Notícias

Como a IA pode transformar a indústria dos produtos do mar

Como a IA pode transformar a indústria dos produtos do mar

Índice

A indústria dos produtos do mar é extremamente imprevisível. O tempo, as temperaturas do mar, os níveis das unidades populacionais de peixe, os padrões de migração, as alterações climáticas - todos estes factores têm impacto nas operações de pesca, desencadeando excedentes e escassez de oferta. A qualidade também é imprevisível, dependendo frequentemente de factores ambientais, métodos de captura, sazonalidade, manuseamento no mar, cadeia de frio, etc. A aquacultura também regista uma variabilidade natural. Condições ambientais incontroláveis - tais como problemas de qualidade da água causados pelo clima ou pela poluição e surtos de doenças - afectam a produção e a qualidade das explorações de peixe e camarão. Em suma, é um negócio arriscado.

Por estas razões, a inteligência artificial (IA) - descrita como "máquinas de previsão" - promete tornar a indústria dos produtos do mar mais previsível e, por conseguinte, mais rentável.

"A previsão é o processo de preencher a informação em falta", escrevem os autores de Prediction Machines: The Simple Economics of Artificial Intelligence. A previsão pega na informação que temos, muitas vezes chamada "dados", e utiliza-a para gerar informação que não temos. Para além de gerar informação sobre o futuro, a previsão pode gerar informação sobre o presente e o passado. Isto acontece quando a previsão classifica as transacções com cartões de crédito como fraudulentas, um tumor numa imagem como maligno ou se uma pessoa que segura um iPhone é o seu proprietário."1

Os autores - todos professores de gestão da Universidade de Toronto - argumentam que a IA nos permite fazer previsões melhores, mais rápidas e mais baratas. Isso, em suma, está a impulsionar os lucros e a adoção da IA em todos os sectores: incluindo o dos mariscos.

Neste artigo, apresento aos leitores, em primeiro lugar, uma panorâmica dos diferentes tipos de IA, do seu funcionamento e das suas aplicações. Em segundo lugar, analiso a forma como a IA está atualmente a ser utilizada nas cadeias de abastecimento de produtos do mar, com base num inquérito a cerca de 365 aplicações de software. Em terceiro lugar, exploro a forma como a IA pode ser utilizada na transformação de produtos do mar, um sector que está atualmente a ser mal servido pela IA. Também partilharei a investigação de ponta que nós (ThisFish Inc.) estamos atualmente a fazer para trazer a IA para o sector da transformação. Por fim, concluirei com algumas ideias sobre como as empresas de produtos do mar podem começar a preparar-se para a revolução da IA, garantindo que não serão deixadas para trás.

O que é a IA e como funciona

A inteligência artificial é frequentemente referida como a Quarta Revolução Industrial. A revolução original foi impulsionada pela energia a vapor e pela mecanização na década de 1780; a segunda centrou-se na eletrificação e na produção em massa na década de 1870; e a terceira começou em 1969 com a eletrónica computorizada. A IA está agora no centro da quarta revolução industrial, frequentemente designada por Indústria 4.0. Muitas das novas tecnologias, como a computação em nuvem, a Internet das Coisas (IoT), os sensores inteligentes e os chips de computador, estão a permitir a IA através de avanços na recolha de dados, no armazenamento de dados e na capacidade de computação. A própria IA está também a permitir muitas novas tecnologias, como os robôs autónomos, os automóveis autónomos, a realidade aumentada e a computação cognitiva.

O que é exatamente a IA? Na sua essência, a IA consiste em simular a inteligência humana em máquinas e insere-se no domínio geral da ciência dos dados. A aprendizagem automática é um subconjunto da IA em que as máquinas tomam decisões sem serem programadas. Basicamente, treinamos máquinas utilizando dados. Em geral, mais dados e dados de melhor qualidade tornam a IA mais inteligente. É possível "supervisionar" a aprendizagem da IA etiquetando os dados, o que significa que a entrada vem com uma etiqueta de saída correspondente. Por exemplo, pode rotular uma imagem de um peixe (a entrada) com a sua espécie correcta (a saída). A aprendizagem não supervisionada envolve um algoritmo que tenta descobrir padrões ocultos nos dados, como a deteção de anomalias ou erros. A Food and Drug Administration (FDA) dos EUA, por exemplo, está a utilizar a IA para detetar padrões nos dados de importação de produtos do mar para identificar possíveis ilegalidades. Um terceiro tipo de aprendizagem é a "reforçada", que ocorre quando a IA interage com o seu ambiente, recebendo feedback positivo ou negativo. Um exemplo comum de aprendizagem reforçada são os chatbots de apoio ao cliente que pedem para classificar as suas respostas.

Um subconjunto da aprendizagem automática é designado por "aprendizagem profunda", que utiliza redes neuronais inspiradas na estrutura e função do cérebro humano. Esta tecnologia é frequentemente utilizada para descobrir padrões ocultos em conjuntos de dados extremamente grandes, complexos ou multidimensionais. As tecnologias mais comuns incluem a visão por computador e o processamento de linguagem natural.

A visão por computador é um domínio da IA que permite às máquinas interpretar e tomar decisões com base em dados visuais do mundo. A cada pixel de uma imagem é atribuído um número e, em seguida, os algoritmos encontram padrões que, por exemplo, diferenciam um atum albacora de um atum patudo numa imagem. Os computadores podem classificar uma imagem, detetar um objeto, segmentar uma imagem em componentes e reconhecer rostos. As tecnologias de visão por computador utilizam um tipo de rede neural para atingir uma elevada precisão.

A tecnologia final é a IA generativa, como o popular ChatGPT ou o DALL-E para gerar imagens. Esta tecnologia também utiliza redes neuronais para aprender padrões a partir de grandes conjuntos de dados de imagens ou textos para gerar novos conteúdos. Os modelos linguísticos de grande dimensão são treinados em milhões de páginas de texto, o que lhes confere um carácter humano.

Como é que toda esta tecnologia de IA pode ser aplicada ao sector dos produtos do mar? Uma ferramenta útil é a chamada P.A.C Framework, desenvolvida pelo empresário e especialista em IA Rob May. P.A.C. significa Predict (Prever), Automatic (Automático) e Classify (Classificar), que são as principais funções da IA. May sugere a criação de uma tabela simples para ver como a IA se pode aplicar ao seu negócio. "Para criar a sua primeira grelha, faça três colunas, uma para Prever, outra para Automatizar e outra para Classificar. Depois, nas linhas, liste as áreas-chave do seu negócio. Por exemplo, pode listar: Clientes, Produto e Operações. Depois, em cada caixa, pode descobrir como essa abordagem específica de I.A. se pode aplicar a essa área do seu negócio", escreve May.

Criei uma grelha (Quadro 1) que analisa diferentes sectores da cadeia de valor dos produtos do mar, incluindo a pesca, a agricultura, o planeamento, a produção e o controlo de qualidade. Embora não se trate de uma lista exaustiva, pretende-se que seja um brainstorming sobre a forma como a IA se pode aplicar ao seu negócio. Como veremos na próxima secção, a IA está agora a ser amplamente adoptada no sector dos produtos do mar.

Quadro 1: Quadro P.A.C., adaptado ao sector dos produtos do mar

O crescimento explosivo da IA no sector dos produtos do mar

A IA está agora em todo o lado na nossa vida quotidiana: nos nossos smartphones, assistentes virtuais, carros, recomendações de música, entregas de comida, reconhecimento facial, etc. Este crescimento foi impulsionado por três factores. Em primeiro lugar, o volume de dados digitais aumentou cerca de 30 vezes nos últimos 10 anos. A IA precisa de dados para aprender, pelo que o crescimento das tecnologias digitais - especialmente a computação em nuvem e os smartphones - está a gerar os dados para treinar a IA. Em segundo lugar, os algoritmos de IA tornaram-se mais poderosos. Por exemplo, o ImageNet foi um desafio de reconhecimento visual em grande escala realizado uma vez por ano durante a última década. Em 2015, o melhor sistema de IA superou o desempenho humano pela primeira vez. Atualmente, a IA consegue reconhecer fotografias com maior precisão do que os humanos. E, em terceiro lugar, os chips de computador estão a tornar-se mais potentes e mais baratos. São essenciais para processar grandes quantidades de dados com algoritmos mais complexos.

Quanto aos produtos do mar, identifiquei uma "metatendência" que ajuda a explicar por que razão a IA está a ser amplamente adoptada na indústria. Chamo-lhe o Índice Fish n' Chips. Desde 1990, o índice de preços do peixe da FAO aumentou 60%, enquanto o preço dos semicondutores ou chips de computador diminuiu mais de 50%. Atualmente, cerca de um terço do software - mais de 120 aplicações - utilizado na indústria dos produtos do mar emprega IA.

De facto, analisei mais de 365 aplicações de software utilizadas na indústria dos produtos do mar e publiquei-as num diretório online no sítio Web da ThisFish2. Tem havido uma explosão de novas startups tecnológicas ao serviço do sector dos produtos do mar, que atingiu o seu pico em 2018-2019. No entanto, a IA está a ser aplicada de forma desigual na indústria dos produtos do mar.

Estão a ser utilizadas cerca de 100 aplicações de software na pesca de captura selvagem e mais 100 na aquicultura. Quase 70% da tecnologia de aquacultura utiliza IA, em comparação com apenas 20% nas pescas. A razão para esta divergência é dupla: incentivos e regulamentação. Na aquacultura, a IA está a reduzir dois dos maiores custos da indústria: a otimização da alimentação e a redução da mortalidade. Os agricultores estão motivados para adotar a IA porque faz sentido para o negócio. Nas pescas, a maior parte da tecnologia está a ser impulsionada não pela dinâmica do mercado, mas pelo cumprimento da regulamentação para controlar melhor as capturas. Os pescadores têm relutância em adotar tecnologias que aumentem a vigilância, com exceção, talvez, da melhoria da segurança no mar. Uma parte significativa da IA nas pescas está centrada na utilização da visão por computador para automatizar a revisão de vídeo dos sistemas de monitorização eletrónica a bordo dos navios de pesca.

É provável que esta diferença na adoção da IA venha a aumentar. De acordo com Crunchbase, as empresas de tecnologia de aquicultura levantaram cerca de US $ 632 milhões em investimentos, em comparação com apenas US $ 19 milhões por empresas de tecnologia de pesca. Na verdade, Crunchbase relatou que só em 2022, 45 startups de aquicultura arrecadaram US $ 292 milhões.

Casos de utilização da IA para a transformação de produtos do mar

O sector da transformação de produtos do mar ficou para trás tanto na transformação digital como na adoção da IA. A manutenção de registos em papel é o método predominante de recolha de dados, causando inúmeros problemas, como erros humanos, ausência de análises em tempo real, relatórios lentos e fraca rastreabilidade. Existem 29 produtos de software destinados a este sector e, no entanto, apenas quatro possuem capacidades de IA. No que respeita aos testes e verificação da qualidade, existem 13 produtos de software para o sector dos produtos do mar. Mais de 50% utilizam IA, incluindo visão por computador, testes de ADN e quimiometria.

Apesar dos baixos níveis de digitalização e adoção de IA, os transformadores de produtos do mar são nós críticos nas cadeias de abastecimento, agregando a oferta, mantendo a segurança alimentar e permitindo o comércio global. As estimativas sugerem que cerca de 23 000 empresas estão envolvidas na transformação de produtos do mar a nível mundial. Representam um ponto de estrangulamento entre os milhões de produtores primários e os milhares de milhões de consumidores.

Apesar da sua importância comercial crítica, o sector da transformação sofre de baixa rentabilidade. O Planet Tracker analisou 89 empresas de transformação de produtos do mar cotadas na bolsa para determinar que a sua margem de lucro antes de juros e impostos (EBIT) era, em média, de apenas 3,4 por cento.3 A inteligência artificial pode melhorar potencialmente estas margens através da automatização e da otimização, cumprindo simultaneamente os objectivos de sustentabilidade.

Com base no nosso trabalho de digitalização de fábricas de transformação de produtos do mar, a ThisFish Inc. estima que uma fábrica de conservas de atum média, que processa 100 toneladas métricas de matéria-prima por dia, gera mais de quatro gigabytes de dados digitais por ano, o que equivale a cerca de 2,7 milhões de páginas de texto. Os processadores de atum e salmão frescos congelados geram cerca de um gigabyte de dados ou 680 000 páginas. Este enorme volume de dados pode revelar-se valioso para o sector da transformação de produtos do mar. Os dados históricos podem ser utilizados para treinar algoritmos de aprendizagem automática para prever a qualidade e os resultados da produção. Na próxima secção, partilharei algumas das investigações inovadoras em matéria de IA que realizámos ao longo dos anos.

Aprendizagem da máquina

Em 2021, os cientistas de dados da ThisFish Inc. desenvolveram uma prova de conceito para prever os rendimentos numa fábrica de conservas de atum na Tailândia. Os dados utilizados para análise foram provenientes de aproximadamente 22 meses de produção de skipjack, albacora e atum albacora. Os dados consistiam em 8 818 pontos de dados únicos para os quais foram calculados os rendimentos. Uma única unidade de matéria-prima para a qual foram calculados os rendimentos era um lote de produção. O rendimento foi calculado da seguinte forma:

Dividimos as variáveis em duas categorias: variáveis de matéria-prima e variáveis de processo. As variáveis de matéria-prima são aquelas que são propriedades inerentes, como a espécie de peixe, o tamanho do peixe, o método de colheita, etc. As variáveis do processo são as que são recolhidas como parte do processo de enlatamento, tais como a duração do armazenamento a frio, o tempo de descongelação, as temperaturas de descongelação, o tempo de cozedura, as temperaturas de cozedura, etc. Estudámos o impacto destas variáveis e tentámos determinar as formas como estas variáveis podem ser ajustadas para aumentar potencialmente os rendimentos.

Em resumo, as principais variáveis que influenciaram os rendimentos foram o tamanho do peixe, a espécie do peixe, o tempo de armazenamento em frio, a temperatura de cozedura e o tempo de cozedura. No entanto, a descoberta mais interessante foi o impacto da duração do armazenamento a frio nos rendimentos, que afectou as recuperações até três por cento. Cerca de 85% da variação dos rendimentos foi explicada pelas variáveis do modelo e o IA teve um nível de confiança de 95%. Uma vez que a matéria-prima é o maior custo de produção, um modelo de previsão de rendimento poderia ajudar uma fábrica de conservas a prever as margens brutas na produção.

Outro projeto de aprendizagem automática incidiu sobre o peso drenado nas conservas de atum. O peso drenado é declarado nas latas e representa a quantidade mínima de peso de carne que permanece numa lata depois de o seu meio líquido - normalmente óleo, salmoura ou água de nascente - ser drenado. É difícil prever o peso escorrido porque o atum na lata absorve algum do líquido, conhecido como "pick-up". Muitas variáveis podem afetar a quantidade de "pick-up", incluindo a espécie, o tipo de líquido, a qualidade da carne, a densidade da embalagem, o tamanho da lata, o rácio flocos/pedaços e outros. A maioria das fábricas de conservas desenvolveu tabelas de peso escorrido que ajudam os gestores de produção a determinar o peso de enchimento das latas. No entanto, estas tabelas são simplistas, com apenas algumas variáveis. Não consideram todas as variáveis relevantes e a forma como estas variáveis interagem entre si. Como resultado, as fábricas de conservas são frequentemente surpreendidas quando os resultados do laboratório de peso drenado chegam.

Além disso, existem limites regulamentares sobre o número de latas que podem ser enchidas a menos, o que se designa por erro negativo tolerável. Por exemplo, o limite para um peso escorrido de 102 gramas significa que não pode haver mais de 2,5 por cento de latas com enchimento insuficiente em 4,5 gramas e há tolerância zero para enchimento insuficiente extremo de mais de 9 gramas. Uma vez que o processo é imprevisível, as fábricas de conservas enchem propositadamente latas com uma média de 3 a 6 gramas a mais para garantir que não violam as regras de enchimento insuficiente.

Em 2023 e 2024, a ThisFish Inc. trabalhou com duas fábricas de conservas de atum em Manta, Equador, para desenvolver um modelo de previsão do peso drenado. Recebemos mais de 100 000 amostras de peso drenado e variáveis relacionadas da Eurofish S.A. e da fábrica de conservas SEAFMAN da Tri Marine. Treinámos dois modelos de IA separados, um para cada fábrica de conservas, mantendo os dados separados devido a requisitos de confidencialidade.

Os resultados preliminares foram prometedores. Em geral, a IA reduziu o desvio padrão dos pesos escorridos, o que aponta para um maior controlo do processo. Os resultados também sugerem que podem ser poupados até três gramas por lata, dependendo do desempenho de referência da fábrica de conservas. Um grama de gaiado equivale a cerca de 500 000 dólares americanos em custos de matéria-prima por ano para uma fábrica de conservas de 100 toneladas métricas por dia. Existem 150 fábricas de conservas em todo o mundo com uma média de 100 toneladas métricas, o que significa que a IA poderia potencialmente poupar ao sector 75 a 225 milhões de dólares em custos de matéria-prima por ano. Uma vez melhorado o desempenho, o modelo de IA pode ser treinado novamente com base nos melhores dados, o que permitirá obter ainda mais poupanças e reforçar o controlo.

Visão por computador

Na indústria dos produtos do mar, há muita inspeção visual de matérias-primas, produtos semi-acabados e produtos acabados. Em geral, se os humanos conseguem ver algo, então podemos programar a IA para o ver também.

Na ThisFish Inc., desenvolvemos vários algoritmos de visão computorizada para contar e medir filetes de peixe, classificar filetes de salmão com base na escala de cores SalmoFan e detetar cinco tipos diferentes de defeitos em filetes de salmão, incluindo fendas, trincheiras, suavidade, contusões e cicatrizes de inoculação (em peixes de viveiro). Estamos também a trabalhar num algoritmo para estimar o peso de um salmão com base numa imagem. Os futuros modelos poderão também ser treinados em peixe branco ou camarão.

No sector do atum, uma empresa tecnológica japonesa desenvolveu o Tuna Scope para utilizar a visão por computador para avaliar a qualidade do atum fresco. A ThisFish Inc. também experimentou utilizar a visão por computador para estimar o nível de salinidade no skipjack congelado, um projeto de investigação que está em curso. Outras aplicações incluem a inspeção visual das costuras das latas ou a deteção de amolgadelas e outros defeitos nas latas. A maioria dos processadores de marisco também inspecciona o rótulo do produto acabado, uma tarefa que poderia ser automatizada por uma câmara inteligente.

A visão por computador pode tornar a inspeção da qualidade mais barata e melhor. Atualmente, a maior parte da inspeção da qualidade envolve inspectores humanos que recolhem amostras aleatórias para verificar a qualidade. Com a visão por computador, os custos de mão de obra são reduzidos de forma automatizada e a inspeção é contínua, em vez de ser feita por amostragem aleatória. As empresas de produtos do mar gerariam enormes volumes de dados de inspeção que poderiam ser utilizados para tomar melhores decisões e reduzir as reclamações frívolas, uma vez que as fábricas de transformação teriam enormes quantidades de dados para provar que cumpriram os requisitos dos clientes.

Conclusão

No passado, muitas empresas de produtos do mar acreditavam que era possível obter um avanço competitivo escondendo dados e não sendo transparentes sobre o seu processo de produção ou cadeia de abastecimento. Com as crescentes exigências do mercado em termos de transparência e fornecimento responsável, estas atitudes estão a tornar-se mais anacrónicas a cada dia que passa. Na Era da Informação, as vantagens competitivas duradouras serão para as empresas que descobrirem percepções e padrões ocultos nos seus dados através da inteligência artificial.

O meu conselho para as empresas que querem iniciar o seu percurso na IA é simples: digitalizar, definir prioridades e aprender. Em primeiro lugar, digitalize os seus dados. Sem dados, não haverá IA. Em segundo lugar, estabeleça prioridades, concentrando-se nas primeiras vitórias e nas reduções de custos através da automatização e das optimizações. E, em terceiro lugar, aprenda à medida que avança. Adopte uma abordagem faseada na introdução de novas tecnologias digitais.

Embora a IA possa tornar a indústria mais rentável, poderá também revelar-se valiosa para a sustentabilidade, ajudando especialmente a detetar e eliminar a fraude no sector dos produtos do mar nas cadeias de abastecimento. Uma vez que a IA requer dados limpos, abrangentes e completos para previsões exactas, haverá cada vez mais incentivos comerciais para recolher dados de qualidade sobre a proveniência e a rastreabilidade.

Andrew Ng, professor de Stanford e especialista em IA, declarou: "Não é quem tem o melhor algoritmo que ganha. É quem tem mais dados". Também se pode dizer que quem tem os melhores dados é que vai ganhar.

NOTA: Este artigo foi publicado pela primeira vez na revista InfoFish online. Clique aqui para ler o artigo.

NOTAS DE RODAPÉ

1 Ajay Agrawal, Avi Goldfarb e Joshua Gans Prediction Machines: The Simple Economics of Artificial Intelligence". Harvard Business Review Press, Boston, 2028, pp. 29-30

2 https://this.fish/software-directory

3 François Mosnier, John Willis, Matt McLuckie. Retornos rastreáveis. Planet Tracker. outubro de 2020.

Logótipo

Acompanhe as nossas pesquisas e vídeos e as últimas notícias tecnológicas e conhecimentos da indústria.

Enviamos Catch-Up pelo menos uma vez por trimestre. 🐟

*