Nos últimos anos, um assunto que se tem popularizado cada vez mais na área da tecnologia da informação é a Inteligência Artificial (IA). Tem sido grande a demanda por empresas na contratação da figura do Cientista de Dados, profissional que domina a área de IA, tendo como função principal analisar dados, além de propor soluções apresentando modelos preditivos que indiquem tendências, classificações de risco, detecção de anomalias, dentre outros. O setor acadêmico também tem estado atento às demandas de mercado sobre IA, criando cursos e formações específicas na área de ciência de dados (data science). O conceito de data driven (onde as decisões estratégicas da empresa são guiadas por dados, e não por intuições) é bastante utilizado na área de IA, que pode resultar em grandes vantagens para quem passa a adotar este conceito, trazendo respostas rápidas e precisas. Em um mercado cada vez mais competitivo, se percebe que a adoção do data driven está saindo de um estado “opcional” para um estado “obrigatório”.
IA não é um assunto recente como grande parte das pessoas assim imaginam. Por exemplo, o primeiro modelo de neurônio artificial foi proposto em 1943 por Warren McCulloch e Walter Pitts. Houve importantes etapas precedentes que possibilitaram a ascensão da IA como a enxergamos nos dias de hoje. Mesmo com alguns modelos de IA já propostos, era necessário o aumento de poder computacional, que ocorreu majoritariamente nas décadas de 90 e 2000, produzindo-se computadores cada vez mais potentes. Com a evolução tecnológica, o preço do hardware foi se tornando cada vez mais acessível, o que resultou na popularização dos computadores. Com isso e o surgimento dos smartphones, a quantidade de dados produzidos foi crescendo de forma exponencial, e que atualmente estima-se uma produção de trilhões de petabytes de dados gerados por dia.
O Big Data, conceito que se refere à grande quantidade de dados em diversos formatos e que crescem exponencialmente, demanda a utilização de IA, para que esses dados, após coletados, passando por um processo de tratamento e modelagem, possam revelar conhecimento (data mining). Em um mundo com máquinas de grande poder computacional e grande quantidade de dados disponíveis, criou-se o cenário perfeito para as aplicações práticas de IA.
As aplicações de IA têm auxiliado de forma significativa segmentos como financeiro, hospitalar, industrial, agrícola, metalurgia, dentre outros, possibilitando de forma mais ágil e econômica que cada setor possa detectar falhas em seus processos, entender melhor seus clientes e propor soluções/melhorias direcionadas por dados. No segmento de logística, também não é diferente. Uma recente pesquisa indicou que a utilização de IA poderia prever o risco de acidentes em rodovias com uma média de acerto de 84%, através de utilização de redes neurais artificiais, utilizando, como treinamento da rede, dados históricos registrados pela Polícia Rodoviária Federal. Com isso, seguros de transportes podem ter sua precificação ajustada conforme a classificação de risco. No continente asiático, países como China e Cingapura apostam alto em soluções para logística baseadas em IA como apoio na melhoria de seus processos. No Brasil, há serviços de IA que auxiliam o transportador no abastecimento do veículo através de sugestões de postos de combustíveis, analisando características como menor preço e melhor roteiro, contribuindo para a eficácia do processo de gestão da frota.
A IA também pode ser inserida em um contexto amplamente utilizado na logística, a Pesquisa Operacional (PO). A roteirização de veículos (RV), que tem como objetivo montar um roteiro de entrega considerado ótimo (menor custo e menor prazo), para ser eficiente, por exemplo, precisa utilizar algumas técnicas de busca, considerar muitas variáveis e fornecer o melhor resultado em um tempo de processamento aceitável. Utilizar a IA para auxiliar as técnicas de busca de PO, classificando os dados de forma inteligente, pode contribuir de forma significativa para a redução de custos de transporte, revelando cenários antes impensáveis, como a utilização de transporte por aplicativo em alternativa de menor preço, maximizando o potencial da RV. Dependendo do volume mensal transportado pelo embarcador, a redução de custos utilizando um processo de RV inteligente pode apresentar valores impressionantes.
Para o embarcador, o relacionamento com o transportador muitas vezes é bastante dispendioso e ineficaz, cujo efeito danoso pode ser potencializado dependendo do número de volumes transportados ao mês. A IA pode ser de grande relevância para o embarcador no auxílio do relacionamento com o transportador, transformando-o em um relacionamento automatizado, ágil e inteligente. Detecção de anomalias no transporte pode ser feita por algoritmos que “aprendem” com os dados do embarcador, analisando números, dados categóricos e até textos, estes muitas vezes inseridos em documentos (faturas, ocorrências, etc.) como “observações”, interpretando o conteúdo escrito e revelando conhecimento de extrema importância, evitando desperdícios e fraudes, gerando como consequência a redução de custos no transporte.
A IA também pode aprimorar um importante processo na gestão realizada pelo embarcador: a avaliação do transportador. A utilização de dados históricos em modelos preditivos pode auxiliar o embarcador na inferência de eventos indesejados ao predizer possíveis atrasos ou perdas, tornando mais eficaz a decisão de efetivar um transporte.
Não se pode negar a relevância das aplicações de IA na logística. Ela pode ser determinante e eficaz em muitas decisões estratégicas do embarcador, algo que seria extremamente difícil e oneroso se realizado por pessoas, devido à imensa quantidade de dados produzidos diariamente pelo embarcador. Pelo que se percebe, o conceito de data driven na logística tem sido cada vez mais imposto por um mercado muito competitivo, no qual não se permite mais espaço para as intuições humanas.