A inteligência artificial pode resolver muitos desafios de logística e cadeia de suprimentos, incluindo roteamento de veículos, e criando novas oportunidades inigualáveis “para logística e gestão da cadeia de suprimentos. Muitas organizações, no entanto, permanecem incertas sobre a melhor forma de implementá-la.
“A IA é um alvo em movimento”, disse Chris Caplice, diretor executivo do Centro de Transporte e Logística do MIT. “Não é algo parado; é algo aspiracional porque o que era considerado IA há 30 anos – até mesmo 20 anos atrás – não é mais considerado IA de ponta. É sempre aquela coisa que excede nosso alcance.”
Ao considerar como implementar a IA, os gerentes precisam entender como diferentes abordagens analíticas, como IA tradicional, IA generativa e pesquisa operacional, funcionam juntas, disse Caplice durante um webinar recente organizado pela MIT Sloan Management Review.
Caplice e Lior Ron, fundador e CEO da Uber Freight, discutiram as ferramentas analíticas sendo usadas na gestão da cadeia de suprimentos, os problemas logísticos que a IA pode ajudar a resolver e outros benefícios gerenciais do uso da IA “”na logística.
Entendendo diferentes ferramentas analíticas:
É útil pensar na evolução da IA “”na logística no contexto de outras ferramentas, disse Caplice. A IA tradicional analisa dados para concluir tarefas específicas. A IA generativa usa grandes modelos de linguagem para contextualizar algo, resumi-lo e gerar novo conteúdo. A pesquisa operacional usa métodos científicos para estudar sistemas que exigem tomada de decisão humana, usando abordagens como programação linear e modelos de rede.
Na logística, esses métodos são complementares e não precisam substituir um ao outro, disse Caplice. A pesquisa operacional combinada com IA, por exemplo, funciona bem em muitos casos.
Resolvendo desafios de logística com IA:
As tecnologias de IA estão prontas para resolver muitos desafios enfrentados na logística, disse Ron. Isso inclui:
Cadeias de suprimentos fragmentadas e a necessidade de conectar redes para otimizar e gerar melhores resultados.
Volatilidade do mercado, principalmente mudanças nos preços e interrupções nos serviços.
Preocupações com segurança, incluindo aquelas relacionadas à COVID-19, segurança do motorista e fraude digital.
O impacto que o transporte rodoviário e o frete têm nas mudanças climáticas.
Inovações que abordam alguns desses desafios estão surgindo agora. Por exemplo, a Uber Freight usou o machine learning para ser pioneira na precificação algorítmica de transportadoras, o que garante que as transportadoras recebam preços garantidos antecipadamente para transporte rodoviário e frete. “Ao analisar centenas de parâmetros diferentes, conseguimos tornar [este modelo] preciso o suficiente para introduzir um mercado que agora está livre de todo o atrito, suposições e idas e vindas [de] tentar estimar o preço do transporte rodoviário”, disse Ron.
A Uber Freight também está usando machine learning para lidar com roteamento de veículos, um problema complexo que envolve determinar a rota mais eficiente para um veículo entregar mercadorias a um conjunto de locais. Os caminhões nos EUA estão cerca de 30% vazios em média, o que desperdiça tempo e combustível e leva a emissões de carbono desnecessárias. Ao projetar algoritmicamente a rota ideal para o motorista do caminhão, a empresa conseguiu reduzir as milhas vazias para entre 10% e 15%.
A Uber Freight não é a única empresa que aplica tecnologia ao roteamento de veículos. Em uma escala menor, as empresas normalmente usam pesquisa operacional e solução de problemas humanos para minimizar o tempo, o custo e a distância do transporte rodoviário e de carga. Em uma escala maior, com rotas mais complicadas e fatores adicionais, a pesquisa operacional e a solução de problemas humanos não são mais suficientes.
Para lidar com esse desafio, o MIT Intelligent Logistics Systems Lab está combinando IA tradicional, IA generativa e pesquisa operacional para melhorar os resultados de roteamento. “O que vemos é que, inicialmente, a IA está assumindo um papel subordinado, mas, à medida que avançamos, começamos a vê-la assumir um papel mais primário”, disse Caplice. “Eventualmente, gostaríamos de ver a IA generativa assumir e resolver partes maiores desse problema.”
4 benefícios gerenciais da IA “”generativa em logística
Usar abordagens clássicas de pesquisa operacional em logística tem limitações, disse Caplice. Toda vez que complicações são introduzidas – como diferentes janelas de tempo, tamanhos de rua e capacidades de caminhão, por exemplo – algoritmos tradicionais precisam ser ajustados. A IA generativa pode generalizar essas informações e evitar a necessidade de novos algoritmos.
Como resultado, essas tecnologias estão superando os métodos clássicos para resolver problemas maiores de logística, disse Caplice. E há outros benefícios gerenciais para essas tecnologias também:
Os modelos de IA superam sistematicamente seus dados de treinamento – o que significa que eles têm melhor desempenho em dados novos e não vistos do que no que foi usado durante o processo de treinamento. Isso significa que as organizações não precisam de um conjunto perfeito de rotas que os motoristas examinaram, disse Caplice. “Esta é uma economia de tempo muito boa porque significa que você não precisa gerar dados especiais”, disse ele.
Ao serem treinados continuamente, os modelos aprenderão melhores políticas de roteamento automaticamente. Se uma política mudar, por exemplo, o modelo a detectará, eliminando a necessidade de algoritmos especializados.
Os modelos de IA eliminam a necessidade de algoritmos adaptados a tamanhos e características de problemas específicos, particularmente quando características diferentes entram em jogo.
Os modelos de IA generalizam bem para problemas nunca antes vistos, como capacidades de veículos.
“Aprendizado de máquina, IA e IA generativa estão adotando essa abordagem de modelo de linguagem grande e resolvendo o que foi resolvido muito bem pela pesquisa operacional – mas fazendo isso mais rápido, mais completamente e resolvendo funções objetivas não tradicionais”, disse Caplice. “Estamos vendo muitas oportunidades aqui, e a pesquisa de exploração continua.”
Publicado em 06/09/2024 13h28
Artigo original: