SISTEMAS MULTIAGENTES NAS CADEIAS DE SUPRIMENTOS … · vez mais robustas, TI tem levado o fluxo de informação em uma cadeia a um nível elevado. Wong (2015) argumenta que essa

SISTEMAS MULTIAGENTES NAS

CADEIAS DE SUPRIMENTOS

COLABORATIVAS

Ruhany Iribarren de Aragao (UFRJ )

[email protected]

Joao Gabriel Gomes Carvalho (UFRJ )

[email protected]

Renato Florido Cameira (UFRJ )

[email protected]

O objetivo do presente artigo é duplo. Inicialmente, visa-se

compreender a tecnologia de sistemas multiagentes e a relação dos

mesmos com a cadeia de suprimentos colaborativas. Através de uma

pesquisa bibliográfica inicial baseada em artigos científicos expõe-se

algumas aplicações de sistemas multiagentes encontradas: seleção de

fornecedores e apoio à tomada de decisões. O artigo traz como

segundo objetivo a apresentação de uma revisão bibliográfica da

aplicação de sistemas multiagentes para negociações entre os

membros das cadeias de suprimentos, pelo maior volume de

informações convergentes abordadas. The paper has two main goals.

First of all, it intends to understand the multi agent system (MAS)

technology and its role in the collaborative supply chain. Based upon

an academics articles research and in order to display some

applications of the MAS, this paper mentions multi agents systems in

suppliers selection and decision making ,within the collaborative

supply chain. Last but not least, This article also indicates, through an

XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO

Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil

João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.



João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.

.

2

academic research, MAS purposes in negotiation among members of

the collaborative supply chain.

Palavras-chave: multi-agent systems; artificial intelligence; supply

chain management; negotiation; collaborative supply chains;

intelligent agent, agentes inteligentes; cadeia de suprimentos,

inteligência artificial, cadeia de supriementos colaborativa.




.

3

SISTEMAS MULTIAGENTES NAS

CADEIAS DE SUPRIMENTOS

COLABORATIVAS

Ruhany Iribarren de Aragao (UFRJ )

[email protected]

Joao Gabriel Gomes Carvalho (UFRJ )

[email protected]

Renato Florido Cameira (UFRJ )

[email protected]

O objetivo do presente artigo é duplo. Inicialmente, visa-se

compreender a tecnologia de sistemas multiagentes e a relação dos

mesmos com a cadeia de suprimentos colaborativas. Através de uma

pesquisa bibliográfica inicial baseada em artigos científicos expõe-se

algumas aplicações de sistemas multiagentes encontradas: seleção de

fornecedores e apoio à tomada de decisões. O artigo traz como

segundo objetivo a apresentação de uma revisão bibliográfica da

aplicação de sistemas multiagentes para negociações entre os

membros das cadeias de suprimentos, pelo maior volume de

informações convergentes abordadas. The paper has two main goals.

First of all, it intends to understand the multi agent system (MAS)



João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.




.

4

technology and its role in the collaborative supply chain. Based upon

an academics articles research and in order to display some

applications of the MAS, this paper mentions multi agents systems in

suppliers selection and decision making ,within the collaborative

supply chain. Last but not least, This article also indicates, through an

academic research, MAS purposes in negotiation among members of

the collaborative supply chain.

Palavras-chave: multi-agent systems; artificial intelligence; supply

chain management; negotiation; collaborative supply chains;

intelligent agent, agentes inteligentes; cadeia de suprimentos,

inteligência artificial, cadeia de supriementos colaborativa.




.

5

1. Introdução

Uma cadeia de suprimentos colaborativa pode ser definida como uma rede de fornecedores,

fábricas, armazéns, centros de distribuição e revendedores que interagem de maneira

integrada e autônoma desde a aquisição de matérias-primas até a distribuição de produtos

finais aos consumidores. Esse contexto colaborativo faz com que as decisões tomadas não

potencializem apenas ganhos locais, mas que as alternativas adotadas maximizem as funções

de utilidade de todas as entidades da cadeia (HALL et al., 2010).

Na atual conjuntura econômica global, a gestão eficiente das cadeias de suprimentos é de

importância vital para a competitividade das empresas, uma vez que ela impacta diretamente a

capacidade das organizações em responder a novas demandas do mercado de maneira rápida e

rentável (COLLINS et al., 2006).

As soluções que proporcionam essa integração entre elos da cadeia de forma eficiente e fluida

se devem muito ao crescente desenvolvimento da Tecnologia da Informação (TI) e suas

pesquisas de ponta. Com capacidades de armazenamento e transmissão de informações cada

vez mais robustas, TI tem levado o fluxo de informação em uma cadeia a um nível elevado.

Wong (2015) argumenta que essa integração tem aumentado de forma muito acelerada com o

tempo como fruto do desenvolvimento da tecnologia da informação.

Todavia, a capacidade de processamento de dados e tomada de decisão não parece se

encontrar no mesmo nível de automação. Isto para dizer que dados armazenados e

transmitidos de maneira muito veloz não são traduzidos em informação, conhecimento e

decisão com a mesma velocidade. Embora o acesso a informação por parte dos tomadores de

decisão seja muito produtivo, sua capacidade de analisar tamanho volume e tomar decisão

parece ser uma restrição nesse processo.

Com isso, a proposição de modelos baseados em Inteligência Artificial (IA), como vertente da

TI, tem objetivado a automação das decisões entre os elos na cadeia de suprimentos

colaborativas. Isto e, modelos como Agentes Inteligentes (AI) propõe a descentralização das




.

6

decisões do ser humano para softwares inteligentes e com autonomia para processor os dados,

analisar e decidir.

Desse modo, este artigo primeiramente cita alguns desafios enfrentados e soluções por parte

das empresas, enquanto elos de uma cadeia de suprimentos colaborativa. Em segundo lugar,

há a exposição da tecnologia MAS (multi-agent systems) enquanto proposta na gestão das

cadeias de suprimento colaborativas. Por último, uma pesquisa dos mesmos sistemas

multiagentes no âmbito das negociações entre os elos de uma cadeia.

2. Metodologia de pesquisa

Por meio das Bases CAPES e da University of South Australia (UniSA), universidade

australiana na qual um dos autores desempenhou outros trabalhos acadêmicos, realizou-se

pesquisas bibliográficos de títulos nacionais e estrangeiros.

A partir da divisão do assunto em termos chaves e também com a pesquisa de autores de

notável reconhecimento em Inteligência Artificial, selecionaram-se artigos e autores dos mais

relevantes e recentes. Baseados nos trabalhos refinados pela pesquisa e também os conhecidos

previamente no Curso de Engenharia de Produção da UFRJ, seguindo os critérios de

relevância e atualidade, definiu-se a base bibliográfica desse trabalho.

3. Gestão tecnológica na cadeia de suprimentos colaborativa

De fato, a autonomia e a integração presentes no âmbito colaborativo são aspectos

importantes para a melhoria da performance de toda a cadeia. Por um lado, a autonomia das

organizações permite que as mesmas não se submetam totalmente aos interesses de uma

entidade principal e controladora, gerando benefícios mais significativos do que no caso das

cadeias de suprimentos centralizadas, uma vez que os resultados ótimos são extensíveis ao

todo e não exclusivamente a uma parte. Ao mesmo tempo, a comunicação facilitada bem

como o compartilhamento de informações entre as entidades das cadeias de suprimentos,

possíveis a partir do desenvolvimento da Tecnologia da Informação e que ilustram a

integração de uma cadeia, possibilitam uma melhor previsão da demanda de produtos ou

serviços por parte das empresas assim como uma resposta cada vez mais rápida ao contexto

dinâmico das organizações e do mercado. Essa dinâmica pode ser observada, por exemplo, na




.

7

utilização de informações providas pelos sistemas de Supplier Relationship Management

(SRM) e Customer Relationship Management (CRM), que subsidiam a melhor gestão dos

relacionamentos entre pares de entes da cadeia, cuja operacionalização é mais notadamente

percebida via integração de sistemas de Enterprise Resource Management (ERPs). Por

exemplo, organizações que desejam um controle maior do estoque por parte de seus

fornecedores de modo a ajustarem insumos à demanda de forma mais rápida, um menor ciclo

de ressuprimento.

Entretanto, mesmo com a integração das cadeias de suprimentos, as empresas atravessam

dificuldades para superar, de um modo inteiramente eficiente, os desafios desse contexto

dinâmico, exemplificados através de eventos como as modificações e cancelamentos

imprevisíveis de pedidos de clientes, ou a falta inesperada de recursos oriundos de

fornecedores, ou as súbitas falhas mecânicas de máquinas de produção, entre outros fatores

existentes nas organizações, ou as rápidas mudanças de tendências, ou a diminuição dos ciclos

de vida dos produtos, entre outros fatores existentes no mercado (HALL et al., 2010). Nesse

contexto dinâmico, a demanda por soluções para auxilio à tomada de decisão cresce de forma

acelerada, exigindo maior complexidade, rapidez e eficiência.

Para contornar tais problemas, muitas organizações buscam soluções analíticas como o

benchmarking ou análises empíricas customizadas baseadas em simulações. No entanto,

mesmo que as soluções de benchmarking forneçam sugestões de melhoria consistentes com a

realidade, podem ser insuficientes para a aplicação em um caso particular e mais detalhado de

uma empresa. Há a dificuldade de se levantar dados coerentes e específicos para casos

particulares e com granularidades elevadas. Métodos empíricos como os de simulação, por

outro lado, podem ser uma ferramenta viável de análise com razoável detalhamento e possível

solução. Todavia, as soluções desse tipo são bastante complexas e podem requerer um tempo

significativo de desenvolvimento. Além disso, são muito específicas, o que as torna, na

maioria dos casos, rígidas e não reutilizáveis (SADEH et al., 1998). A Figura 1 ilustra as

relações de trade-off entre essas duas classes de abordagens para auxílio à tomada de decisão.




.

8

Figura 1 - Trade-off: Ferramentas Analíticas x Empíricas

Fonte: Elaboração própria

Desse modo, torna-se importante, para aumentar a eficiência dentro das cadeias de

suprimentos, utilizar ferramentas automatizáveis flexíveis, reutilizáveis e de rápido

desenvolvimento para o apoio à tomada de decisões na conjuntura de mudanças constantes

das organizações e do mercado. Em um sistema dinâmico como a cadeia de suprimentos que

aumenta de complexidade de forma rápida, são requeridas soluções de tomada de decisão

flexíveis que sejam capazes de acompanhar essa evolução em complexidade e igualmente

fornecer repostas rápidas e satisfatórias em termos de precisão e qualidade.

O que parece ocorrer, porém, com as ferramentas mais tradicionais automatizáveis é a

evolução a uma taxa inferior. Apesar de passarem por uma melhora natural e constante, não

evoluem em complexidade à mesma velocidade que os sistemas dinâmicos. Como resultado,

há um ciclo de reinvenção e inovação das soluções. Após a fase de melhoria contínua, as

ferramentas e soluções se tornam obsoletas e são reinventadas, reformuladas ou combinadas a

outras de forma a atender a demanda do sistema dinâmico.

Nesse sentido, até que haja uma percepção da defasagem (Δ) entre a ferramenta ou solução

proposta e o sistema em questão, a obsolescência da mesma tenderá a aumentar. A

necessidade de renovação, seja por combinação ou por invenção, se torna evidente após um




.

9

dado período. A velocidade de percepção dessa defasagem, bem como de implementação de

algo novo, é tão grande quanto for a sensibilidade tecnológica dos tomadores de decisão.

Figura 2 – Defasagem entre sistemas e soluções


Há também de se levar em consideração o gap entre percepção e realidade. Considerando que

as ferramentas de análise do sistema, de suas demandas e evolução fossem irrepreensíveis e

que os tomadores de decisão fossem competentes, ainda assim, a leitura será atrasada para o

caso de um sistema dinâmico. Os melhores softwares de previsão ainda não conseguem

prever a demanda em tempo real.

Tudo isso para dizer que ainda que possuam fluxos de informações organizados e tecnologia

de ponta dentro de suas cadeias de suprimento, muitas companhias conseguem extrair

somente um estado instantâneo do sistema em questão, um snapshot da realidade. A partir de

suas leituras, conjecturam as tendências de evolução dos sistemas interessados. Há sempre o

esforço temporal para que os inputs sejam analisados e transformados em decisões. Sendo

assim, a Figura 3 serve para ilustrar a visão de uma companhia com relação a um sistema, um

snapshot da realidade quando percebe a defasagem de sua técnica, tecnologia ou alocação de

recursos em relação ao sistema real.




.

10

Figura 3 – Tendência Instantânea de Evolução do Sistema


Supondo que as companhias sejam capazes de melhorar seus modelos e soluções de forma

contínua, e alinhando essa evolução com as tendências percebidas do sistema (uma taxa θ), a

Figura 4 ilustra o que seria o ciclo de vida das tecnologias empregadas para solução do

mesmo sistema.

Figura 4 – Tendência de Evolução do Sistema x Solução




.

11


Em uma comparação simplista, pode-se dizer que os modelos de solução passam por um ciclo

de melhoria contínua, reagindo de forma eficiente às previsões do sistema, até sofrerem um

salto de inovação, enquanto os sistemas evoluem de forma contínua em complexidade. Assim

como ocorre em um sistema de controle antecipado, a solução busca evoluir em tecnologias,

de forma a prever o crescimento do sistema em complexidade e respeitando uma tolerância de

defasagem com relação ao mesmo.

Sendo assim, os ciclos de inovação das tecnologias e ferramentas automatizáveis de solução

tradicionais, sejam elas empíricas ou analíticas, acontecem de forma discreta e sempre reativa,

durando até o limite, enquanto as ferramentas conseguem cobrir de forma satisfatória e

auxiliar as decisões dentro de um sistema como uma supply chain (SC), por exemplo. Isto é,

um sistema de supply chain management (SCM) ainda consegue informar em tempo hábil

qual será a demanda para o próximo semestre. Uma ferramenta de apoio à seleção de

fornecedores ainda leva em conta dados suficientes para fornecer quais são os melhores

parceiros para a fabricação de um determinado componente. Quando, porém, o sistema

dinâmico demanda abordagens mais sofisticadas, há uma inovação para atender a essa

demanda. Ou seja, as variações de demandas dos produtos se tornaram tão efêmeros que o

SCM atual passa informações defasadas, ou então o universo de fornecedores aumentou tanto

que a seleção de parceiros pelos meios tradicionais pode não ser satisfatória. A Figura 5

ilustra esse fenômeno com os saltos discretos de inovação que ocorrem entre tempos de

melhoria contínua, períodos de inovação, durante o qual as ferramentas e técnicas presentes

são suficientes para atenderem as demandas por soluções do sistema.

Tal fenômeno parece ocorrer de forma diferente para técnicas que fazem uso de inteligência

artificial como, por exemplo, os softwares de sistema multiagentes (multi-agent systems –

MAS). Por se tratar de uma tecnologia dinâmica, colaborativa e inteligente, a aplicação desses

sistemas na gestão da cadeia de suprimentos colaborativa vem sendo objeto de estudo de

muitos pesquisadores no mundo (LANGE et al., 2014).




.

12

4. A tecnologia MAS e a gestão das cadeias de suprimento colaborativas

No campo de IA, agentes são sistemas (predominantemente softwares) autônomos que

realizam tarefas em ambientes dinâmicos e complexos (SCHEER et al., 1996). Eles são

usados para representar atores sociais reais: pessoas, organizações ou grupos. Um agente pode

se comunicar e interagir com o ambiente no qual está inserido, sendo capaz de modificá-lo a

partir de ações determinadas baseadas em seus respectivos objetivos e responsabilidades. Esse

ambiente no qual o agente está presente é um modelo matemático da circunstância real na

qual os atores sociais reais operam (LANGE et al., 2014). A um grupo organizado de agentes

que desempenham determinadas funções específicas, interagindo dentro de um ambiente

específico, dá-se o nome de sistema multiagentes (SCHEER et al., 1996). Desse modo, todos

os agentes de um MAS são caracterizados por sua autonomia, pois detêm certo controle sobre

suas ações sem intervenções externas; interação social com outros agentes; reatividade a

mudanças no ambiente no qual está inserido e, por fim, pró-atividade, agindo não somente em

resposta ao ambiente, mas tomando iniciativas próprias para atingir as suas metas

(MOYAUX, 2004).

A partir dos conceitos apresentados de agente, ambiente e sistema multiagentes, podemos

compreender o interesse de associar os sistemas multiagentes e a gestão das cadeias de

suprimentos colaborativas. De fato, tais cadeias apresentam características de autonomia,

onde as organizações executam suas tarefas por si mesmas, sem intervenções externas;

interação social entre os elos da cadeia de suprimentos; reatividade, pois as organizações

devem se adaptar à dinâmica imposta pelo mercado; e, finalmente, pro-atividade, pois as

empresas iniciam novas atividades, como o lançamento de um novo produto, por si mesmas,

sem obigatoriamente terem a necessidade de responder ao ambiente do qual fazem parte

(MOYAUX, 2004).

Utilizando um MAS que representa adequadamente a realidade, é possível introduzir

artificialmente mudanças no ambiente, ou seja, simular o contexto real dinâmico das

organizações e do mercado, e ter uma melhor compreensão de como os agentes (e

consequentemente os atores sociais reais) reagiriam a essas mudanças de modo automatizado.

O objetivo é, portanto, fornecer um suporte automatizado para a tomada de decisões,




.

13

determinando a maneira mais eficiente possível para todos os agentes de como os mesmos

devem agir quando o ambiente é alterado (LANGE et al., 2014).

Yu et al. (2015) também ressalta em sua análise que agentes inteligentes são estabelecidos

para representar funções de uma organização ou diversas organizações. Possuem autonomia

para exercer suas funções dentro de limites pré-definidos, tal qual acontece atualmente com o

trabalho humano e são passíveis de gerenciamento por um outro agente, que possui a visão

mais completa da atividade ou processo (NG et al.,2009; YU et al., 2015), exatamente de

acordo com a lógica humana de organização. Em outras palavras, os sistemas MAS possuem

crescente habilidade de inferência, fruto de suas funções de inteligência artificial;

possibilidade de integração complexa, segundo um protocolo comum; e autonomia dentro de

limites pré-definidos. Uma pesquisa literária do tema leva a conclusão de que, além disso, são

passíveis de organização hierárquica. Esses fatores fazem dos MAS uma ferramenta robusta e

complexa no auxílio à tomada de decisões ou automação de processos de negociação.

Desta forma, o uso de sistemas de inteligência artificial como MAS possibilita a

automatização além de processamento de dados. As características autônomas de iniciativas

próprias e inteligentes desse sistema possibilitam a automação de decisões mais complexas

dentro de sistemas dinâmicos (SARWAR et al., 2012).

Se antes as ferramentas automatizadas para auxílio de tomada de decisão atuavam em um

nível de informação e dados, os atributos de inteligência desses modelos MAS permitem que

esse nível hierárquico se eleve. De acordo com Sarwar et al. (2012), sistemas inteligentes são

capazes de inferência e aprendizado, portanto, produção de conhecimento. Os mesmos autores

sugerem um modelo de sistema baseado em Redes Neurais Artificias que é capaz de

aprendizado através de uma conexão com banco de dados que armazena situações de tomadas

de decisão posteriores bem como as decisões tomadas. O sistema consegue recuperar os casos

anteriores e aprender com seus inputs e outputs, aumentando a eficiência do auxílio na tomada

de decisão. A Figura 5 ilustra o modelo proposto por Sarwar et al. (2012).




.

14

Figura 5 – Ciclo de raciocínio de uma rede neural artificial

Fonte: Sarwar, Ul-Oayyum & Malik (2012, pp. 1627)

Essa essência justifica seu grau de autonomia, eficiência e efetividade que diferencia esses

modelos das ferramentas atuais de auxílio à tomada de decisão na cadeia de suprimentos.

Características de aprendizado e readaptação conferem aos MAS um ciclo de inovação

diferente do discutido inicialmente nesse artigo. Se antes um software comum necessitava de

uma intervenção humana para adaptar-se à nova realidade, seja por combinação

componentizada ou por reinvenção, agentes inteligentes possuem certo nível de

reprogramação devido a suas características de aprendizagem (SARWAR et al., 2012). Isso os

torna entes mais reativos à dinamicidade de uma cadeia de suprimentos. Sabe-se que MAS

não conseguem se reinventar a níveis estruturais de seus modelos matemáticos, mas

conseguem, por exemplo, perceber a necessidade de mudança quanto ao peso de um critério

na hora de uma tomada de decisão. Ou seja, um software de seleção de fornecedores que faz

uso do sistema MAS conseguiria perceber de forma rápida se determinado fornecedor atrasará

prazos no futuro e levaria esse fato em conta para tomada de decisão (CHOY et al., 2002).




.

15

Esse fenômeno confere aos MAS um ciclo de inovação relativamente mais curto quando

comparado com ferramentas automatizadas não inteligentes.

Figura 6 – Evolução: MAS x Soluções Automatizados Clássicos


Sendo assim, esses sistemas conseguem se adaptar de forma muito mais rápida às novas

demandas do sistema dinâmico. Os sistemas MAS demandariam um período menor de

inovação estrutural, já que conseguem se reinventar com certa autonomia.

Em um caso limite, e dada a tendência de evolução da capacidade de automação em níveis

cada vez mais elevados, pode-se imaginar sistemas com capacidade de reinvenção e

readaptação cada vez mais sofisticadas, capazes até mesmo de uma reformulação em nível

estrutural e acompanhamento do sistema dinâmico em tempo real.

Desse modo, considerando uma situação limite, a curva verde da Figura 6 teria um período

cada vez menor de forma a se tornar contínua, se degenerando para o formato ilustrado na

Figura 7.

5. Sistemas multiagentes nas negociações entre os elos das cadeias

De acordo com Firouzi et al. (2012), o acesso a milhares de fornecedores online com dada

confiabilidade de suas informações flexibiliza as parcerias de negócio. Se uma dada empresa




.

16

tem acesso com confiabilidade a todos os fornecedores, seus prazos de entrega, seus preços,

sua qualidade e outros critérios, essa poderá considerar todo o universo de fornecedores em

seu processo de seleção. Atualmente, esse fenômeno tem mudado a dinâmica de negociação

nas cadeias de suprimento. Quanto maior o acesso a um vasto universo de fornecedores com

dados confiáveis de negociação, mais as empresas têm maximizado a eficácia de seus

processos de seleção dos mesmos.

Figura 7 – Evolução: MAS x Soluções Automatizados Clássicos (Caso Limite)


Essa rede complexa e dinâmica, com muitos elos e elevado fluxo de produtos e serviços,

desperta uma dificuldade gerencial elevada. Firouzi et al. (2012) argumenta que os

negociadores de empresas precisam entender o funcionamento da cadeia para tomadas de

decisão. Fatores como: quais elos podem ser recorridos, qual a função de cada um deles ou

quais os impactos do prazo a serem negociados no plano de produção da fábrica, devem ser

levados em conta na tomada de decisão. Esses fatores aumentam de complexidade quando

variam também por produtos e serviços, e com a possibilidade de seleção de vários

fornecedores ou pontos de distribuição. Cada produto ou serviço possui um fluxo dentro de

uma rede complexa e dinâmicas especificas de prazos, preços e qualidade.

Firouzi et al. (2012) também cita, à luz de exemplos, pré-contratos em construção civil.

Relações de negociação como essa são muito complexas já que requerem elevado grau de




.

17

especificidade. Os pré-contratos de licitação requerem a avaliação de vários fornecedores para

cada material que será usado na obra, sendo necessária uma pesquisa extensa dos agentes

envolvidos. Processos como esse requerem um grau cada vez mais elevado de conhecimento e

análise, sem contar as limitações temporais e espaciais, de alinhar um horário e local

específico para encontro de ambas as partes na negociação (FIROUZI et al., 2012). Com isso,

as negociações nas cadeias de suprimento atualmente têm mostrado um comportamento cada

vez mais dinâmico e complexo, exigindo crescente capacidade de conhecimento e análise por

parte dos tomadores de decisão.

Essa demanda por crescentes capacidades e competências desperta questionamento para o

quanto se pode esperar do ponto de vista humano. Em outras palavras, até quanto se espera

que um ser humano possa atender um processo de tomada de decisão como o citado acima,

em toda sua complexidade. Sem dúvida as limitações espaciais de encontros e reuniões são

satisfatoriamente superadas pelo uso de plataformas online e o uso de ferramentas tradicionais

automatizadas para auxílio à tomada de decisão também são de grande ajuda. Contudo, ainda

há fatores que podem ser questionados com relação à eficiência do processo de negociação,

como por exemplo, a capacidade humana de armazenar informações sobre o que diz respeito

aos elementos do processo, cada vez mais complexos e constantemente não cobertos por

ferramentas tradicionais. Há também a limitação temporal, a necessidade do alinhamento das

agendas dos negociadores, o que pode ser complexo em termos de disponibilidade.




.

18

Figura 8 – Impacto do uso de Inteligência Artificial na Hierarquia de Automação


Todos esses questionamentos abrem caminho para ferramentas de sistemas inteligentes que

automatizem os processos em níveis cada vez mais elevados, exigindo assim cada vez menos

a ação humana. Softwares comuns e algoritmos desempenham muito bem a função do ponto

de vista de processamento a armazenagem. Porém, quando se trata de processos mais

complexos que exigem certo grau de inferência, o uso de MAS tem se apresentado como

solução mais efetiva. A utilização desses sistemas inteligentes na cadeia de suprimentos ainda

experimenta seu estado da arte. Porém, já se sabe de suas capacidades para assumir muitas

competências e com nível satisfatório de qualidade (YU et al., 2015).

6. Conclusões, limitações e trabalhos futuros

O emprego de MAS em SC parece ser um objeto de bastante interesse acadêmico e

empresarial, fazendo uso de tecnologia avançada e elevando o nível de automação das

atividades corporativas.




.

19

Apesar de a tecnologia dos agentes inteligentes ainda ser algo que se encontra

predominantemente em seu estado da arte, com algumas técnicas desenvolvidas, as

corporações podem encontrar na mesma uma oportunidade de atingir vantagem competitiva

em seus nichos.

Nesse sentido, como perspectivas futuras de trabalho, podemos sugerir a análise das

aplicações dos MAS para previsão de variáveis complexas da cadeia de suprimentos, como a

demanda por certo produto ou serviço. Esse modelo parece atribuir maior precisão e

velocidade ao processo de previsão. Um estudo de viabilidade econômica sobre o emprego da

tecnologia contra os ganhos de diminuição de estoque seria de expressivo interesse e podem

fomentar o investimento em pesquisa sobre a tecnologia.




.

20

REFERÊNCIAS

CHOY, K, LEE, W & Lo, V 2002, 'An intelligent supplier management tool for benchmarking suppliers in

outsource manufacturing', Expert Systems With Applications, vol. 22, no. 3, pp. 213-224.

COLLINS, John, ERIKSSON, Joakim, FINNE Niclas, JANSON Sverker, RAGHU Arunachalam, SADEH

Normam. The Supply Chain Management Game for the 2007 Trading Agent Competition. Pittsburgh:

Carnegie Mellon University, 2006

FIROUZI, S & NEZARAT, A 2012, 'An Intelligent Approach for Negotiating between chains in Supply Chain

Management Systems', International Journal of Distributed and Parallel Systems, vol. 3, no. 3, pp. 111-120.

HALL, Teresa J. K., LU Huitian, UM, WansSup. A Study of Multi-Agent Based Supply Chain Modeling and

Management. iBusiness, South Dakota, 2010, v. 2, pg. 333-341

LANGE, Graham, LIN Fuhua. Modeling Well Scheduling as a Virtual Enterprise with Intelligent Agents. IEEE

17th International Conference on Computational Science and Engineering, 2014

MOYAUX, Thierry. Design, Simulation And Analysis of Collaborative Strategies in Multi-Agent Systems: The

Case of Supply Chain Management. Québec: Université Laval, 2004. 327 p. Thèse – Faculté des études

supérieures, Université Laval, Québec, 2004

NG, S, SULAIMAN, M & SELAMAT, M 2009, 'Intelligent Negotiation Agents in Electronic Commerce

Applications', Journal of Artificial Intelligence, vol. 2, no. 1, pp. 29-39.

SADEH, Normam, SMITH Stephen, SWAMINATHAN, Jayashankar. Modeling Supply Chain Dynamics: A

Multiagent Approach. Decision Sciences, 1998, v. 29, nº 3

SARWAR, S, UL-OAYYUM, Z & MALIK, O 2012 "A hybrid intelligent system to improve predictive

accuracy for cache prefetching, " Expert Systems with Applications, vol. 39, pp. 1626-1636, 2012.

SCHEER, August-Wilhelm, FISCHER Klaus, MÜLLER Jörg P., HEIMING Ingo. Intelligent Agents in Virtual

Enterprises. Disponível em: <http://goo.gl/NpTtOL> Acesso em: 1 jan. 2016.

WONG, T. N., & FANG, F. (2010). A multi-agent protocol for multilateral negotiations in supply chain

management. International Journal of Production Research, 48(1), 271–299.

YU, C & WONG, T 2015, 'An agent-based negotiation model for supplier selection of multiple products with

synergy effect', Expert Systems with Applications, vol. 42, no. 1, pp. 223-237.

http://goo.gl/NpTtOL

Documents

SISTEMAS MULTIAGENTES NAS CADEIAS DE SUPRIMENTOS … · vez mais robustas, TI tem levado o fluxo de informação em uma cadeia a um nível elevado. Wong (2015) argumenta que essa