INTRODUÇÃO À REDES NEURAIS ARTIFICIAIS CONSCIENTES DE INCERTEZA PARA DETECÇÃO DE FALHAS DE SISTEMAS

INTRODUÇÃO: O estudo das redes neurais artificiais e conscientes de incerteza para a detecção de falhas, tem grande relevância na previsão, otimização e monitoramento de processos industriais, possibilitando sua análise de dados um controle de processos extremamente eficaz, como em áreas de detecção de falhas de sistemas. A pesquisa busca compreender seu funcionamento, prática e como se utilizar redes neurais de forma para aumentar a confiabilidade, eficiência e segurança dos processos industriais, permitindo o monitoramento contínuo de equipamentos, a previsão de falhas e a otimização do desempenho das máquinas. OBJETIVOS: O objetivo inicial da pesquisa é responder à seguinte questão: como as técnicas atuais de redes neurais artificiais conscientes de incerteza podem ser aprimoradas para desenvolver sistemas de detecção de falhas mais robustos, adaptáveis e transferíveis. Para alcançar esse objetivo, foram estabelecidas metas específicas, como realizar uma revisão do estado da arte, produzir infográficos sobre detecção de falhas, inteligência artificial aplicada ao tema e redes neurais conscientes de incerteza, reunindo os principais conceitos, desafios e soluções existentes. MATERIAIS E MÉTODO: As atividades desenvolvidas incluíram a produção desses infográficos, reuniões periódicas mensais com o orientador e o início da elaboração do relatório parcial. O conteúdo analisado por meio de vídeos educativos do canal StatQuest with Josh Starmer, abordou aprendizado de máquina, regressão linear, regressão logística e fundamentos das redes neurais. Foram realizados 4 infográficos: O aprendizado de máquina, de forma simples, reconhecimento de inteligências artificiais acerca de previsões e classificações a partir de dados lhe entregue e sua análise. Como modelo de aprendizado de máquina, temos as regressões lineares, formato linear para se definir uma linha em um gráfico que seja a mais precisa em um gráfico, junto da regressão lógica, em que utilizamos um gráfico como comparador de verdadeiro ou falso, e por fim, redes neurais, consistida em conexões de dados, em que, a partir da conexão de diversos dados, obteríamos uma linha de classificação curva. Com os infográficos terminados como estratégia de aprendizagem, foi realizado uma aplicação prática em Python, a partir do Google Colab, onde criamos um algoritmo de exemplo para criar uma regressão linea, onde apartir das variáveis de “m²” e “Preço da casa”, a inteligência artificial criaria uma linha, que traçasse uma média obtida em relação aos dados. RESULTADOS: A pesquisa tinha de metas, a compreensão de pessoas leigas em volta do assunto de inteligência artificial utilizada como papel fundamental em análise para estimativas e classificações, o que facilita o controle de dados. Como método de aprendizagem, foram criados 4 infográficos e um white code exemplificar do aprendizado de máquina, que facilitam compreender de informações que parecem complexas demais para pessoas que não conhecem de todo o potencial de utilizar inteligência artificial de forma auxiliar. CONSIDERAÇÕES FINAIS: A iniciação científica em relação ao controle de dados permitiu compreender os principais conceitos relacionados à inteligência artificial, ao aprendizado de máquina e às redes neurais, além de sua aplicação na detecção de falhas em processos industriais. A produção dos infográficos e a aplicação prática em Python contribuíram para facilitar a compreensão desses temas e demonstraram como essas tecnologias podem auxiliar na análise de dados.

PALAVRAS-CHAVE: Redes neurais artificiais; Incerteza.