Notícias


Estratégia & Marketing Postado em quinta-feira, 01 de novembro de 2018 às 14:15
A Universidade Politécnica de Hong Kong (PolyU) desenvolveu um sistema de detecção de defeitos de tecidos, chamado WiseEye, que utiliza tecnologias que incluem Inteligência Artificial (IA) e aprendizado profundo de máquina para fins de controle de qualidade. A PolyU afirma que seu sistema minimiza as chances de produzir tecidos com padrão de qualidade abaixo de 90%, reduzindo substancialmente a perda e o desperdício na indústria têxtil. Ele ajuda a economizar mão de obra e a melhorar o gerenciamento de automação na fabricação de tecidos.

Suportado pela tecnologia de visão por máquina baseada em IA, o novo “WiseEye” pode ser instalado numa máquina têxtil para ajudar os fabricantes de tecidos a detectar defeitos instantaneamente no processo de produção. Através do sistema de inspeção automática, o gerente da linha de produção pode detectar facilmente os defeitos, ajudando-os a identificar a causa dos problemas e corrigi-los imediatamente.

“WiseEye” é desenvolvido pela Equipe de Pesquisa de Inteligência Artificial Têxtil e de Vestuário (TAAI), liderada pelo Prof. Calvin Wong, professor de Moda do Instituto de Têxteis e Vestuário da PolyU. Fabricantes têxteis atualmente dependem de esforços humanos para inspecionar aleatoriamente o tecido a olho nu. Devido a fatores humanos como negligência ou fadiga física, a detecção de defeitos pelo trabalho humano é geralmente inconsistente e não confiável.

Fabricantes têxteis também tentaram usar alguns outros sistemas de inspeção de tecidos, mas esses sistemas não foram capazes de atender às necessidades da indústria. Garantir a qualidade na produção de tecidos torna-se um grande desafio para a indústria.

O Prof. Calvin Wong disse: “‘Wise Eye’ é um sistema único de inspeção baseado em IA que satisfaz os requisitos dos fabricantes têxteis. É um sistema integrado com vários componentes que desempenham diferentes funções no processo de inspeção. O sistema é incorporado com uma barra de luz LED de alta potência e uma câmera de dispositivo de carga acoplada de alta resolução que é acionada por um motor eletrônico e é montada em um trilho para capturar imagens de toda a largura do tecido durante o processo de tecelagem. As imagens capturadas são pré-processadas e inseridas no algoritmo de visão por máquina baseado em IA para detectar defeitos de tecidos. Informações em tempo real coletadas ao longo do processo de detecção serão enviadas ao sistema do computador, e estatísticas e alertas analíticos podem ser gerados e exibidos como e quando necessário.

A equipe de pesquisa aplicou as tecnologias de Big Data e Deep Learning no “WiseEye”. Ao inserir dados de milhares de metros de tecidos no sistema, a equipe treinou o “WiseEye” para detectar cerca de 40 defeitos comuns nos tecidos com resolução de precisão excepcionalmente alta de até 0,1 mm / pixel.

“Em vista das numerosas estruturas de tecido que proporcionam grandes variações nos tipos de textura de tecido e defeitos, a detecção automática de defeitos de tecido tem sido uma missão desafiadora e inatingível nas últimas duas décadas. Nossa introdução inovadora de tecnologias de IA, Big Data e Deep Learning do WiseEye, não é apenas um avanço tecnológico que atende às necessidades da indústria, mas também marca um marco significativo na automação do controle de qualidade para a indústria têxtil tradicional”, acrescentou o Prof Wong.

A tecnologia WiseEye foi colocada em teste por mais de seis meses num ambiente de fabricação real. Os resultados mostram que o sistema é capaz de reduzir 90% da perda e desperdício no processo de fabricação de tecidos quando comparado com a inspeção visual humana tradicional. Isso significa que o sistema ajuda a reduzir os custos de produção e, ao mesmo tempo, aumenta a eficiência da produção.

No momento, o “WiseEye” pode ser aplicado à maioria das máquinas de tecidos com diferentes estruturas de tecelagem e cores sólidas. A equipe de pesquisa planeja treinar e estender ainda mais o sistema para detectar defeitos em tecidos com padrões mais desafiadores, como padrões complicados de tiras e verificações. O objetivo final é cobrir todos os tipos comuns de tecidos em cinco anos.

O Prof Wong e a equipe de pesquisa do TAAI vêm conduzindo pesquisas fundamentais e aplicadas sobre IA, visão computacional e aprendizado de máquina, especificamente para a indústria têxtil e de moda desde 2012. A equipe introduziu anteriormente o primeiro “FashionAI Dataset” do gênero que integra moda e aprendizado de máquina para análise sistemática de imagens de moda através do uso de IA. O Dataset ajuda a avançar na indústria da moda e a desenvolver um novo modo para o varejo de moda.

As áreas cobertas por seus outros projetos incluem inspeção inteligente de material têxtil e qualidade de vestuário, amostra de tecido em grande escala e pesquisa de imagens de moda e previsão de vendas de moda. A equipe também colaborou com várias empresas locais e internacionais em vários projetos de pesquisa e publicou artigos de pesquisa em periódicos líderes mundiais, incluindo IEEE Transactions on Neural Networks e Learning Systems, IEEE Transactions on Cybernetics e IEEE Transactions on Image Processing.

Fonte: Stylo Urbano
Estratégia & Marketing Postado em quarta-feira, 24 de outubro de 2018 às 13:50
Trabalhar de forma ágil pode parecer algo mais desorganizado ecaótico à primeira vista. Isso não poderia estar mais longe da realidade. Trabalhar dessa maneira exige muito mais disciplina ecapacitação do time do que os métodos tradicionais. A principalrazão é a extrema transparência que tal forma de trabalho exige.Geralmente, duas coisas estão à vista de todos em uma estrutura como essa: o andamento do trabalho e as metas a serem atingidas. Ter as metas e o progresso na parede é a regra nesse tipo de organização. Isso faz com que o time não tire os olhos do resultado e seja muito mais produtivo. Não é raro as pessoas de baixa performance serem pressionadas pela própria equipe para melhorar a sua contribuição ao todo.

A ferramenta de acompanhamento do progresso mais comum é o Kanban, que teve origem na Toyota, nos anos 1960. Trata-se de uma ferramenta visual para acompanhar o progresso. Ela geralmente mostra tudo que precisa ser feito, o que efetivamente está sendo feito e o que está pronto em cada sprint.

Com times distribuídos e necessidades cada vez mais complexas, grande parte das empresas utiliza softwares para acompanhamento das tarefas e armazenamento das informações relativas aos projetos. Esses softwares permitem análises em tempo real das atividades e identificação de gargalos.

TIRANDO OS OBSTÁCULOS DO CAMINHO

A liderança é fundamental para implementar qualquer tipo de estrutura que utilize métodos diferentes de trabalho. Não se tra- ta apenas da mudança do método de trabalho, mas principalmente da forma de pensar desse grupo de pessoas.

Há pouco tempo, fui chamado para conhecer a estrutura de esquadrões de uma empresa que tinha recebido o  conselho  de uma consultoria para trabalhar desse jeito. Chegando lá, encontrei as pessoas organizadas em grupos, sentadas em uma grande sala comum.As semelhanças com a estrutura de squads terminavam por aí. Conversando com alguns dos líderes, só percebi medo, pressão da diretoria e pouca flexibilidade para errar. Também entendi que o método não estava sendo efetivamente executado. Faltava autonomia e sobrava ingerência dos altos executivos da empresa sobre cada teste que seria realizado. A tolerância ao erro, fundamental quando se opta por um método ágil de trabalho, estava longe de ser uma realidade.

Sentando com os times, questionei sobre seus objetivos.Não estavam claros. Eles não entendiam o motivo da mudança no método de trabalho. Voltando para a diretoria, pedi que me explicassem os motivos para que os times se organizassem daquela forma. O diretor me apresentou um denso relatório, feito por uma consultoria, mostrando que as empresas mais inovadoras do mundo trabalhavam assim e que, se eles quisessem inovar, também deveriam atuar desse modo. Questionei se algum dos diretores tinha trabalhado em algum dos esquadrões ou acompanhado as atividades no dia a dia, mas nenhum deles tinha se aproximado dos times nesse processo.

A frustração era geral. Os diretores não entendiam por que os resultados não apareciam, e os integrantes dos squads estavam inseguros e se achando incompetentes. Expliquei para a diretoria que o trabalho deles era crítico naquele momento de mudança e que os resultados dessa nova forma de trabalhar não vinham do dia pra noite. Era fundamental a experimentação  e o erro para que todos pudessem entender o que funciona no contexto daquela empresa, especificamente.

A liderança, em um processo ágil, é um dos maiores fatores para determinar o sucesso das iniciativas. Não se delega para outras pessoas uma mudança dessa magnitude. Os líderes precisam estar nas trincheiras, dando exemplo e se relacionando com os times. Precisam sair das suas salas, fazer perguntas e adaptar o processo sempre que necessário, caso não esteja funcionando. E não se faz isso olhando relatórios.

No modelo ágil, o líder precisa garantir que:

- A metodologia esteja clara para todos os envolvidos.

- Todo o time esteja capacitado para executar suas atividades e entender o porquê das mudanças;

- Exista um processo claro para melhoria do método.

- As pedras no caminho sejam removidas, deixando  o  time livre para realizar o seu trabalho de forma efetiva.

- Haja um grande alinhamento entre os líderes dos squads.

Uma das primeiras dificuldades na implementação desse modelo é o embate com a maneira de pensar dos profissionais envolvidos no projeto. Durante anos, esses profissionais foram ensinados a trabalhar de determinada maneira, seguindo deter- minados parâmetros. Estão condicionados a pensar apenas nas próprias atividades. A correlação entre o que fazem e os resultados da companhia nunca foi tão direta. O modo de interagir com seus colegas também muda consideravelmente. Em vez da tradicional política corporativa e de conversas de corredor, os profissionais precisam resolver problemas conjuntamente. Parece algo óbvio, mas não é. E pode gerar muita ansiedade entre os participantes.

De um dia para o outro, as pessoas, que tinham claramente as suas atividades estabelecidas, passam a trabalhar em um ambiente repleto de complexidade e ambiguidade. Lembra-me daqueles documentários em que o animal é criado em cativeiro a vida toda e, um belo dia, os cientistas vão até a natureza e abrem a gaiola. Em vez de sair correndo para o mato, vários continuam dentro da gaiola. Esta é basicamente a sensação da maior parte das pessoas envolvidas em transições como essa.Em vez de alegria e vontade de inovar, os primeiros sentimentos são o medo e a insegurança.

Para lidar com essa transição, além de estabelecermos expectativas realistas em relação aos resultados, é fundamental que ajudemos as pessoas na condução de suas rotinas diárias. Os líderes devem deixar o trabalho mais claro, no início, com atividades simples e objetivas. Com o passar do tempo, após alguns sprints, os times naturalmente passarão a ser mais criativos e buscar novas soluções.

Fonte: Revista HSM