A inteligência artificial no planeamento e controlo da produção

Uma importante área de aplicação das soluções de IA é o planeamento e controlo da produção (PPC, na sigla em inglês). É o que acontece, por exemplo, no Modelo Hannoveriano da Cadeia de Abastecimento (em alemão, Hannoveraner Lieferkettenmodell, ou HaLiMo), que estrutura as tarefas e processos de PPC de acordo com a sua sequência temporal e lógica (ver Figura 1).

De seguida, descrevem-se três casos de utilização de soluções de IA, no âmbito do HaLiMo. Esta descrição abrange a previsão da data de entrega no contexto da gestão de encomendas, a previsão da procura de materiais no contexto do MRP e o controlo da produção através de agentes inteligentes.

Na indústria, ser capaz de oferecer e manter prazos de entrega curtos é de grande importância. A gestão de encomendas nas empresas transformadoras tem duas funções importantes. Por um lado, as datas de entrega são negociadas e é prometida uma data fixa como parte do processo de clarificação de encomendas no início do processamento de encomendas. Por outro lado, a coordenação das encomendas acompanha a evolução das mesmas e comunica um atraso em caso de interrupções irrecuperáveis. A IA pode ser utilizada para prever as datas de entrega, apoiando assim estas duas tarefas.

Figura 1: Modelo Hannoveriano da Cadeia de Abastecimento.

Os métodos tradicionais para determinar as datas de entrega baseiam-se frequentemente em métodos estatísticos simples que apenas têm em conta alguns fatores influentes, bem como o conhecimento especializado. Com a ajuda de métodos de IA, é possível utilizar dados mestres e transacionais disponíveis nas empresas através da utilização de sistemas ERP e MES modernos (por exemplo, dados de confirmação, rotas, movimentos de armazém) e utilizá-los para prever datas de entrega. A possibilidade de pesquisar grandes quantidades de dados num curto espaço de tempo permite detetar padrões e tendências e calcular as datas de entrega automaticamente.

Os algoritmos de IA utilizados são frequentemente muito superiores aos métodos estatísticos. No entanto, deve notar-se que o princípio GIGO (Garbage In - Garbage Out) também se aplica aqui. Os algoritmos só podem processar o que lhes é dado. Se os dados principais forem mal conservados ou se os dados de retorno forem incompletos e de baixa granularidade, o resultado será fraco. É também de notar que a IA nem sempre determina a data de entrega correta, mas sim a data mais provável com base nos modelos subjacentes. No entanto, uma vez que um modelo de IA não pode ter em conta todas as condições ambientais, como o absentismo ou estrangulamentos de entrega invulgares, é necessário verificar a data de entrega antes de a comunicar ao cliente.

No planeamento de necessidades secundárias, estas são determinadas a partir do planeamento do programa de produção. As necessidades secundárias são tanto as matérias-primas quanto as peças e conjuntos para a produção de produtos acabados. Após calcular as necessidades brutas e líquidas, considerando os stocks planeados e reais, é atribuído o tipo de fornecimento. O resultado dessa atribuição é uma proposta de fornecimento externo e/ou produção interna.

A procura pode ser determinada através de vários métodos. Estes métodos incluem a estimativa determinística da procura, métodos heurísticos e métodos estocásticos. A previsão determinística é adequada para ambientes de produção estáveis e previsíveis, onde existe pouca incerteza. Os métodos heurísticos, baseados na experiência e na estimativa, são úteis quando os dados são limitados ou são necessárias decisões rápidas. As técnicas estocásticas utilizam modelos estatísticos e distribuições de probabilidade para prever a procura. As previsões baseiam-se em dados históricos e em modelos matemáticos que estimam a procura futura com base em probabilidades e tendências. As técnicas estocásticas são úteis quando a procura é imprevisível ou altamente volátil.

Um grande desafio na aplicação de métodos estocásticos é a modelação de relações estocásticas. Na realidade, as relações estocásticas podem ser muito complexas. Podem estar envolvidas várias variáveis e fatores que interagem e se influenciam mutuamente. A modelação de relações tão complexas exige, portanto, um grande esforço. A aplicação de métodos de IA pode resolver este problema. Uma das principais vantagens é o facto de os métodos de IA poderem analisar grandes quantidades de dados e identificar padrões, tendências e relações que podem não ser evidentes para os analistas humanos. Utilizando algoritmos avançados de aprendizagem automática, a IA pode extrair elementos (características) relevantes dos dados e incorporá-los na modelação. Isto ajuda a criar modelos mais precisos, melhorando a exatidão da previsão da procura e aumentando a eficiência do PPP.

O controlo da produção é responsável pelo envio das ordens de produção e pelo seu controlo durante o processo de produção. O principal objetivo é concluir o processamento das ordens de produção de acordo com o plano de produção existente, tendo em conta quaisquer alterações devidas a ajustamentos. Para atingir este objetivo, as ordens devem ser expedidas de acordo com uma lógica uniforme e colocadas numa sequência significativa. Neste contexto, a integração dos fatores ambientais representa um grande desafio para as empresas, uma vez que estes devem ser tidos em conta para além dos fatores de produção económicos e logísticos tradicionais, a fim de sobreviverem no mercado a longo prazo.

A IA oferece uma variedade de métodos que têm o potencial de abordar a complexidade acima descrita. Os métodos de controlo da produção estabelecidos baseiam-se frequentemente em conhecimentos especializados, heurísticas ou modelos de investigação operacional. Uma vantagem dos novos métodos de IA reside na consideração simultânea de um grande número de características com grandes conjuntos de dados. Para além do princípio GIGO explicado acima, deve notar-se que os dados de feedback e, especialmente, o número de pontos de medição de dados têm um impacto significativo na precisão dos resultados da análise de IA. No decurso da Indústria 4.0 e dos desenvolvimentos tecnológicos associados, como a identificação por radiofrequência (RFID), foi criada uma base essencial para a recolha de dados com uma boa relação custo-eficácia e, por conseguinte, para as aplicações de IA.

A utilização da aprendizagem por reforço é uma dessas abordagens inovadoras para lidar com a complexidade do processo de controlo da produção. Trata-se de uma técnica de aprendizagem automática em que um agente inteligente aprende a tomar decisões sequenciais através de interações. Com a ajuda de Q-learning ou de gradientes de política, o agente pode ser treinado para o controlo holístico da autoprodução, tendo em conta as restrições existentes e novas (económicas, logísticas, ambientais).

As primeiras análises mostram que estas novas abordagens podem satisfazer melhor os requisitos do que as normas industriais estabelecidas, melhorando assim o desempenho logístico do controlo da produção.