Sim, coletores de dados em armazéns são bons para um WMS. Alguns benefícios incluem: - Maior precisão nos inventários, permitindo melhor planejamento da produção e das compras. - Rastreamento em tempo real dos produtos, facilitando a localização dos itens. - Integração com sistemas de picking, direcionando os operadores para as localizações corretas. - Automatização do processo de recebimento e envio de mercadorias, reduzindo erros manuais. Em frigoríficos, os coletores

1. Inteligência Artificial
aplicada na SC&L
Thiago Richter
EESC-USP
Delphi Automotive Systems

2. Índice
Introdução a Inteligência Artificial;
Agentes Autônomos
RAST
Sistemas Fuzzy
Produção de Saquê
Redes Neurais Artificiais
Aproximador de Funções
Forecasting de Vendas
Classificadores
Clustering
Algoritmos Genéticos
Planejamento de Produção
Tetris
Seqüenciamento de Produção
Layout de Fábrica
Roteirizador
Caixeiro Viajante
Thiago Richter 3

3. Sistemas Inteligentes

4. Sistemas Inteligentes
O que são?
Ferramentas computacionais que buscam simular mecanismos
inteligentes encontrados na natureza.
Grandes áreas:
Agentes Autônomos;
Sistemas de Inferência Nebulosos (Fuzzy);
Redes Neurais Artificiais;
Computação Evolutiva.
Thiago Richter 5

5. Sistemas Inteligentes
Potenciais Áreas de Aplicações:
Controle de Processos:
Controle de Aeronaves (Rockwell).
Operação do Metro de Sendai (Hitashi).
Transmissão Automática (Nissan, Subaru, GM).
Space Shuttle Docking (NASA).
(...)
Otimização e Planejamento:
Elevadores (Mitsubishi, Hitachi, Fujteck, Schindler).
Estimação de Mercado de Ações (Yamaichi).
Otimização de Sistemas de Potência (Scada).
(...)
Análise de Sinais e Imagens:
Ajuste de Imagem de TV (Sony).
Autofocus Para Câmeras de Vídeo (Canon, JVC).
Estabilizador de Imagens de Vídeo (Panasonic).
Diagnóstico Baseados em Imagens (Siemens, INPE).
(...)
Thiago Richter 6

6. Agentes Autônomos

7. Agentes Autônomos - Definição
O que é?
Entidade cognitiva, ativa e autônoma, ou seja:
Possui um sistema interno de tomada de decisões,
Age sobre um mundo e sobre os outros agentes que o rodeiam e, por fim,
É capaz de funcionar sem necessitar de algo ou de alguém para o guiar (tem
mecanismos próprios de percepção do exterior).
Thiago Richter 8

8. Agentes Autônomos - Características
Devem ter bases de conhecimento.
Devem ter mecanismos de raciocínio.
Devem ser capazes de reconhecer situação em que devam se
ativar, sem que o usuário perceba, ou seja, de forma
transparente ao usuário.
Thiago Richter 9

9. Agentes Autônomos - Características
Ilustração de Características
Ambiente
Agente Comunicação
Autonomia
Aprendizado
Mobilidade Cooperação
Pró-atividade Racionalidade
Reatividade
Orientado-a-objetivo Coordenação
Thiago Richter 10

10. Agentes Autônomos
Exemplo: Exemplo 2:
Thiago Richter 11

11. Agentes Autônomos - DART
Ferramenta de análise e re-planejamento dinâmicos
Dynamic Analysis and Replanning Tool
Projeto do DoD-DARPA (USA) para realizar o Planejamento Logístico
Automatizado e a Programação de Execução do Transporte
durante a crise do Golfo Pérsico em 1991.
Envolveu até 50.000 veículos, transporte de carga aérea e de pessoal
ao mesmo tempo, e teve de levar em conta os pontos de partida,
destinos, rotas e resolução de conflitos entre todos os parâmetros.
Thiago Richter 12

12. Agentes Autônomos - DART
Características:
Agentes inteligentes para auxiliar sistemas de apoio à decisão;
Automatizar processos de decisão;
Possibilitar aos Planejadores (humanos) que analisassem rapidamente
a viabilidade logística de planos de combates;
Thiago Richter 13

13. Agentes Autônomos - DART
Impactos:
Logo no lançamento, resolveu vários “pesadelos” logísticos;
Permitiram a geração em algumas horas de um plano que exigiria
semanas com outros métodos.
Esta única aplicação compensou com folga os 30 anos de
investimentos da DARPA em IA.
Thiago Richter 14

14. Sistemas Nebulosos

15. Sistemas Fuzzy
Como trabalham os computadores (normalmente)?
Sim ou Não?
Verdadeiro ou Falso?
1 ou 0?
Bits?
A Lógica usada pelos computadores é chamada de Lógica
Clássica.
Pertence ou Não Pertence a alguma classe,
Verdadeiro ou Falso,
etc.
Thiago Richter 16

16. Sistemas Fuzzy
Lógica Clássica, ou, Lógica de Aristóteles:
A velocidade é considerada Alta entre 100 e 140Km/h.
110Km/h é considerado Alta velocidade?
E 99Km/h?
Thiago Richter 17

17. Sistemas Fuzzy
Lógica Nebulosa ou Lógica Fuzzy:
Sim, Não, Mais ou Menos,
Extremamente, Não Muito, etc.
Thiago Richter 18

18. Sistemas Fuzzy
Sistemas de Inferência Nebulosos = Sistemas Fuzzy.
O que são:
Exploram as formas que o cérebro usa para o tratamento de
informações qualitativas e incertas;
Suportam os modos de raciocínio que são aproximados;
Capazes de tratar informações vagas, aproximadas, as quais são
expressas por regras lingüísticas.
Consistem em aproximar a decisão computacional da decisão
humana.
Thiago Richter 19

19. Sistemas Fuzzy
Regras Lingüísticas:
-Mais Ou Menos Assado;
-Extremamente Assado;
-Não muito Assado
Regras
Regras
Regras
Infere que
“Defuzzyficação”
Thiago Richter 20

20. Sistemas Fuzzy - Produção de Saquê
Problema:
Produto característico do Japão;
Tecnologia de produção milenar;
Produção em Larga Escala usando “mestres de saquê”;
Mão de Obra escassa.
Solução Proposta:
Substituir o processo de produção empírico por um sistema Fuzzy
baseado na experiência e conhecimento dos mestres.
J. Koizumi, Y. Tsuchiya, K. Suenari e S. Nagai. “Fuzzy Control for Japanese Sake
Fuzzy Decision Controller and Fuzzy Simulator for Japanese sake fermentation”.
Thiago Richter 21

21. Sistemas Fuzzy - Produção de Saquê
Entradas:
Dias de
Fermentação
+ +
Mudança de
Temperatura
(kn )
Thiago Richter 22

22. Sistemas Fuzzy - Produção de Saquê
Regras: “Deffuzyficação”:
- Aumentar ou Diminuir a Temperatura
- Finalizar o Processo
Resultados:
Thiago Richter 23

23. Redes Neurais Artificiais

24. Redes Neurais Artificiais (RNA)
O que são?
Modelos computacionais inspirados nos mecanismos de
aprendizagem do cérebro humano;
E que tentam emular a forma com que o cérebro resolve
problemas.
Características:
Aprender através de exemplos;
Capacidade de se adaptar ou aprender;
Capacidade de generalização;
Agrupar ou organizar dados;
Tolerância à Falhas;
Auto-Organização.
Thiago Richter 25

25. RNA – Inspiração Biológica
Representação do Neurônio Biológico
Representação do Neurônio Artificial
Thiago Richter 29

26. RNA – Topologias
Topologia em RNA significa a forma como se conectam os
neurônios artificiais (e suas configurações).
Existem inúmeras Topologias, cada tipo de problema tem
uma topologia desenvolvida.
Também são Inspiradas no Cérebro:
Memória;
Associação/Classificação;
“Feeling” /Previsão/Estimação;
Etc.
Thiago Richter 30

27. RNA – Exemplo de Topologia
Topologia Perceptron Multicamadas
Thiago Richter 31

28. RNA - Aproximador de Funções
Entradas:
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900
segundos
Saída Desejada:
1
0.9
0.8
Normalized Lambda values
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0 100 200 300 400 500 600 700 800 900
seconds
Thiago Richter 32

29. RNA - Aproximador de Funções
1
Resultados: Target
Reached
0.8
0.6
0.4
0.2
0
100 200 300 400 500 600 700 800
Seconds
1
Target
0.8 Reached
Relative Mean Error (%): 0.20619
0.6 0.28
Target
0.4 0.27 Reached
0.2 0.26
0 0.25
240 260 280 300 320 340 360 380 400 420 440
Seconds
0.24
0.23
480 482 484 486 488 490 492 494 496 498 500
Seconds
Thiago Richter 33

30. RNA – Inspeção de Produção
Inspeção de Placas de Circuito Impresso (Classificador).
Resultado
Satisfatório!
Classificador Neural
Fotografia Imagem 3
Verificar o
componente 3
A. Castellar. “Sistema de Inspeção Visual Automática de
Thiago Richter Resistores de Montagem em Superfície”, III WVC, UNESP. 34

31. RNA - Clustering
Problema: Agrupar características (pontos) do gráfico
em 3 grupos.
As características podem ser de Clientes, Produtos, Processos, etc.
2500
2000
1500
1000
500
0
0 500 1000 1500 2000 2500
Thiago Richter 35

32. RNA - Clustering
Problema: Agrupar características (pontos) do gráfico
em 3 grupos.
As características podem ser de Clientes, Produtos, Processos, etc.
2500
2000
1500
1000
500
0
0 500 1000 1500 2000 2500
Thiago Richter 36

33. Algoritmos Genéticos

34. Algoritmos Genéticos - AG
O que é?
Modelos computacionais que tentam imitar a natureza evolutiva
das espécies (Teoria da Evolução das Espécies);
Principal ramo da chamada Computação Evolutiva.
Principal Aplicação:
Problemas de Otimização
MAXimizar ou minimizar.
Thiago Richter 38

35. AG - Funcionamento
População inicial População final
Avaliação
População atual Seleção
Reprodução
Thiago Richter 39

36. AG - Funcionamento
Avaliação: Determinação do grau de aptidão do indivíduo;
Seleção: Mais aptos para representar a solução do problema;
Reprodução: Cruza-se os indivíduos (normalmente os mais aptos) para
gerar nova população, pode ser sexuado ou assexuado;
Mutação: Modifica-se aleatoriamente alguns indivíduos;
Predação: Introduz algum “vírus”, “predador” ou, simplesmente, “fuzila”
uma parcela da população.
População inicial População final
Avaliação
População atual Seleção
Reprodução,
Mutação e
Predação.
Thiago Richter 41

37. AG - Funcionamento
Reprodução:
Thiago Richter 43

38. AG - Exemplo
População inicial: População final:
Evolução da População:
Benefícios:
Maior possibilidade de encontrar os
máximos ou mínimos Globais!
Busca é paralela, vários indivíduos!
Thiago Richter 44

39. AG - Roteirizador
Problema do Caixeiro Viajante:
Caixeiro tem que passar por todas as cidades, na menor distância
e sem repetir as cidades.
Início:
Thiago Richter 45

40. AG - Roteirizador
Problema do Caixeiro Viajante:
Caixeiro tem que passar por todas as cidades, na menor distância
e sem repetir as cidades.
Durante evolução:
Thiago Richter 46

41. AG - Roteirizador
Problema do Caixeiro Viajante:
Caixeiro tem que passar por todas as cidades, na menor distância
e sem repetir as cidades.
Final, evoluído:
Thiago Richter 47

42. AG
Thiago Richter 48

43. AG – Truck Load
Objetivo: Utilizar ao Máximo o espaço do Caminhão;
Evolução
População Evoluída
Aplicável em outros problemas: Packing, Corte de Chapas,
Estamparia, etc.
Thiago Richter 49

44. Algoritmos Genéticos
Planejamento de Produção
Job Shop
Thiago Richter 50

45. Sistemas Híbridos

46. Sist. Híbridos - Forecasting
Thiago Richter 52

47. Sist. Híbridos - Reconhecimento de Voz
Coletores de Dados em Armazéns são bons para um WMS?
E em Frigoríficos?
Utiliza Fuzzy e RNA (topologia FAN – Free Associative Neurons).
Palavras
Treinadas:
Trechos Classificador
da Fala Trecho
Neural
Classificado
Esquerda
M. B. de Paula. “Reconhecimento de Palavras Faladas usando
Thiago Richter Redes Neurais Artificiais”, UFPEL. 53

48. Dúvidas? Sugestões?
Obrigado!
Thiago Richter
thiago.richter@yahoo.com.br