Claire Swedberg
Os pátios automáticos são notoriamente complexos. Mesmo quando as coisas correm conforme planeado, a gestão de veículos acabados num local de produção, num pátio de distribuição ou num concessionário é morosa e muitas vezes ineficiente. E é aí que as coisas não dão errado.
No mundo real, às vezes os caminhões de transporte não aparecem, os carros não dão partida ou uma tempestade passageira interrompe as operações.
A IA pode tornar uma empresa mais ágil e capaz de responder rapidamente a estes eventos, mas precisa de dados para compreender o que está a acontecer.
As tecnologias RFID, RTLS e IoT podem alimentar um tesouro de dados para sistemas de IA que gerenciam veículos acabados. A IA utiliza esses dados para gerenciar melhor cada veículo, garantir que não haja atrasos – e a longo prazo – até mesmo planejar todo o processamento do veículo sem a necessidade de supervisão humana.
O que significa a localização de um veículo
Considere um pátio de veículos acabados aguardando transporte para concessionárias. Se um sistema de IA entender onde cada veículo está localizado e o que essa localização significa em seu processo, o software poderá começar a prever o próximo evento para aquele carro ou caminhão e enviar alertas quando os parâmetros não forem atendidos.
A maioria das empresas ainda não está usando dados de IoT com IA para essa finalidade. Mas o valor irá torná-la mais atraente, especialmente à medida que o custo da tecnologia diminuir, disse Adrian Jennings, diretor de produtos da Cognosos para IA e automotivo.
Tradicionalmente, as pessoas pensam em sistemas de tecnologia em tempo real como uma forma de responder: “onde estão minhas coisas?” Jennings apontou. As empresas com ativos e inventários de alto valor, incluindo aquelas que fabricam, possuem e operam veículos, não querem perdê-los de vista. Portanto, o objetivo deles tem sido: “se eu perder essa coisa, como posso encontrá-la rapidamente?” Eles anexam uma etiqueta RTLS (transmitindo através de uma variedade de frequências) e procuram a localização no software do sistema.
Inferindo o status de um veículo
O valor real do RTLS vem com a IA, para entender não apenas a localização de um carro, mas também seu lugar em um processo.
“A IA pode realizar análise e otimização do fluxo de processos – é nisso que a IA de big data é excelente”, disse Jennings. “Com a IA, uma empresa pode fazer perguntas como não apenas ‘onde está um carro ou van no meu quintal’, mas ‘onde está no meu processo?’”
Uma aplicação é entender – com base no local onde um veículo está estacionado – se ele está na fila para embarque ou na pista ao lado, aguardando acabamento ou componentes especializados.
“Pode haver duas pistas adjacentes, uma fileira de carros prontos para embarque e uma fileira de carros ao lado deles que precisam de algum trabalho”, disse Jennings.
Reduzindo o excesso de direção
As empresas com uma frota de veículos para gerir precisam de compreender os seus processos e uma solução comummente adotada com IA é rastrear os carros na logística de saída, disse Jennings.
Tradicionalmente, esse processamento pode ser demorado, pois os veículos são movidos de uma parte do pátio para outra e vice-versa. Os carros podem ser levados para um centro de processamento no local, ir para uma empresa terceirizada de acessórios para instalar pneus especiais ou spoiler, ou serem devolvidos a uma área de armazenamento para aguardar a próxima etapa.
“Às vezes, os carros são movidos mais do que o necessário – para o centro de processamento e para fora e depois novamente, desta parte do pátio para esta parte do pátio e de volta e depois para a cabeceira do trilho e depois de volta”, Jennings disse.
Cada movimento de um carro acarreta o custo da mão de obra para dirigi-lo, da gasolina, do uso da bateria e do risco de danos. Por estas razões, destacou Jennings, “você deseja minimizar o número de movimentos”, e isso significa ter processos implementados que antecipam cada movimento seguinte para um veículo e para os outros ao seu redor.
Para a IA, o resultado mais fácil para o gerenciamento de veículos é identificar quando e onde o próximo passo de um veículo precisa ser dado e movê-lo nesse momento.
Economizando espaço de teste e buffer
Ao reduzir o deslocamento desnecessário de carros, um pátio inteiro poderia ser configurado de uma forma mais eficiente e também ocupando menos espaço, disse Jennings. Por exemplo, os carros programados para retirada são frequentemente localizados no armazenamento geral e levados para a área tampão de carregamento de caminhões.
O processo de localização de veículos e sua colocação no buffer pode ser demorado e exigir espaço dedicado adicional.
Com a IA, as empresas podem deixar os carros em seu depósito geral, pois o carro pode ser facilmente localizado e entregue no caminhão no momento da necessidade de carregamento. Isso eliminaria a necessidade de um espaço de buffer.
Tomando melhores decisões com antecedência
“Na verdade, estamos realmente arranhando a superfície do que a IA pode fazer”, disse Jennings. A maioria das empresas está usando suas ferramentas RTLS para visibilidade, que permite melhores decisões humanas no terreno. A próxima etapa é aproveitar o sistema para fazer recomendações para as próximas etapas otimizadas. Se algo der errado, a IA pode ser projetada para encontrar o próximo melhor processo para corrigir o problema.
“No longo prazo, o que você realmente quer fazer é inserir uma meta em uma IA e fazer com que ela assuma o controle a partir daí”, disse Jennings. Tal objetivo poderia ser simplesmente determinar como 800 vagões acabados em um pátio podem ser encaminhados para o pátio ferroviário ao longo de um horário ou dia específico.
A IA pode calcular o melhor cronograma de movimentação, atribuir tarefas aos motoristas de forma escalonada e, assim, garantir que não haja engarrafamentos no processo.
“Isso seria como o cenário dos sonhos – onde você poderia alimentar metas no topo e depois sentar e deixar que isso acontecesse.”
Carros EV aumentam a complexidade
O planejamento de despacho também se tornou mais complexo com a transição para veículos elétricos (EV), e a IA pode ajudar a gerenciar a atribuição de transporte de acordo.
Os VE são mais pesados do que os carros normais – devido às suas baterias – por isso, selecionar o camião certo para os recolher e calcular quantos veículos podem ser transportados de cada vez torna-se mais complicado.
Uma IA é excelente na otimização, para garantir que os caminhões ou vagões estejam lotados e que os carros EV sejam transportados adequadamente. “A capacidade de reagir aos problemas torna-se o divisor de águas que mantém o processo fluindo em 95% quando 100% não é alcançável”, disse Jennings.
Aproveitando a IA de baixo para cima
Além disso, a IA pode ser usada para ajudar a garantir que os dados RTLS sejam tão precisos quanto possível, sem gastar uma fortuna em sensores especializados, algo em que a Cognosos é especializada.
A precisão da localização de um sistema RTLS pode ser um desafio em ambientes cheios de barreiras e reflexos, como grandes contêineres metálicos e veículos. A Cognosos desenvolveu algoritmos de aprendizagem profunda que podem compreender e compensar os erros causados pelos trailers, disse Jennings. “Podemos obter uma precisão de rastreamento muito boa com sensores muito baratos.”
Desta forma, a Cognosos adota uma abordagem bilateral em relação à IA com a sua tecnologia de gestão de veículos. Ele usa IA “de cima para baixo” em um servidor para avaliar qual deve ser o status de um veículo e a próxima ação, mas também depende de IA “de baixo para cima” que avalia os dados de localização capturados de um sensor sem fio de baixo custo.
Soluções acessíveis
No passado, a precisão da localização causava desafios que limitavam algumas implantações de tecnologia, argumenta Jennings.
“O problema com a IoT sempre foi: como você realmente obtém dados de ponta que valem alguma coisa, que são acessíveis o suficiente, para realmente serem implantados em escala e valerem a pena?” disse Jennings.
A abordagem da Cognosos, no entanto, permitiu que a precisão da localização a partir do nível do sensor, com IA, fornecesse soluções mais acessíveis para a recolha e análise de dados sobre veículos. Jennings vê isso como uma IA na base que impulsiona a IA no topo.