Albert Einstein dizia que: “Com uma hora para salvar o mundo, eu gastaria 55 minutos definindo o problema e 5 minutos encontrando a solução.”
Felizmente, temos mais de uma hora para salvar o mundo. Agora, temos uma compreensão melhor da parte não-médica do problema em questão, então vamos olhar para o papel da TI e explorar a aplicação de análises, inteligência artificial (IA), machine learning (ML) e Internet das Coisas (IoT).
A TI tem a tarefa de reduzir custos e riscos, e sua aplicação pode levar a benefícios significativos.
1. Previsão de fornecimento
Ao criar um armazenamento de dados comum para obter visibilidade da demanda, podemos garantir que os lotes de vacinas sejam entregues com zero desperdício. Isto inclui todos os aspectos do ciclo que está sendo fornecido aos fabricantes de medicamentos e às empresas de logística para garantir que o tamanho correto da carga dos medicamentos seja enviado dentro do prazo. A análise destes dados, combinada com pontos de dados adicionais da área, também poderia ajudar a prever com precisão a demanda. Um aspecto chave aqui é a segurança dos dados. Controles apropriados de segurança devem estar em vigor. Por exemplo, medidas como criptografia e hashing, para assegurar que a privacidade dos dados e outras leis regulatórias sejam cumpridas e para proteger a integridade da cadeia de fornecimento.
Os benefícios de alavancar a análise com IA dão um impulso turbo aos benefícios, tais como os que estão detalhados neste whitepaper. Todos estes benefícios são aplicáveis à logística da vacina contra o COVID-19, apesar da singularidade do supply chain criogênico. Há uma grande necessidade nesta crise para garantir que os desafios de alavancar a IA e a análise sejam tratados de forma adequada e com antecedência, para que a IA ofereça uma ótima distribuição de vacinas.
2. Alavancando IoT e ML enquanto fornecem conectividade remota a todos os dispositivos de fornecimento
A ideia de usar sensores para rastrear aspectos como temperatura, GPS, número de vezes aberto, estoque restante, etc. é, provavelmente, evidente por si mesma. Contudo, há considerações importantes, como a seleção do conjunto de sensores com os atributos certos, incluindo fator de forma, consumo de energia e capacidade de trabalhar em condições climáticas severas e variadas. Selecionar e testar tais sensores para sua adequação nos ambientes mais severos é fundamental, pois eles serão responsáveis pela alimentação de dados. Se estes dados estiverem errados ou interrompidos, então outras etapas da cadeia poderão falhar.
Uma vez resolvido o desafio do conjunto certo de sensores, a próxima questão é a conectividade: assegurar que os dados dos dispositivos sejam transmitidos. Este é um desafio complexo devido aos padrões de consumo de energia e aos diversos cenários, incluindo cobertura celular interna, externa e patchy. Cada pacote precisa de múltiplas opções de conectividade, tais como celular, UWB, LoRa, BLE e RFID, de acordo com o ambiente de operação e a necessidade de redundância. Por exemplo, a UWE/BLE é mais adequada para dentro de armazéns, enquanto o celular é mais adequado para o transporte no campo ou rodoviário. O objetivo é o menor consumo de energia possível, permitindo que as unidades portáteis de energia se concentrem em sua finalidade principal de alimentar a refrigeração.
Os dados dos sensores só se tornam valiosos quando usados para uma visão e previsões acionáveis. A experiência nos ensinou que as más notícias precisam ser transmitidas três vezes mais rápido do que as boas notícias para permitir um tempo adequado de ação. Podemos aplicar esse princípio neste cenário através do machine learning para prever falhas antes que elas ocorram, em vez de corrigi-las após ocorridas.
A mistura desafiadora de baixa conectividade, custos e o fato de que toda vacinação requer seu próprio ambiente/contextos desde a fabricação até o usuário final, faz com que seja sensato incorporar o componente de aprendizagem no limite. O machine learning para o IoT normalmente envia todos os dados dos sensores para a nuvem. Então, estes dados são usados para treinar o modelo na nuvem. A maioria dos usos do ML são basicamente usar este modelo treinado e implementá-lo no limite para tomar decisões sobre os dados ao vivo. O modelo, entretanto, é treinado com dados distribuídos em múltiplos dispositivos. Ao incorporar o componente de aprendizagem em cada dispositivo, conseguimos a possibilidade de treiná-los com base em seus dados únicos.
Este modelo de machine learning é complexo e exige ser federado para poder ser treinado no limite, levando em conta as condições ambientais de cada caixa individual. A temperatura de um recipiente de vacina pode mudar mais drasticamente em um deserto quente do que nas planícies geladas, por exemplo. Assim, cada dispositivo treina seu próprio modelo e, uma vez que o grau de precisão é aceitável, o executa. Esta é uma forma de aprendizagem não supervisionada. Podemos também consolidar todos os modelos e dados de treinamento em lotes para extrair os pontos comuns, processando estes dados em áreas onde a conectividade é boa e barata.
O ML incorporado é habilitado por meio de um aplicativo de software desenvolvido especificamente para sistemas embarcados e executado em dispositivos de ponta. Normalmente é executado em um computador integrado, permitindo que consuma menos recursos do que uma implementação em nuvem.
O ML incorporado complementa a computação em nuvem e de ponta. Eles trabalham juntos para melhorar o desempenho. O ML realizado por um aplicativo de software integrado tem o objetivo de permitir o aprendizado diretamente nos dispositivos para formar dados mais valiosos antes de compartilhá-los com o modelo de dados central.
O ML incorporado alavanca um conceito chamado de aprendizagem incremental, ao contrário da aprendizagem em lote, que é usada para a maioria dos modelos tradicionais de aprendizagem por máquina.
Os benefícios do ML incorporado incluem:
- Quantidades reduzidas de dados: a produção de dados com maior valor antes de enviá-los para a nuvem possibilita economias de custo potenciais em largura de banda ou recursos de computação em nuvem
- Tempo de resposta aprimorado para aplicativos sensíveis à latência e necessidades cognitivas de ML
- Operação autônoma e dependência reduzida de conexões de nuvem/rede
- Personalização do usuário final ou dispositivo, incluindo parâmetros ambientais locais
Todos os sensores não precisam necessariamente estar sobre os dispositivos. Por meio de uma combinação de câmeras inteligentes estrategicamente implantadas e análise dos vários fluxos de vídeo, podemos implantar ainda mais visão computadorizada e aprendizado profundo para os locais, proporcionando a capacidade de monitorar as condições de inventário, bem como os colaboradores que os acessam.
3. Segurança dos colaboradores que trabalham com produto criogenicamente congelado
Os riscos e as medidas de segurança do manuseio de produtos criogenicamente congelados devem ser pensados. Considerando que a maioria das vacinas está sendo desenvolvida utilizando a tecnologia mRNA, elas requerem atualmente armazenamento e transporte a < -20°C (até -75°C). É importante observar que esta tecnologia também será relevante para muitas outras vacinas que virão. A fim de garantir e monitorar a segurança do local e dos trabalhadores, devemos assegurar que sejam tomadas medidas adequadas para detectar a exposição de quem trabalha com as vacinas.
De acordo com a NCNR, os três principais perigos criogênicos são:
1. Queima a frio, provocando queimaduras por congelamento e hipotermia
De acordo com este estudo sobre materiais de desgaste para avaliação contínua do estresse ocupacional pelo frio, a tolerância ao frio é muito subjetiva e projeta um sensor de desgaste personalizado usado em combinação com o ML. Isto pode consumir muito tempo, além de ser proibitivo em termos de custos.
Um ponto de partida mais simples seriam sensores de temperatura em estado sólido, que podem ser rapidamente inseridos em artigos de desgaste para obter uma visão da temperatura da pele. Há alguns projetos muito interessantes para construir tais materiais de desgaste, o que poderia lançar mais produção profissional destas capacidades incorporadas em kits de EPIs. Se estes alertas, que seriam adicionados aos sinais audíveis para o usuário, também podem ser transmitidos a um servidor central, então eles poderiam assegurar que a assistência adequada de alerta e modelagem preditiva seja executada.
Isto seria fundamental para capturar estas exposições e reagir antecipadamente para evitar acidentes e ferimentos.
2. Asfixia devido à ebulição e ao deslocamento de oxigênio
O resfriamento criogênico geralmente envolve o uso de líquidos super-resfriados, como dióxido de carbono, hélio e nitrogênio. Estes líquidos super-refrigerados, se vazarem acidentalmente, passarão imediatamente para suas formas gasosas e deslocarão o oxigênio. Isto é perigoso, especialmente em espaços confinados como quartos fechados, armazéns e frigoríficos. Os sensores de oxigênio existem desde os anos 60, graças a Robert Bosch Gmbh e ao Dr. Gunter Bauman.
3. Explosão de recipientes fechados
A ebulição de líquidos criogênicos cria um risco maior para recipientes fechados devido ao fenômeno de expansão térmica. O uso de sensores conectados para medir não apenas as temperaturas, mas também a pressão seria crítico para analisar e evitar que os recipientes explodissem.
Estes são só alguns pontos que mostram que a TI é um artigo de missão-crítica para a distribuição de vacinas e para ajudar na redução de custos e riscos durante a gestão deste contexto pandêmico. Em um momento complexo e desafiador, a conectividade necessária é capaz de garantir o armazenamento de dados, as soluções das tecnologias e, ainda, a redução do desperdício de vacinas, a partir do fornecimento do aporte necessário para essa logística.
Ashwin é gerente de consultoria da Orange Business, na Suíça, onde se especializou em ajudar organizações a adotarem a transformação digital. Ele é um entusiasta da tecnologia, defensor de soluções em nuvem, adepto da IoT, estudante de IA e, no tempo livre, gosta de música, críquete e gastronomia.