INTELIGÊNCIA ARTIFICIAL NA GESTÃO DE
ESTOQUE
Clayton Silva França Aires (FATEC SEBRAE) clayton.aires@fatec.sp.gov.br Gabrielly de Jesus Almeida (FATEC SEBRAE)
gabrielly.almeida@fatec.sp.gov.br Sidioney Onézio Silveira (FATEC SEBRAE)
sidioney.silveira@fatec.sp.gov.br
RESUMO
Desde o final do século XX a logística vem evoluindo e aperfeiçoando seus processos. Em um mercado cada vez mais competitivo e dinâmico, o fluxo de informações e operações complexas aumenta exponencialmente o que torna indispensável a automação e adesão de nova tecnologias que atendam às necessidades do mundo moderno. Dentre os setores que compõem a logística, a gestão de estoque possui grande relevância, visto que compreende boa parte dos custos do produto, consequentemente no resultado da empresa. Em virtude de sua importância e impacto no resultado da empresa o estoque também demanda alta tecnologia em sua gestão e, na era da logística 4.0 a inteligência artificial se posiciona como um dos principais precursores da 4º revolução, onde a automação está em foco, possibilitando diversas melhorias, tanto na operação quanto na gestão de estoques. Baseado nestes fatos, o presente artigo objetiva trazer as principais tecnologias associadas a inteligência artificial e suas aplicações na gestão de estoque, para tal realizou-se pesquisa exploratória bibliográfica em diversas fontes, iniciando pelo embasamento de conceitos logísticos e de inteligência artificial, e por fim os principais usos desta tecnologia, revelando assim as possibilidades de se melhorar em performance e escalabilidade neste setor.
PALAVRAS-CHAVE: Gestão de Estoque. Inteligência Artificial. IA. Logística 4.0. Aplicação de IA na
logística.
ABSTRACT
Since the end of the XX century, logistics has been evolving and improving its process. With a business environment getting more competitive and dynamic, the flow of information and the complexity of operations are increasing exponentially, turning the automation and the use of new technologies essential to satisfy the modern world. The inventory management is one of the most important fields related to logistics, because it affects the final product's cost and consequently the company's result. Because of its relevance and impact, it requires high technology usage. On the Logistics 4.0 era, Artificial Intelligence is heading to the 4º revolution where automation is in focus, enabling many management and operational improvements. Based on these facts this article intends to bring the major technologies associated with AI and its applications in inventory management, by performing an exploratory bibliographical research from many resources, starting with the logistics basics, then artificial intelligence, ending with the main use of AI in logistic, revealing possibility of improvements and scalability increase in this field.
1 INTRODUÇÃO
O uso da tecnologia na logística é essencial devido ao alto volume de transações, dinamismo e velocidade no processo logístico. Com isso, muitos avanços foram alcançados tanto neste segmento quanto no setor computacional permitindo a sinergia entre eles e a superação de muitos desafios. Essa é a 4ª revolução industrial, onde a tecnologia e automatização estão em foco sendo amplamente aplicada a diversos segmentos do mercado, entre eles o da logística, dando origem a Logística 4.0.
A inteligência artificial se mostra promissora, dentre as tecnologias que mais podem beneficiar este setor, pois conta com uma gama de ferramentas que podem automatizar processos logísticos e auxiliar as empresas com a agilidade e precisão, as quais são indispensáveis atualmente.
O objetivo principal deste artigo é apresentar um estudo de caso com aplicações da inteligência artificial no setor planejamento e controle de estoques, que é um dos mais importantes da cadeia de suprimentos e representa boa parte dos investimentos do setor, impactando diretamente nos custos dos produtos e resultados da empresa. Tornando um dos fatores chave para melhoria de competitividade num mercado onde clientes estão muito exigentes e a pressão por preços e qualidade reduzem margens.
O uso de inteligência artificial no estoque possibilita lidar com estes desafios e superá-los a medida que os sistemas de IA se aperfeiçoam e são combinados gerando um equilíbrio entre demanda, qualidade e agilidade.
Para demonstrar estas aplicações foi realizada uma pesquisa bibliográfica com análise de tecnologias disponíveis, assim como suas aplicações, foram compilados aspectos onde a inteligência artificial pode auxiliar o setor de gestão de estoques a lidar com volume de informações, redução de ociosidade e ganho de escala.
Com isso, demonstra-se que a gestão e operação de estoque pode se beneficiar desafios complexos envolvendo gerenciamento de inventário, compras, planejamento de demanda, movimentação, separação e armazenagem de pedidos, localização e detecção de produtos. Utilizando uma ou diversas ferramentas da Inteligência Artificial para a solução a esta tecnologia apresenta-se com flexibilidade e abrangência na gestão de estoques.
2 REVISÃO DA LITERATURA
Os conceitos logísticos estão presentes desde as civilizações antigas, eles eram utilizados de forma subjetiva pelos povos da antiguidade. Contudo, foi no meio militar que a logística começou a ser aprimorada até se tornar como conhecemos hoje. Alexandre, o Grande, utilizou algumas dessas técnicas para obter vantagem na guerra, já para Napoleão e Hitler o mau planejamento logístico resultou em perdas significativas (PAURA, 2012). Os cenários de guerra forçavam um plano estratégico de logística muito bem traçado, pois qualquer erro poderia significar a derrota de uma batalha importante.
Vendo a importância dos conceitos da logística militar os estudiosos começaram a incorporá-los aos negócios. Assim, as atividades logísticas das empresas começaram a ser vistas como vantagem competitiva (BULLER, 2009).
A aplicação de princípios de logística militar em atividades similares na área civil apresenta semelhança entre a obtenção de vantagem estratégica e operacional em ações bélicas e a obtenção de vantagem estratégica competitiva sobre os concorrentes na área empresarial. (SILVA apud BULLER, 2009)
“Logística é o processo de planejamento do fluxo de materiais, objetivando a entrega das necessidades na qualidade desejada no tempo certo, otimizando recursos e aumentando a qualidade nos serviços” (BALLOU apud PAURA, 2012). Todavia, não foi até o final dos anos 1990 que, para muitas indústrias, o termo ‘logística’ começou a deixar de estar unicamente ligado a transporte (HARA, 2013).
Segundo Hara (2013) a exploração e intensificação das atividades logísticas se deu por muitos fatores, mas ele destaca três que, provavelmente, tiveram maior impacto nesse novo quadro. São eles: o rápido desenvolvimento da tecnologia, o momento político global (globalização) e o novo modo de fazer negócios digitalmente. Esse célere progresso contribuiu para que a logística fosse vista como vital para suprir as exigências do consumidor e para a competitividade do comércio.
2.1 Logística 4.0
A compra de matéria prima, armazenagem, escolha de embalagem e distribuição são de responsabilidade do profissional logístico, é seu dever integrar todas essas áreas de forma a promover eficiência na entrega e redução de custo. Entretanto, nem uma vasta experiência no processo descrito acima possibilita ao profissional controle dos processos.
Para atender todas as demandas nascidas no final do século XX a logística está se desenvolvendo para concorrer na indústria 4.0. Há muitos esforços e estudos para que os sistemas logísticos avancem através da inteligência artificial (AI), tornando-se assim uma logística 4.0. Avançando da maneira que o mercado necessita, atualmente, um dos ramos mais impactados por essa geração da logística serão a armazenagem e controle de estoque.
2.2 Logística de Armazenagem
Em muitas empresas os termos estoque e armazém mesclam-se a acabam por se tornar sinônimos. É importante diferenciarmos os dois para a melhor compreensão do que iremos abordar. “O armazém é basicamente a estrutura que se utiliza para guardar os produtos ou mercadorias. O estoque é quanto de um determinado produto se tem guardado” (PAURA, 2012).
A armazenagem é área da logística presente em basicamente todas as empresas, o que contribui para a entrega ágil dos produtos aos consumidores, mas ao mesmo tempo gera maiores custos (KOTLER apud HARA, 2013), contudo segundo Paoleschi (2014) também é um meio de redução de custos. Isso demonstra que o armazenamento pode trazer vantagens e desvantagens, por precisar equilibrar o tempo no atendimento ao cliente e o custo, a logística de armazenagem precisa ser vista como ponto importante na estratégia da empresa (PAURA, 2012).
O conhecimento e o entendimento da dinâmica do mercado permitem a tomada de decisões sobre o patamar que uma organização deseja galgar naquele mercado e permitem a definição de ações para a atuação do mercado seja absorvida de fato, proporcionando a rentabilidade planejada (BULLER, 2009).
Para Paoleschi (2014), manter ou não um armazém é uma decisão baseada nas necessidades dos clientes.
2.3 Controle de Estoque
Um das maiores vantagens do estoque é o encurtamento de tempo e espaço. Por essa razão o estoque precisar estar estrategicamente localizado de forma a beneficiar consumidores e a indústria (BALLOU apud PAURA 2012).
O estoque é um dos processos logísticos com maior necessidade de investimento. Seu custo pode variar entre 40% a 50% dos gastos em logística de uma empresa (PAURA, 2012). Portanto, um mal planejamento do estoque ou um controle ineficaz pode gerar prejuízos. Manter o custo de estoque num nível mínimo pode ser um diferencial competitivo muito forte, sem deixar que rupturas ocorram.
Muitas variáveis interferem no processamento de estoque logístico e avaliá-las com precisão e em tempo real torna-se humanamente impossível, para isso aplica-se a inteligência artificial nestas situações onde volume de dados e dinamismos são intrínsecos.
A inteligência artificial tem potencial para impactar muito o setor logístico e de transporte (DELLOT, et al., 2017). Sistemas especialistas podem ser utilizados para controle e planejamento de inventários, melhorando a eficiência e da gestão de inventário de 8 a 18% devido à redução de erros. Estes sistemas podem captar padrões e disponibilizá-los para tomada de decisão no que ser refere a definição de níveis de estoque, tempo de reposição, requisição de materiais e compra de insumos (MIN, 2010).
2.4 Inteligência Artificial
A inteligência artificial surgiu em meados dos anos 1950. De acordo com Dellot (2017) ela pode ser descrita pela capacidade de fazer a máquina “pensar” ou agir de forma racional (Russel, et al., 2013) e com isso reproduzir etapas e comportamentos, aprender e até substituir a inteligência humana em algumas aplicações (GESING, et al., 2018). Pode auxiliar na tomada de decisão, reconhecer padrões e fenômenos, e buscar informações lidando com um alto volume de dados e velocidade (Min Honkey, 2010).
Atualmente a inteligência artificial se ramifica em duas subdivisões:
Aprendizado de máquina (machine learning): a máquina aprende à partir de dados
informados por meio de avaliação e categorização, permitindo o reconhecimento de padrões (Russel, et al., 2013). Com isso, consegue gerar conclusões, decisões e até mesmo insights. (GESING, et al., 2018). O algoritmo adquire conhecimento por meio destes dados e pode ser aperfeiçoado com o tempo. Existem diversas subdivisões, tais como aprendizado de conceito, árvore de decisão, aprendizado por percepção, aprendizado por Byas e aprendizado reforçado (MIN, 2010).
De maneira geral, o aprendizado passa pela etapa de detecção, onde os dados são passados para o sistema de IA (inteligência artificial) por meio de textos, imagens, sons ou informações de máquinas (sensores). E para que o aprendizado seja contínuo é necessário a entrada de dados ciclicamente (GESING, et al., 2018).
Então ocorre o processamento, etapa na qual os algoritmos realizam a organização dos dados. Por fim, existe a saída de dados no formato de padrões ou tendência, onde os mesmos viram insights e geram valor para execução de uma tarefa ou tomada de decisão. (GESING, et al., 2018)
Conforme Russel (et al., 2013) o aprendizado pode ser supervisionado, não supervisionado ou por reforço. No sistema supervisionado o ser humano realiza a indicação ou classificação do que está sendo aprendido. Já o sistema não supervisionado consegue verificar dados agrupados e reconhecer padrões nos mesmos. O sistema por reforço ocorre com a entrada de regras similares a jogos, daí o sistema aprende por tentativa e erro até se
especializar na tarefa, também pode ser considerado uma técnica de reforço positivo (GESING, et al., 2018).
Também temos o aprendizado por transferência que corresponde ao reaproveitamento de um algoritmo que foi utilizado para uma tarefa que pode ser reutilizado em uma outra sem necessidade de desenvolvimento do ínicio (DELLOT, et al., 2017).
Aprendizado profundo (deep learning): refere-se ao conceito de aprendizado
contínuo das informações obtidas categorizando padrões em divisões específicas (DELLOT, et al., 2017). Há evidências que com com o tempo o sistema se aperfeiçoa proporcionalmente aos dados inseridos. Russel (et al., 2013) cita que este sistema se baseia em redes neurais (neural networks) e pode chegar mais perto do funcionamento da cognição humana, o aprendizado é reforçado à medida que as a experiência repete melhorando a cada dia (GESING, et al., 2018).
De acordo com a tarefa que se deseja executar a máquina pode aprender em diferentes categorias de inteligência: detecção, raciocínio e comunicação (DELLOT, et al., 2017), podendo se basear em reconhecimento de imagens, processamento natural de linguagem, recuperação de informação e raciocínio com lógica de evidência.
3 DESENVOLVIMENTO DA TEMÁTICA
Quando deparamos com um problema que pode ser utilizado IA para a solução podemos contar com um leque de opções para a melhor solução. São eles:
Redes neurais artificiais (artificial neural networks): aborda os problemas
baseando-se no funcionamento do cérebro e neurônios (DELLOT, et al., 2017) permitindo o aprendizado de experiências, distinção de características, reconhecimento de padrões, agrupamento de objetos e processamento de informações ambíguas e abstratas (MIN, 2010). A informação pode ser passadas para diferentes níveis, com ou sem supervisão, onde a rede irá armazenar os padrões, cada um com seu peso (Russel et al., 2013).
Teoria da aproximação de conjuntos (rough set theory): consiste na aproximação
por comparação de atributos e características de diferentes dados permitindo o agrupamento de informações por similaridade ou atributos em comum, o resultado pode ser utilizado para auxiliar na tomada de decisões e classificação (MIN, 2010).
Sistemas especializados (expert systems): são programas que emulam o sistema de
cognição humana de resolução de problemas, se baseiam em dados estruturados, os quais possuem classificação e categorias pré-definidas, permitindo percepção visual e compreensão de linguagem para posterior decisão (DELLOT, et al., 2017).
Algoritmos genéticos (genetic algorithms): esta aplicação reproduz a maneira que os
organismos evoluem por meio da seleção natural. Utilizando regras que criam organismos que se adaptam melhor ao ambiente. Desta forma permite criar a melhor solução para o ambiente ou problema exposto. Para isso utiliza-se cinco componentes, representação genética de uma potencial solução para o problema, uma forma de criar a população (organismos), uma função de avaliação que irá definir os organismos que sobreviverão, operadores genéticos que realizam alterações (reprodução, cruzamento, mutação) no sistema e valores parametrizados que determinam o tamanho da população, taxa de cruzamento, taxa de mutação (MIN, 2010).
Lógica difusa (fuzzy logic): ferramenta muito poderosa que utiliza opinião de
especialistas para determinar o que seria bom e ruim em determinada situação estabelecendo um gradiente de opções entre eles, assim podendo comparar a variável de entrada com a opinião. Ela é composta de cinco componentes: variáveis linguísticas, valores linguísticos, conjuntos, funções afiliadas e regras “SE”, “SE NÃO”. Com isso, é possível lidar com a ambiguidade, imprecisão e incerteza das situações. A lógica difusa pode distinguir quanto frio
um ambiente está, quão pesada é uma pessoa, ou até mesmo sobre o preço de um produto. (MIN, 2010).
Sistemas baseados em agentes (agent-based systems): consiste num sistema que
permite abordar um problema maior segmentando-o em sub-problemas utilizando entidades específicas, chamadas de agentes, para solucionar estes pequenos problemas. Cada agente contando com metodologias, conhecimento e recursos específicos para a tarefa (MIN, 2010).
4 RESULTADOS E DISCUSSÃO
A automação está causando uma revolução na logística desde sistemas de inteligência artificial até o uso de robôs. De acordo com Dellot (2017) este crescimento é tracionado pelo aumento da demanda e consumidores que exigem melhores preços e velocidade na entrega.
A previsão de demanda é a capacidade de prever o volume de vendas antes do consumidor executar a compra Conforme (DELLOT, et al., 2017). Envolve diversos aspectos entre capacidade de produção, disponibilidade de mão de obra, controle do inventário, desenvolvimento de novos produtos e campanhas promocionais. Estes fatores tornam sua previsão muito incerta e complexa, diversas técnicas tradicionais podem funcionar no curto prazo e não no longo e vice-versa, a maioria delas comparando a demanda histórica para projetar a futura. Porém recentemente técnicas de inteligência artificial podem ser aplicadas para planejamento e previsão de demanda.
De acordo com Min (2010) um procedimento de correlação de padrões e um agente especializado podem combinar a experiência humana e mineração de dados para prever a demanda de novos produtos permitindo precisão se comparado com métodos tradicionais.
Algoritmos genéticos também podem ser utilizados para melhorar a precisão da previsão da demanda e supera muitas análises por regressão. Ela pode ser combinada com a técnica de agente especializado performando melhor com dados históricos de demanda (MIN, 2010).
Um exemplo utilizado pela operadora logística DHL (Dalsey, Hillblom & Lynn), foi a análise de dados na plataforma do YouTube por estatística e semântica o interesse pelos spinners, com isso conseguiram verificar a demanda do produto e dimensionar sua frota com antecedência. (GESING, et al., 2018)
Umas das tarefas que ocupam mais tempo no estoque é a separação de pedidos, afetando a produtividade diretamente. Para melhorar este processo é possível criar um agente especializado para direcionar os estoquistas para zonas específicas para separação de pedidos, contribuindo para redução de fila de pedidos e gap entre a separação dos itens (MIN, 2010).
É possível, também utilizar robôs que possuem visão computadorizada e algoritmos de machine learning para identificar uma grande variedade de formas, como logos, etiquetas e formatos 3D em tempo real. (GESING, et al., 2018)
Min (2010) demonstra que veículos autônomos baseados em inteligência artificial já são utilizados para melhorar a operação logísticas nos centros de distribuição substituindo pessoas operando manualmente empilhadeiras e guindastes. Estes veículos possuem a capacidade de realizar planejamento de caminhos e indexação dos produtos movendo produtos com muita agilidade (DELLOT, et al., 2017). Também aprendem com o tempo e armazenam informações de cada produto e percurso para armazenagem e expedição (GESING, et al., 2018).
Com o volume logístico aumentando, erros de verificação podem ser mais constantes e a inspeção visual baseada em inteligência artificial pode detectar avarias. Capaz de reduzir o tempo de inspeção e indicar a avaria específica (GESING, et al., 2018).
Com sistemas de inteligência artificial baseados em visão é possível mensurar níveis de estoque, localizar produtos e facilitar a disponibilização e armazenagem dos itens (MIN, 2010). Também podem controlar e prever a demanda com alta velocidade (DELLOT, et al., 2017). Estes sistemas também utilizam deep learning para extrair características do produto, tais como: marca, etiqueta, logo, preço e validade (MIN, 2010).
5 CONSIDERAÇÕES FINAIS
O presente estudo teve por objetivo apresentar as tecnologias disponíveis que estão relacionadas à inteligência artificial e sua aplicação na gestão de estoques. Demonstrando que o estoque pode se beneficiar em diversos aspectos como previsão de demanda e movimentação de produtos, possibilitando ganho de escala e agilidade sem comprometer a qualidade.
Os resultados demonstram que muitas outras aplicações podem surgir com a junção de tecnologias e aperfeiçoamento de algoritmos de inteligência artificial. No entanto, com o que temos em nossas mãos já é possível otimizar muitos processos e levar a logística a um nível de maior competitividade e torná-la cada vez mais indispensável nas indústrias.
Para os estudos futuros, propõe-se a avaliação qualitativa e quantitativa da aplicação destas tecnologias, o que demonstraria com maior precisão o custo/benefício do seu uso.
REFERÊNCIAS
BULLER, L.S. Logística Empresarial. 1ª Ed. Curitiba, PR: IESDE Brasil S.A., 2009.
GESING, BEN, PETERSON, STEVE J. E MICHELSEN, DR. DIRK. 2018. Artificial
Intelligence in logistics. Troisdorf : DHL Customer Solutions & Innovation, 2018.
HARA, C.M. Logística: Armazenagem, Distribuição e Trade Marketing. 5ª Ed. Campinas, SP: Alínea, 2013.
MIN, H. 2010. Artificial intelligence in supply chain management: theory and
applications. International Journal of Logistics Research and Applications. 13, 2010, Vol. 1.
PAOLESCHI, B. Estoques e Armazenagem. 1ª Ed. Livro digital: Érica. 2014.
PAURA, G.L. Fundamentos da Logística. 1ª Ed. Curitiba, PR: Instituto Federal do Paraná, 2012.
RUSSEL, STUART E NORVIG, PETER. 2013. Inteligência Artificial. Rio de Janeiro: Elsevier Editora Ltda, 2013.
