O que é a IA?
A inteligência artificial (IA) é uma tecnologia que simula, por meio de computadores, as habilidades de resolução de problemas e tomada de decisão peculiares da mente humana e pode ser usada para diversos fins. Até agora, as áreas de aplicação são muitas e é realmente difícil encontrar uma área que ainda não tenha sido afetada.
No contexto da Indústria 4.0, e mais especificamente em aplicações de S&OP e MOM, a IA desempenha um papel importante, uma vez que, ao permitir a análise de dados que seriam difíceis de processar manualmente devido à sua numerosidade e complexidade, fornece elementos quantitativos para apoiar os processos de tomada de decisão. Isso aumenta a capacidade de planejar processos de S&OP e MOM, já estabelecidos e robustos, além de melhorar suas capacidades de resposta a eventos adversos.
Em ambos os casos, vale ressaltar a importância do termo “apoio” para os processos de tomada de decisão. A IA também pode ser usada para automatizar certas tarefas: no entanto, isso é frequentemente visto como um sinônimo de substituição humana, com questões éticas associadas cuja discussão está além do escopo deste artigo.
Qual a diferença entre inteligência artificial e machine learning?
Inteligência Artificial e Machine Learning não são a mesma coisa: essas duas tecnologias estão relacionadas, mas são diferentes. A IA cria a arquitetura, enquanto o aprendizado de máquina a aprimora.
A inteligência artificial, na verdade, é a ciência que há anos busca desenvolver máquinas capazes de tomar decisões em perfeita autonomia: pode ser definida como a ciência que desenvolve a arquitetura necessária para que as máquinas funcionem como o cérebro humano e suas redes neurais. O aprendizado de máquina, por outro lado, é o algoritmo que permite que máquinas inteligentes melhorem ao longo do tempo, assim como acontece com a mente humana. De fato, sem aprendizagem avançada, não seria possível colocar a inteligência artificial “em movimento”.
De acordo com a estratégia definida pelo grupo sedApta, o foco está na inclusão de recursos baseados em IA nos produtos da suíte que permitam, por meio de algoritmos de Machine Learning (ML) devidamente treinados, ajudar os indivíduos a tomar melhores decisões com base no que já ocorreu em condições semelhantes no passado (human-in-the-loop).
Esse processo resultou em um assistente virtual integrado ao sedApta Suite que aumenta a capacidade dos usuários de identificar padrões entre os dados, aprimorando os ativos de informação que as empresas comumente exploram apenas minimamente.
Inteligência artificial para sedApta
O Grupo sedApta está em uma posição privilegiada na implementação de recursos de IA devido à transversalidade e heterogeneidade dos dados processados.
Uma das principais características do sedApta Suite é sua abordagem de ponta a ponta para os processos de S&OP e MOM – desde processos de previsão de demanda até planejamento de longo e médio prazo, gerenciamento de estoque, programação e gerenciamento de serviços logísticos.
Além disso, considerando que a Suite pode ser integrada com os principais sistemas ERP, fica claro o quão significativo e distintivo tal banco de dados pode ser.
Dentro do grupo sedApta existem duas organizações, AImesys e I2Lab, que colaboram estreitamente com a função de pesquisa e desenvolvimento na identificação, desenvolvimento e integração de recursos inovadores de IA em produtos sedApta em ambos os domínios de Processo e de Discreto.
Casos de uso realizados pela sedApta no campo da IA
O planejamento bem-sucedido de estoques é um processo cada vez mais complexo devido à alta variabilidade de fatores que devem ser considerados: em primeiro lugar, a demanda, cujo comportamento é mais difícil de prever devido a variáveis cada vez mais complexas (mais transações, maior customização exigida pelos clientes e mais atores envolvidos entre as principais causas) e prazos de entrega de suprimentos que tendem a ser menos estáveis e confiáveis.
De acordo com o Gartner, os gerentes da cadeia de suprimentos estão sob constante pressão para contribuir positivamente com o fluxo de caixa por meio da redução de estoque. As principais medidas a serem tomadas para aumentar o fluxo de caixa e, ao mesmo tempo, manter altos níveis de serviço, lucratividade e crescimento incluem um melhor gerenciamento dos pontos de reordenação com base nos prazos de entrega, padrões de demanda e níveis de serviço estabelecidos com base na análise de buffer de segurança [Top Actions for Supply Chain Inventory Reduction do Gartner, 2018].
Por esse motivo, entre os principais processos de S&OP para os quais a sedApta treinou algoritmos de ML, subjacentes ao funcionamento do assistente virtual, estão os processos de Planejamento de Demanda e Gestão de Estoque.
Hoje, a sedApta oferece aos seus clientes funcionalidades que lhes permitem prever com mais precisão a demanda e gerar um plano de reposição de estoque mais robusto. Isso possibilita otimizar estoques e aumentar a capacidade de reação a imprevistos trazidos pelo dinamismo do mercado e pelo estado da infraestrutura logística como um todo.
Planejamento de Demanda
- Uso de variáveis exógenas para aumentar a precisão da previsão de demanda. As variáveis usadas podem incluir variáveis macroeconômicas (por exemplo, PIB), tendências de preços de energia, variáveis específicas do setor e variáveis relacionadas a situações específicas (por exemplo, fluxos de movimento durante a pandemia para limpar séries temporais do “efeito covid”). Dependendo do tipo de variável exógena, cada uma adequadamente ponderada, pode-se prever a demanda no médio e longo prazo (por exemplo, variável exógena do PIB) ou refiná-la no curto a muito curto prazo (por exemplo, variável exógena de previsão do tempo).
- Otimização da previsão de demanda. Os algoritmos tradicionais, selecionados através das lógicas de melhor ajuste, são aplicados ao lado de algoritmos de ML multivariados. Esta última, ao alavancar as variáveis endógenas da série temporal e quaisquer variáveis exógenas disponíveis, permite identificar condições inerentemente complexas de prever nas quais, no passado, algoritmos tradicionais e/ou correções feitas pelo usuário dentro de um ambiente colaborativo se mostraram imprecisas. Os algoritmos de ML sinalizam a probabilidade de que tais condições voltem a ocorrer e propõem um fator corretivo para a previsão ao usuário.
- Lançamento de novos produtos. Um dos aspectos mais críticos da previsão de demanda é o cálculo da previsão para novos produtos, para os quais não há base histórica disponível para uso. Este problema tende a ser superado através da seleção manual pelo usuário de um produto existente que ele ou ela acredita ser semelhante ao novo produto. Nesta área, a sedApta treinou algoritmos supervisionados e não supervisionados para produzir um ranking quantitativo dos produtos mais semelhantes ao novo produto. Esse ranking é consultado pelo usuário para validar analiticamente a escolha que teria feito sem o apoio do assistente virtual e/ou identificar produtos similares que não havia pensado.
Gestão de Estoques
- Ranking de Fornecedores. O desempenho dos fornecedores (por exemplo: pontualidade, qualidade, sustentabilidade, etc.), normalmente calculado em sistemas ERP, é contextualizado em relação às condições específicas sob as quais foram processados, a fim de fornecer um ranking ainda mais oportuno. Dada uma situação específica, os algoritmos de ML implementados pela sedApta, permitem estimar qual fornecedor tem maior probabilidade de entregar o desempenho necessário de acordo com os objetivos de uma ou mais dimensões de análise (por exemplo: pontualidade-qualidade, qualidade-sustentabilidade, etc.).