Inteligência Artificial na abordagem de problemas dinâmicos de Logística

A inteligência artificial (IA) está a disromper diversas áreas e a Logística não é exceção. Se num passado recente a IA era frequentemente usada para abordar problemas descritivos (como p. ex. a monitorização de indicadores) ou preditivos (como p. ex. a previsão da procura), hoje estas ferramentas estão a entrar nos problemas prescritivos, ou seja, na tomada de decisão. Estes problemas, que vão desde o nível estratégico (como o desenho da cadeia de abastecimento) ao operacional (como o roteamento de veículos), apresentam características muito diferentes uns dos outros, e nem todos beneficiam da mesma forma dos algoritmos de IA. Este artigo procura dar algumas luzes sobre o tipo de problemas logísticos que mais podem beneficiar da IA, ilustrando com exemplos em diferentes setores.

A IA prescritiva é especialmente indicada para problemas dinâmicos

É importante começar por esclarecer que a IA não é toda igual. Os métodos que são usados em problemas prescritivos são muito diferentes dos usados em problemas descritivos e preditivos. Por exemplo, a IA generativa, onde se inclui o ChatGPT e outros modelos de linguagem de grande escala, é sobretudo preditiva. Estes modelos geram conteúdo, procurando prever a próxima palavra ou a próxima frase na resposta a um pedido. Ao contrário do que muitos poderão pensar, a IA generativa, apesar dos avanços disruptivos que tem alcançado recentemente, não resolve todos os problemas do mundo. Os problemas prescritivos são fundamentalmente problemas de otimização, que requerem explorar um espaço de solução, muitas vezes combinatório, algo que o ChatGPT não consegue fazer (pelo menos ainda).

Mas por que usar IA, se o campo da otimização está munido de métodos desenvolvidos e melhorados ao longo de várias décadas? A resposta é simples: porque a IA tem mecanismos de aprendizagem, que tiram partido de uma grande disponibilidade de dados, e permitem assim abordar de forma eficaz problemas altamente complexos, onde a otimização tradicional falha. Esse é o caso dos problemas dinâmicos, ou de decisão sequencial. Nestes problemas, não conhecemos à partida toda a informação de que precisamos. Em vez disso, a informação vai sendo revelada, e as decisões vão sendo tomadas, de forma sequencial. Por exemplo, na gestão de inventário é necessário decidir em cada dia se devemos reaprovisionar o inventário (e em que quantidade), sem saber exatamente a procura dos dias seguintes. O mesmo se passa no sequenciamento de trabalhos numa máquina, onde novos trabalhos estão continuamente a chegar.

Os métodos prescritivos de IA que permitem resolver estes problemas são geralmente designados por Reinforcement Learning. Estes métodos estiveram nas notícias há quase uma década quando o AlphaGo derrotou o campeão mundial de Go (um jogo ancestral de tabuleiro que requer um nível de abstração tal, que os seus jogadores não acreditavam ser possível serem superados por uma máquina). Estes são os mesmos métodos usados na condução autónoma de veículos ou na navegação de robôs, e que ainda estão em fase de maturação. No entanto, o seu potencial para abordar problemas dinâmicos, onde as decisões têm de ser tomadas rapidamente (muitas vezes em tempo-real), está a levar a que muitos investigadores, e algumas empresas, os estejam a aplicar na resolução de problemas na área das operações e da logística. Seguidamente, são apresentados três exemplos.

Exemplo 1: Alocação de encomendas no retalho online

Ao contrário do retalho tradicional, onde os clientes se dirigem a uma loja específica para realizar as suas compras, no retalho online o cliente interage com uma página web, sem saber de onde irão ser enviados os artigos. Havendo vários pontos possíveis de envio (lojas ou armazéns), cabe ao retalhista tomar a decisão que melhor atenda a uma série de critérios, como p. ex. o custo ou o tempo de envio. Esta decisão por vezes não é evidente porque, ao minimizar o custo (ou o tempo) associado a uma encomenda, pode-se estar a comprometer encomendas futuras, uma vez que o inventário é limitado. Para além disso, estas decisões sequenciais de alocação têm de ser tomadas numa fração de segundo, dado que o número de encomendas online diárias pode ascender às dezenas de milhar (no caso da Amazon ultrapassa uma dezena de milhão). As políticas de decisão que respondem a este problema, tipicamente derivadas matematicamente, estão a dar lugar a políticas geradas por IA, com modelos de Reinforcement Learning.

Exemplo 2: Otimização integrada de inventário e roteamento

Se o reaprovisionamento de inventário e o roteamento de veículos são problemas complexos quando resolvidos isoladamente, a sua resolução simultânea é um desafio ainda maior. Esta necessidade de resolver os dois problemas em conjunto surge por exemplo em contextos de VMI (Vendor Managed Inventory). Nestes casos, o fornecedor é responsável por gerir os inventários nos clientes, ou seja, decidir quando os abastecer e em que quantidades. A decisão de reaprovisionamento está muitas vezes associada à decisão de roteamento, ou seja, à sequência pela qual os clientes serão visitados para serem abastecidos. Os métodos tradicionais de otimização não conseguem resolver instâncias reais deste problema, onde o número de clientes, produtos e veículos atinge uma dimensão elevada, e onde há sobretudo incerteza associada à procura. Aqui há a necessidade de usar métodos aproximados de otimização, que consigam dar resposta em tempo útil e escalar com a dimensão do problema. Estes métodos estão a ser integrados com algoritmos de IA, que trazem os tais mecanismos de aprendizagem, e que possibilitam dessa forma melhorar a qualidade das soluções encontradas.

Exemplo 3: Picking dinâmico de encomendas

O picking de encomendas é uma das principais tarefas nas operações de um armazém. Contudo, este problema está também a surgir em novos contextos. P. ex. a preparação de encomendas para o retalho online é muitas vezes realizada em lojas físicas, enquanto os clientes da loja fazem as suas compras. Os pickers têm por isso um objetivo duplo: recolher os produtos de forma eficiente (percorrendo os caminhos mais curtos), destabilizando o menos possível os clientes em loja. Porém, os clientes não são estáticos, e há por isso a necessidade de ir adaptando o percurso do picker ao congestionamento encontrado em cada momento. Os algoritmos de Reinforcement Learning são particularmente úteis nestas situações, uma vez que aprendem a balancear diferentes objetivos, numa política de decisão que é executada em tempo-real.

Conclusão

Há muitos outros problemas de decisão sequencial, desde o roteamento de veículos, à alocação de produtos a posições de armazenamento, ou a seleção de janelas de entrega. Estes problemas, apesar de partilharem várias características, têm também diferenças importantes. O mesmo se pode dizer dos algoritmos de Reinforcement Learning. Há por isso diversos grupos de investigadores a explorar estes temas, mas também cada vez mais empresas a implementar estas soluções no terreno. Os exemplos referidos são apenas uma amostra pequena destas iniciativas, que estão a proliferar num mundo cada vez mais dominado pela IA.