Willian Thompson, mais conhecido como Lord Kelvin – e a quem arrisco chamar um dos patronos da metrologia – afirmava que “quando você pode medir aquilo sobre o que está falando e expressá-lo em números, você sabe algo sobre ele; mas quando você não consegue medi-lo, quando você não pode expressá-lo em números, o seu conhecimento é de um tipo frágil e insatisfatório”. Peter Drucker, considerado o pai da administração moderna, também cita “somente o que pode ser medido, pode ser melhorado”. É simples: se não consegue medir, não conseguirá evoluir.
Com o passar dos anos, os paquímetros e multímetros vêm sendo substituídos gradativamente por equipamentos mais sofisticados, dotados de capacidades de coleta de grande quantidade de informação, monitoramento contínuo, sensores inteligentes, sistemas supervisórios integrados e outras muitas evoluções. Nessa mesma linha, uma perceptível redução de preços para aquisição de bons sistemas de medição popularizou e encheu nossas fábricas de dispositivos. E todos gerando dados… bits…bytes… terabytes… uma enorme nuvem de dados!
Nesse novo contexto, entram em cena os especialistas em tratamento destes dados que, com o uso de complexos algoritmos, machine learning, deep learning, e outras técnicas, convertem os milhões de bytes em informações e, na sequência, em conhecimento, gerando conclusões com alta probabilidade de acerto, que influenciam diretamente a eficácia e eficiência da produção.
Neste momento, é preciso refletir sobre a mesma questão que atravessa os séculos desde Lord Kelvin: Qual a qualidade dos dados que estou utilizando? O meu resultado final é confiável?
A avaliação da exatidão dos sensores e dos transdutores utilizados é colocada à prova, com um tempero a mais nesse processo de digitalização. Por um lado, sistemas com alto nível de confiabilidade podem custar muito caro, enquanto muitos sensores de baixa qualidade podem compensar o erro a partir de uma tendência no sistema e, ao mesmo tempo, verificar inconsistências pela simples comparação entre pares. Nessa situação, o balanço entre qualidade e quantidade de dados deve ser criticamente analisado, incluindo o balanço entre o que eu necessito e quanto isso custará.
Na mesma linha, aspectos como a não consideração dos erros envolvidos no ambiente e no operador (por exemplo), e a estratégia de medição utilizada poderão gerar dados equivocados na “nuvem de sensores” ou mesmo naqueles de alta exatidão. Dados esses que, quando misturados com a base principal, trarão resultados errados e consequentes ajustes desnecessários – possíveis lotes comprometidos, indecisões quanto à produção, atrasos, problemas com o produto, e o pior: problemas com os clientes. Isso mesmo: a estratégia de medição é tão importante quanto o parque de equipamentos que você possui em mãos!
Ter muitos dados é interessante, é moderno e tentador. A partir das correlações, buscar estatísticas brilhantes e, com elas, conclusões outrora inatingíveis, são possíveis com a digitalização. Porém a máxima vale: sem uma boa matéria-prima (dados corretos), seu produto final (conhecimento) será, no máximo, satisfatório.
Assim, antes de instalar ou desenvolver seus sistemas automatizados, questione se o desenvolvedor entende a metrologia.
Como a CERTI pode ajudar?
Há mais de 30 anos trabalhando com a Metrologia como competência essencial, a CERTI atua na calibração e medição de equipamentos e padrões e no desenvolvimento de sistemas de instrumentação e testes, sempre prezando pela qualidade dos resultados e pela aplicação prática do conteúdo científico associados a essa ciência. Além disso, é Unidade EMBRAPII em sistemas inteligentes e desenvolvedora de produtos e automação para clientes de grande expressão internacional.
Para conhecer nossos cursos em qualidade laboratorial, clique aqui!
