Aplicação de técnicas de aprendizado de máquina para classificar potenciais quebras na linha de produção de lentes oftalmológicas

• Autor(a) principal: Souza, Douglas Pires de
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/25229
• topic: Inteligência artificial; Aprendizado de máquina; Classificação preditiva; Melhoria contínua; Tecnologia da informação; Inteligência artificial; Aprendizado de máquina; Tecnologia da informação; Artificial intelligence; Machine learning; Predictive classification; Continuous improvement; Quality; Information technology

Com o advento da globalização, houve o processo de intensificação dos mercados que por sua vez acarretou um maior nível de competição entre as instituições. Nesse contexto, as empresas procuram otimizar seus processos produtivos para mantê-las dentro de um ambiente altamente competitivo, como a redução de quebras que, por sua vez, acabam sendo associadas a diversas variáveis pertinentes à produção. Em paralelo aos acontecimentos citados, o desenvolvimento de novas tecnologias associadas à área de tecnologia da informação vem passando por diversos avanços tanto em questões de capacidade de processamento quanto na solução de problemas complexos. Dentre esses avanços, a temática de aprendizado de máquina oriundo de uma ramificação da inteligência artificial vem ganhando destaque devido aos seus bons resultados em encontrar relações complexas entre variáveis. Nesse ambiente, a premissa de investir em inovação se faz presente, abrindo espaço para aprendizado de máquina ser empregada com o intuito de encontrar padrões e relações antes ocultos aos olhos humanos. Neste trabalho, técnicas de aprendizado de máquina são aplicados ao problema de predição de quebra de produtos em uma linha de produção para fabricação de lentes oftalmológicas. O melhor modelo preditivo obtido após a realização dos experimentos alcançou uma acurácia 92,02%