Correction removes what it monitors: a structural model of engineering realisation and the right-truncation of quality records

No mundo da engenharia de grande escala, desde as salas limpas que constroem microchips até as enormes plantas que refinam combustível, o sucesso depende de uma cadeia de eventos que é frequentemente invisível ao olho nu. Começa com um conjunto de requisitos, uma visão do que uma máquina ou edifício deve fazer, e termina com um objeto físico de pé no mundo real. Entre a prancheta de desenho e a estrutura acabada, reside um processo de tradução, onde ideias são decompostas em partes, conectadas e montadas. Este processo é governado por regras de qualidade: se uma peça não se ajusta perfeitamente, ela é corrigida, medida novamente, e a nova medição corrigida é anotada. Por décadas, a indústria operou sob a premissa de que estes registos fornecem uma imagem verdadeira de quão bem o trabalho está a ser realizado. A lógica parece sólida: se cada item que falha é corrigido até passar, então a lista final de medições deve mostrar um mundo onde tudo está dentro dos limites aceitáveis. Mas esta premissa esconde uma falha estrutural na forma como compreendemos os dados que recolhemos.

Um novo estudo do investigador independente Yang Liu desafia esta crença fundamental, propondo que o próprio ato de corrigir um erro apaga a evidência da existência desse erro. A investigação sugere que, quando os engenheiros corrigem uma peça que está fora da tolerância, não estão apenas a melhorar o produto; estão também a eliminar a informação mais importante sobre o processo que o criou. Ao construir um modelo estrutural de como os projetos de engenharia são realizados e testá-lo com simulações computacionais, o autor demonstra que a forma padrão de registar dados de qualidade cria um ponto cego. Os registos que mantemos não são uma amostra aleatória da realidade; são uma versão filtrada onde os erros mais extremos foram cirurgicamente removidos. Esta remoção distorce a nossa compreensão do risco, fazendo com que processos instáveis pareçam estáveis e escondendo a verdadeira natureza dos problemas que assolam a construção e a fabricação.

O artigo começa mapeando a jornada de um projeto, de um requisito a um objeto físico, utilizando um quadro de seis etapas distintas, ou registos. Estas etapas movem-se do mundo estático do design, onde corpos e as suas conexões existem apenas como ideias, para o mundo evolutivo da construção, onde essas ideias ganham forma no tempo e no espaço, e finalmente para o reino das restrições, onde regras de segurança e de contrato podam resultados impossíveis. O autor identifica uma lacuna específica neste processo: um design pode mostrar um sistema que é perfeitamente contínuo no papel, mas impossível de montar no mundo real. Em termos matemáticos, isto é descrito como um defeito topológico, uma situação onde as conexões locais funcionam bem, mas o loop global não se fecha. Isto não é uma questão de má execução ou falta de verificação; é uma impossibilidade estrutural inerente ao próprio design. O estudo utiliza um método de decomposição de campos em três componentes — aqueles que representam a estrutura, aqueles que representam a mudança e aqueles que representam restrições imutáveis — para mostrar que este modo de falha é uma propriedade precisa e mensurável do design, e não apenas um erro de coordenação.

A descoberta central do artigo, no entanto, reside no que acontece após a verificação de controle de qualidade. Num ambiente industrial típico, quando uma medição cai fora da tolerância permitida, o item é retrabalhado. Ele é ajustado, medido novamente, e o novo valor é armazenado na base de dados. A medição original, que falhou, é descartada. O autor argumenta que esta prática cria um registo "truncado à direita". Imagine um histograma de todas as medições tomadas durante um projeto; a prática padrão corta o lado direito do gráfico, onde residem os grandes erros, e substitui-os por valores que se situam logo dentro do limite. Como a cauda da distribuição — a parte que mostra com que frequência e quão mal as coisas correm mal — é removida, qualquer análise estatística realizada nos dados restantes é fundamentalmente falha. Os dados já não representam a população de erros; representam apenas a população de erros que foram pequenos o suficiente para passar, ou que foram corrigidos com sucesso.

Esta distorção tem uma consequência específica e perigosa: ela inflaciona a estabilidade percebida do processo. O estudo foca-se numa medida estatística conhecida como índice de cauda, que descreve o quão pesada é a cauda de uma distribuição. Um índice mais baixo significa que o processo é propenso a desvios grandes e imprevisíveis, enquanto um índice mais alto sug isso um processo mais estável e previsível. Nas simulações realizadas para este artigo, um processo com um índice de cauda real de 1,8, indicando um alto risco de grandes erros, foi registado como tendo um índice de 7,26 após o ciclo de retrabalho e remedição. Esta é uma mudança massiva. O sistema que é, de facto, o mais instável, aparece como o mais estável. O erro não é uma dispersão aleatória de números; é um viés sistemático que faz com que os piores processos pareçam os melhores. Esta inversão de classificação significa que um sistema de qualidade que dependa destes registos iria, inadvertidamente, recompensar os processos mais perigosos e penalizar os mais estáveis, simplesmente porque os perigosos tiveram os seus piores pontos de dados editados.

A investigação explora ainda por que razão a simples recolha de mais dados não resolve o problema. Mesmo com um grande número de amostras, o índice de cauda permanece impossível de recuperar com precisão se os valores originais, pré-correção, forem perdidos. O estudo mostra que o intervalo de incerteza para o índice de cauda permanece tão amplo que não pode ser usado para tomar decisões críticas, tais como se um processo é seguro o suficiente para continuar. Os dados não são apenas ruidosos; a informação está ausente. O artigo argumenta que a solução não é uma fórmula matemática melhor ou um tamanho de amostra maior, mas sim uma mudança no que é registado. O autor propõe um remédio de esquema simples: para cada medição, o sistema deve armazenar dois valores que não se sobrescrevam. O primeiro valor é a medição inicial feita antes de qualquer correção ser realizada, e o segundo é o valor após o retrabalho. Ao preservar a medição inicial, que falhou, o registo retém a verdadeira forma da distribuição de erro, permitindo que os engenheiros vejam o risco real.

O artigo também aborda o papel dos códigos e normas de qualidade. Frequentemente, assume-se que estes códigos atuam como portões que melhoram a qualidade do trabalho. O estudo sugere que comparar o trabalho realizado sob um código estrito com o trabalho realizado sem um é enganoso, porque os dois grupos não são comparáveis; códigos estritos são geralmente aplicados aos projetos mais críticos e com mais recursos. Em vez disso, o autor propõe testar a eficácia de um código observando a taxa de excedência — a proporção de itens que falham em cumprir a tolerância — antes e depois de uma mudança de regra, ou variando a intensidade da aplicação sobre o mesmo tipo de trabalho. As simulações indicam que detetar uma diferença real nestas taxas requer um tamanho de amostra muito maior do que o tipicamente assumido, aproximadamente dois mil itens por grupo, em vez das poucas centenas frequentemente usadas em estudos industriais.

Finalmente, o estudo conecta estas descobertas de engenharia a uma questão mais ampla de como as máquinas e os modelos compreendem o mundo. O autor traça um paralelo entre as lacunas estruturais no design de engenharia e a forma como os modelos de inteligência artificial processam a informação. Tal como um design pode parecer contínuo no papel, mas falhar na montagem, um modelo de aprendizagem automática pode prever o próximo quadro de um vídeo sem compreender verdadeiramente a estrutura subjacente do espaço que está a observar. O artigo sugere que uma verdadeira compreensão do espaço tridimensional requer a capacidade de separar um campo de dados nos seus componentes estruturais, evolutivos e de restrição, tal como a decomposição utilizada no modelo de engenharia. Embora o artigo não afirme ter resolvido isto para a IA, estabelece um critério testável: um modelo que consiga separar estes componentes tem provavelmente uma compreensão mais profunda e robusta do mundo do que um que não consegue.

As implicações deste trabalho são práticas e imediatas. O autor conclui que a prática atual de sobrescrever medições falhadas não é apenas um hábito administrativo menor; é uma falha estrutural que impede as organizações de verem os seus próprios riscos. O remédio não é complexo. Requer uma mudança no esquema de dados para garantir que a primeira medição é preservada ao lado da corrigida. Sem este passo simples, o registo não pode responder à pergunta para a qual foi recolhido: quão fiável é este processo? O estudo não afirma que a indústria esteja quebrada, mas sim que a lente através da qual ela vê o seu próprio desempenho está distorcida. Ao corrigir o processo de registo, os engenheiros podem passar de um estado de falso otimismo para uma compreensão clara e precisa dos desafios que enfrentam, permitindo-lhes gerir o risco com a precisão que a engenharia moderna exige.