Bate-papo com Gualter Pizzi 
Bate-papos do site aeronavesavenda.com 
Daher Socata TBM 940 
Trailing Link Gear – Trem “Joelho de Porco” 
Cirrus Experience 2019 – Araçatuba/SP 
Cirrus Vision SF50 G2 
A Embraer aplicou técnicas de aprendizado de máquina em processos de manutenção de aeronaves. A fabricante brasileira adotou tecnologias baseadas em inteligência artificial para automatizar a classificação dos eventos ocorridos na frota. O projeto teve apoio da Algar Tech, que trabalhou em parceria no desenvolvimento da solução.
O desafio residia em classificar e correlacionar eventos que ocorriam com a frota de aeronaves e eram anotados por pilotos e times de manutenção dos clientes. Esses dados eram enviados na forma de textos livres – logo, desestruturados.
Sem o uso de técnicas de aprendizado de máquina, engenheiros altamente especializados da empresa recebiam esses dados, liam todos os registros, os interpretavam e associavam a um dos possíveis códigos de falha em planilhas ou banco de dados.
Dessa forma, a informação passava a ser estruturada e era possível gerar dados estatísticos que são encaminhados para o time de engenharia para que se ache uma solução.
Foi desenvolvido um sistema analítico de processamento que basicamente olha para a base histórica de dados de eventos da frota já qualificados e aí, usando técnica de machine learning, foi possível identificar padrões desses dados e construir um modelo estatístico de classificação. Aí, qualquer evento que chega hoje, entra na base de dados, esse evento é aplicado um modelo e classificado de forma automática.
A solução desenhada em parceria com a Algar combina o uso de plataforma analítica (RapidMiner) com o tratamento e análise de dados e aplicação de milhares de modelos de forma automática por meio de técnicas de otimização e aprendizado de máquina que usa técnicas de suport vector machine, Naive Bayes e k-NN.
A iniciativa trouxe ganhos qualitativos e quantitativos na operação de manutenção de aeronaves, bem como reduziu tempo gasto com processos manuais. Os modelos alcançaram assertividade na previsão da falha de quase 80%, para um contexto com mais de 700 classes a serem preditas.
