Resumo Técnico: Previsão de Conjunto Federada sob Volatilidade de Mercado na Cadeia de Suprimentos (FEF-NCL)

1. Definição do Problema

O artigo aborda o desafio de gerar previsões de demanda precisas e governáveis em redes de cadeia de suprimentos caracterizadas por três restrições específicas:

1. Distribuição de Dados: Dados comerciais (registros de transações, termos de fornecedores, histórico de clientes) estão distribuídos entre múltiplas organizações (clientes) que não podem ou não querem centralizar dados brutos devido à exposição contratual e regulatória.
2. Distribuições Não Idênticas (Heterogeneidade): Os nós clientes experimentam diferentes regimes de mercado, condições de fornecedores e ambientes de frete. A média federada padrão tende a diluir o conhecimento de regimes de "choque" raros, mas críticos (ex: surtos de preços de commodities, atrasos de frete), quando a maioria dos clientes permanece estável.
3. Volatilidade de Mercado: A relação entre variáveis (preço, tempo de entrega, índices de commodities) e a demanda muda rapidamente (deriva de conceito/concept drift). Um único modelo global pode falhar em capturar padrões especializados necessários para regimes específicos, como o reabastecimento sazonal estável versus respostas a choques de frete.

A questão central é como produzir previsões precisas que respeitem os limites de dados enquanto aproveitam o aprendizado em toda a rede para lidar com choques de mercado de alto impacto e raros.

2. Metodologia: FEF-NCL

A solução proposta, Previsão de Conjunto Federada com Aprendizado de Correlação Negativa (FEF-NCL), é um framework distribuído desenhado em torno de quatro princípios:

• Arquitetura de Especialistas Locais Multi-Expert: Cada cliente treina múltiplos modelos especialistas especializados em vez de um único modelo monolítico. Esses especialistas são projetados para capturar padrões distintos: tendências, choques de preço, riscos de atraso e demanda residual.
• Aprendizado de Correlação Negativa (NCL): O framework introduz um termo de penalidade na função de perda que desencoraja os membros do conjunto de cometerem os mesmos erros nas mesmas observações. Isso força a especialização, garantindo que, se um especialista falhar em um regime específico (ex: um pico de commodity), outro especialista provavelmente terá sucesso.
• Agregação Consciente de Deriva e Ponderação de Confiabilidade: Em vez de uma média simples, o servidor agrega atualizações com base na confiabilidade do cliente. Os clientes computam um "score de deriva" baseado na perda de validação, volatilidade e normas de atualização. Atualizações de clientes instáveis ou de baixa qualidade são ponderadas para baixo, enquanto atualizações de clientes que experimentam regimes específicos (mesmo que raros) são preservadas se atenderem aos limiares de qualidade.
• Camada de Explicabilidade: O sistema inclui uma camada de governança que registra atribuições de características (semelhante ao SHAP) para variáveis de mercado, fornecedor e pedidos. Isso permite que os planejadores revisem quais drivers (ex: índice de commodity, razão de on-time-in-full do fornecedor) influenciaram uma previsão específica.

Implementação Técnica:

• Modelo: Um modelo de aprendizado de sequência multitarefa usando um codificador temporal compartilhado (Unidade Recorrente Gated - GRU) e quatro cabeças de especialistas locais por cliente.
• Tarefas: Prevê simultaneamente demanda de quatro semanas (regressão), risco de atraso (classificação) e regime de mercado (classificação).
• Baselines: O método é comparado contra Seasonal Naive, Temporal Fusion Transformers (TFT) locais centralizados, XGBoost Centralizado e algoritmos de Aprendizado Federado padrão (FedAvg, FedProx, SCAFFOLD).

3. Configuração Experimental e Dados

O estudo utiliza um único conjunto de dados sintético construído para garantir consistência interna sem expor dados proprietários.

• Escala: 124.800 observações semanais (Jan 2021 – Dez 2024).
• Entidades: 10 nós de clientes regionais, 60 famílias de produtos, 40 fornecedores, 5 grupos de commodities.
• Perfil de Volatilidade: Inclui períodos de calmaria, períodos de alta de preços e regimes explícitos de choque de preços (14,6% das observações).
• Divisão (Split): Divisão baseada em tempo (Treino: Semanas 1–146; Validação: 147–177; Teste: 178–208) para garantir que o conjunto de teste contenha mudanças de regime não vistas no treinamento.
• Métricas: Erro Médio Absoluto Percentual Ponderado (WMAPE), RMSE, Macro-F1 de Risco de Atraso e Macro-F1 de Regime.

4. Principais Resultados

A avaliação demonstra que o FEF-NCL supera os baselines federados padrão no conjunto de dados sintético, particularmente sob condições voláteis:

• Acurácia Geral: O FEF-NCL alcançou um WMAPE de 12,4%, melhorando o melhor baseline federado (SCAFFOLD com 13,9%) e o baseline centralizado XGBoost (13,6%).
• Previsão de Risco e Regime: Melhorou o Macro-F1 de Risco de Atraso para 0,801 (vs. 0,755 para o SCAFFOLD) e o Macro-F1 de Regime para 0,763.
• Estratificação de Volatilidade: A lacuna de desempenho aumentou em cenários de alta volatilidade. No quintil de maior volatilidade, o FEF-NCL registrou um WMAPE de 21,3%, comparado a 23,4% para o SCAFFOLD e 24,5% para o FedAvg.
• Estudos de Ablação: Remover a penalidade de correlação negativa aumentou o WMAPE para 13,1%. Remover a agregação ponderada por deriva aumentou o erro de alta volatilidade em 1,2 pontos percentuais. Isso confirma que os ganhos resultam da interação entre diversidade, ponderação de deriva e aprendizado multitarefa.
• Atribuição de Características: O modelo identificou com sucesso drivers plausíveis, sendo o índice de commodity (0,24), o tempo de entrega (0,19) e a confiabilidade do fornecedor (0,16) os principais contribuintes para a variância da previsão.

5. Significância e Alegações

O artigo posiciona o FEF-NCL não como um substituto universalmente superior para todos os métodos de previsão, mas como um candidato arquitetural especializado para contextos específicos de cadeia de suprimentos.

• Alegação Modesta: O autor afirma explicitamente que os resultados são "evidência controlada de consistência interna" derivada de dados sintéticos e não constituem validação no mundo real. O baseline centralizado superou os métodos federados em alguns contextos, destacando que o valor primário do FEF-NCL é sua capacidade de operar sob restrições de fronteira de dados mantendo a precisão.
• Contribuição Central: O artigo argumenta que em cadeias de suprimentos onde choques raros são operacionalmente críticos (ex: causando rupturas de estoque ou custos de frete expedido), a especialização de conjunto é superior à agregação padrão. Ao permitir que os especialistas locais desenvolvam perfis de erro distintos e ponderar as atualizações pelo alcance do regime, o sistema preserva o conhecimento de regimes minoritários que o aprendizado federado padrão frequentemente dilui.
• Governança: O framework integra a governança de risco diretamente no loop do modelo, fornecendo aos planejadores scores de deriva e atribuições de características para apoiar a tomada de decisão em ambientes voláteis.

6. Limitações e Trabalhos Futuros

O artigo reconhece diversas limitações e delineia direções futuras:

• Dados Sintéticos: Os achados dependem inteiramente de um conjunto de dados sintético; validação no mundo real com backtests ao vivo é necessária.
• Privacidade: Embora os dados brutos permaneçam locais, o artigo observa que gradientes e atualizações de modelos requerem proteção adicional via agregação segura e privacidade diferencial.
• Complexidade: O conjunto de quatro especialistas adiciona overhead de comunicação (1,38x parâmetros) e pode não ser adequado para clientes com computação limitada ou requisitos de latência quase em tempo real.
• Direções Futuras: O autor propõe trabalhos futuros em: (1) testar em conjuntos de dados reais/semi-reais, (2) fortalecer mecanismos de privacidade, (3) criação de especialistas adaptativa (número dinâmico de especialistas), (4) incorporar métricas econômicas (custo, níveis de serviço) além do erro estatístico, e (5) avaliação centrada no humano da confiança do planejador nos outputs de explicabilidade.