Na era da inteligência artificial, onde modelos complexos tomam decisões cada vez mais relevantes nas operações industriais e logísticas, a confiança nos sistemas continua a ser um fator crítico. Compreender como e porque um algoritmo chegou a uma determinada decisão é essencial para garantir segurança, eficácia e aceitação por parte das equipas operacionais. É precisamente nesse ponto que investigadores da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) estão a fazer a diferença.
Uma equipa da FCTUC desenvolveu uma metodologia inovadora que torna os modelos de IA mais explicáveis e confiáveis, recorrendo a uma combinação engenhosa de lógica difusa e redes neuronais. A proposta nasce de uma arquitetura de aprendizagem do tipo “professor-aluno” (knowledge distillation), onde um modelo complexo e robusto (NFN-LSTM) treina um modelo mais simples e interpretável (NFN-MOD), sem comprometer o desempenho.
“O modelo NFN-MOD recorre a funções com entradas atrasadas para simular a memória temporal do processo, permitindo não só prever como também explicar o comportamento de sistemas industriais complexos”, explica Jorge S. S. Júnior, doutorando no Departamento de Engenharia Eletrotécnica e de Computadores da FCTUC.
A investigação foi testada em dois cenários industriais reais — uma unidade de recuperação de enxofre e um processo de moagem na indústria cimenteira. Em ambos os casos, o modelo explicável conseguiu replicar o desempenho do modelo original com elevada precisão, ao mesmo tempo que fornecia interpretações claras sobre os fatores que influenciam eventos críticos, como picos de emissões de gases ou variações na qualidade do produto.
Mais do que previsões, a proposta portuguesa oferece contexto e explicação, permitindo aos operadores compreender melhor os cenários industriais e agir de forma mais fundamentada.
Este tipo de solução poderá ter aplicação direta na supply chain, nomeadamente em áreas como:
-
Previsão de procura com explicação dos fatores influentes (eventos, tendências, sazonalidade);
-
Manutenção preditiva com visibilidade sobre os sinais críticos;
-
Controlo de qualidade e produção em tempo real, onde decisões automáticas precisam de ser auditáveis;
-
Operação logística e gestão de armazém, com sistemas de apoio à decisão mais transparentes.
O trabalho integra a tese de doutoramento de Jorge S. S. Júnior, com orientação de Jérôme Mendes (Centro de Engenharia Mecânica, Materiais e Processos – CEMMPRE) e coorientação de Cristiano Premebida (Instituto de Sistemas e Robótica – ISR), em colaboração com Francisco Souza (imec-NL, OnePlanet Research Center, Países Baixos). O artigo científico resultante, intitulado “Distilling Complex Knowledge Into Explainable T–S Fuzzy Systems”, foi publicado na revista IEEE Transactions on Fuzzy Systems e destacado como “Research Frontier” pela IEEE Computational Intelligence Society.
Ao aproximar a lógica da IA da lógica dos operadores, esta investigação nacional oferece um passo importante rumo a ferramentas inteligentes mais confiáveis, explicáveis e utilizáveis em ambientes industriais e logísticos cada vez mais exigentes.
FOTO: Cristiano Premebida, Jorge Júnior e Jérôme Mendes (Da esquerda para a direita)
