A nova ferramenta de desmaterialização de amostras de tecidos foi desenvolvida no âmbito do projeto Texboost e usa informação histórica e algoritmos para perceber a viabilidade de avançar para a produção de um tecido antes mesmo dos teares começarem a trabalhar.
O projeto teve como objetivos «definir uma metodologia que permita derivar automaticamente a estrutura dos repositórios do sistema integrado de dados, definir algoritmos que sejam capazes de aprender com o histórico de dados destes e que consigam prever vários parâmetros úteis ao processo de decisão no âmbito da produção têxtil, definir uma arquitetura capaz de lidar com grandes volumes de dados e suportar a tomada de decisão a nível operacional, tático e estratégico», resumiu André Pilastri, senior machine learning engineer do Centro de Computação Gráfica, na apresentação dos resultados finais do Texboost.
A ferramenta criada tem três camadas: uma de armazenamento e processamento de dados, que são provenientes de diferentes fontes, e que agrega os modelos de machine learning; uma segunda camada dedicada à interoperabilidade entre a primeira e a terceira camada; e uma última camada que contém as consultas e «uma aplicação web que permite visualizar toda a informação relacionada com as previsões, assim como consultar toda a informação associada a um tecido», explicou André Pilastri.
Apoio à decisão
O resultado é uma solução que permite, face a um pedido de um cliente e seguindo as especificações baseadas no histórico, orientar a equipa de desenvolvimento de tecidos, incluindo com previsões de testes laboratoriais em tempo real.
Para além da previsão dos resultados a nível laboratorial, a ferramenta permite também consultar no histórico «alguns tecidos com construções semelhantes para que possamos analisá-los», os defeitos registados na sua produção ou até as vendas desses tecidos semelhantes, assim como o stock de fios. «Com base em toda esta informação eu poderei decidir partir ou não para a realização do protótipo físico. Tenho aqui toda a informação que permite tomar essa decisão», afirmou Ana Cardoso.
Para a analista e programadora da Riopele, esta será «uma ferramenta muito útil», porque agrega informação que antes se encontrava dispersa e, «por outro lado, permite-nos tirar algumas conclusões antes de partirmos para a realização desse mesmo protótipo, portanto permite-nos ser mais céleres, mais assertivos e mais rápidos na resposta ao cliente, que é sempre o que nós pretendemos».
Atualmente, a solução está em funcionamento, sendo que a Riopele vai «agora partir para o abastecimento de informação histórica que ainda não temos e começar a usar em ambiente industrial», adiantou Ana Cardoso.
