Recentemente, dei início a uma palestra sobre a aplicação de Inteligência Artificial (IA) em Logística e Supply Chain com uma pergunta intrigante: "Quantos de vocês utilizaram IA em seu local de trabalho?" A resposta foi modesta, com apenas cinco pessoas levantando a mão. Aprofundando a questão, perguntei: "E quantos de vocês fizeram uso de IA nesta manhã?" Para minha surpresa, somente duas mãos foram erguidas, incluindo a minha. Este momento foi crucial para destacar uma reflexão importante: apesar de muitas vezes não percebermos, a IA faz parte do nosso cotidiano de maneira integral. Seja ao escolher um filme na Netflix, escutar uma nova playlist no Spotify, solicitar um carro pelo Uber ou até mesmo interagir com a Alexa, estamos constantemente nos beneficiando de aplicações impulsionadas por IA. Inclusive, o simples ato de checar nossos e-mails é permeado pela presença de Machine Learning (ML), com algoritmos dedicados a separar mensagens indesejadas e spam do restante de nossa correspondência. O objetivo dessa observação era evidenciar que, independentemente de nossa percepção consciente, o uso da IA é uma realidade incontestável e presente em nossas vidas diárias.

A Inteligência Artificial (IA) pode ser caracterizada como a capacidade de máquinas executarem tarefas que, tradicionalmente, requereriam a cognição humana, como perceber, raciocinar, aprender e resolver problemas. Dentro deste amplo espectro, a aprendizagem de máquina (Machine Learning - ML) emerge como um pilar central, situando-se ao lado de outras áreas significativas como robótica, processamento de linguagem natural (PLN), visão computacional e reconhecimento de fala. É importante destacar que o ML tem se estabelecido como o subcampo mais influente da IA empregando dados históricos para desenvolver modelos que são capazes de antecipar resultados futuros ou comportamentos de dados novos, representando uma fronteira avançada no campo da inteligência artificial.

A descoberta de que 90% dos dados globais foram criados nos últimos dois anos foi uma revelação estonteante para mim. Esta estatística lança luz sobre a incrível explosão de informações que estamos vivenciando e destaca de forma clara o papel crucial do Machine Learning neste contexto. ML se nutre e evolui graças a esses imensos volumes de dados, explorando-os para aprender padrões, fazer previsões e aprimorar decisões. Esse cenário reforça a grande importância de desenvolver sistemas de inteligência artificial sofisticados que possam não apenas gerenciar, mas também compreender e extrair valor dessa vastidão de informações com eficácia.

Método de Machine Learning
O aprendizado de máquina é uma disciplina fascinante que se apoia na utilização de dados, modelos probabilísticos e algoritmos para descobrir padrões e fazer previsões. O processo inicia com a identificação clara do problema a ser resolvido, seguida pela etapa crucial de limpeza dos dados, onde inconsistências e ruídos são removidos para garantir a qualidade da análise. Uma vez preparados, os dados são usados na implementação do modelo de aprendizado de máquina, que é cuidadosamente escolhido e configurado de acordo com o desafio em questão.

 
Após a implementação, o modelo é submetido a um rigoroso processo de treinamento e teste, permitindo que aprenda com os dados fornecidos e tenha sua eficácia avaliada. A avaliação é uma fase crítica onde o desempenho do modelo é medido por meio de métricas específicas, assegurando que ele atenda aos critérios de sucesso estabelecidos. Com a aprovação em todas as etapas anteriores, o modelo é então implantado para aplicação prática, onde começa a resolver o problema identificado no mundo real.

Contudo, o trabalho não termina com a implantação. A atualização contínua do modelo é essencial para manter sua relevância e eficácia, ajustando-o conforme novos dados e feedbacks são recebidos. Isso garante que o modelo permaneça eficiente frente a mudanças nos padrões de dados ou nas condições do problema.

Os métodos de aprendizado de máquina são divididos em três grandes famílias, cada uma com suas peculiaridades e aplicações. Os métodos de aprendizado supervisionado utilizam dados de treinamento etiquetados para fazer previsões sobre novos dados, sendo ideais para tarefas como previsão de demanda, classificação de imagens, detecção de fraude, identificação de causas de atrasos/falhas e diagnósticos médicos. Já os métodos de aprendizado não supervisionado buscam padrões em conjuntos de dados sem etiquetas pré-definidas, úteis para segmentação de clientes/fornecedores e recomendações de produtos. Por fim, o aprendizado por reforço foca na otimização de decisões e na aquisição de habilidades por meio de recompensas, pavimentando o caminho para avanços significativos em áreas que exigem adaptação e melhoria contínua.

Exemplo de Uso de ML em Transporte
Alunos da FEI ajudaram um varejista a identificar as causas de atrasos em transferências de mercadorias entre suas instalações. Para isso, os alunos desenvolveram um modelo de classificação que prevê atrasos como função de 18 fatores tais como: 1) a distância da rota, incluindo a distância real e a distância planejada 2) tempo de viagem 3) 4) Modelo de veículo, 5) transportadora 6) cidade de origem 7) cidade de destino 8) atraso na origem.

A análise determinou quais variáveis eram bons preditores e permitiu aos alunos preverem se uma rota planejada teria baixa ou alta probabilidade de atraso. Em seguida, os alunos usaram uma árvore de decisão baseada nas variáveis para prever a probabilidade de atrasos de outras rotas planejadas. No entanto, eles descobriram que a árvore de decisão era bastante sensível aos dados, então eles mudaram para um modelo de floresta aleatória e avaliaram o poder explicativo e preditivo das variáveis. Os fatores mais relevantes identificados foram: atraso na origem, distância percorrida, transportadora, tipo de veículo e idade do caminhão. A equipe usou 110 árvores com uma profundidade de nove nós, alcançando uma precisão de teste de 73 por cento. Um plano de ação detalhado foi elaborado a partir deste estudo e monitoramento implementado. 

Machine Learning na Gestão de Redes de Suprimentos
O Machine Learning (ML) apresenta uma vasta gama de aplicações no contexto das redes de suprimentos. Pode-se empregar o ML na previsão e projeção de demanda, fornecimento, entregas pontuais e identificação de riscos. Essa tecnologia tem o potencial de automatizar numerosos elementos rotineiros das operações de redes de suprimentos, além de auxiliar na detecção ou previsão de exceções à norma operacional. O ML desempenha um papel fundamental no planejamento e projeto de redes, inventários, e rotas. Além disso, o ML é um componente essencial em veículos autônomos de redes de suprimentos, incluindo caminhões, navios, drones de entrega e empilhadeiras, reforçando a eficiência e a inovação nas operações logísticas.

Analistas de negócio e Cientistas de Dados: Uma Sinergia Necessária
As inovações trazidas pelo Machine Learning (ML) introduzem desafios significativos relacionados aos novos papéis e competências necessárias, destacando uma distinção clara entre os analistas de negócio tradicionais e os cientistas de dados. Enquanto os analistas de negócio possuem uma compreensão profunda dos aspectos estratégicos e táticos, muitas vezes lhes falta o entendimento detalhado de matemática avançada e ciência da computação que a equipe de ciência de dados detém e requer para operar eficazmente.

Uma solução inovadora para essa lacuna é promover uma colaboração estreita entre analistas de negócio e cientistas de dados, facilitando a coleta conjunta de dados, a realização de análises descritivas e a compreensão integrada dos desafios de negócios e técnicos. Essa abordagem colaborativa não apenas melhora a comunicação entre os dois grupos, mas também enriquece a tomada de decisão com insights baseados em dados e análises técnicas profundas.

Outra estratégia promissora é a educação contínua e o desenvolvimento de competências, onde indivíduos de ambos os campos são incentivados a adquirir conhecimentos nos três domínios críticos: negócios, matemática e ciência da computação. Esta abordagem multidisciplinar pode criar profissionais mais versáteis, capazes de navegar tanto nas complexidades do negócio quanto nas técnicas com maior eficácia.

Adotar uma dessas estratégias, ou idealmente uma combinação de ambas, pode não só diminuir a divisão entre analistas de negócio e cientistas de dados, mas também potencializar a capacidade de uma organização de aproveitar ao máximo as oportunidades oferecidas pelo ML. A sinergia resultante pode levar a inovações disruptivas, operações otimizadas e uma vantagem competitiva sustentável no mercado.

Aprimoramento de Talentos na Era do Big Data
As instituições de ensino superior enfrentam o desafio de atualizar seus currículos e ferramentas pedagógicas para atender às demandas do mercado de trabalho atual, particularmente no campo das ciências de dados. Enquanto muitas universidades continuam a ensinar o uso de tecnologias como Excel, que perdeu sua relevância no mercado, há uma necessidade crítica de focar em habilidades práticas que preparem os estudantes para o trabalho com big data, uma realidade cada vez mais presente nas empresas modernas. Os projetos acadêmicos frequentemente se limitam a conjuntos de dados de menor escala, não refletindo a complexidade e a escala dos dados que os profissionais encontram no ambiente corporativo.

Para preencher essa lacuna, é fundamental que os estudantes sejam treinados para lidar com grandes volumes de dados, utilizando uma variedade de bancos de dados e ferramentas analíticas modernas. Além disso, é imperativo que os currículos abordem a importância da limpeza e da manipulação de dados, competências essenciais antes mesmo de se considerar a modelagem em Machine Learning (ML). A compreensão de que o desenvolvimento de modelos de ML é apenas uma etapa no ciclo de vida dos dados pode ajudar a preparar profissionais mais completos e versáteis.

Para além do ambiente acadêmico, as empresas têm explorado outras estratégias para desenvolver os talentos de que necessitam. Programas de treinamento internos surgem como uma alternativa valiosa, possibilitando que as organizações moldem as competências de seus colaboradores às necessidades específicas de seus processos e tecnologias. Instituições pioneiras, como a FEI, têm liderado o caminho na introdução de cursos inovadores em ciência de dados, que visam formar profissionais com uma sólida base em negócios, matemática e ciência da computação, equipando-os para enfrentar os desafios do mercado com uma abordagem multidisciplinar.

O lançamento de cursos dedicados à ciência de dados por essas universidades representa um passo importante na direção certa, promovendo uma maior integração entre a teoria acadêmica e as práticas do mundo real. Esse tipo de iniciativa não só beneficia os estudantes, preparando-os melhor para as demandas do mercado de trabalho, mas também oferece às empresas uma nova geração de profissionais capazes de navegar com eficácia no cenário complexo e em rápida evolução da tecnologia da informação.

Considerações Finais
As máquinas e as redes de suprimentos estão em uma jornada mútua de aprendizado e evolução. A disponibilidade sem precedentes de dados, aliada à capacidade de treinar modelos com milhões ou até bilhões de dados, está redefinindo os limites do que é possível, ultrapassando até mesmo a sabedoria acumulada dos mais experientes profissionais de rede de suprimentos. Compreender as capacidades do aprendizado de máquina (ML) não é apenas um luxo, mas uma necessidade crítica para moldar decisões informadas sobre sua aplicação efetiva.

O potencial do ML para transformar a rede de suprimentos é vasto e ainda largamente inexplorado. Contudo, as máquinas, apesar de sua inteligência, carecem da percepção necessária para identificar autonomamente os problemas mais prementes, selecionar os dados adequados para análise ou integrar soluções de ML de maneira sinérgica aos fluxos de trabalho existentes. A responsabilidade de navegar por esses desafios complexos e de liderar a integração do ML na rede de suprimentos será incumbida aos futuros líderes do setor.

Esses líderes serão encarregados de uma tarefa dupla: devem possuir um entendimento profundo das possibilidades oferecidas pela tecnologia, tanto do ponto de vista técnico quanto organizacional, e ter a visão para alinhar essas possibilidades com estratégias lucrativas. Portanto, o futuro da rede de suprimentos depende de uma compreensão abrangente e integrada das capacidades das máquinas e das dinâmicas humanas, promovendo uma colaboração eficaz entre ambas. Somente assim poderemos desbloquear o verdadeiro potencial das nossas redes de suprimentos, tornando-as mais adaptáveis, eficientes e resilientes.

*Prof. PhD. Mauro Sampaio. Pós-doutorado em Supply Chain Management pelo Fischer College of Business da Ohio State University (OSU-USA) e pela Chalmers University of Technology (CHALMERS-Suécia). Doutor e Mestre em Administração de Empresas pela EAESP/FGV. 

LEIA TAMBÉM:

• Especialista aponta 3 prioridades estratégicas para empresas de logística em 2024; confira

• Wella e ID Logistics inauguram o terceiro maior centro de distribuição da gigante de beleza no mundo