O documento apresenta uma palestra sobre inteligência artificial aplicada à logística na ArcelorMittal. A palestra discute o que é IA e machine learning, apresenta casos de uso de ML na previsão de demanda logística na empresa e encerra convidando os alunos a aprofundarem seus conhecimentos na área.

1. Apresentação para alunos de Engenharia da Universidade Federal do ABC
e Universidade Federal de São Carlos, organizado pela Empower (Cia de
Talentos), IEEE chapter EPS UFABC e jornal A Matéria.
Inteligência Artificial em Logística
Marco Antônio Aburachid Tavares
27/04/21

2. Olá!
Marco Antônio Aburachid Tavares
Residente da capital brasileira dos botecos
Rezando para voltar a vida normal
Engenheiro de Produção @ PUC-MG
Mestrando em Ciências da Computação @ UFMG
Analista de Planejamento Logístico Sr. @ ArcelorMittal Brasil
Objetivo: Compartilhar conhecimento sobre Inteligência Artificial e sua
aplicação na Logística

3. Agenda
• Arcelor Mittal
• Inteligência Artificial (IA)
• IA Aplicada
• Encerramento

4. Arcelor Mittal

5. ArcelorMittal no mundo
Clientes em 160
países
Líder em P&D:
11 centros de pesquisa
1.300 pesquisadores
Mais de 190.000
empregados
Maior produtor de
aço do mundo e
um dos principais
em mineração

6. ArcelorMittal Brasil
Maior produtora de aço
na América Latina
Mais de 30 unidades no Brasil,
Argentina, Costa Rica e Venezuela
Cerca de 17 mil empregados
Capacidade de produção anual:
• 12,5 milhões de toneladas
de aço bruto
• 7,1 milhões de toneladas
de minério de ferro

7. Produzimos aços leves como o
algodão, flexíveis como uma folha
de papel, fortes e resistentes o
suficiente para atender aos grandes
desafios dos vários segmentos da
indústria em constante evolução:
Automobilística Eletrodoméstico
Construção
civil
Energia
Naval Agronegócio

9. •127 unidades estrategicamente distribuídas em
todo o Brasil.
• 13 pontos próprios Varejo
• 1 e-commerce
Mais completa linha de produtos de aço, com
amplo estoque para pronta-entrega no atacado e no
varejo.
Sistema avançado de logística: entrega rápida,
segura e eficiente.
Mercados: lojas de materiais de construção,
construtoras, indústrias, serralherias e
consumidores em geral.
Redes de Distribuição

10. Minha jornada na AMB
• Experiência
– Operação e Projetos (PO de sistemas, otimização de processos e desenvolvimento de análises e soluções analíticas)
• Por que eu gosto de trabalhar na AMB?
– Desafios constantes: Problemas difíceis e complexos para resolver
– Infinitas oportunidades de desenvolvimento
• Conhecimento técnico e pessoal
• Relevância
• Networking
• Carreira
– Operação Logística complexa e dinâmica
– Empresa sólida e em evolução constante
• Por que e quando comecei a querer aprender IA?
– Em 2017, devido minha estagnação com minha habilidade em trabalhos analíticos ➔

11. Inteligência Artificial

12. Por onde começar...
1) O que é IA e quais os principais desdobramentos?
2) Por que agora?
3) O que é Machine Learning?

13. 1) O que é IA e quais os principais desdobramentos?
Perspectivas
• Econômica: https://willrobotstakemyjob.com/
• Ética e moral: Who must die in an autonomous car accident? http://moralmachine.mit.edu/
• Legal / regulatório / privacidade: Sistema de Crédito Social Chinês https://www.wired.co.uk/article/china-social-credit-system-explained
• Preconceitos em Algoritmos: https://www.imdb.com/title/tt11394170/
• Mídias sociais: https://www.imdb.com/title/tt11464826/
• Técnica
– Conceitos
– Exemplos

14. 1) O que é IA e quais os principais desdobramentos?
Dado não estruturado
- Imagem
- Audio
- Vídeo
Dado Estruturado
- Tabela
- Planilha
- Matriz

15. 1) O que é IA e quais os principais desdobramentos?
Imagens: https://www.slideshare.net/ampnewventures/artificial-intelligence-2016-amp-new-ventures

16. 1) O que é IA e quais os principais desdobramentos?
Deep Learning
Convolutional Neural Networks
Deep Learning
Recurrent Neural Networks
Algoritmos de Busca e Localização
Alpha Go
Deep Reinforcement Learning
Monte Carlo Methods
https://www.imdb.com/title/tt6700846/

17. Por que agora?

18. Por que agora?
https://www.statista.com/chart/5403/most-valuable-companies-2006-vs-2016/
https://hackernoon.com/-big-challenge-in-deep-learning-training-data-31a88b97b282

19. Por que agora?
Anteriormente aplicações de IA processavam grandes volumes de dados em
série. Em 2009, a equipe do cientista Andrew Ng, em Standford descobriu que
as GPUs poderiam ser utilizadas para realizar processamentos em paralelo.
Isso elevou significativamente a velocidade de execução de redes neurais, que
tem como principal característica a realização de processos em paralelo,
acelerando a utilização do deep learning.

20. Por que agora?
A relação custo x performance tem ficado cada vez mais em conta nos
últimos anos (Lei de Moore)
Os transistores são cada vez menores, tornando os dispositivos mais
baratos, rápidos, leves e eficientes no consumo de energia/bateria,
requisitos essenciais para a IA.

21. Por que agora?
Ref. DeepLearning
Ref. MachineLearning

22. 3) O que é Machine Learning?
CASE light_on:
“Circuito1” = light_status = Red
“Circuito2” = light_status = Yellow
“Circuito3” = light_status = Green
Classical Programming vs Machine Learning
Problema: Identificar o sinal no momento atual e atribuir:
- 0 para vermelho
- 1 para verde
- 2 para amarelo
Circuito 1
Circuito 2
Circuito 3

23. 3) O que é Machine Learning?
Classical Programming vs Machine Learning
Image Class
1 Green
2 Green
... ...
Image1.jpg Image2.jpg New_image: Predict
Accuracy: 97%
Class: Green
Problema: Identificar o sinal no momento atual e atribuir:
- 0 para vermelho
- 1 para verde
- 2 para amarelo
Circuito 1
Circuito 2
Circuito 3
CASE light_on:
“Circuito1” = light_status = Red
“Circuito2” = light_status = Yellow
“Circuito3” = light_status = Green
Quais características da imagem
proporcionam o “rótulo” verde?

24. 3) O que é Machine Learning?
https://www.youtube.com/watch?v=wvsE8jm1GzE

25. IA / Machine Learning
aplicado em processos de
Logística

26. Qual processo de Negócio envolvido?
Supply Chain
- Logística
- Compras
- Planejamento
_______________
- Vendas (atraso / adiantado)
- Qualidade (entrega errada, defeito)
- Controladoria (crédito cliente)
- Pricing (custo de frete)
Indústria

27. Machine Learning em Logística na AMB
• Qual é meu problema?
• Qual pergunta precisamos responder?
Processo: Logística
Métrica: Quantidade de veículos que chegam em uma Planta
(carga ou descarga)
Report: Quantos veículos chegaram nos últimos 30 dias?
Analyze: Por que houve fila na portaria ontem?
Monitor: Quantos veículos chegaram até agora?
Predict: Quantos veículos chegarão nos próximos dias?

28. Machine Learning em Logística na AMB
• Qual é o benchmark atual?
• Como resolvemos esse problema hoje?

29. Machine Learning em Logística na AMB
• Estamos satisfeitos?
• Se não, quais ferramentas/técnicas respondem ser aplicadas para melhorar?

30. Machine Learning em Logística na AMB

31. Machine Learning em Logística na AMB

32. Machine Learning em Logística na AMB

33. Machine Learning em Logística na AMB

34. Machine Learning em Logística na AMB

35. Machine Learning em Logística na AMB

36. Machine Learning em Logística na AMB

37. Machine Learning em Logística na AMB
• Conclusões
– Com técnicas de previsão de séries temporais é possível ampliar o horizonte de previsão
– Apesar de usarmos uma técnica extremamente sofisticada (LSTM – RNN – Deep Learning) as técnicas mais
simples proporcionaram melhor resultado.
– Entender o processo de negócio faz total diferença
– Entender as etapas necessárias torna o projeto mais produtivo
Adaptado e traduzido de: https://towardsdatascience.com/10-stages-of-a-machine-learning-project-in-2020-and-where-you-fit-cb73ad4726cb
Definição do Problema
Pesquisa e
Entendimento
Organização dos
Dados
Preparação dos
Dados
Implementação
de Algoritmos de
Aprendizado
Treinamento
Avaliação dos
Resultados
Preparar o
Modelo para o
formato
necessário
Implementar
em Produção
• Perguntas de
negócio
• Processo e
ambiente
• Requisitos
• Definir fontes
• Mesclar
informações
• Coleta
• Limpeza
• Normalização
• Prep. p/
Algoritmos
• Definição dos
algoritmos
• Ajuste dos
Parâmetros
• Métricas para
comparação dos
Algoritmos
• Preparar o
modelo para
interface o qual
será executado
• Disponibilização
do Modelo

38. Encerramento

39. Se identificou com o assunto e acha relevante para sua carreira?
Analista de Dados (relatórios e análises)
Cientista de Dados (solução analítica)
Eng. de Machine Learning (acurácia e retreino)
Engenheiro de Dados (ETL das fontes de dados)

40. Quer aprofundar nas aplicações práticas de IA/ML em Logística?
Referências em termos de disponibilidade de conteúdo de qualidade:
• https://eng.uber.com/
• https://tech.instacart.com/
Dynamic Pricing
Driver: Dado minha
localização, quais as
regiões com melhores
tarifas no momento?
ETA (Estimated Time of
Arrival)
Rider: Qual a rota mais
rápida para chegar no
destino? Qual a duração
do trajeto?
Supply & Demand
Matching
Dados os Riders Requests no
momento, quais motoristas devem
ser alocados para atender a
demanda em um menor tempo?
Outros tópicos
- Demand Forecasting
- Traffic Estimation & Forecast
- Ballancing Supply & Demand
- Route Planning (VRP)
- Scheduling & Rescheduling
https://www.youtube.com/watch?v=Vl6t-Q9ICRw
https://www.youtube.com/watch?v=cddFAgRyxQ0
Ride hailing
- Uber
- 99
- Cabify
Entregas
- Instacart
- iFood
- Rappi
- Cornershop
- Zé Delivery

41. Quer aprofundar tecnicamente no assunto?
• Referências nacionais (conteúdo grátis e cursos)
• Cursos Online
– Udacity: https://www.udacity.com/
– Udemy: https://www.udemy.com/
• Podcasts
Carlos Melo: https://www.youtube.com/user/darknessdobr
Mario Filho: https://www.youtube.com/user/marionefilho
Meigarom: https://www.youtube.com/c/SejaUmDataScientist/featured Teo Calvo: https://www.youtube.com/channel/UC-Xa9J9-B4jBOoBNIHkMMKA/featured e
https://www.twitch.tv/teomewhy

42. Concluindo...
• IA é um “meio” de resolver problemas
• Aprender uma linguagem de programação
é tão importante quanto aprender inglês!
Sugestão: Python
• Para quem quer aprofundar
– ML envolve uma grande variedade de conhecimentos. Tente aprender um pouco de tudo e vá se aprofundando nos
tópicos gradualmente
– Procure cursos práticos de preferência baseados em projetos

43. MUITO OBRIGADO!
Marco Antônio Aburachid Tavares
• LinkedIn: https://www.linkedin.com/in/marcoantoniotavares/
• Artigo ENGEP: https://github.com/aburachid/Time-Series-ENEGEP-Paper