- A Vale implementa portfólio de inteligência artificial em operações de mina, beneficiamento, pelotização e logística para otimizar ativos, reduzir custos e melhorar eficiência energética em toda cadeia produtiva.
- A empresa monitora 55% dos ativos críticos com detecção de anomalias via plataforma Sentinela e desenvolveu agentes de IA generativa como MarIA para extrair insights de relatórios operacionais complexos.
- A qualidade dos dados representa o principal desafio em projetos de IA na mineração, consumindo mais de 80% do esforço, exigindo mudança cultural e capacitação de equipes para coleta correta na fonte.
A Vale está implementando um portfólio extenso de soluções de inteligência artificial (IA) focado na otimização de processos, aumento de produtividade, redução do custo de produção e melhoria da eficiência energética em todas as suas operações. As iniciativas abrangem desde a mina até o porto, incluindo beneficiamento, pelotização, logística e projetos de capital.
Durante palestra na mini arena da companhia na Exposibram, Sérgio Tauffer, especialista da área de Confiabilidade de Ativos da Vale, detalhou a evolução da estratégia de IA, que começou em 2017 e ganhou força em 2022, com a parceria com o Centro de Monitoramento de Ativos (CMA). Segundo Tauffer, o ano de 2023 marcou um “grande boom” com o surgimento das LLMs (Grandes Modelos de Linguagem), levando ao desenvolvimento de soluções de IA generativa.
Um dos pilares centrais da estratégia é a democratização da tecnologia. Tauffer mencionou programas de treinamento e trilhas de capacitação com o objetivo de “empoderar os usuários” e aumentar a produtividade. “São 60 mil funcionários na Vale, nosso desejo é que a gente tenha 60 mil pessoas capacitadas com as ferramentas de inteligência artificial”, afirmou.
Aplicações práticas
Tauffer explicou que a Vale implementou soluções de IA em quatro frentes, a depender da maturidade de cada ativo. O primeiro é na detecção de anomalias, em que a empresa já cobre aproximadamente 55% dos seus ativos críticos.
O segundo uso é na predição de falhas (indicar o que está errado e quando falhará), que hoje atinge 12% dos ativos. O terceiro, na manutenção prescritiva (detectar, prever e prescrever a solução), é uma meta em desenvolvimento para 2026. O nível final, o “O&M Digital” (em que o sistema se autogerencia), ainda é considerado distante da realidade atual.
Para gerenciar essa confiabilidade, a Vale utiliza a plataforma “Sentinela”, que monitora ativos fixos – com prioridade para transportadores de correia, considerados os mais críticos por estarem em todas as fases da operação – e ativos móveis, como caminhões fora de estrada e perfuratrizes. A plataforma coleta dados de sensores e usa modelos para prever falhas, direcionando as equipes de inspeção.
Para ativos móveis, a solução é o “MH” (My Health), que utiliza dados de telemetria e análise de óleo para prever falhas em componentes.
IA generativa e vídeo analytics
Seguindo a expansão de 2023, a Vale desenvolveu a “MarIA” (Manutenção e Análise de Riscos usando Inteligência Artificial). Trata-se de um agente de IA generativa que auxilia as equipes de CMA a extrair informações de performance e relatórios.
“É um prompt com perguntas do tipo: ‘Qual foi a classe de ativos com maior volume de falhas no último trimestre?’ ou ‘Qual foi a disponibilidade física do mês passado em Brucutu?'”, explicou Tauffer. Segundo ele, a ferramenta economiza tempo de analistas que, de outra forma, precisariam ler relatórios de 100 a 150 páginas.
A MarIA é complementada pelo “AVM” (Assistente Virtual de Mineração), que foca em informações mais granulares e de curto prazo, como a produção de pelotas de uma usina específica no dia anterior.
Outra frente de destaque é o uso de video analytics para aumentar a segurança e a confiabilidade, substituindo inspeções manuais em locais de risco. Tauffer apresentou exemplos de algoritmos que inspecionam alimentadores de sapata, filtros de disco e correias transportadoras (detectando rasgos, bolhas, irregularidades e medindo espessura).
Da eficiência energética ao preditor de neblina
Nas operações de mina, a Vale aplica IA para ganhos de eficiência e segurança. Uma das principais soluções é um programa de eficiência energética para equipamentos móveis. Após um período de captura de dados de telemetria, um modelo matemático foi criado para fornecer recomendações de velocidade e aceleração para os operadores de caminhão, por trecho, visando a reduzir o consumo de combustível e, consequentemente, a pegada de carbono. “Nas minas onde isso foi implantado, o resultado foi fantástico”, disse Tauffer.
Outra solução específica é o preditor de neblina, desenvolvido para lidar com um grande desafio nas operações de Minas Gerais, onde a neblina densa frequentemente impede a operação por questões de segurança. “Com o preditor de neblina, a gente consegue ver com dois a cinco dias de antecedência qual vai ser a chance de neblina”, explicou. Se a previsão indicar 90% de chance de paralisação, as equipes utilizam a janela de oportunidade para programar manutenções, otimizando o tempo de parada.
O portfólio se estende às usinas, com o “smart screen” – que usa câmeras para ajustar a frequência de peneiras vibratórias conforme a granulometria – e a “pelota inteligente” – para redução de custo variável, além de soluções de logística, como um preditor de demurrage (sobrestadia de navios), e de planejamento ligado ao Centro de Operações Integradas (COE).
O desafio central: a qualidade dos dados
Questionado sobre os maiores desafios, Sérgio Tauffer foi enfático: a qualidade dos dados é a principal barreira, consumindo mais de 80% do esforço em qualquer projeto de IA.
“O mantra da ciência de dados é ‘garbage in, garbage out’. Se você tem um dado ruim na entrada, não adianta você fazer nada; vai sair lixo”, afirmou.
Ele citou dificuldades recorrentes, como sensores que não são religados após manutenção, tags descalibradas ou dados faltantes. Tauffer usou a “analogia do balde” para explicar que muitas vezes se pede à IA uma “troca automatizada de balde” (uma solução para um sintoma), quando o problema real é o “cano furado” (o processo de coleta de dados na fonte). Para ele, a solução para isso não é a IA, mas uma mudança cultural, capacitação e cobrança da liderança pelo preenchimento correto dos dados.
Estratégia de desenvolvimento
Tauffer também revelou uma mudança na estratégia de desenvolvimento. Após anos operando com parceiros estratégicos como IBM, Deloitte e Accenture, a Vale percebeu que a alta rotatividade e a dinâmica do mercado de IA prejudicavam o andamento dos projetos.
Em resposta, na virada de 2024 para 2025, a empresa realizou a primeira contratação de desenvolvedores próprios em quase 25 anos. O AI Center conta hoje com 16 profissionais contratados pela Vale que trabalham em conjunto com os parceiros para desenvolver e sustentar as soluções.
Confira a cobertura completa da Exposibram na página especial do Radar Mineração.
