Cognitive Modeling and its Applications in Industry: : A Systematized Literature Review

Sérgio Santos Silva; Lynn Rosalina Gama Alves

doi:10.22456/2175-2745.146990

Authors

Sérgio Santos Silva SENAI CIMATEC https://orcid.org/0009-0008-0081-1600
Lynn Rosalina Gama Alves Universidade Federal da Bahia (UFBA) https://orcid.org/0000-0003-3688-3506

DOI:

https://doi.org/10.22456/2175-2745.146990

Keywords:

Cognitive Computing, Modeling Processes, Systematized Review, Industrial Applications

Abstract

Cognitive Computing (CC), as a promising technological paradigm, brings computational systems closer to human reasoning in order to solve complex problems across sectors that demand efficiency, reliability, and innovation. This article presents an analysis of CC modeling processes applied to the industrial sector, through a Systematic Review (SR) of studies published between 2019 and 2024. The results, organized around three guiding questions, enabled the comparison of six selected studies, highlighting their practical applications, advantages, and limitations. The conclusions demonstrate the potential of CC in industrial applications and its integration with emerging technologies. The study also identifies challenges and research gaps, and provides recommendations for future practices and investigations.

Downloads

Download data is not yet available.

Author Biographies

Sérgio Santos Silva, SENAI CIMATEC

Graduado em Engenharia de Controle e Automação pela Uniruy Wyden, Bacharel em Ciências Contábeis pela UNEB (Universidade do Estado da Bahia) e MBA em gestão Empresarial pela Uniruy. Mestrando em Modelagem Computacional e Tecnologia Industrial pelo SENAI CIMATEC. Engenheiro de Sistemas Instrumentados de Segurança e de Segurança de Automação em indústria petroquímica.

Lynn Rosalina Gama Alves, Universidade Federal da Bahia (UFBA)

Atualmente Bolsista de Produtividade Desenvolvimento Tecnológico e Extensão Inovadora do CNPq - Nível 1D, possui graduação em Pedagogia pela Faculdade de Educação da Bahia (1985), Mestrado (1998) e Doutorado (2004) em Educação pela Universidade Federal da Bahia. Os Pós-doutorados foram na área de Jogos eletrônicos e aprendizagem (Universidade de Turim, na Itália), Jogos e narrativas seriadas (FACOM/UFBA), crianças, adolescentes, jogos digitais e proteção e segurança de dados (Capes-Print Universidade de Barcelona). É docente e pesquisadora do Instituto de Humanidades, Artes e Ciência - IHAC - UFBA, professora Permanente do Programa de Pós-graduação em Ensino, Filosofia e História da Ciência e coordenadora da Rede de Pesquisa Comunidades Virtuais - UFBA. As investigações realizadas relacionam-se com as plataformas digitais e suas perfomatividades algorítmicas, destacando os jogos digitais e suas interfaces, especialmente com a aprendizagem em distintos cenários. Nos últimos anos vem realizando pesquisas que têm como temas: proteção de dados de crianças e adolescentes, narrativas seriadas, divulgação científica, questões e tensões relacionadas com a plataformização da educação, destacando a Learning Analytics. Coordenou os projetos de pesquisa e desenvolvimento em jogos digitais como: Tríade (FINEP/FAPESB/UNEB), Búzios: ecos da liberdade (FAPESB), Guardiões da floresta (CNPq, FAPESB, Proforte), Brasil 2014: rumo ao Hexa (SEC-Ba), Insitu (SEC-Ba), Industriali (SEC-Ba), Games studies (FAPESB), DOM (SEC-Ba), Janus (SEC-Ba) e Gamebook (CAPES/FAPESB), Lider SIM (CAPES) e 2 de Julho Levante dos Invisíveis (FAPESB). Organiza e coordena há quinze anos o Seminário de Jogos Eletrônicos, Educação e Comunicação - construindo novas trilhas.

References

[1] AGGARWAL, L.; CHAHAL, D.; KHARB, L. Pruning deficiency of big data analytics using cognitive computing. In: International Conference on Emerging Trends in Communication, Control and Computing (ICONC3). Lakshmangarh, India: Mody University of Science and Technology, 2020. p. 1–8. Disponível em: https://doi.org/10.1109/ICONC345789.2020.9117504.

[2] MURRAY, B. Cognitive Computing: Revolutionizing Problem-Solving and Decision-Making through Artificial Intelligence. [S.l.]: May Reads, 2024.

[3] WATKINS, C. J.; DAYAN, P. Q-learning. Machine Learning, v. 8, n. 3-4, p. 279–292, 1992. Disponível em: https://doi.org/10.1007/BF00992698.

[4] CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v. 20, p. 273–297, 1995. Disponível em: https://doi.org/10.1023/A:1022627411411.

[5] MNIH, A.; ZHANG, Y.; HINTON, G. E. Improving a statistical language model through non-linear prediction. Neurocomputing, v. 72, n. 7-9, p. 1414–1418, 2009. Disponível em: https://doi.org/10.1016/j.neucom.2008.12.025.

[6] BENGIO, Y. Learning deep architectures for AI. Foundations and Trends® in Machine Learning, v. 2, n. 1, p. 1–127, 2009. Disponível em: https://doi.org/10.1561/2200000006.

[7] NEWCOMBE, R. A. et al. Kinectfusion: Real-time dense surface mapping and tracking. In: IEEE International Symposium on Mixed and Augmented Reality (ISMAR). Basel, Switzerland: [s.n.], 2011. p. 127–136. Disponível em: https://doi.org/10.1109/ISMAR.2011.6092378.

[8] ANTMAN, E. M. et al. A comparison of results of meta-analyses of randomized control trials and recommendations of clinical experts. JAMA, v. 268, n. 2, p. 240–248, 1992. Disponível em: https://doi.org/10.1001/jama.1992.03490020088036.

[9] OXMAN, A. D.; GUYATT, G. H. The science of reviewing research. Annals of the New York Academy of Sciences, v. 703, p. 125–134, 1993. Disponível em: https://doi.org/10.1111/j.1749-6632.1993.tb26342.x.

[10] QU, Y. et al. A blockchained federated learning framework for cognitive computing in industry 4.0 networks. IEEE Transactions on Industrial Informatics, v. 17, n. 4, p. 2964–2973, 2021. Disponível em: https://doi.org/10.1109/TII.2020.3007817.

[11] ZHANG, S. P. et al. Three-way decision models of cognitive computing in pythagorean fuzzy environments. Cognitive Computation, v. 14, p. 81–93, 2021. Disponível em: https://doi.org/10.1007/s12559-021-09867-0.

[12] ALTHOBAITI, M. M. et al. An intelligent cognitive computing based intrusion detection for industrial cyber-physical systems. Measurement, v. 186, p. 110145, 2021. Disponível em: https://doi.org/10.1016/j.measurement.2021.110145.

[13] LEE, S. H. et al. Ttgn: Two-tier geographical networking for industrial internet of things with edge-based cognitive computing. IEEE Access, v. 10, p. 22238–22246, 2022. Disponível em: https://doi.org/10.1109/ACCESS.2022.3153726.

[14] HOANG, D. et al. Data fusion cognitive computing for characterization of mechanical property in friction stir welding process. In: ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference (IDETC-CIE). Boston, MA, USA: ASME, 2023. p. V002T02A055. Disponível em: https://doi.org/10.1115/DETC2023-117184.

[15] MI, Y. et al. Concept-cognitive computing system for dynamic classification. European Journal of Operational Research, v. 301, p. 287–299, 2022. Disponível em: https://doi.org/10.1016/j.ejor.2021.11.003.