Em 1916, a Minnesota Mining and Manufacturing Company (ou 3M), abriu seu primeiro laboratório de pesquisa, um espaço do tamanho de um armário em sua fábrica de lixas em St. Paul. Uma série de incidentes nos primeiros 14 anos de existência da empresa (um deles envolvendo um carregamento de lixas danificado em trânsito por uma caixa de azeite derramada, revelando a baixa qualidade do papel) inspirou o então gerente geral, William McKnight, a criar um espaço para testar produtos com o objetivo de melhorar o controle de qualidade.
À medida que a influência de McKnight crescia (ele se tornaria presidente do conselho da 3M em 1949), o mesmo aconteceu com o fervor pela qualidade. Ao longo dos anos na 3M, cientistas empreendedores transformaram tudo, desde ideias malucas e incidentes, como o envio das lixas, e até mesmo experimentos fracassados, em produtos que agora são básicos para uso doméstico, como a fita adesiva e as notas autoadesivas.
Cortesia da Wired
A qualidade continua sendo uma faceta intrínseca da cultura da 3M. Estimulada pelo sucesso no laboratório, a 3M expandiu significativamente suas instalações de pesquisa. Quase seis por cento da receita da empresa agora são canalizados para projetos de pesquisa e desenvolvimento. Em St. Paul, onde cerca de 12.000 funcionários se reúnem para criar e lançar novos produtos e melhorar os antigos, milhares de pesquisadores e cientistas nos laboratórios corporativos estão se esforçando para aumentar o pipeline de inovação.
Um dos temas mais importantes no campus da 3M é o machine learning. Usando o machine learning na Amazon Web Services (AWS), a 3M está aprimorando produtos testados e comprovados, como lixas, e impulsionando a inovação em novos campos, como o da saúde. Talvez como prova da eficácia dos programas, os produtos com menos de cinco anos de idade contribuem consistentemente para cerca de 30% da receita da empresa. Todos os anos, a 3M lança cerca de 1.000 novos produtos.
“Não há muitas empresas capazes de combinar o que temos como uma rica base de materiais com a capacidade digital de realmente criar algo novo”, disse Hung Brown Ton, arquiteto-chefe do Corporate Research Systems Lab, em St. Paul. “É isso que é empolgante para nós: aproveitar esses novos recursos da nuvem, como o machine learning.”
Revisão de um produto de 100 anos de idade com o machine learning
Desde que superou os inúmeros obstáculos com a fabricação de lixas nos primeiros anos da empresa, a 3M continuou a melhorar a capacidade abrasiva de seu produto de longa data. Porém, até a recente introdução de técnicas de machine learning no fluxo de trabalho de desenvolvimento de produtos, o processo era extremamente demorado.
O grão de areia ideal (que na verdade é um material sintético chamado de Cubitron) é aquele que apresenta a melhor capacidade de corte e a mais longa durabilidade. Tradicionalmente, para chegar a esse ideal, um técnico da 3M inspecionava uma análise computadorizada de cada folha de papel para avaliar o número de grãos na folha. Em seguida, o técnico testava cada amostra em uma superfície rugosa para medir sua eficácia e tentar correlacionar essa eficácia com a porcentagem de grãos.
“Isso envolve um longo processo de desenvolvimento, que demora semanas”, disse Brown Ton, enquanto ele e sua equipe colaboram com cientistas pesquisadores que estão desenvolvendo as novas amostras e produtos abrasivos (incluindo o produto ainda coloquialmente chamado de lixa).
Com o machine learning na AWS, que as equipes de Brown Ton começaram a implementar há pouco menos de um ano, o processo agora é muito mais rápido e preciso. Atualmente, a equipe da 3M está testando modelos que usam o treinamento tradicional de imagens e também está aproveitando as redes neurais no SageMaker da Amazon. Embora o técnico ainda teste as amostras, os modelos tornam as análises das imagens significativamente mais rápidas, ajudando a filtrar as melhores opções. Esses modelos de machine learning permitem que os pesquisadores analisem como pequenas mudanças na forma, no tamanho e na orientação podem melhorar a abrasividade e a durabilidade. Por sua vez, essas sugestões dão forma ao processo de fabricação.
Considerando a quantidade de dados gerados por essas varreduras e testes (cerca de 750 GB por folha do tamanho de uma palma da mão), a equipe estava inicialmente sobrecarregando os laptops de engenharia que haviam sido comprados para serviços pesados para executar as análises. “Portanto, fazia todo o sentido mover esse recurso para a nuvem”, disse Brown Ton, “porque estávamos sendo imensamente prejudicados pelo poder de computação de qualquer laptop ou desktop convencional que pudéssemos comprar. O processo hoje na AWS é muito mais eficiente, e é um grande prazer dedicar nosso tempo entendendo os materiais abrasivos em vez de aguardar a coleta de dados e a conclusão de testes.”
Conversão de resmas de texto não estruturado em códigos faturáveis
Embora a lixa seja um produto básico da 3M, à medida que a empresa de fabricação cresceu, ela se expandiu para novas áreas, incluindo a de saúde. A 3M fundou sua subsidiária Health Information Systems (HIS) em 1983, não muito depois que o primeiro grande sistema de prontuário médico eletrônico foi desenvolvido. Hoje, 96% dos hospitais usam prontuários médicos eletrônicos, em comparação com apenas uma parcela mínima há dez anos. Com todos esses dados, a HIS viu uma oportunidade de construir algo novo: um conjunto de produtos de codificação médica com a tecnologia do machine learning.
Para cobrar os provedores de seguros por seus serviços, um provedor de serviços de saúde precisa converter prontuários médicos eletrônicos em códigos de faturamento apropriados. Erros no processo são comuns e podem resultar em pagamentos atrasados ou faturamento excessivo, o que consiste em fraude. Nos EUA, a maioria dos hospitais está administrando isso com a ajuda das ferramentas de processamento de linguagem natural (PNL) da HIS, que operam com a tecnologia do machine learning na AWS.
David Frazee, diretor do laboratório de pesquisa e veterano de 14 anos da 3M, era CTO da HIS. Ele disse que o processo tradicional de determinar códigos de faturamento exigia que profissionais conhecidos como codificadores revisassem cada registro e, com base no conhecimento e na experiência, escolhessem o código certo entre uma das literalmente 141.000 opções. “Três semanas depois, o mesmo codificador poderia receber exatamente os mesmos registros e determinar um código diferente”, disse Frazee.
Desde abril de 2016, a HIS combina essa experiência humana imperfeita com modelos de machine learning para reduzir o erro no processo. Como grande parte de um prontuário médico eletrônico não é estruturada (nas palavras de Frazee, qualquer coisa além do rabisco de um médico em um guardanapo provavelmente se qualifica como um registro), a simples capacidade de fazer com que os modelos entendam o que um prontuário significa já é uma façanha.
Para isso, os linguistas ensinam o modelo de PNL a analisar registros confusos, por exemplo, para saber que um nota médica descrevendo uma parte do corpo como “fria” não significa que o paciente está resfriado. Os programadores aprovam (ou não) a decisão do modelo. Sua avaliação é retornada ao modelo, para que ele possa melhorar na próxima rodada. O modelo, que processa um número impressionante de três milhões de documentos todos os dias, está aprendendo rapidamente e, em muitos procedimentos, seleciona o código certo cerca de 98% do tempo. O modelo propriamente dito é executado em instâncias do Amazon EC2 e S3 de alta potência.
Tanto Frazee quanto Brown Ton veem o machine learning na AWS se proliferando por toda a empresa nos próximos anos.
“O projeto de pesquisa e desenvolvimento envolvendo abrasivos é, na minha opinião, uma ótima representação do futuro da coalizão entre a ciência de dados e a ciência de materiais da 3M”, diz Frazee. “Somos uma das melhores empresas de fabricação de materiais do mundo, mas não tiramos proveito do fato de termos muitos dados sobre nossos materiais.”
“E, pensando nos dados que estão sendo agregados na nuvem, coletados via IoT, processados por meio do machine learning (aproveitando ao mesmo tempo os recursos de modelagem e simulação e a capacidade de visualizar grandes quantidades de dados), tudo isso se reúne a nosso favor”, acrescenta Brown Ton. “Continuar a aproveitar esses novos recursos de nuvem em rápida evolução é realmente empolgante para nós e nossos clientes.”