Tomada de decisão inteligente movida por IA de nova geração e otimização de estoque no ciclo de vida completo da fabricação de produtos complexos integrando LSTM e Q‑learning

Fábricas mais inteligentes para a tecnologia do dia a dia

De smartphones e laptops a carros e aeronaves, muitos dos produtos de que as pessoas dependem diariamente contam com peças complexas fabricadas por meio de cadeias de produção longas e delicadas. Essas fábricas precisam decidir quanto produzir em cada etapa, quanto manter em estoque e como reagir quando a demanda sobe ou cai de repente. Este estudo explora uma nova forma de permitir que a inteligência artificial gerencie essas decisões de maneira mais inteligente, reduzindo desperdício e faltas ao mesmo tempo em que mantém o fluxo de produtos de alto valor.

Por que fabricar produtos avançados é tão difícil

Produtos complexos, como chips semicondutores e componentes aeroespaciais, passam por muitas etapas fortemente conectadas, desde corte e união até testes e embalagem. A demanda por esses produtos costuma ser volátil: pedidos disparam quando um novo dispositivo faz sucesso e desabam quando os mercados mudam. Métodos tradicionais de planejamento têm dificuldade em lidar com essas oscilações. Eles ou produzem em excesso, imobilizando capital em armazéns, ou produzem de menos, causando faltas dolorosas em que clientes precisam esperar ou buscar alternativas. Ao mesmo tempo, as fábricas geram enormes volumes de dados de sensores, inspeções de qualidade e registros de fornecimento, que são difíceis para planejadores humanos digerirem em tempo real.

Combinando dois tipos de IA em um circuito fechado

Os autores propõem uma estrutura integrada de IA que conecta duas técnicas complementares: um módulo de previsão e um módulo de tomada de decisão. O lado de previsão usa um tipo de rede neural chamado Long Short‑Term Memory (LSTM) para aprender padrões em pedidos passados e sinais de sensores, como picos sazonais de demanda ou desacelerações causadas por problemas de equipamento. Em vez de tratar essa previsão como fixa, o sistema a refina continuamente com novos dados. O lado de decisão usa Q‑learning, uma forma de aprendizado por reforço em que um tomador de decisões virtual experimenta diferentes escolhas de produção em um ambiente simulado e aprende quais levam a custos menores e menos faltas ao longo do tempo. Crucialmente, esses dois módulos estão conectados em um ciclo de realimentação: as previsões orientam as decisões, e os resultados dessas decisões retroalimentam para melhorar previsões futuras.

Equilibrando custo, estoque e incerteza

Fábricas reais precisam conciliar vários tipos de custo ao mesmo tempo: o gasto para fabricar cada item, o custo de manter estoque extra nas prateleiras e o custo, frequentemente muito maior, de ficar sem produtos e não atender pedidos. A estrutura modela uma linha de produção com múltiplas etapas e acompanha explicitamente inventário e atrasos em cada uma delas. Ela também adiciona uma camada de proteção contra incerteza usando uma técnica de otimização robusta que se prepara para mudanças súbitas na demanda em vez de assumir que padrões passados vão sempre se manter. Na prática, isso significa que o sistema é menos propenso a ser surpreendido por cenários extremos, como explosões súbitas de mercado ou rupturas na cadeia de suprimentos, sem cair no hábito de produzir em excesso “só por precaução”.

O que os experimentos mostram em fábricas reais

Para testar a abordagem, os pesquisadores a aplicaram a dados reais de uma planta de embalagem e teste de semicondutores operando em cinco estágios de produção. Eles compararam sua estrutura com sistemas tradicionais de planejamento de necessidades de materiais e vários concorrentes avançados baseados em IA. As previsões LSTM reduziram o erro de predição em cerca de 40% em comparação com um método estatístico clássico, e a estrutura completa reduziu os custos totais em 15,7% em relação ao sistema legado e em 8,3% em relação a um forte referencial moderno. Notavelmente, alcançou taxa zero de falta de estoque enquanto girava o inventário 4,2 vezes por ano, o que significa que as peças não permaneciam ociosas por muito tempo. Análises adicionais mostraram que o sistema permaneceu estável mesmo quando a demanda se tornou mais errática, as previsões foram menos precisas ou os dados dos sensores ficaram ruidosos — condições que espelham a realidade industrial cotidiana.

Escalando e se espalhando por indústrias

O estudo também examinou quão bem a estrutura escala à medida que fábricas crescem ou operam em outros setores de alto valor. Simulações com mais estágios de produção mostraram apenas aumentos modestos no tempo de computação, sugerindo que plantas maiores poderiam adotar a abordagem sem sobrecarregar sua infraestrutura digital. Quando adaptado à fabricação de componentes aeroespaciais, o método novamente reduziu custos e manteve faltas raras ao simplesmente ajustar parâmetros de custo e capacidade para aquele setor. Os autores argumentam que, com suporte de hardware de computação de borda e integração cuidadosa do sistema, a estrutura pode ser encaixada no software de fábrica existente usado por muitos fabricantes hoje.

O que isso significa para a produção futura

Em termos simples, o estudo demonstra que dar às fábricas um “copiloto digital” que tanto prevê a demanda quanto aprende a agir sobre ela pode tornar a produção mais fluida, barata e confiável. Ao ligar firmemente a previsão às decisões em campo e projetar o sistema para lidar com ruído e surpresas do mundo real, a estrutura transforma dados brutos em orientações práticas sobre quanto produzir e armazenar em cada etapa. Para os consumidores, esse tipo de inteligência nos bastidores pode significar menos atrasos para novos dispositivos e um abastecimento mais resiliente dos componentes avançados que movem a vida moderna.

Citação: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Palavras-chave: fabricação inteligente, otimização de estoque, produção de semicondutores, aprendizado por reforço, previsão de demanda