DESENVOLVIMENTO DE UMA API INTEGRADA PARA INTEROPERABILIDADE ENTRE MODELOS DE IA GENERATIVA E SISTEMAS DE GESTÃO DE MANUTENÇÃO DE ATIVOS

Introdução: O presente trabalho aborda o desenvolvimento de uma API integrada para promover a interoperabilidade entre modelos de Inteligência Artificial (IA) generativa e sistemas de gestão de manutenção de ativos industriais, com o objetivo de aprimorar a eficiência, a confiabilidade e a automação dos processos de manutenção. A introdução do projeto destaca o desafio crescente de gerenciar ativos industriais em ambientes cada vez mais complexos, onde a necessidade de monitoramento contínuo e respostas rápidas é fundamental para evitar falhas, reduzir custos e garantir a produtividade. Objetivos: O objetivo central é criar uma solução inovadora que una sistemas de gestão, como o Manusis4, a modelos avançados de IA, especialmente o LLaMA, utilizando técnicas como Retrieval-Augmented Generation (RAG) e estratégias de simulação de ajuste, por meio de engenharia de prompt, para personalizar as respostas e recomendações de manutenção. Materiais e método: a API foi desenvolvida com o framework FastAPI, escolhida por sua robustez e alta performance, e empacotada em containers Docker, o que garante portabilidade, escalabilidade e facilidade de implantação em diferentes ambientes. A orquestração do fluxo de dados é realizada com a biblioteca LangChain, que permite integrar de forma eficiente as fontes de dados industriais e os modelos de IA, otimizando a recuperação de informações e a geração de respostas contextuais. O processo de adaptação do modelo LLaMA, realizado por meio de simulação de ajuste com dados históricos de falhas e manutenções, possibilita que a IA reconheça padrões específicos do domínio industrial, tornando as previsões e recomendações mais precisas e relevantes, mesmo sem o fine-tuning tradicional. Resultados: Os resultados demonstram entregas significativas, com a estrutura básica da API concluída, integração com os modelos de IA, adaptação para melhorar a acurácia das previsões, testes de previsibilidade, análise de performance e validação da solução. Considerações finais: A experiência adquirida ao longo do projeto proporcionou o desenvolvimento de habilidades técnicas em arquitetura de software, machine learning e DevOps, além de promover uma visão crítica sobre os desafios e oportunidades da aplicação de IA generativa em ambientes industriais. Em conclusão, o projeto representa um avanço relevante na integração entre IA e sistemas industriais, com potencial para contribuir tanto para a literatura científica quanto para a inovação tecnológica no setor de manutenção de ativos.

Palavras-chave: Inteligência Artificial; Manutenção de Ativos; RAG; IA Generativa.