Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru

Detalhes bibliográficos
Autor(a) principal: Ikeziri, Lucas Martins
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: https://hdl.handle.net/11449/251137
Resumo: Fornecer a devida atenção à demanda que percorre todos os elos de uma cadeia de suprimentos é um desafio que, se não for cumprido, implica alguns efeitos indesejáveis, por exemplo, baixa rotatividade de estoques, investimentos elevados em produtos e perda de vendas por ruptura de estoques. A fim de lidar com tais efeitos indesejáveis, a Teoria das Restrições (Theory of Constraints – TOC) propõe o sistema Pull Replenishment and Distribution (PRD) apoiado pelo método Gerenciamento Dinâmico do Pulmão (Dynamic Buffer Management – DBM) que, a partir de algoritmos e parâmetros definidos empiricamente, identifica as prioridades para o reabastecimento dos estoques e indica a necessidade de alterar os seus níveis-alvo. Assim, esta pesquisa tem como objetivo avaliar se a integração da técnica de inteligência artificial (IA), especificamente aprendizado por reforço (reinforcement learning – RL), ao DBM para calibrá-lo resulta em um método mais efetivo para o dimensionamento de estoques em dois estágios de uma cadeia de suprimentos. Para tanto, o ambiente foi modelado no software AnyLogic® e foram realizadas simulações em cenários distintos, viabilizando análises estatísticas da efetividade do método DBM por indicadores relacionados ao nível de serviço e de estoque no sistema. A partir dessas análises, dois cenários que proporcionaram desempenhos inferiores em relação aos demais foram selecionados para a integração da técnica RL ao DBM. Os resultados indicam que o método integrado não apresentou melhoras para o atendimento da demanda da cadeia de suprimentos em relação a uma combinação de regras do DBM tradicional. Portanto, a TOC possui regras tradicionais para o DBM que, se combinadas adequadamente, podem fornecer uma solução robusta que assegura um nível de serviço adequado ao passo que mantém a eficiência do controle dos níveis de estoques. Por outro lado, a integração de RL ao DBM pode ser uma alternativa viável para a recomendação de parâmetros adequados do DBM em função das especificidades de cada ambiente, uma vez que uma escolha indevida pode impactar negativamente a disponibilidade dos produtos, prejudicando o atendimento da demanda.
id UNSP_1713bbb5a63072945dfdb9354513414d
oai_identifier_str oai:repositorio.unesp.br:11449/251137
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos BauruProposal to integrate artificial intelligence into Dynamic Buffer Management for inventory sizing in supply chainsGestão da cadeia de SuprimentosTambor-Pulmão-Corda SimplificadoMake to availabilityReposição puxadaGerenciamento dinâmico do pulmãoFornecer a devida atenção à demanda que percorre todos os elos de uma cadeia de suprimentos é um desafio que, se não for cumprido, implica alguns efeitos indesejáveis, por exemplo, baixa rotatividade de estoques, investimentos elevados em produtos e perda de vendas por ruptura de estoques. A fim de lidar com tais efeitos indesejáveis, a Teoria das Restrições (Theory of Constraints – TOC) propõe o sistema Pull Replenishment and Distribution (PRD) apoiado pelo método Gerenciamento Dinâmico do Pulmão (Dynamic Buffer Management – DBM) que, a partir de algoritmos e parâmetros definidos empiricamente, identifica as prioridades para o reabastecimento dos estoques e indica a necessidade de alterar os seus níveis-alvo. Assim, esta pesquisa tem como objetivo avaliar se a integração da técnica de inteligência artificial (IA), especificamente aprendizado por reforço (reinforcement learning – RL), ao DBM para calibrá-lo resulta em um método mais efetivo para o dimensionamento de estoques em dois estágios de uma cadeia de suprimentos. Para tanto, o ambiente foi modelado no software AnyLogic® e foram realizadas simulações em cenários distintos, viabilizando análises estatísticas da efetividade do método DBM por indicadores relacionados ao nível de serviço e de estoque no sistema. A partir dessas análises, dois cenários que proporcionaram desempenhos inferiores em relação aos demais foram selecionados para a integração da técnica RL ao DBM. Os resultados indicam que o método integrado não apresentou melhoras para o atendimento da demanda da cadeia de suprimentos em relação a uma combinação de regras do DBM tradicional. Portanto, a TOC possui regras tradicionais para o DBM que, se combinadas adequadamente, podem fornecer uma solução robusta que assegura um nível de serviço adequado ao passo que mantém a eficiência do controle dos níveis de estoques. Por outro lado, a integração de RL ao DBM pode ser uma alternativa viável para a recomendação de parâmetros adequados do DBM em função das especificidades de cada ambiente, uma vez que uma escolha indevida pode impactar negativamente a disponibilidade dos produtos, prejudicando o atendimento da demanda.Providing proper attention to demand that flows through all links of a supply chain is a challenge that, if not met, implies some undesirable effects, such as low inventory turnover, high product investments, and lost sales due to stockouts. In order to address these undesirable effects, the Theory of Constraints (TOC) proposes the Pull Replenishment and Distribution (PRD) system supported by the Dynamic Buffer Management (DBM) method, which, based on empirically defined algorithms and parameters, identifies priorities for stock replenishment and indicates the need to adjust the target levels. Thus, this research aims to evaluate whether the integration of the artificial intelligence (AI) technique, specifically reinforcement learning (RL), into the DBM to calibrate it results in a more effective method for sizing stocks in two stages of a supply chain. To achieve this, the environment was modeled in the AnyLogic® software, and simulations were conducted under different scenarios, enabling statistical analysis of the effectiveness of the DBM method based on service level and inventory in the system. Based on these analyses, two scenarios that exhibited lower performances compared to others were selected for the integration of the RL technique into DBM. The results indicate that the integrated method did not present improvements in meeting supply chain demand in relation to a combination of traditional DBM rules. Therefore, TOC has traditional rules for DBM that, if combined appropriately, can provide a robust solution that ensures an adequate service level while maintaining efficient control of inventory levels. On the other hand, the integration of RL into DBM can be a viable alternative for recommending appropriate DBM parameters depending on the specificities of each environment, since an inappropriate choice can negatively impact product availability, hindering demand fulfillment.Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)2020/15077-2Universidade Estadual Paulista (Unesp)Souza, Fernando Bernardi de [UNESP]Ikeziri, Lucas Martins2023-10-27T16:27:01Z2023-10-27T16:27:01Z2023-08-04info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfIKEZIRI, L. M. Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos. 249 f. 2023 Tese (Doutorado em Engenharia de Produção) - Faculdade de Engenharia, Universidade Estadual Paulista, 2023.https://hdl.handle.net/11449/25113796486678324201770000-0002-3492-272Xporinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-11-11T06:16:51Zoai:repositorio.unesp.br:11449/251137Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462023-11-11T06:16:51Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
Proposal to integrate artificial intelligence into Dynamic Buffer Management for inventory sizing in supply chains
title Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
spellingShingle Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
Ikeziri, Lucas Martins
Gestão da cadeia de Suprimentos
Tambor-Pulmão-Corda Simplificado
Make to availability
Reposição puxada
Gerenciamento dinâmico do pulmão
title_short Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
title_full Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
title_fullStr Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
title_full_unstemmed Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
title_sort Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos Bauru
author Ikeziri, Lucas Martins
author_facet Ikeziri, Lucas Martins
author_role author
dc.contributor.none.fl_str_mv Souza, Fernando Bernardi de [UNESP]
dc.contributor.author.fl_str_mv Ikeziri, Lucas Martins
dc.subject.por.fl_str_mv Gestão da cadeia de Suprimentos
Tambor-Pulmão-Corda Simplificado
Make to availability
Reposição puxada
Gerenciamento dinâmico do pulmão
topic Gestão da cadeia de Suprimentos
Tambor-Pulmão-Corda Simplificado
Make to availability
Reposição puxada
Gerenciamento dinâmico do pulmão
description Fornecer a devida atenção à demanda que percorre todos os elos de uma cadeia de suprimentos é um desafio que, se não for cumprido, implica alguns efeitos indesejáveis, por exemplo, baixa rotatividade de estoques, investimentos elevados em produtos e perda de vendas por ruptura de estoques. A fim de lidar com tais efeitos indesejáveis, a Teoria das Restrições (Theory of Constraints – TOC) propõe o sistema Pull Replenishment and Distribution (PRD) apoiado pelo método Gerenciamento Dinâmico do Pulmão (Dynamic Buffer Management – DBM) que, a partir de algoritmos e parâmetros definidos empiricamente, identifica as prioridades para o reabastecimento dos estoques e indica a necessidade de alterar os seus níveis-alvo. Assim, esta pesquisa tem como objetivo avaliar se a integração da técnica de inteligência artificial (IA), especificamente aprendizado por reforço (reinforcement learning – RL), ao DBM para calibrá-lo resulta em um método mais efetivo para o dimensionamento de estoques em dois estágios de uma cadeia de suprimentos. Para tanto, o ambiente foi modelado no software AnyLogic® e foram realizadas simulações em cenários distintos, viabilizando análises estatísticas da efetividade do método DBM por indicadores relacionados ao nível de serviço e de estoque no sistema. A partir dessas análises, dois cenários que proporcionaram desempenhos inferiores em relação aos demais foram selecionados para a integração da técnica RL ao DBM. Os resultados indicam que o método integrado não apresentou melhoras para o atendimento da demanda da cadeia de suprimentos em relação a uma combinação de regras do DBM tradicional. Portanto, a TOC possui regras tradicionais para o DBM que, se combinadas adequadamente, podem fornecer uma solução robusta que assegura um nível de serviço adequado ao passo que mantém a eficiência do controle dos níveis de estoques. Por outro lado, a integração de RL ao DBM pode ser uma alternativa viável para a recomendação de parâmetros adequados do DBM em função das especificidades de cada ambiente, uma vez que uma escolha indevida pode impactar negativamente a disponibilidade dos produtos, prejudicando o atendimento da demanda.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-27T16:27:01Z
2023-10-27T16:27:01Z
2023-08-04
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv IKEZIRI, L. M. Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos. 249 f. 2023 Tese (Doutorado em Engenharia de Produção) - Faculdade de Engenharia, Universidade Estadual Paulista, 2023.
https://hdl.handle.net/11449/251137
9648667832420177
0000-0002-3492-272X
identifier_str_mv IKEZIRI, L. M. Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos. 249 f. 2023 Tese (Doutorado em Engenharia de Produção) - Faculdade de Engenharia, Universidade Estadual Paulista, 2023.
9648667832420177
0000-0002-3492-272X
url https://hdl.handle.net/11449/251137
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1803649684374290432