A CONTRIBUTION TO MACHINE LEARNING APPLICATIONS IN LOGISTICS AND MAINTENANCE PROBLEMS
Aprendizagem profundo. Racionamento de estoque. Dropshipping. Aprendizagem profunda por reforço. Sistemas de múltiplos componentes. Manutenção imperfeita.
Com o passar do tempo, as organizações reconhecem cada vez mais o papel das funções de suporte no alcance da competitividade e de um desempenho sustentável. Diante disso, é importante propor novos modelos matemáticos que possibilitem o aprimoramento dessas funções. É interessante que esses modelos considerem desafios que as organizações enfrentam devido a fatores tais como a rápida evolução da tecnologia e da internet. Particularmente, os modelos devem estar alinhados com mudanças nos padrões de consumo e com a complexidade e forma como as operações industriais tendem a ser conduzidas diante da adoção da Industria 4.0. Nos últimos anos, por exemplo, os modelos baseados em aprendizagem de máquina (ML) têm ganhado popularidade em diversas áreas tais como a robótica, o processamento de linguagem natural, a manufatura, a logística e o gerenciamento da manutenção. Esses modelos têm se mostrado eficientes nesses domínios em que a relação entre algumas variáveis é desconhecida ou em que a dimensionalidade do problema e o espaço de soluções são grandes. Nesse sentido, esta tese propõe uma série de modelos baseados em aprendizado de máquina que permitem a solução de problemas de logística e de manutenção. O primeiro modelo proposto é baseado em aprendizagem profundo e visa classificar os pedidos de e-commerce em sistemas de dropshipping imediatamente após o recebimento no sitio web. Este modelo permite melhorar o racionamento de estoque, aumentar as oportunidades de lucro dos e-tailers, e adiantar a tomada de decisão relacionada ao atendimento compartilhado da demanda. O segundo modelo é baseado no aprendizado profundo por reforço e na programação por metas, e visa propor ações dinâmicas de manutenção em sistemas de múltiplos estados e múltiplos componentes levando em consideração manutenção imperfeita e objetivos múltiplos na avaliação da manutenção. Os resultados mostram que os modelos propostos possibilitam a melhoria do desempenho de indicadores-chave, tais como a taxa de atendimento de pedidos, o lucro total, a taxa de custo de manutenção e a confiabilidade média do sistema