7.1 Conclusões

A metodologia para o Reconhecimento de Padrões multivariados com resposta dicotômica, aqui desenvolvida, consta de duas grandes etapas, dentro das quais estão embutidas etapas menores :

1) Análise estatística dos dados coletados "em campo".

2) Utilização de um método para fazer o Reconhecimento de Padrões.

Inicialmente, com relação à análise estatística dos dados, nota-se que o 3o. procedimento constando do teste T2 de Hotelling, do ajuste logístico com o consequente descarte dos pontos, preliminar à aplicação dos métodos de Reconhecimento de Padrões, nos parece imprescindível devido à melhoria significativa de suas performances, como pode-se observar nos quadros 4.1 e 4.2. Isto implica na necessidade de eliminação de erros grosseiros e controle da qualidade das variáveis do processo, ou seja, deve-se assegurar, nesta fase, além da qualidade dos dados obtidos "em campo", também a análise destes dados.

Com relação ao método que apresenta a melhor performance, nada pode ser concluído ou generalizado, pois o comportamento dos métodos de Reconhecimento de Padrões tende a sofrer alterações de acordo com :

b1. Disposição dos pontos no espaço, que será diferente para cada caso abordado.

b2. A "alimentação" do programa de treinamento. Quanto mais representativas forem as amostras dos conjuntos A e B em questão, melhor tenderá a ser o desempenho do método. Deve-se observar que os exemplos reais abordados neste trabalho possuem número relativamente pequeno de pontos, fazendo com que as pesquisas devam prosseguir neste sentido.

Assim sendo, nesta 2a. etapa todos os métodos devem ser utilizados e comparados, para daí concluir-se sobre o método de melhor performance.

Para os casos abordados na classificação de novos pontos : a) Para o exemplo médico, os métodos P.L.2, Redes Neurais e Regressão Logística se mostraram os mais eficientes. b) Para o exemplo do papel, os métodos P.L.2 e Fisher se mostraram com melhor performance.

Para o exemplo do diagnóstico médico preliminar, um modelo de Reconhecimento de Padrões é de grande importância devido ao fato de poder-se diagnosticar um paciente a um custo e riscos reduzidos, já que o modelo baseia-se apenas nos exames clínicos do paciente, com uma percentagem de erros de aproximadamente 3%. Exames como ultrassonografia, tomografia axial computadorizada, além de custosos, apresentam erros em torno de 30 a 40% e poderiam ser evitados, assim como outros exames médicos, por exemplo, a colangiografia endoscópica retrógrada, que apresentam melhor
precisão, em torno de 95%, porém, são mais custosos e apresentando riscos letais aos pacientes.

Já para o problema do papel industrial, um modelo de Reconhecimento de Padrões é, também, de suma importância pois, como visto, um modelo de Programação Não Linear interligado a um modelo de Reconhecimento de Padrões fornece uma técnica para o controle "global" de qualidade em uma indústria de papel. Com os valores quantitativos das características que fazem parte da composição de bobinas de boa e de baixa qualidade, pode-se "treinar" um modelo de Programação Linear que gera uma superfície que minimiza erros. Com isto, obtém-se uma superfície separadora wx = que, para o caso, apresentou 10% de erros, aproximadamente, que pode ser considerado baixo e, portanto, satisfatório.

Conhecendo-se os valores w's e , constrói-se um modelo de Programação Não Linear, objetivando trabalhar com as variáveis que fazem parte do processo, de modo a obter bobinas de boa qualidade a um mínimo custo. Operacionalmente, o programa computacional precisa ser informado apenas sobre as variáveis que podem sofrer alterações durante o processo, já que os valores dos w's e já são conhecidos preliminarmente. Então, à medida que for melhorado o controle de qualidade "local", ou seja, o controle de qualidade sobre cada uma das variáveis do processo, melhor será a obtenção do controle de qualidade "global", ou seja, no processo de fabricação como um todo.

Objetiva-se com esta técnica fornecer uma "ferramenta" para o controle de Qualidade Total a um Mínimo Custo na indústria de papel.

Da mesma maneira, pode-se trabalhar com outros exemplos reais utilizando-se a metodologia aqui apresentada.

7.2 Sugestões

A seguir estão enumeradas algumas sugestões que poderão ser objeto de estudos futuros, de modo a aperfeiçoar a metodologia aqui abordada :

a) Obter um maior número de padrões para os casos reais abordados neste trabalho. Deste modo, os programas computacionais, referentes aos métodos de Reconhecimento de Padrões pesquisados, estarão melhor "alimentados", reduzindo desta maneira as percentagens de erros encontradas.

b) Estudar sobre a necessidade de se levar em consideração outras variáveis além das levantadas neste trabalho. Relembrando, tem-se que, para o caso médico, foram consideradas inicialmente 14 variáveis que, depois de analisadas estatisticamente, se reduziram a 13. Destas 13 porém, apenas 8 variáveis é que devem ser realmente medidas "em campo" já que as demais são derivadas destas 8. Para o caso do papel industrial, foram consideradas inicialmente 18 variáveis sendo que, depois de tratadas estatisticamente, este número passou para 24. Destas porém, apenas 15 devem ser medidas.

c) Desenvolver uma estratégia para a aplicação efetiva da metodologia apresentada na indústria de papel, explorando diversos aspectos :

c1) Como aplicar a metodologia na indústria : como um todo, ou em partes, considerando os processos off-line para, depois, reunir os resultados, e tratar do problema como um todo.

c2) Verificar, na prática, para o modelo construído para o controle do processo de produção do papel, quais as variáveis passíveis de alterações durante o processo.