Vazamento de dados em IA para fundição: como dividir dados HPDC e LPDC

Resposta curta: uma divisão aleatória de linhas não basta quando ciclos vizinhos, cavidades, moldes ou campanhas compartilham condições. Se informação quase duplicada aparece no treino e no teste, a métrica mede memória, não generalização.

Onde o vazamento nasce

Ele pode surgir por duplicatas, variáveis calculadas com informação futura, normalização antes da divisão, rótulos posteriores ao momento da decisão ou peças do mesmo grupo nos dois conjuntos. Na fundição, a sequência produtiva cria dependência que uma tabela plana esconde.

Porta de validação em sete passos

1) Fixe o instante da previsão. 2) Defina a hierarquia: máquina, molde, cavidade, liga, campanha e tempo. 3) remova duplicatas entre conjuntos. 4) teste grupos não vistos e períodos futuros. 5) ajuste o pré-processamento dentro de cada fold. 6) meça por defeito e subgrupo. 7) defina quando o modelo deve se abster.

Exemplo modelado

Com 30.000 registros, uma divisão aleatória pode colocar injeções consecutivas do mesmo molde no treino e no teste. Uma divisão temporal por campanha é mais difícil, mas responde à pergunta real: o modelo funcionará amanhã? A queda de desempenho informa o limite de confiança.

HPDC, LPDC e areia não são um único domínio

Cada processo tem sequências, sensores e mecanismos físicos diferentes. Mesmo dentro de HPDC, máquinas ou moldes podem exigir validação separada. Um modelo global precisa demonstrar transferência; ela não deve ser presumida.

Limites da evidência

Um bom holdout histórico não elimina mudança de distribuição. Sensores, matérias-primas, manutenção e decisões operacionais devem ser monitorados. A rastreabilidade do dataset é tão importante quanto o algoritmo.

Fonte técnica

Boas práticas e vazamento de dados no scikit-learn: https://scikit-learn.org/stable/common_pitfalls.html

Perguntas frequentes

Por que um split aleatório 80/20 não basta?

Porque pode misturar observações dependentes e tornar o teste artificialmente fácil.

É melhor dividir por tempo ou por molde?

Depende do uso futuro; frequentemente ambos são necessários.

Uma métrica menor é má notícia?

Não se for mais honesta. Ela permite definir limites, novas medições ou modelos específicos.