São Paulo – SP 30/4/2020 – A ideia é coletar e tratar o dado na ponta e só enviar para os Data Centers o resultado das operações.
Os últimos 15 anos foram marcados por grandes avanços na tecnologia. O que se pode esperar do futuro?
Os últimos 15 anos foram marcados por grandes avanços na tecnologia. Desde as arquiteturas de Rede, Sistemas Operacionais, Bancos de Dados, Aplicações e principalmente dos meios físicos (hardwares), que segundo o Especialista de Software Felipe Petersen Reimer caracterizavam por ser a maior barreira para os avanços, seja por questões de limitações técnicas, quanto financeiras e por diversas vezes menosprezadas e subdimensionadas.
“Os especialistas das áreas irão lembrar das arquiteturas de hardware que eram usadas RISC, EPIC, ITANIUM, Memoria DDR2, 3, 4; Discos SCSI, SATA, SAS, SSD. Além, Redes de Cabo coaxial, Par-Trancado, Fibra Ótica, velocidades de 100Kbps, 1000Kbps até 16Gbps…” detalha Felipe.
Hoje, os profissionais da área deixaram essas discussões de lado depois do advento da Nuvem, 4G, BYOD, IIOT, Machine Learning, entre outros e focaram na funcionalidade e na entrega do que no como será feito. Reimer afirma que isso pode ser em alguns casos um erro, seja por motivos técnicos, financeiros ou estratégicos.
“A demanda por infraestrutura de TI nunca foi tão grande e tão crítica e principalmente o conhecimento necessário para que tudo isso funcione como se espera e deve ser: Sempre Disponível, Flexível, Segura e Gerenciada e principalmente com uma sensação de ser mais barato, o que as vezes é só uma sensação” reflete o especialista.
Felipe lembra que o principal pilar disso tudo é uma boa rede de comunicação, rápida e estável, capaz de trafegar de forma simultânea grande volume de dados, depois passa pelo armazenamento e processamento dessas informações todas, que pode ser centralizado ou distribuído. “A ideia é coletar e tratar o dado na ponta e só enviar para os Data Centers o resultado das operações. Aí entra o Machine Learning e o Analytics. Através destas duas novas tendências é que podemos efetivamente tirar proveito de todo o dado gerado, aumentando e ganhando a produtividade que se espera”.
A Machine Learning é um sistema que tem a capacidade de ensinar as máquinas seguindo etapas pré-estabelecidas ou baseada em dados históricos de resultados positivos. Já o Analytics é uma ferramenta que encontra informações corretas e necessárias em frações de segundos, que se são relevantes e úteis em meio a milhões de dados que sem tais arquiteturas levar iam-se horas, dias ou até meses para serem buscadas.
Felipe exemplifica esse trabalho apontando o uso em uma indústria automotiva. Onde um ou vários robôs podem fazer o processo em si, com câmeras monitorando e checando a qualidade. Uma vez identificado o ideal, é cruzado todos os dados e interpretados. Assim de forma automatizada, computadores podem reconfigurar o robô e outros componentes, como bicos de cola e solda para ajustar a quantidade, temperatura, posição, afim de garantir que tudo saia perfeito. Com nenhuma ou mínima intervenção humana.
O especialista ainda apresenta outra amostra trazendo para o caso da COVID-19, onde inúmeras empresas poderiam permanecer produzindo, se esta arquitetura já fosse implementada em larga escala e financeiramente acessível. “Poderíamos ter até mesmo robôs, tratando pacientes em hospitais, minimizando drasticamente o número de infectados e protegendo a vida de médicos e enfermeiros. A defasagem na produção de componentes nas fabricas de produção de máscaras e respiradores, que ficaram paradas por não poder ter humanos em função da propagação do vírus”.
Em sua experiência profissional o Felipe lembra que teve a oportunidade de fazer parte de grupos de estudos que analisavam o impacto financeiro e tecnológico, a fim de iniciar com a definição dos padrões de desenvolvimento industrial e normatizar e tornar este padrão mais acessível com o ganho de volume.
Nesse processo o IIOT e automação industrial, estão diretamente vinculadas. IIOT é tido como a 4ª. revolução industrial, mas que só é possível pela automação. Portanto, numa escala evolutiva, as empresas precisam primeiro se organizar e automatizar processos, posteriormente aferir e analisar os resultados e por fim, sustentada em máquinas e processos inteligentes iniciar a etapa de expansão para um “full automation”.
Reimer finaliza com a reflexão e orgulho por ter passado por essas etapas na carreira “Quem assistiu ao filme Terminator 1 pode lembrar que a Skynet passa a ser controlada por robôs que aprendem e são autossuficientes. Machine Learning, pode ter nascido ou se inspirado um pouco neste conceito. A ideia é com o que temos em mãos, podemos adaptar e aprender continuamente e estruturar a comunidade e a raça humana com o que a tecnologia pode nos dar de melhor”.
Website: http://www.dino.com.br
