A maioria dos projetos de IoT fica muito boa em mostrar o presente. Um dashboard informa que o tanque está a 40 por cento, que o motor está esquentando, que o freezer manteve a temperatura durante a noite. Isso responde à pergunta “o que está acontecendo agora”, e por um tempo isso basta.
O problema é que os operadores não agem sobre o presente. Eles agem sobre o que o presente indica a respeito das próximas horas ou dos próximos dias. Quarenta por cento não significa nada até você saber se o tanque vai esvaziar na sexta-feira ou daqui a três semanas. Um dashboard que só reporta o valor atual empurra esse julgamento para uma pessoa que está de olho em outras dez coisas. A previsão leva esse julgamento para dentro do sistema.
Este guia percorre a progressão que a maioria das equipes de fato segue, da previsão útil mais simples até o machine learning, e onde cada abordagem conquista o seu lugar.
Comece pela pergunta, não pelo modelo
Uma previsão só é útil se alguém mudar uma decisão por causa dela. Antes de escolher um método, escreva a decisão. “Fazer o pedido de reposição antes que o silo esvazie.” “Agendar a manutenção antes que o rolamento falhe.” “Resfriar o armazém antes do pico da tarde.” Cada uma delas implica um horizonte (quão longe no futuro) e uma tolerância (quão errado você pode estar antes de a decisão deixar de funcionar).
Uma decisão de reabastecimento que precisa de três dias de antecedência não exige uma previsão precisa ao minuto. Ela precisa estar mais ou menos certa sobre uma tendência daqui a três dias. Deixar isso claro primeiro evita que você construa um modelo preciso para um problema que nunca precisou de um.
Nível 1: médias móveis e tendências
A primeira previsão que vale a pena colocar no ar costuma ser uma média móvel com uma tendência linear. Pegue a última janela de leituras, calcule a média, ajuste uma inclinação e projete para frente. Na TagoIO, você pode fazer isso dentro de um script de Analysis que lê os dados recentes de um dispositivo, calcula a inclinação e grava o valor previsto de volta como uma variável própria, que um widget de dashboard pode plotar ao lado dos valores reais.
Parece simples demais para ter importância. Para um sinal de variação lenta, como um tanque de combustível que esvazia a uma taxa constante, isso costuma ser preciso o suficiente para disparar um pedido de reposição com dias de folga. O detalhe é que uma linha reta não faz ideia de que o seu prédio consome mais energia nas tardes de dia útil. No momento em que o seu sinal ganha um ritmo, uma linha de tendência o achata e o transforma em uma resposta errada.
Nível 2: sazonalidade e linhas de base
A maioria dos sinais reais de IoT se repete. A carga de energia segue um ciclo diário e semanal. A temperatura da cadeia de frio oscila com as aberturas de porta durante o horário dos turnos. A demanda de água sobe pela manhã. Uma previsão que ignora esses ciclos vai prever a mais nos dias tranquilos e a menos nos dias movimentados.
A solução é uma linha de base sazonal. Em vez de uma única média, você mantém uma média por hora do dia, ou por dia da semana, construída a partir dos dados históricos. A previsão passa a ser “o valor de costume para esta hora, ajustado pela tendência atual”. Isso ainda é aritmética que você pode rodar em um Analysis agendado, e dá conta da maioria dos casos de uso de monitoramento sem nenhum machine learning.
Ferramentas como o Prophet, do Facebook, formalizam isso: elas decompõem um sinal em tendência mais sazonalidade diária, semanal e anual, e entregam uma previsão com um intervalo de confiança. Como você pode rodar Python em um Analysis da TagoIO, um modelo Prophet pode ler o bucket de um dispositivo, ajustar-se e gravar previsões de forma agendada.
Nível 3: machine learning para os sinais difíceis
Alguns sinais resistem à aritmética. Quando o futuro depende de várias entradas ao mesmo tempo, temperatura externa, ocupação, ritmo de produção e as interações entre elas, uma linha de base feita à mão deixa de acompanhar. É aí que modelos como árvores com gradient boosting ou uma rede LSTM justificam seu custo.
Esses modelos aprendem, a partir do histórico, padrões que você não codificou à mão. Eles também exigem mais: dados de treino limpos, uma etapa real de avaliação e retreinamento à medida que as condições mudam. O erro que as equipes cometem é apelar para uma LSTM logo de cara porque soa sério, e então passar um mês em um problema que uma linha de base sazonal teria resolvido em uma tarde. O machine learning é a resposta certa quando os níveis mais simples falharam de forma mensurável, não antes.
Como o TagoIO Analytics gera a previsão ao lado dos seus dados, suas previsões voltam diretamente para dashboards e alertas.
Meça a previsão, ou você não tem uma
Uma previsão que você nunca avalia é um palpite com um gráfico. Separe dados recentes que o modelo nunca viu, faça a previsão deles e compare com o que de fato aconteceu. Acompanhe um número de erro simples ao longo do tempo. Quando ele se desvia, seu modelo ficou defasado e precisa de retreinamento ou de uma revisão.
Essa etapa é o que separa uma previsão em que os operadores confiam daquela que eles passam a ignorar em silêncio depois que ela erra duas vezes. Inclua a avaliação desde o início, rode-a no mesmo agendamento da previsão e mostre o erro no mesmo dashboard.
Por onde começar esta semana
Escolha um sinal ligado a uma decisão real. Construa a versão de média móvel em um script de Analysis, plote a previsão ao lado dos valores reais e deixe rodar. Você vai aprender mais com uma previsão em funcionamento que às vezes erra do que com um mês planejando o modelo perfeito. Adicione sazonalidade quando a linha de tendência te deixar sem graça, e apele para o machine learning só quando os números disserem que as versões mais simples não bastam.
Previsão não é um recurso que você liga. É o hábito de transformar os dados que você já coleta na próxima decisão, e o trabalho da plataforma é deixar esse ciclo curto. Veja como o TagoIO Analytics gera as previsões por trás disso.
Se você prefere o caminho sem código, o TagoIO Analytics cria a previsão para você. Acesse o TagoIO Analytics em sight.tago.io/login com sua conta TagoIO e treine um modelo com seus dados em minutos. Você obtém previsões e detecção de anomalias nos seus próprios sinais sem escrever um script ou ser um cientista de dados.
