(01/12/2024) – Há um especialista master em Inteligência Artificial (IA) dentro da Trumpf, e o nome dele é Korbinian Weiss, um projetista de máquinas que há muito tempo desenvolve projetos controlados por software nesta empresa alemã, altamente especializada em máquinas e tecnologia laser.
Weiss lidera a equipe de reconhecimento de imagem de IA da Trumpf em Ditzingen. Se dependesse dele, o TruLaser Center 7030, a primeira máquina de corte a laser totalmente automática da Trumpf, teria pelo menos 24 câmeras instaladas. Atualmente, são “apenas” 12, que disponibilizam inúmeras imagens e videoclipes.
“De qualquer modo, juntamente com muitos outros dados, essas câmeras constituem a base para o desenvolvimento de máquinas e produtos completamente novos”, ele explica. “São a base do trabalho da nossa equipe de Visão Computacional”.
Mas onde exatamente está a inteligência artificial quando o TruLaser Center 7030 corta uma chapa de metal após a outra? Weiss esclarece esta dúvida com prazer. Segundo ele, a IA é uma área imensa, um campo de investigação científica com muitos subcampos.
“Um deles”, diz o especialista, “é o aprendizado de máquina. Para que máquinas como a TruLaser Center 7030 ‘aprendam’ e, como resultado, funcionem ainda melhor e com mais eficiência, elas precisam de ferramentas e métodos na forma de software apropriado. Um desses métodos é o que os especialistas chamam de Visão Computacional”.
De fato, a equipe de Visão Computacional da Trumpf ensina a IA a classificar corretamente os dados. Para isso, os técnicos categorizaram manualmente 100 mil imagens. Com informações sobre se uma peça de chapa metálica está visível ou não na imagem, e graças a algoritmos apropriados, a IA pode “treinar” o software para melhorar cada vez mais sua precisão em inúmeros loops de treinamento.
“Na verdade, apenas 5% são IA, 95% são dados”, diz o projetista sobre o trabalho da sua equipe. “O verdadeiro desafio é primeiro recolher os dados, gerir os dados, rotular os dados, compilar registos de dados para vários propósitos de resolver o problema, encontrar o equilíbrio certo nos dados. Às vezes, algoritmos clássicos são suficientes para resolver o problema. Mas, cada vez mais, não”.
