Entrevista com Sarah Schaumann, pesquisadora principal do MIT CTL

“Nossos sistemas ajudarão as empresas a se prepararem para o futuro”

Sobre o projeto de pesquisa

Otimizar a distribuição de pedidos através do treinamento de modelos de IA de autoaprendizagem é um dos propósitos da colaboração de pesquisa entre o Massachusetts Institute of Technology e a Mecalux inaugurada em 2024. Sarah Schaumann, do Center for Transportation & Logistics do MIT, é a principal pesquisadora desta iniciativa do Intelligent Logistics Systems Lab focada em inteligência prescritiva, que visa ajudar as empresas a otimizar a escolha de pontos de embarque para suas mercadorias.

Mecalux entrevista Sarah Schaumann, pesquisadora principal do MIT CTL, para saber mais sobre o projeto de inteligência prescritiva que lidera no âmbito da colaboração de pesquisa entre o MIT e a Mecalux.

Está participando de um projeto de pesquisa conjunto entre o MIT e a Mecalux. O que espera alcançar com este trabalho?

O objetivo do projeto de pesquisa é desenvolver um modelo de orquestração para sistemas com um gerenciamento descentralizado de pedidos baseado em aprendizado automático. A ideia é, portanto, substituir a estratégia baseada em regras que normalmente é oferecida atualmente atribuindo pedidos para instalações e transportadoras por uma estratégia de orquestração inteligente que emprega IA de autoaprendizagem. Queremos habilitar um sistema que não seja apenas capaz de melhorar a eficiência operacional, mas também que se ajuste a ambientes de mudança futuros ao longo do tempo através do uso de machine learning.

O objetivo é desenvolver um modelo de orquestração para sistemas de gerenciamento de pedidos distribuídos com base em aprendizado automático
Qual o potencial da iniciativa para construir a próxima geração de sistemas de gerenciamento de pedidos distribuídos?

Esperamos criar gerações de estratégias de orquestração de pedidos inteligentes e adaptáveis. Ou seja, substituir estratégias estáticas e baseadas em regras por outras inteligentes e dinâmicas que podem se ajustar às mudanças nas demandas dos clientes, restrições ou mesmo condições de mercado. Em geral, queremos lançar as bases para o desenvolvimento de sistemas autônomos de distribuição de pedidos de autoaprendizagem, cada vez mais necessários em ambientes dinâmicos.

A vantagem do modelo de aprendizagem por reforço é que ele muda ao longo do tempo
Como utilizarão o aprendizado por reforço para desenvolver estratégias de orquestração ideais?

Nosso objetivo é aplicar o aprendizado por reforço para alcançá-los. Isso significa que o modelo aprende e refina seus processos de orquestração interagindo com um ambiente. O modelo cria diferentes estratégias de orquestração e recebe uma recompensa ou uma penalidade, de acordo com o resultado da decisão. Em seguida, ajusta as decisões de forma progressiva. Consequentemente, trata-se de uma espécie de aprendizagem contínua em que as recompensas dependem da filosofia da empresa. Por exemplo, uma empresa pode dar prioridade ao custo e outra ao prazo de entrega.

Queremos criar estratégias inteligentes e dinâmicas que possam se adaptar às mudanças nas demandas dos clientes, restrições ou até mesmo condições de mercado
Como o Intelligent Logistics Systems Lab está utilizando simulações em pesquisas como esta?

As simulações nos permitem replicar cenários do mundo real em um ambiente seguro e controlado. O modelo não interage com o sistema real, mas com um ambiente simulado. Isso reduz o custo e o risco de testar e treinar esses modelos e também facilita o teste de sua robustez e escalabilidade.
Que impacto esse projeto terá no setor de logística?

Os ambientes em que as empresas operam estão se tornando cada vez mais dinâmicos e complexos, mas a grande vantagem dos modelos baseados em aprendizagem por reforço são que se adaptam com o tempo. Isso significa que nossos sistemas ajudarão as empresas a se prepararem para o futuro.