A inteligência artificial começa a deixar de ser uma tecnologia associada apenas a aplicações digitais e passa a ocupar espaço em decisões estratégicas do agronegócio, inclusive em uma área que impacta diretamente a competitividade do setor: a logística. Modelos de aprendizado de máquina já são utilizados em estudos para prever preços de fretes, enquanto técnicas de otimização permitem simular cenários, dimensionar frotas, definir localização de unidades e encontrar alternativas para reduzir custos.
O tema é analisado no capítulo Gestão e modelagem da logística do agronegócio na era da otimização e da inteligência artificial, escrito por Thiago Guilherme Péra, professor doutor da Esalq/USP, coordenador do Grupo Esalq-Log e conselheiro do Conselho Científico Agro Sustentável (CCAS), em parceria com José Vicente Caixeta Filho, professor titular aposentado da Esalq/USP e ex-diretor da instituição. O trabalho integra o livro Conexão LES: Pensamentos e Contribuições às Ciências Sociais Aplicadas.
Para Péra, a adoção dessas ferramentas está diretamente relacionada à qualidade das decisões. “Nada substitui bons dados”, afirma o pesquisador.
Um dos casos apresentados no capítulo analisou aproximadamente 16 mil registros de preços de fretes rodoviários, referentes a rotas de todo o país em 2022 e distribuídos em cerca de 4,9 mil combinações de origem e destino. Entre as variáveis consideradas estavam distância, tipo de produto, região de origem, proximidade de terminais ferroviários ou hidroviários, preço do diesel e qualidade das rodovias.
Foram avaliados diferentes modelos de aprendizado de máquina. Após o processo de otimização dos parâmetros, o modelo Gradient Boosting apresentou erro médio de R$ 26,77 por tonelada e coeficiente de determinação de 95% na base analisada. A distância da rota apareceu como a variável de maior influência na previsão dos preços de frete.
“Quando transformamos dados em modelos, conseguimos sair de uma decisão baseada apenas em percepção e experiência para uma análise que permite comparar cenários e antecipar possíveis resultados”, explica Péra.
A aplicação, segundo o pesquisador, não se limita à previsão de preços. O capítulo apresenta ainda modelos para localização de indústrias misturadoras de fertilizantes, logística verde da soja, dimensionamento de frota de etanol de milho e priorização de filas em agroindústrias.
A lógica é combinar a capacidade da inteligência artificial de identificar padrões com a capacidade dos modelos de otimização de indicar alternativas de decisão. No capítulo, os autores destacam que a combinação entre aprendizado de máquina e pesquisa operacional representa uma fronteira importante para a logística, unindo capacidade preditiva e prescritiva.
“Não se trata de substituir o gestor pela tecnologia. O objetivo é oferecer mais informação para que decisões complexas sejam tomadas com maior conhecimento sobre seus custos, riscos e consequências”, afirma Péra.
