As tecnologias digitais são um dos assuntos mais discutidos quando é abordado o conceito de Indústria 4.0. Essas tecnologias ao serem implantadas podem ter alguns impedimentos técnicos e de utilização em que as empresas devem se atentar. Além do mais, as incertezas tecnológicas podem afetar a forma como dados são manuseados e geridos levando possíveis problemas. Desta forma, os riscos atrelados as tecnologias da Quarta Revolução Industrial e como a sustentabilidade tecnológica 4.0 pode ser afetada estão descritos a seguir.
4.2.4.1 Técnico
• (RTT1) – Risco de interferência nos sinais
Com a rápido crescimento da conectividade provenientes da Indústria 4.0 devido a conceitos como IIoT (Internet das Coisas Industrial), haverá muitos dispositivos conectados e coexistindo em proximidade. As implantações densas e em
larga escala destes dispositivos podem levar a um número sem precedentes de interferências entre eles (SISINNI et al., 2018). Redes de internet Industrial sem fio (Industrial Wireless Network), por exemplo, podem enfrentar grandes desafios devido aos múltiplos sinais existentes em ambientes conectados (LI et al., 2017).
Dessa forma, estes dispositivos podem ser limitados em memória e inteligência com intuito evitar tais interferências (SISINNI et al., 2018). Além disso, o ambiente industrial é caracterizado por ter condições desafiadoras para transferência de sinais (LI et al. 2017), por exemplo, presença de poeira, vibrações, temperaturas críticas, umidade, presença de motores, obstáculos metálicos, etc. Dessa forma, a confiabilidade e eficiência de comunicação pela rede pode ser prejudicada (PILLONI, 2018; PREUVENEERS, ILIE-ZUDOR, 2017, LI et. al, 2017). Para Li et al. (2017), a falta de capacidade de gerar dados confiáveis pode causar situações inesperadas para toda uma fábrica, onde a etapa de produção ou sistemas de alarme, por exemplo, podem ser afetados (LI et al, 2017).
• (RTT2) – Risco de incapacidade técnica da rede
No cenário de alta conectividade da Indústria 4.0, a grande quantidade de dispositivos e equipamentos heterogêneos conectados podem sobrecarregar a rede (CHEN et al., 2018). O controle e acesso em tempo real, uma questão importante dentro do contexto da Indústria 4.0, necessita que a largura de banda (bandwidth) seja rápida e descarregada (KHAN et al., 2017). Segundo Preuveneers e Ilie-Zudor (2017), possuir baixa latência (atraso na transferência de dados) é preocupação fundamental para realizar o controle de sistemas de produção em tempo real.
Na pesquisa de Pilloni (2018), o autor levanta a redução na latência e a precisão da rede como desafios a serem enfrentados antes da implementação de conceitos da indústria 4.0. Um atraso na transferência de dados, por exemplo, pode criar problemas para os dispositivos físicos conectados entre si os quais podem ter atuadores trabalhando em sequência com intervalos de tempo pré-definidos (KHAN et al., 2017). Além disso, a redução de latência pode exigir altos custos e grande consumo de energia (LI et al., 2017).
Além disso, o crescimento explosivo de tecnologias como os aplicativos também aumenta a dificuldade para o desempenho em tempo real, especialmente em termos de escala e complexidade (SISINNI et al., 2018). De forma mais ampla, a
comunicação em tempo real entre empresas também possui obstáculos devido a problemas de rede, como conectividade instável (MOKTADIR et al., 2018).
Dessa forma, a largura de banda e o fluxo de dados são desafios para a transferência de informações (HE et al. 2016), assim uma boa infraestrutura e redes de internet eficientes são cruciais para um eficaz gerenciamento de dispositivos interconectados (LUTHRA, MANGLA, 2018).
• (RTT3) – Risco de falta de interoperabilidade
As redes industriais a partir conceitos da indústria 4.0 serão altamente heterogêneas, pois apresentarão diversas tecnologias de comunicação (KALØR et al., 2018) como máquinas, sensores, CPSs, dispositivos IoT, etc. (KHAN et al., 2017). Uma barreira na adoção de soluções de IoT e a criação de um ecossistema de CPS, é o estabelecimento de uma integração e interoperabilidade contínua entre essas diferentes tecnologias e sistemas (KAMBLE, GUNASEKARAN, SHARMA, 2018). Muitas instalações podem conter máquinas e equipamentos, em que cada um possui um formato diferente para se comunicar com outras máquinas (GAO et al., 2015). Além do mais, fornecedores podem oferecer serviços em interfaces diferentes que não possuem interação entre elas (WAN et al., 2016).
Assim, uma grande heterogeneidade nos formatos de dados pode ser gerada (UR REHMAN, 2018) que segundo Khan et al. (2017) dificultam a aquisição e análise de informações, onde dados devem ser convertidos para garantir certa interoperabilidade entre componentes. Para Wan et al., (2016) ainda é muito difícil capturar, analisar e utilizar todos os tipos informações dos diferentes tipos de dispositivos devido à falta de arquiteturas padronizadas de IoT. Ainda são necessárias pesquisas para lidar com o obstáculo do gerenciamento de coisas conectadas em uma plataforma comum e padrão (XU, XU, LI, 2018). Além do mais, a interoperabilidade e conexão entre empresas ao longo de uma cadeia de valor também pode ser afetada devido à falta de uma linguagem comum de transferência de dados (KIEL et al., 2017). A falta de interoperabilidade entre dispositivos aumentará significativamente a complexidade e o custo de implantação e integração de tecnologias da indústria 4.0 como a IIoT (SISINNI et al., 2018). Equipamentos industriais mais antigos podem exigir ajustes para que possam conversar com novas tecnologias (PILLONI, 2018; SISINNI et al., 2018) ou mesmo serem descartados gerando lixo eletrônico (BONILLA
et al., 2018). Portanto, a interoperabilidade é um princípio chave para adoção e automação da Indústria 4.0 (KHAN et al., 2017).
• (RTT4) – Risco de caos tecnológico
O alto índice de integração é uma das consequências das tecnologias relativas à indústria 4.0. De acordo com Stock e Seliger (2016), a partir do conceito de integração End-to-End, uma das características da indústria 4.0, todos os
stakeholders, produtos e equipamentos podem ser integrados em uma rede virtual
que intercambiam dados em diferentes fases do ciclo de vida de um produto.
No entanto, à medida que tecnologias se tornam mais sofisticadas, surge uma necessidade de uma nova geração de capacidades de previsão que respondam a trajetórias de alta velocidade, não-lineares e estreitamente acopladas (MAYNARD, 2015). Além disso, neste cenário onde muitos dados estarão disponíveis e requisitos intensivos de processamento serão exigidos, sistemas podem enfrentar dificuldades de resiliência (XU, XU, LI, 2018), ou seja, será um desafio para os sistemas se auto organizarem frente a situações difíceis.
Portanto, em um mundo hiperconectado, um erro em uma parte do sistema pode causar desordem de forma generalizada (LEE; LEE, 2015) como em um efeito dominó (ÖZDEMIR, 2018). Um único dispositivo pode ter um problema insignificante, mas para um sistema, as reações em cadeia de outros dispositivos conectados podem se tornar desastrosas. Por exemplo, a largura de banda de internet pode ficar sobrecarregada causando problemas de desempenho para todo um sistema (LEE; LEE, 2015). Ou ainda, algumas tecnologias podem aumentar a exposição a riscos externos (catástrofes naturais, resseções econômicas, greves etc.) e efeito cascata, onde uma interrupção na cadeia de suprimentos não localizada cai em cascata afetando o desempenho da cadeia como um todo. Isto é devido aos sistemas poderem se tornar mais complexos e flexíveis no qual estoques intermediários podem se tornar desnecessários (IVANOV, DOLGUI, SOKOLOV, 2018).
4.2.4.2 Segurança de dados
• (RTS1) – Risco de ataque cibernético
Um dos riscos mais comentados pela literatura está atrelado à segurança de dados. As integrações de TI e digitalização da produção pode criar um perigo em
potencial (TUPA, SIMOTA, STEINER, 2017), tanto em conexões vertical e internas às empresas como em conexões horizontais em cadeias de valor inteiras (KIEL et al., 2017). A medida que a conectividade aumentada devido as tecnologias, os sistemas industriais ficam cada vez mais suscetíveis e vulneráveis em relação à segurança cibernética (JANSEN, JESCHKE, 2018; KAMBLE, GUNASEKARAN, SHARMA, 2018; LEE, LEE, 2015; MAYNARD, 2015; ÖZDEMIR, 2018; STRANGE, ZUCCHELLA, 2017; XU, DAVID, KIM, 2018; ZHOU et al., 2018; DAWSON, 2018, WU et al., 2018). O volume de dados heterogêneos e sua transferência para a nuvem aumenta o risco de segurança (KHAN et al., 2017), pois redes sem fio podem ser facilmente interceptadas (PILLONI, 2018) assim como a conexão aberta entre participantes de uma cadeia de valor (KIEL et al., 2017). Hackers podem acessar sistemas de TI e comprometer um sistema cyber-físico (CPS), por exemplo. Essas intervenções devido ao Hacking podem ter fontes com diferentes intensões como: utilização de forma não intencional por usuários autorizados, hackers por diversão, hackers experientes com más intensões ou estados atacando infraestruturas de outros países, empresas ou indivíduos (JANSEN, JESCHKE, 2018).
Tuptuk e Hailes (2018) levantam alguns tipos de ataques cibernéticos como: Ataques de negação de serviço (DoS atack), ataques de espionagem, sabotagem de informações entre dispositivos, injeção de informações falsas, injeção de atrasos na transferência de dados, adulteração de dados, retransmissão de dados, falsificação de identidade para acesso ilegítimo, obtenção de dados vazados, exploração de vulnerabilidades, manipulação de sistemas físicos e ataques contra machine learning.
Os danos causados por ataques cibernéticos podem tomar diferentes dimensões. Hackers podem manipular máquinas causando danos físicos e sucateamento, podem realizar modificações de especificações técnicas resultando em produtos defeituosos (WU, SONG, MOON, 2019), ou ainda, podem gerar perda de produção devido a indisponibilização de máquinas. Por consequência, danos financeiros podem ser causados (JANSEN, JESCHKE, 2018). Além disso, uma interrupção de serviços pode afetar muitas empresas quando consideramos uma cadeia como um todo (RADANLIEV et al., 2018). Num contexto econômico mais amplo, ataques podem realizar manipulações no mercado de ações (HE et al., 2016). Para o capital humano, a segurança de operadores pode ser ameaçada (GAO et al., 2015), pois ferimentos e perdas de vidas podem ser causados pela manipulação de máquinas (JANSEN, JESCHKE, 2018). Quando consideramos preocupações
governamentais, efeitos catastróficos podem atingir toda uma nação (JANSEN, JESCHKE, 2018) como ataques terroristas (TUPTUK, HAILES, 2018). No contexto ambiental, Tuptuk e Hailes citam um exemplo em que um ataque cibernético causou o vazamento de um sistema de esgoto atingindo parques e rios. Outros casos reais são citados nos estudos de Tuptuk e Hailes (2018), Jansen e Jeschke (2018); Wu, Song e Moon (2019); He et al. (2016) demonstrando que se trata de um problema já existente.
Além disso, para Lezzi, Lazoi, Corallo (2018), os riscos de segurança estão relacionados a perda de confidencialidade, integridade ou disponibilidade dos sistemas de informações, onde a falta de confidencialidade pode resultar em divulgação de dados, a falta de integridade pode resultar em modificação ou perda de dados e a falta de disponibilidade pode resultar em negação de serviço e perda de produtividade. Assim, segundo os autores, as empresas devem estar atentas as consequências dos riscos de segurança de dados pois pode levar a altos custos e perda de lucratividade.
Portanto, os efeitos e desafios devido a ataques cibernéticos podem tomar dimensões muito diferentes. Assim, mecanismos de segurança cibernética terão papéis importantes quando o assunto é o tema da Indústria 4.0 (HE et al., 2018).
• (RTS2) – Risco de divulgação de dados privados
Este risco é brevemente comentado no item anterior como consequência de ataques cibernéticos. Contudo, essa possibilidade é aqui melhor explanada.
Neste cenário, o crescente número de objetos IIoT sendo equipados com tecnologias para fornecer recursos de identificação, computação e comunicação em operações da indústria, a questão de segurança e privacidade deve ser considerada (ZHOU et al., 2018). Empresas devem estar atentas a possibilidade de dados sigilosos serem divulgados (TUPTUK, HAILES, 2018). Informações estratégicas como dados comerciais e know-how, se revelados, podem levar perda de lucro (WANG et al., 2016). Zhou et al. (2018) comentam que na ausência de mecanismos de segurança apropriados, o vazamento de informações privadas é inevitável (ZHOU et al., 2018).
Além disso, devido a digitalização, empresas podem ter acesso a dados de todos os stakeholders de uma cadeia de suprimentos. Para Müller, Buliga e Voigt (2018), como as informações compartilhadas entre empresas podem envolver dados
confidenciais, as empresas são não somente responsáveis pela segurança de seus próprios dados, mas também pelos dados dos parceiros ligados a elas. Freddi (2016) comenta que algumas dessas informações podem ser muito sensíveis no que diz respeito a sua divulgação como a composição de medicamentos em setores do ramo farmacêutico. Várias informações sobre clientes e fornecedores são geralmente armazenadas em nuvem pública em vez de data centers privados, na qual os dados podem ficar vulneráveis (WANG et al., 2016). Neste cenário, pode haver o envolvimento de questões legais (WANG et al., 2016; ZHOU et al., 2018) relativas a direitos de propriedade de dados (FREDDI, 2018). Como levantado por Roblek, Meško e Krapež (2016), se informações privadas podem ser utilizadas, regras éticas devem ser seguidas apesar de, segundo Xu, Xu e li (2018), interpretações legais ainda serem vagas para o contexto de segurança cibernética.
Outra consequência é possibilidade de comprometimento da interoperabilidade entre empresas, as quais podem ficar receosas em aderir a um sistema integrado devido à, segundo (ZHOU et al., 2018), informações privadas poderem ser divulgadas.
4.2.4.3 Gestão de dados
• (RTG1) – Risco de análise ineficaz dos dados
Além dos problemas de interoperabilidade já mencionado o grande número de dispositivos, ferramentas e equipamentos conectados gerando um grande volume de dados e em diferentes formatos (Big Data) é também um desafio para a aquisição, transformação (KHAN et al., 2017), armazenamento e análise das informações (HE et al., 2016). Saber quais dados devem ser coletados, como esses dados devem ser coletados e como formulá-los são pontos importantes a serem estudados (WANG et al., 2016). Neste contexto, o processamento e análise de informações heterogêneas pode ser dificultado pela falta de soluções em formato unificado (UR REHMAN, 2018) como arquiteturas de IoT padronizadas (WAN et al., 2016).
O tempo de respostas num sistema de Análise de Big Data (BDA) totalmente automatizado e operando de forma completa (executando todas as operações de engenharia, preparando e analisando dados automaticamente), é também um tema importante devido à pontualidade de informações poderem afetar todo um sistema.
Por exemplo, sistemas ciber-físicos, atuadores e outros dispositivos precisam de acesso em tempo real (KHAN et al., 2017) e atrasos podem comprometer a análise. Ivanov, Dolgui e Sokolov (2018), comentam que o aumento da complexidade de coordenação dos dados gerando problemas de atraso nas respostas pode afetar os processos de toda uma cadeia de suprimentos.
Assim, caso a análise dessa grande quantidade de dados não seja realizada de forma eficaz, o controle em tempo real pode ser comprometido (HE et al., 2016), uma sobrecarga de informações pode ser gerada (FOIDL, FELDERER, 2016) e um sistema inteiro pode ser afetado (UR REHMAN, 2018). Desta forma, armazenar e gerenciar os dados além de possuir um tempo de resposta baixo no sistema são objetivos primários para o desemprenho do BDA (UR REHMAN, 2018).
Além do mais, sistemas tradicionais de gerenciamento de dados possuem impedimentos para a análise do Big Data, pois é difícil realizar coleta, armazenamento, gerenciamento e processamento em ferramentas e tecnologias clássicas (KHAN et al., 2017). E ainda, a análise e processamento de dados exigem conhecimentos profundo das ferramentas do Big Data (KHAN et. Al., 2017), assim a mão de obra altamente qualificada pode ser exigida (UR REHMAN, 2018), assim, a falta dela pode se tornar um desafio para o desempenho do processamento de dados.
• (RTG2) – Risco de dados de má qualidade
A enorme quantidade de informações geradas no contexto da indústria 4.0 a partir de várias fontes heterogêneas também pode trazer dificuldades para a qualidade de dados (LI et al., 2017; KIRCHEN et al., 2017). De acordo com o levantamento de Luthra e Mangla (2017) a qualidade dos dados é uma preocupação crítica para a Indústria 4.0 pois, segundo Li et al. (2017), os fluxos de trabalhos conectados dependem de informações precisas. Segundo Kirchen et al. (2017), dados de má qualidade podem levar a análises de informações de forma errônea prejudicando tomadas de decisões.
O grande montante de dados gerados pode dificultar a obtenção de informações proveitosas (LI et al., 2017). De acordo com Ur Rehman (2018), existe um campo de estudo voltado a transmissão de dados significativos, onde a massa de dados poderá conter informações não desejadas, que, segundo Xu, Xu e Li (2018), poderá caracterizar um desafio para construção de aplicações práticas. Para Chen et
al. (2018), a grande maioria dos dados provenientes da manufatura inteligente são não-estruturados o que, segundo Yan et al. (2017), devem ser transformados em dados estruturados para que as barreiras devido a diferença de fonte, formato, dimensão e outros fatores sejam eliminados e as informações úteis possam ser extraídas. Portanto, haverá a necessidade de desenvolver sistemas IoT capazes de fazer uma análise limpa apenas com dados proveitosos, pois desta forma custos quanto ao armazenamento e análise de dados sem muita significância podem ser economizados (UR REHMAN, 2018).
Além disso, no contexto da Indústria 4.0 é fácil obter dados incompletos e deficientes devido a falha de transporte, limitações de dados e erros ou perda de pacotes, especialmente em redes industriais de grande escala. Ou seja, a integridade dos dados é uma característica importante a ser avaliada para a composição de sistemas conectados (LI et al., 2017). E ainda, a confiabilidade dos dados é também um aspecto a ser considerado devido ao fato de sistemas inteiros poderem ser afetados devido a problemas relativos a este tema (LI et al., 2017).