Tecnologia. Inteligente.

Impressoras tridimensionais, também conhecidas com máquinas de prototipagem rápida ou, mais simplesmente, fabbers, são equipamentos para a fabricação de objetos ou peças a partir de um projeto, hoje em dia gerado com o auxílio de um CAD. Você cria, no computador, o modelo 3D do objeto ou peça que quer fabricar, e o fabber “imprime” ele para você.

As primeiras máquinas de prototipagem rápida surgiram na década de 40, e eram fabricantes por subtração, ou seja, eles partiam de um bloco de material e esculpiam a partir desse bloco o objeto desejado, escavando ou polindo pedaços de material. Mais recentemente, foram criados fabricantes por adição, que trabalham com a injeção de pequenas quantidades do material.

Hoje em dia há fabricantes digitais que operam com diversos tipos de material, de papel a ligas de titânio, com custos, capacidade e precisão bem variáveis. É um mercado de mais de US$10 Bi, com aplicações em diversas indústrias e ciências.

O projeto Fab@Home é uma iniciativa para criar especificações open source para um fabber, para uso principalmente por entusiastas e amadores. O objetivo é criar impressoras simples, de custo baixo e que possam lidar com uma gama diversa de materiais. Eles já têm versões totalmente funcionais, capazes de construir objetos a partir de materiais injetáveis, como silicone, barro, ou até mesmo chocolate (!!) com dimensões de até uns 20cm de lado ou altura. A comunidade de “fabricantes em casa” criou também um site onde os designs dos objetos criados com auxílio dos fabbers são compartilhados. Se parecer um hobby bacana, você pode comprar um fabber montado, ou o kit com as peças e instruções aqui ou aqui. O preço ainda é um bocado salgado, afinal o projeto é open source mas o material ainda custa dinheiro…

No Brasil, o Centro de Tecnologia da Informação Renato Archer, uma unidade de pesquisa do Ministério da Ciência e Tecnologia, utiliza fabbers (inclusive o Fab@Home) em alguns projetos. Uma aplicação muito bacana é a prototipagem rápida na medicina, através da qual protótipos são utilizados no planejamento de cirurgias complexas, mas não-urgentes. A prototipagem rápida também pode ser usada para confeccionar implantes personalizados, no formato exato de cada paciente, para casos de reconstrução óssea.

Outro uso bacana para fabbers é artístico: esculturas digitais, modeladas em CADs e “impressas” no material que o artista escolher. Bathsheba Grossman é um escultor digital que usa impressoras 3D de metal (ou gravadores de laser) para produzir sua arte. Ele usa a precisão dos CADS e impressoras para criar peças de uma precisão e detalhamento dificilmente alcançáveis por escultores “tradicionais”. O processo de impressão também permite que as peças sejam moldadas de forma quase impossível manualmente.

E alguns mais malucos um pouco resolveram criar uma impressora 3D capaz de imprimir as próprias peças: um fabber quase auto-replicante é o objetivo do projeto RepRap, também open source. O RepRap é um fabber atualmente capaz de produzir 60% das peças necessárias para montá-lo. As outras peças são baratas e fáceis de achar, segundo a equipe. Parece que se você pagar uma caixa de cerveja pros caras, eles fabricam o kit sob demanda, ou você pode comprá-lo da Unimatic.

Achei interessantíssima a pesquisa feita pela Affinnova, especializada em aplicar algoritmos genéticos para problemas voltados à área de Marketing.

O que é e o que faz, basicamente a Affinnova? A empresa começou com dois pesquisadores do MIT, que encontraram uma forma de utilizar algoritmos genéticos para selecionar as melhores idéias ou os melhores designs dentre um universo muito grande de possibilidades, com alguma intervenção humana no processo.

Trocando em miúdos, quando, em marketing, numa pesquisa, é necessário avaliar simultaneamente diversas variáveis, digamos, de um design de produto ou de uma campanha política, como a variedade de combinações dessas variáveis pode ser muito grande, o que se faz é agrupar essas variáveis e testá-las juntas em vários “profiles”, e tentar extrair daí quais são as mais importantes, isto é, quais fatores são determinantes na escolha, por exemplo, da melhor embalagem.

Mais em miúdos ainda, num processo de escolha de uma melhor embalagem, por exemplo, um grupo de usuários, pela web, escolhem os “profiles” que mais lhe agradam, e o algoritmo usa essa informação para, em tempo real, selecionar (no sentido darwiniano do termo) os melhores.

Qual a vantagem disso? Bem, pelo menos duas.

A primeira é que, num processo tradicional, a empresa teria que colocar vários designers para pré-analisar as melhores possibilidades, enquanto neste método você pode, computacionalmente, gerar combinatoriamente uma quantidade muito maior de possibilidades (digamos num caso típico, de 4.000 a 40.000) , mas ao mesmo tempo, pode apresentar um número factível de opções para cada entrevistado (digamos, umas 6 ou 10).

Claro que isso não substitui o trabalho de fazer protótipos que as pessoas possam manusear, o que é fundamental neste processo, mas facilita bastante para determinar quais fatores são os que devem ser trabalhados naquela embalagem.

A segunda vantagem, claro, é custo e tempo. Dentro do processo de refinamento do design de um produto, algo que costuma levar, numa única etapa, cerca de 2 meses e custar 175.000 dólares, a Affinnova consegue resultados comparáveis por 60.000 dólares num tempo bem menor.

Claro que, ao mesmo tempo, a técnica da affinova enfrenta o maior inimigo de toda inovação, que é ser diferente do processo anterior, e portanto produzir resultados que nem sempre são comparáveis aos resultados das bases históricas usadas pelas empresas de design de produtos.

Ao mesmo tempo, a Affinnova oferece mais uma técnica para o arsenal das pesquisas de marketing, sem concorrência direta até agora.

Para os curiosos, as técnicas da Affinova são bem descritas em seu pedido de patente

A forma sistemática da Affinnova de buscar novos designs de produtos, ou de selecionar as melhores idéias e conceitos não é nova. Alguns anos atrás, já se advogava técnicas como a RDE (formalizada no livro “vendendo o elefante azul”) para derivar o melhor design de produto por exemplo.

A história da Affinova também não é surpreendente. A empresa começou em 2000, mas só ano passado a empresa começou realmente a dar dinheiro (estima-se que uns 25 milhões de dólares para 2009), isso após a entrada do CEO Waleed Al-Atraqchi em 2005, que conseguiu dar um rumo de “negócios” para a coisa. Segundo as palavras do próprio CEO,

(…)“I said, in a sense, let’s not confuse ideation with optimization. Most studies say that companies don’t lack for ideas. Which ones are the best, and what to do with them, are really the big issues, and that’s the problem we should try to solve.”(…)

(…) “Eu disse, de certa forma, não vamos confundir geração de idéias com otimização. A maioria dos estudos mostram que as empresas não tem falta de idéias. Quais são as melhores e o que fazer com elas, que são realmente o grande negócio, e este é o problema que queremos solucionar.” (…)

Quem quiser conhecer mais sobre como funciona o design e a análise de resultados dessa interessante abordagem, que concilia um pouco da busca por insights típica das pesquisas “quali” e pela validação estatística das pesquisas “quanti”, pode conferir aqui essa interessante pesquisa da Affinnova (usada para descrever o que eles fazem, que é algo fundamental pro ramo inovador deles) usada para encontrar qual a melhor combinação de plataformas políticas para a campanha presidencial americana:

Eis a

- proposta da pesquisa,

- as variáveis a serem analisadas,

- a metodologia da pesquisa e

- as principais conclusões.

Este post é uma referência ao post publicado no blog Broadstuff.

O vídeo acima mostra um helicóptero que tenta fazer acrobacias através de um processo de aprendizagem em tempo real, graças ao atual estado de miniaturização de processadores, e utilizando uma técnica de IA conhecida como AIRP, que poderia ser traduzida como “aprendizado via reforço inverso”.

O processo se dá pela observação de um “instrutor” executando o procedimento. É tipicamente a técnica usada para o controle automático de veículos, onde o mais importante é a capacidade do “motorista” se adaptar ao ambiente da pista em tempo real.

No caso do vídeo acima, os alunos de Stanford elevaram a dificuldade do problema, forçando o algoritmo a manobrar em tempo real um helicóptero em manobras complicadas.

Para saber mais sobre AIRP, confira este paper.