Temos de limpar os dados primeiro?
- Não de forma exaustiva: as plataformas modernas toleram lacunas e ruído. Corrija o que muda as conclusões: resolução armazenada, mapeamento das tags das variáveis que importam e contexto de regime (produto/lote/turno). Um projeto de limpeza que começa pela perfeição é onde o impulso vai morrer.
Todos os números deste site: numa única folha de cálculo com fontes.
O cálculo do mercado de 43,6 mil milhões de dólares, o peso dos casos de uso, os obstáculos à adoção e os resultados de implementação publicados, com a coluna de fontes intacta. Pronto a colar no seu business case.