Desenvolvida durante o doutorado de Fernanda Carneiro, proposta foi avaliada em três estudos de caso com aplicações voltadas à indústria
Integrar dados, ferramentas de inteligência artificial e decisões de produção ainda é um desafio para a indústria. Para enfrentar esse problema, a pesquisadora Fernanda Pereira Guidotti Carneiro em sua tese desenvolvida no Instituto de Ciências Matemáticas e de Computação ICMC da USP, em São Carlos, propõe uma arquitetura computacional, ou seja, uma estrutura que define como diferentes componentes de um sistema se organizam e trocam informações. A proposta conecta dados das fábricas e modelos computacionais aos processos de decisão durante a produção, permitindo identificar situações que exigem ajustes ou intervenções humanas.
Intitulada Arquitetura 6C: Um Framework para Inteligência Artificial na Indústria, a tese foi defendida em 3 de dezembro de 2025 no Programa de Pós-Graduação em Ciências de Computação e Matemática Computacional (PPG-CCMC).
Segundo Fernanda, a pesquisa busca enfrentar um dos desafios da transformação digital, ou seja, embora as empresas disponham de grandes volumes de dados e de ferramentas de IA, esses recursos nem sempre estão conectados entre si ou integrados às decisões da rotina industrial. “O desafio está em reunir esses dados, transformá-los em informações úteis e garantir que os modelos de inteligência artificial continuem funcionando adequadamente ao longo do tempo. Faltava como se fosse a cola que os unia, porque era tudo muito isolado”, explica a pesquisadora.
A Arquitetura 6C é composta por seis camadas: Conexão, Conversão, Ciberfísica, Cognição, Configuração e Consciência. Ela funciona como um modelo de referência para organizar a integração entre sistemas, dados e ferramentas de inteligência artificial utilizados na indústria. Em vez de um programa instalado diretamente em um computador, ela estabelece como essas tecnologias devem se comunicar e trabalhar em conjunto. Sua aplicação depende da implementação de componentes de software adaptados à estrutura tecnológica de cada empresa. Em conjunto, as camadas organizam etapas como a coleta e o tratamento dos dados, a representação digital de processos físicos, a aplicação de algoritmos de IA e o apoio às decisões operacionais.
De acordo com Fernanda, o principal diferencial está na camada denominada Consciência, responsável por acompanhar o funcionamento das demais etapas e reunir informações sobre o comportamento do sistema.
Como funciona?
Na prática, essa estrutura ajuda a identificar por que um sistema deixou de apresentar previsões confiáveis. A causa pode estar no algoritmo, na coleta dos dados ou em mudanças nas condições de funcionamento da fábrica, como variações sazonais. Ao relacionar essas informações, a arquitetura oferece elementos para decidir quando atualizar os modelos, realizar ajustes ou solicitar a intervenção de um profissional. “Eu consigo saber tudo o que acontece nas outras camadas”, afirma Fernanda.
A pesquisa também resultou no desenvolvimento da plataforma Visionary Industrial Technology Architecture (VITA), criada para colocar os conceitos da Arquitetura 6C em funcionamento. Organizada de forma modular, ela permite integrar diferentes ferramentas e adaptar a solução às necessidades e à infraestrutura de cada empresa, sem exigir a utilização de todas as camadas em qualquer aplicação.
Da previsão de falhas ao planejamento da produção
A Arquitetura 6C foi avaliada em três estudos de caso relacionados à manutenção de equipamentos, à previsão de demanda e ao planejamento da produção. As aplicações permitiram investigar seu funcionamento em diferentes contextos, combinando dados de ambientes industriais reais e testes computacionais.
O primeiro estudo envolveu uma multinacional do setor de óleo vegetal, em um projeto de manutenção preditiva desenvolvido em parceria com o Serviço Nacional de Aprendizagem Industrial (SENAI). A partir de informações coletadas dos equipamentos, foram utilizados modelos de inteligência artificial para identificar sinais de possíveis falhas e apoiar decisões sobre a necessidade de manutenção.
Diferentemente da manutenção preventiva, realizada em intervalos programados, mesmo quando as máquinas não apresentam problemas, a manutenção preditiva considera as condições de funcionamento dos equipamentos para antecipar falhas. Com isso, a tecnologia pode contribuir para evitar intervenções desnecessárias e reduzir o risco de interrupções inesperadas.
Fernanda explica que o sistema também permitia a participação dos operadores na avaliação dos alertas emitidos. “Se desse algum problema na máquina, piscava uma luz onde estava a peça com problema. O operador dava um feedback e depois tomava uma decisão”, relata.
De acordo com a pesquisadora, o retorno dos profissionais foi importante para verificar as previsões e fornecer informações que pudessem orientar ajustes no sistema.
Nos experimentos apresentados no artigo científico Six-Layer Industrial Architecture Applied to Predictive Maintenance, o modelo identificou 14 das 17 falhas registradas, o equivalente a 82,4%, sem gerar alertas falsos nas situações analisadas. O desempenho também foi avaliado pelo F1-score de 90,3%, indicador que considera tanto a capacidade de identificar falhas quanto a confiabilidade dos alertas, e pela AUC de 91,2%, que mede a capacidade de distinguir situações com e sem falhas. A pesquisadora também realizou testes com alterações nos dados e situações que exigiam a confirmação de alertas por operadores, verificando como essas informações poderiam ser incorporadas ao sistema para orientar decisões posteriores.
O segundo estudo surgiu de um desafio apresentado, em 2024, por uma multinacional do setor automotivo. A dificuldade estava nas alterações frequentes dos pedidos feitos pelos clientes, que comprometiam as previsões de demanda e o planejamento da produção.
Nesse setor, as empresas precisam decidir com antecedência a quantidade de peças que deverão produzir. No entanto, os volumes inicialmente solicitados pelos clientes podem mudar até a entrega, provocando desequilíbrios entre produção, estoques e demanda. “Esse fenômeno, conhecido como efeito chicote, torna o planejamento mais complexo e pode gerar desperdício de recursos”, explica.
Neste estudo, a arquitetura integrou dados históricos da empresa, informações sobre a produção e variáveis econômicas, como inflação e taxa de juros, a diferentes modelos de previsão. O estudo envolveu informações de quatro clientes e nove peças, permitindo avaliar o comportamento dos modelos em diferentes cenários.
Em um recorte da análise, referente a uma peça e a dois períodos de previsão, um dos modelos de IA avaliados registrou erro percentual médio de 5,26%, enquanto as previsões fornecidas pelo cliente apresentaram erro de 21,01% e as elaboradas pela própria indústria, de 28,14%. Quanto menor esse indicador, mais próxima a estimativa ficou da demanda efetivamente observada. “Os números demonstram a melhoria na capacidade de previsão naquele cenário específico, mas não representam uma redução equivalente de custos ou estoques”, comenta.
A solução também passou a contar com uma interface visual, permitindo que profissionais da empresa consultassem previsões, comparassem resultados e analisassem indicadores. Segundo a pesquisadora, a plataforma entrou em operação assistida em setembro de 2025, em um servidor corporativo, possibilitando que analistas testassem suas funcionalidades com dados empresariais. O período de utilização acompanhado na tese foi considerado insuficiente para avaliar resultados de longo prazo.
O terceiro estudo, denominado SmartProd, explorou a aplicação da Arquitetura 6C ao planejamento e controle da produção. Nesse caso, Fernanda trabalhou com uma solução já existente, desenvolvida por uma startup brasileira, integrando seus recursos de otimização matemática, simulação e inteligência artificial generativa à estrutura proposta no doutorado.
A pesquisadora explica que o objetivo era demonstrar que a arquitetura também poderia ser utilizada para organizar ferramentas já desenvolvidas, sem a necessidade de reconstruí-las desde o início. “Foi comprovado que teve o mesmo desempenho da solução, com a diferença de que agora está tudo junto na mesma arquitetura”, afirma.
O sistema permite, por exemplo, que um gestor solicite, em linguagem natural, uma revisão do planejamento produtivo. A ferramenta interpreta o pedido, analisa informações sobre máquinas, recursos disponíveis e prazos, calcula alternativas e apresenta recomendações acompanhadas de explicações e indicadores.
O case foi apresentado no Encontro Nacional de Engenharia de Produção (ENEGEP) de 2026, mostrando que o plano otimizado reduziu em 57% o tempo previsto de preparação das máquinas, de 92,8 para 40,3 horas, e eliminou os atrasos previstos em três ordens de produção. A duração total prevista para concluir as ordens também caiu de 19,6 para 18 dias, uma redução de aproximadamente 8%, enquanto o tempo médio de espera diminuiu 12%.
Entretanto, diferentemente dos dois primeiros estudos, o SmartProd foi avaliado como um demonstrador conceitual, sem estar vinculado, na tese, à operação de uma fábrica específica. Portanto, os percentuais apresentados se referem à comparação entre cenários de planejamento, e não a economias efetivamente registradas por uma indústria.
Em conjunto, os estudos mostraram que a Arquitetura 6C pode ser aplicada a diferentes necessidades e níveis de desenvolvimento tecnológico, inclusive para organizar soluções já existentes. “Embora os resultados indiquem oportunidades de economia de tempo, prevenção de falhas e melhor utilização de recursos, a pesquisa não apresenta uma quantificação financeira consolidada desses benefícios nas empresas”, explica.
Dos primeiros passos na tecnologia à formação de novos profissionais
A conclusão do doutorado também representa uma conquista na trajetória de Fernanda, que iniciou sua vida profissional como recepcionista em uma empresa de desenvolvimento de sistemas. Foi nesse ambiente que surgiu a oportunidade de participar de um curso de programação, despertando seu interesse pela área de tecnologia. A experiência a levou a ingressar na Faculdade de Tecnologia (Fatec) de Taquaritinga e, posteriormente, a seguir carreira acadêmica.
O percurso, no entanto, foi marcado por dificuldades financeiras, desafios pessoais e situações de preconceito em um setor majoritariamente ocupado por homens.
No ICMC, realizou o mestrado e, posteriormente, o doutorado, sob orientação do professor Cláudio Fabiano Motta Toledo e coorientação do professor Albeiro Espinosa Bedoya, da Colômbia. Ao longo da formação, também desenvolveu atividades acadêmicas no exterior e atuou em projetos de pesquisa e inovação industrial.
Atualmente, Fernanda é professora da Fatec Catanduva, onde leciona no curso de Ciência de Dados para o Agronegócio. Em sala de aula, procura aproximar os estudantes de problemas encontrados nas empresas e compartilhar conhecimentos adquiridos durante a pós-graduação, especialmente nas áreas de metodologia, engenharia e arquitetura de dados. “Se não fosse o doutorado, eu não teria maturidade para poder atuar no ensino”, avalia. Para ela, a experiência acadêmica contribuiu tanto para aprofundar os conhecimentos técnicos quanto para desenvolver formas de ensinar e orientar os estudantes. “É um sonho que se torna realidade”, afirma.
A presença crescente da inteligência artificial na educação também trouxe novos desafios. “Hoje a inteligência artificial está tão disseminada, inclusive nas salas de aula, que eu vejo uma insegurança dos alunos em responder qualquer coisa. Às vezes, eles sabem, mas vão procurar como a IA responderia”, observa. Por isso, procura incentivar o uso dessas tecnologias como apoio à aprendizagem, sem substituir o raciocínio e a autonomia dos alunos.
Fernanda também participa da monitoria e da organização de materiais do curso de extensão Inteligência Artificial, Otimização e Internet das Coisas para Indústrias e Negócios: do Zero ao MLOps (OpAIoT), coordenado pelos professores Cláudio Fabiano Motta Toledo e Júlio Cezar Estrella, ambos do ICMC. A formação busca aproximar profissionais de ferramentas utilizadas em aplicações de inteligência artificial, desde o tratamento dos dados até a implantação e o acompanhamento dos modelos. (Texto: Mariana Lemes, da Fontes Comunicação Científica)
