Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

Imagine que você está administrando uma banca de limonada gigante e de alta tecnologia, mas em vez de limões, você está fabricando máquinas complexas, e em vez de um dia ensolarado, seu maior desafio é o clima. No mundo das fábricas modernas, existe um constante cabo de guerra entre duas coisas muito imprevisíveis: quantas pessoas querem comprar seu produto (demanda) e quanto custa para ligar as máquinas (energia). Por muito tempo, os gerentes de fábrica tentavam resolver isso adivinhando o futuro com um único número, o "melhor palpite". Eles diziam: "Amanhã, precisaremos de 100 limões, e a eletricidade custará 5 centavos". Mas, no mundo real, o futuro é bagunçado. Às vezes, ninguém quer limonada e, às vezes, o sol está tão brilhante que a eletricidade custa, na verdade, dinheiro negativo (significando que a companhia de energia paga para você usar!). Este artigo vive num canto da ciência chamado Pesquisa Operacional, que é basicamente a arte de tomar as melhores decisões quando você não sabe o que vai acontecer a seguir. Ele baseia-se na ideia de que, se você tratar o futuro como um fato fixo, ficará preso em um engarrafamento de más escolhas. Em vez disso, os autores sugerem que devemos tratar o futuro como um baralho de cartas: não sabemos qual carta vamos tirar, mas podemos embaralhar o baralho e planejar para todas as mãos possíveis.

Este estudo, intitulado "Eco-Conscious Master Production Scheduling Under Dual Uncertainty" (Programação Mestra de Produção Eco-Consciente sob Dupla Incerteza), propõe uma nova maneira inteligente de administrar uma fábrica que é capaz de lidar tanto com a questão "alguém vai comprar isso?" quanto com a questão "quanto a energia está custando agora?" ao mesmo tempo. Os autores sugerem uma abordagem "híbrida" que mistura duas ferramentas poderosas: Aprendizado de Máquina (computadores que aprendem com dados passados) e Otimização Estocástica (matemática que planeja para muitos futuros diferentes).

Eis como o "truque de mágica" deles funciona. Primeiro, eles usam um cérebro de computador superinteligente chamado LightGBM para adivinhar quantos produtos as pessoas podem querer. Em vez de dar apenas um número, ele desenha uma "nuvem" de possibilidades, dizendo: "Podemos precisar de 100, ou talvez 150, ou talvez apenas 50". Ao mesmo tempo, eles usam outro cérebro de computador chamado LSTM (que é como um banco de memória para o tempo) para observar os preços da eletricidade. Este cérebro é ótimo para detectar padrões, como como os preços podem despencar quando o sol está brilhando ou subir quando todos chegam do trabalho.

Depois que esses dois cérebros fizeram seus palpites, os autores não escolhem apenas um cenário. Em vez disso, eles criam uma "árvore" de centenas de futuros possíveis (cenários). Então, eles usam um filtro matemático especial para reduzir essa árvore enorme às ramificações mais importantes, para que o computador não fique sobrecarregado. Finalmente, eles alimentam essa árvore em um Modelo Estocástico de Dois Estágios. Pense neste modelo como uma dança de dois passos:

1. O Passo do "Aqui-e-Agora": A fábrica faz um plano antes de o futuro acontecer. Eles decidem quais máquinas ligar e quanto produzir, sabendo que podem precisar fazer ajustes mais tarde.
2. O Passo do "Esperar-e-Ver": Assim que o dia real chega e a demanda real e os preços reais da eletricidade são revelados, a fábrica faz ajustes rápidos. Se a eletricidade estiver barata, eles operam as máquinas intensamente. Se estiver cara, eles fazem uma pausa e utilizam o estoque que construíram anteriormente.

O artigo argumenta fortemente contra a forma antiga de fazer as coisas, chamada Just-in-Time (JIT). A forma antiga diz: "Produza exatamente o que você precisa, exatamente quando você precisa, e mantenha zero itens extras". Os autores mostram que, num mundo onde os preços da eletricidade oscilam drasticamente, essa abordagem rígida é um desastre. Ela força as fábricas a operar suas máquinas durante horas de pico caras apenas para evitar armazenar itens extras. O novo método deles sugere que é, na verdade, mais inteligente "sobreestocar" um pouco de forma intencional. Ao produzir itens extras quando a eletricidade está barata (ou até gratuita!), a fábrica pode interromper a produção durante as horas caras, economizando uma enorme quantidade de dinheiro.

Quando os autores testaram essa ideia em uma fábrica simulada que negocia eletricidade no mercado europeu (especificamente o mercado EPEX SPOT), os resultados foram bastante impressionantes. Em suas simulações, o novo método de "prever-e-otimizar" economizou 34,3% nos custos operacionais totais em comparação com os métodos de planejamento antigos e rígidos. Isso é medido por algo chamado Valor da Solução Estocástica (VSS), que foi de US$ 10.570 num período de 30 dias em seu teste. O modelo não apenas economizou dinheiro; ele também ajudou naturalmente o meio ambiente. Como a fábrica deslocou seu trabalho para momentos em que a rede tinha muita energia eólica e solar (que é frequentemente quando a eletricidade é barata ou negativa), as emissões de carbono da fábrica caíram sem que eles sequer tentassem "ser verdes" explicitamente. O impulso econômico para economizar dinheiro tornou-se, acidentalmente, um impulso para salvar o planeta.

Os autores também descobriram que o modelo era muito bom em detectar "preços negativos" — aqueles momentos raros em que a rede elétrica está tão cheia de energia renovável que as empresas pagam para as fábricas usarem a energia. O modelo deslocaria proativamente a produção para esses momentos, transformando efetivamente um custo de energia em um pequeno lucro. No entanto, o artigo é cuidadoso ao notar que esses resultados vêm de simulações e experimentos computacionais em um tipo específico de fábrica, e não de uma fábrica real que tenha operado desta forma durante anos. Os autores sugerem que, embora a matemática pareça sólida e as economias sejam significativas na simulação, a implementação no mundo real precisaria de mais testes. Eles também calcularam que, se uma empresa quisesse saber o futuro absolutamente perfeito, valeria a pena gastar até US$ 4.800 (o Valor Esperado da Informação Perfeita) para obter previsões ainda melhores, mas como a previsão perfeita é impossível, o método atual deles é uma alternativa muito forte.

Em suma, este artigo sugere que o futuro da gestão de fábricas não é adivinhar o futuro perfeitamente; é construir um plano flexível que possa dançar com o futuro, não importa o quão selvosa a música se torne. Ao usar IA para prever o caos e matemática para planejar para ele, as fábricas podem economizar dinheiro, evitar a falta de estoque e, acidentalmente, ajudar o meio ambiente, tudo ao mesmo tempo.