top of page
  • Foto do escritorPablo Albarracin

A Magia do Prompt: Como Facilitar a Analise de Causa com IA Generativa


A assertividade na tomada de decisões é crucial para o sucesso de qualquer organização. Dados precisos e bem analisados são a base para decisões informadas que podem otimizar processos, reduzir custos e aumentar a eficiência. A estatística e a Engenharia Estatística são ferramentas poderosas para a análise de dados numéricos, ajudando a definir modelos que explicam causas ou preveem resultados. No entanto, quando os dados são observacionais ou não numéricos, como aqueles obtidos em atividades de Go To Gemba ou entrevistas, a análise se torna mais complexa. É aqui que a Inteligência Artificial (IA) entra em cena, oferecendo uma capacidade única de analisar dados observacionais e identificar padrões relevantes.

A necessidade de facilitar o trabalho dos times de melhoria, assim como engajá-los por meio de um “assistente virtual”, nos levou a testar como a IA generativa podia facilitar algumas atividades, simplificar a análise de dados observacionais e obter insights rápidos. Nos testes, descobrimos que a chave está na criação de prompts detalhados e bem estruturados para orientar a IA na análise desses dados.

Um prompt bem formulado pode transformar dados brutos em insights acionáveis, ajudando o time a resolver problemas complexos e otimizar processos de um jeito mais ágil, reduzindo tempos mortos e eliminando algumas burocracias. Para ilustrar essa abordagem, apresentamos um case de estudo onde a IA foi utilizada para analisar dados observacionais obtidos em uma linha de produção de pirulitos.

Passo a Passo para Criar Prompts Eficazes


  1. Defina Claramente o Problema que você deseja resolver. Isso ajuda a IA a focar nos aspectos mais relevantes dos dados.

  2. Descreva os Dados Observacionais Disponíveis. Isso pode incluir dados demográficos, comportamentais, transacionais, etc.

  3. Especifique o Objetivo da Análise. Isso pode ser a identificação de padrões, correlações, tendências, etc.

  4. Inclua Perguntas Específicas que você deseja que a IA responda. Isso ajuda a direcionar a análise para áreas de interesse particular.

  5. Defina Métodos de Análise específicos que tiver preferência, como regressão, análise de cluster, ou análise de séries temporais. Inclua essas informações.



O case: Otimização da Linha de Produção de Pirulitos com IA Generativa

Para nosso case de estudo, e seguindo o passo a passo, o seguinte foi o Prompt Completo que usamos:

"Queremos identificar os padrões existentes que expliquem o baixo nível de OEE da linha de produção de pirulitos a partir dos dados que surgem de 10 entrevistas de operadores de máquinas de embrulhamento, e dados observados pelo time de melhorias durante uma atividade Go to Gemba. Temos dados de falas de operadores e de observações de condição de máquinas e experiência de operadores, disponíveis em #ENTREVISTAS abaixo. #ANALISE as entrevistas e dados e encontre padrões de comportamentos e correlações que possam explicar a baixa performance do OEE da linha de produção. Quais são os principais fatores de condições de máquinas associadas ao maior defeito? Existe alguma correlação entre a idade das máquinas e a manutenção em atraso? Como as interações de operadores e a manutenção podem explicar melhores performances? Existe alguma correlação entre a experiência dos operadores e o nível de descartes e desperdícios? Utilize análise de regressão para identificar correlações e análise de cluster para segmentar os operadores com base em padrões de comportamento."

Dados Obtidos da Atividade de Go To Gemba

Durante a atividade de Go To Gemba, foram realizadas 11 entrevistas com operadores de máquinas de embrulhamento de pirulitos. Para não estender este artigo, apresento completo apenas um dos registros gerados, e logo uma sínteses com as informações relevantes.

Entrevista 1 - Operador da Máquina M1 (Antiga) Turno 1


  • Fala do Operador: "Trabalho nesta máquina há 1 ano e sempre tenho problemas com ela. A máquina está sempre suja e com muito descarte de material de embrulhamento. Parece que a manutenção nunca é feita direito. É difícil trabalhar assim."

  • Observações: Estado de limpeza da máquina: Ruim, com perdas de óleo lubrificante e utensílios sujos. Presença de descartes de material de embrulhamento: Alta. Histórico de manutenções preventivas: Atrasada. Experiência do operador: 1 ano. Presença de descartes de produto acumulado: Mais de 2 kg. Nível de conhecimento do operador: Baixo. Número de defeitos observados: 15


Síntese do Conjunto de Entrevistas

Máquina M1 (Antiga)


  • Operador Turno 1: 1 ano de experiência, máquina sempre suja, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 15 defeitos observados.

  • Operador Turno 3: 2 anos de experiência, máquina velha com muitos problemas, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 14 defeitos observados.


Máquina M2 (Antiga)


  • Operador Turno 1: 5 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 2 defeitos observados.


Máquina M3 (Nova)


  • Operador Turno 1: 3 anos de experiência, dificuldades em manter a máquina, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 7 defeitos observados.

  • Operador Turno 2: 6 anos de experiência, promovido para máquinas novas, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 1 defeito observado.


Máquina M4 (Antiga)


  • Operador Turno 1: 2 anos de experiência, máquina velha com muitos problemas, alta presença de descartes de material de embrulhamento, manutenção atrasada, baixo conhecimento, 12 defeitos observados.

  • Operador Turno 2: 7 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção atrasada, alto conhecimento, 3 defeitos observados.


Máquina M5 (Antiga)


  • Operador Turno 1: 6 anos de experiência, cuida bem da máquina, baixa presença de descartes de material de embrulhamento, manutenção em dia, alto conhecimento, 1 defeito observado.


Máquina M6 (Nova)


  • Operador Turno 1: 4 anos de experiência, dificuldades iniciais, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 5 defeitos observados.

  • Operador Turno 3: 3 anos de experiência, ainda aprendendo, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 6 defeitos observados.


Máquina M7 (Nova)


  • Operador Turno 1: 3 anos de experiência, máquina moderna com poucos problemas, presença média de descartes de material de embrulhamento, manutenção em dia, conhecimento médio, 6 defeitos observados.


Observações Gerais


  • Máquinas Antigas (M1, M2, M4, M5): Tendem a ter mais problemas de manutenção e limpeza, especialmente M1 e M4.

  • Máquinas Novas (M3, M6, M7): Operadores relatam dificuldades iniciais, mas com menor presença de descartes e defeitos quando bem mantidas.

  • Experiência e Conhecimento do Operador: Operadores mais experientes e com maior conhecimento tendem a relatar menos problemas e defeitos, independentemente da antiguidade da máquina.



Qual foi a Analise dos Padrões Observados pelo GPT-4 ?

Condições de Manutenção das Máquinas


  • Máquinas com Manutenção Atrasada: M1, M4. Essas máquinas apresentam um alto número de defeitos e descartes de material de embrulhamento, além de estarem em estado de limpeza ruim.

  • Máquinas com Manutenção em Dia: M2, M3, M5, M6, M7Essas máquinas, em geral, têm menos defeitos e descartes de material de embrulhamento, e estão em melhores condições de limpeza.


Idade das Máquinas


  • Máquinas Antigas: M1, M2, M4, M5As máquinas antigas tendem a ter mais problemas de manutenção e limpeza, especialmente quando a manutenção está atrasada.

  • Máquinas Novas: M3, M6, M7As máquinas novas apresentam menos problemas quando a manutenção está em dia, mas ainda podem ter dificuldades se a manutenção não for adequada.


Estado de Limpeza das Máquinas


  • Máquinas em Estado de Limpeza Ruim: M1, M4Essas máquinas têm um alto número de defeitos e descartes de material de embrulhamento.

  • Máquinas em Estado de Limpeza Boa: M2, M5, M7Essas máquinas têm menos defeitos e descartes de material de embrulhamento.

  • Máquinas em Estado de Limpeza Regular: M3, M6Essas máquinas têm um número intermediário de defeitos e descartes de material de embrulhamento.


Experiência dos Operadores


  • Operadores com Menos de 3 Anos de Experiência: M1, M4Esses operadores tendem a ter mais dificuldades em manter a máquina funcionando adequadamente.

  • Operadores com 3 a 5 Anos de Experiência: M3, M6, M7Esses operadores têm um desempenho intermediário.

  • Operadores com Mais de 5 Anos de Experiência: M2, M5Esses operadores conseguem manter a máquina em melhores condições, mesmo quando são antigas.


Nível de Conhecimento dos Operadores


  • Nível de Conhecimento Baixo: M1, M4Esses operadores têm mais dificuldades em lidar com problemas e manutenção das máquinas.

  • Nível de Conhecimento Médio: M3, M6, M7Esses operadores têm um desempenho intermediário.

  • Nível de Conhecimento Alto: M2, M5Esses operadores conseguem manter a máquina em melhores condições e reduzir defeitos.


Análise de Regressão e Cluster

Regressão

A análise de regressão pode ser utilizada para identificar correlações entre as variáveis. A seguir, estão algumas correlações observadas:


  • Condições de Manutenção e Número de Defeitos: Máquinas com manutenção atrasada apresentam um número significativamente maior de defeitos. Correlação positiva forte entre manutenção atrasada e número de defeitos.

  • Idade das Máquinas e Manutenção Atrasada: Máquinas mais antigas tendem a ter manutenção atrasada. Correlação positiva moderada entre idade das máquinas e manutenção atrasada.

  • Experiência dos Operadores e Descartes: Operadores com mais experiência tendem a ter menos descartes de material de embrulhamento e produto. Correlação negativa moderada entre experiência dos operadores e nível de descartes.


Cluster

A análise de cluster pode segmentar os operadores com base em padrões de comportamento:

Cluster 1: Operadores Inexperientes com Máquinas Antigas e Manutenção Atrasada


  • Máquinas: M1, M4

  • Características: Baixa experiência, baixo nível de conhecimento, alta presença de descartes, manutenção atrasada, estado de limpeza ruim.

  • Impacto: Alto número de defeitos e baixa performance do OEE.


Cluster 2: Operadores Experientes com Máquinas Antigas e Manutenção em Dia


  • Máquinas: M2, M5

  • Características: Alta experiência, alto nível de conhecimento, baixa presença de descartes, manutenção em dia, estado de limpeza bom.

  • Impacto: Baixo número de defeitos e alta performance do OEE.


Cluster 3: Operadores Moderadamente Experientes com Máquinas Novas e Manutenção em Dia


  • Máquinas: M3, M6, M7

  • Características: Experiência intermediária, nível de conhecimento médio a alto, média a baixa presença de descartes, manutenção em dia, estado de limpeza regular a bom.

  • Impacto: Número intermediário de defeitos e performance do OEE moderada.


Resumo 5W1H


  • O que: Baixa performance do OEE na linha de produção de pirulitos.

  • Como: A baixa performance é causada principalmente por máquinas em estado de limpeza ruim, manutenção atrasada, e operadores com pouca experiência e baixo nível de conhecimento.

  • Onde: Na linha de produção de embrulhamento de pirulitos, especificamente nas máquinas M1 e M4.

  • Quando: A baixa performance é contínua, mas é mais evidente em máquinas com manutenção atrasada e operadas por funcionários com menos experiência.

  • Quanto: A baixa performance resulta em um alto número de defeitos (até 15 defeitos por máquina) e altos níveis de descarte de material de embrulhamento e produto.

  • Quem: Operadores com menos de 3 anos de experiência e baixo nível de conhecimento têm mais impacto negativo na performance.


Conclusão

A análise detalhada dos dados observacionais e a utilização de IA generativa para a criação de prompts eficazes demonstraram ser uma abordagem poderosa na facilitação e assistência a times, para resolver problemas complexos na linha de produção. 

Através da identificação de padrões e correlações, foi possível obter insights valiosos que podem acelerar o analise de causas e a proposta e implantação de soluções.

Convidamos você a compartilhar suas experiências e insights sobre a utilização de IA na análise de dados observacionais. Deixe seu comentário e participe da discussão!

0 visualização0 comentário

Comments


bottom of page