Interoperabilidade e Integração da Cadeia

Linhas de Pesquisa
Interoperabilidade e Integração da Cadeia

Uma cadeia de suprimentos é um sistema complexo e dinâmico composto por várias instâncias de tomada de decisão (KORPELA; HALLIKAS; DAHLBERG, 2017). Para isso, a informação sobre demanda, produtos, produção e serviços deve ser acessível e rastreável em toda a sua extensão.

A integração nos processos de negócios é baseada em padrões e arquiteturas de referência da cadeia de suprimentos que oferecem a integração, em todos os elos, dos dados do produto. Em uma cadeia de suprimentos é necessário estabelecer uma complexa interoperabilidade por meio do mapeamento e integração dos dados específicos para as várias organizações e os sistemas (KORPELA; HALLIKAS; DAHLBERG, 2017). Os estudos de Hallikas et al. (2019), Long et al. (2019), Lin e Zhang (2020) e Pan et al. (2019) mostraram a existência de gaps tecnológicos referente às questões de interoperabilidade de informações em uma cadeia produtiva. Alguns artigos relatam a aplicação blockchain (GÖKALP; ÇOBAN; GÖKALP, 2019; MONDRAGON; MONDRAGON; CORONADO, 2020; SCHEID; RODRIGUES; STILLER, 2019), enquanto outros relatam sobre M2M (QUEIROZ; WAMBA, 2020) e interoperabilidade na cadeia de suprimentos.

Como a temática supply chain é transversal, com a pandemia (COVID-19) aumentou-se a perspectiva de uma transformação mais ampla, profunda e rápida. Diante disso, as várias tecnologias direcionadoras (SCHWAB, 2017) como Inteligência Artificial, IoT, Big Data, Cloud, Cyber Physical Systems, Blockchain, 3D Printing, Digital Twin, Manutenção, entre outras, estarão presentes na temática interoperabilidade e cadeia de suprimentos para alcançar produtividade, soft, digital e hard skills, e redução de custos em prol do bem estar social. Essas tecnologias direcionadoras são interconectadas e dificilmente analisadas de forma independente, devendo ser tratadas de forma multidisciplinar na IV Revolução industrial.

A introdução dessas novas tecnologias em sistemas de informação utilizados na cadeia de suprimentos gera uma nova demanda de estudos sobre a certificação da qualidade e integridade da informação produzida. Para sistemas que envolvem aprendizado de máquinas, novas formas de assegurar a qualidade dos sistemas são necessárias, seja através de testes ou verificação de seus comportamentos (ZHANG et al., 2020), ou com novos processos de desenvolvimento (AMERSHI et al., 2019). Nessas novas tecnologias, o funcionamento dos sistemas dependem tanto do comportamento interno do software, quanto dos dados utilizados no aprendizado, os quais são renovados periodicamente (KHUVIS et al., 2019). Erros de especificação, implementação ou interoperabilidade desses sistemas podem ser propagados ao longo da cadeia de suprimentos e requerem novas formas de gerenciamento (NI; XIAO; LIM, 2020) e técnicas que assegurem a qualidade do software em desenvolvimento. Neste projeto, serão explorados novos métodos de testes e verificação de sistemas de informação envolvidos na cadeia de suprimentos que envolvem aprendizado de máquinas.

A infraestrutura de apoio a ser criada pelo CPA para a construção de redes de colaboração requer o estabelecimento de mecanismos para (1) troca facilitada de produtos, informações e serviços, (2) auto-regulação das trocas efetivadas para garantia de distribuição justa e com qualidade garantida de recursos, e (3) verificação de correção e qualidade de resultados provenientes de sistemas inteligentes.

A nucleação de um ecossistema de empresas inovadoras, fundamentadas em Inteligência Artificial requer o desenvolvimento de uma plataforma para mediação e garantia de qualidade dos produtos, informações e serviços intercambiados entre as empresas na constituição de cadeias de fornecimento e redes colaborativas.

No âmbito do CPA, esta plataforma será desenvolvida com foco em três pilares:

1. Produção de um repositório aberto de documentos contendo especificações de padrões abertos para interoperabilidade de dados sobre cadeias de suprimentos. As especificações devem contemplar, inclusive, a interoperabilidade entre sistemas (machine-to-machine, ou M2M). Estes padrões serão construídos colaborativamente pela rede de empresas inovadoras atraídas para o ecossistema nucleado por este projeto, em alinhamento com padrões e práticas existentes (BARYANNIS et al., 2019), seguindo processos mediados por técnicos do IPT. O IPT será o administrador e curador do repositório proposto.
2. Produção de infraestrutura para mediação auto-regulada de interações, baseada nos conceitos de Redes de Capacidades (CORREA DA SILVA et al., 2002), Protocolos de Interação (CORREA DA SILVA; ROBERTSON; VASCONCELOS, 2015) e Redes de Confiança baseadas em Blockchain (AZZI; CHAMOUN; SOKHN, 2019; CONCEIÇÃO et al., 2018; SULTANA; LOCORO; DA SILVA, 2018), que possibilitem a garantia de confiabilidade nas redes de colaboração com base em mecanismos descentralizados e apoiados em conceitos de redes complexas e teoria de jogos comportamental.
3. Produção de mecanismos técnicos para validação e garantia de qualidade de técnicas e sistemas de aprendizado de máquina, fundamentados em técnicas de engenharia de software empírica por um lado, e em técnicas de verificação formal por outro lado.

Os três pilares apresentam desafios significativos:

1. O repositório de especificação de padrões requer consultas ativas à comunidade interessada nestes padrões, para identificação de requisitos relevantes, além de pesquisa permanente para manutenção de alinhamento dos padrões propostos com relação às práticas internacionais e aspectos regulatórios, tanto internacionais como locais. Este trabalho requer pessoal especializado e experiente para garantir que o repositório tenha valor prático real.
2. A infraestrutura para mediação de interações terá caráter inovador e exigirá o desenvolvimento de novas técnicas para resolução dos problemas específicos relacionados com as cadeias logísticas de fornecimento na indústria e com a integração de ecossistemas de produção baseados em sistemas inteligentes.
3. Finalmente, os mecanismos para garantia de qualidade de técnicas e métodos de aprendizado de máquina se posiciona no estado da arte das pesquisas em inteligência artificial. Além de contribuir para o ecossistema, estes mecanismos constituirão resultados de pesquisa com alto potencial de impacto.
4. Desenvolvimento de métodos para gestão dos dados e dos sistemas de monitoramento, visando a diminuição dos riscos à interoperabilidade da cadeia.
5. Desenvolvimento de conceitos e meios para garantir a interoperabilidade da cadeia com rastreabilidade da confiabilidade dos dados e informações em um ecossistema que contém vários pilares tecnológicos já utilizados pela comunidade de startups e pesquisadores, como: visão computacional, big data analytics, text analysis, reconhecimento de de voz, deep learning e aprendizado de máquina.

Além do impacto científico mencionado nos parágrafos anteriores, espera-se que os resultados deste trabalho tenham, efetivamente, as seguintes consequências:

• Confiabilidade no monitoramento origem-destino de produtos em tempo real;
• Aumento na confiabilidade entre produtor e consumidor, melhorando a visibilidade internacional do produtor nacional;
• Redução de custos administrativos e burocráticos;
• Redução ou eliminação de fraudes e produção de produtos com defeitos;
• Recall de produtos em tempo minimizado;
• Diminuição ou eliminação do custo da regulamentação e normatização para agentes fiscalizadores;
• Diminuição do custo na manutenção do parque de ativos das empresas, com o aumento da tolerância a riscos e erros;
• Apoio tecnológico para as agências reguladoras.