Transformando o Gerenciamento da Cadeia de Suprimentos com Agentes de IA

Gerenciar cadeias de suprimentos com eficiência tem sido, há muito tempo, uma das principais prioridades para muitos setores. As cadeias de suprimentos otimizadas permitem que as organizações entreguem os produtos certos no lugar certo e na hora certa, com boa relação custo-benefício, permitindo que a empresa atenda à demanda do consumidor e mantenha as margens altas.

Mas a incerteza é sempre um fator e, na economia global atual, interrupções e atrasos frequentes, juntamente com as mudanças nas relações comerciais, exigem que as organizações da cadeia de suprimentos se planejem para diversas contingências e respondam a desafios em curto prazo. Para acompanhar isso, os gerentes da cadeia de suprimentos buscam cada vez mais ampliar suas equipes com capacidades agênticas que podem examinar uma ampla gama de cenários e resultados possíveis. Munidas dessas ferramentas, as organizações podem ajudar tomadores de decisão de vários níveis de experiência a analisar rapidamente uma situação e orientá-los para as melhores soluções possíveis com as informações em mãos.

Capacitando a tomada de decisão por especialistas

Este tópico foi recentemente abordado por David Simchi-Levi, um renomado professor do MIT em gestão da cadeia de suprimentos e de estoque (cujo trabalho inovador de 2015 foi a base da nossa publicação anterior). No artigo, o Professor Simchi-Levi e seus coautores propuseram o uso de grandes modelos de raciocínio para preencher a lacuna entre os usuários de negócios e as complexas ferramentas de otimização matemática. Os autores sugerem que um sistema agêntico com acesso aos dados apropriados pode ser utilizado da mesma forma que os gerentes interagem com especialistas em modelagem técnica, uma abordagem que democratiza as tecnologias da cadeia de suprimentos e reduz a necessidade de conhecimento generalizado para impulsionar a adoção.

Da perspectiva da engenharia de IA, combinar grandes modelos de raciocínio com pesquisa operacional adiciona uma base sólida e transparência. Embora o progresso tenha sido rápido, os modelos de linguagem grandes são de natureza probabilística e ainda propensos à alucinação. A otimização matemática, por outro lado, é uma técnica mais determinística, totalmente transparente e explicável, que pode gerar planos concretos e acionáveis. Permitir que um modelo de raciocínio grande use a técnica mais determinística e comprovada e interprete os resultados reduz o risco de alucinação, o que é fundamental para construir a confiança com as partes interessadas do negócio e fornecer recomendações mais repetíveis.

Hoje, estamos nos estágios iniciais de uma transformação geracional na gestão da cadeia de suprimentos, impulsionada por tecnologia disruptiva. À medida que os agentes começam a colaborar em toda a cadeia de valor do negócio — por exemplo, um agente da cadeia de suprimentos trabalhando com agentes de planejamento de demanda ou produção — e com humanos no circuito em pontos críticos, veremos fluxos de decisão de ponta a ponta que se adaptam em tempo real e se alinham com objetivos compartilhados. É nesse momento que ganhos tremendos em serviço, custo, produtividade e resiliência se tornarão evidentes.

O restante desta postagem do blog oferece uma visão geral de como criar, avaliar e implantar um sistema agêntico para gerenciamento da cadeia de suprimentos no Databricks. Verificamos que nosso código é totalmente portável, incluindo tanto os agentes de IA quanto suas ferramentas de otimização determinística, nos três principais provedores de nuvem (Azure, AWS e GCP). Dois Engenheiros de AI conseguiram criar o primeiro protótipo funcional deste agente em oito horas, demonstrando a facilidade de criar tais sistemas na Databricks. Os notebooks e scripts de apoio são de código aberto e estão disponíveis aqui.

Demonstrando o potencial por meio da análise de risco da cadeia de suprimentos

Para demonstrar o potencial da IA agentiva em cenários da cadeia de suprimentos, vamos revisitar nossa análise de uma cadeia de suprimentos estendida, publicada em uma postagem anterior do blog. Embora nosso foco seja o risco de fornecedores neste cenário específico, o uso de recursos agênticos demonstrado aqui é amplamente aplicável a uma vasta gama de cenários da cadeia de suprimentos, em que os usuários podem contar com a ajuda de uma ferramenta agêntica para lidar com informações complexas.

Vamos imaginar um cenário em que trabalhamos para uma empresa global de bens de consumo e somos responsáveis por manter o bom funcionamento da cadeia de suprimentos, nos adaptando rapidamente a várias mudanças imprevistas. Isso significa garantir que os produtos sejam fabricados no prazo, que os fornecedores entreguem os materiais de forma confiável, que os níveis de estoque sejam gerenciados com eficácia e que as mercadorias cheguem aos centros de distribuição e às prateleiras do varejo sem atrasos. É claro que falar é muito mais fácil do que fazer. Diariamente, os gerentes da cadeia de suprimentos precisam lidar com flutuações inesperadas de demanda, gargalos de produção, atrasos de fornecedores, interrupções no transporte e a pressão constante para reduzir os custos, mantendo os níveis de serviço.

Ao se depararem com tais desafios, cada vez mais gestores de cadeia de suprimentos estão recorrendo a ferramentas de otimização matemática para apoiar sua tomada de decisão. Usando os dados operacionais mais recentes, essas ferramentas executam algoritmos que recomendam os melhores próximos passos possíveis para otimizar as principais métricas de negócios, seja lucro ou receita. O desafio, no entanto, é que essas ferramentas são frequentemente complexas e difíceis de usar sem o treinamento adequado. Para resolver isso, desenvolvemos um agente da cadeia de suprimentos que auxilia os gerentes, interpretando sua intenção expressa em linguagem simples, acessando e analisando dados, aplicando técnicas de otimização e, por fim, entregando insights claros e recomendações acionáveis.

Construir

Antes de escrever qualquer código, precisamos primeiro entender que tipos de perguntas serão feitas ao agente e quais ferramentas ele precisará para respondê-las. Abaixo estão alguns exemplos de perguntas que esperamos que o agente consiga responder:

1. Qual é a demanda pelo produto acabado X?
2. Quais materiais são necessários para produzir o produto acabado Y e qual é o status atual do estoque desses materiais?
3. Quais produtos acabados consomem o material Z?
4. O que acontece se o Fornecedor A for interrompido e levar quatro semanas para se recuperar? Que medidas devo tomar para mitigar o impacto?
5. Se o Fornecedor B parar de operar, por quanto tempo podemos continuar sem perder demanda e quais são as ações recomendadas?

Para responder a essas perguntas, o agente deve conseguir acessar os dados operacionais mais recentes armazenados em um banco de dados. Para as três primeiras perguntas, ele precisa interpretar a intenção e gerar as consultas de banco de dados corretas. Elas são representadas como a Ferramenta de Acesso a Dados e a Ferramenta de Análise de Dados no diagrama acima. Embora existam muitas maneiras de implementar essas ferramentas, o Databricks Genie se destaca como uma opção atraente, fornecendo resultados de alta qualidade, governança robusta e baixo custo de implementação (ou seja, sem licenças adicionais).

Para as duas últimas perguntas, o agente precisa de uma ferramenta que realize otimização matemática, descrita acima como a Ferramenta de Otimização. Os objetivos e as restrições desta formulação devem refletir as condições reais de negócio, mas, para este blog post, adotamos a expressão flexível proposta pelo professor David Simchi-Levi em sua pesquisa. Ao definir esta ferramenta, é importante fornecer uma descrição clara de quando e como ela deve ser usada, permitindo que o agente determine as situações certas para aplicá-la. Essas ferramentas podem, então, ser definidas e registradas no Unity Catalog e expostas por meio de um servidor MCP para garantir melhor descoberta e governança.

Finalmente, precisamos de um grande modelo de linguagem com fortes capacidades de raciocínio. O modelo deve ser capaz de entender as perguntas do gerente da cadeia de suprimentos, planejar como obter a resposta, executar o plano e, em seguida, interpretar e apresentar os resultados com clareza. No Databricks, podemos experimentar facilmente uma variedade de modelos de raciocínio de última geração por meio das APIs de Modelo de Fundação (FMAPI) e escolher aquele que melhor se adapta às nossas necessidades. Os usuários podem alternar entre as mais recentes séries Claude e as famílias Llama com uma única linha de código. O Mosaic AI Gateway, desenvolvido com base no Mosaic AI Model Serving, oferece uma interface unificada, segura e governada para acessar e gerenciar esses modelos. Confira o notebook para ver como esses componentes podem ser montados para criar um agente poderoso.

Alternativamente, os usuários podem aproveitar o Agent Bricks para construir um sistema inteiro com uma abordagem no-code ou low-code. O Agent Bricks otimiza automaticamente muitos parâmetros, incluindo os prompts no sistema agêntico que moldam a qualidade final da resposta. Uma vez que o agente é implantado em produção, os usuários também podem fornecer feedback ao vivo para melhorar continuamente a qualidade da resposta e adaptar o agente a requisitos em evolução.

Avaliar

O que é inegociável ao implantar um sistema agêntico em um ambiente do mundo real é a qualidade. Precisamos ser capazes de avaliar e entender claramente o desempenho do agente. O processo começa com a preparação de um conjunto de dados de avaliação contendo perguntas semelhantes às que os usuários farão em produção. Cada pergunta é pareada com resultados esperados, como uma resposta esperada. Em um sistema agêntico, no entanto, é igualmente, se não mais, importante avaliar se o agente está usando as ferramentas certas adequadamente. No Databricks, podemos usar o Mosaic AI Agent Evaluation para examinar cada detalhe da execução do agente. Vemos o desenvolvimento orientado por avaliação (eval-driven development) como um passo fundamental no caminho para alcançar o AgentOps e garantir que nossos Agentes se comportem de acordo com sua programação; um arco de maturidade semelhante foi visto com o desenvolvimento orientado por testes (TDD) e o desenvolvimento orientado por comportamento (BDD), que permitiram o movimento DevOps no desenvolvimento de software há mais de 20 anos. Dê uma olhada neste notebook para ver como validamos tanto o uso correto da ferramenta quanto as configurações de parâmetros.

Implementar

​​Quando estivermos satisfeitos com a qualidade do nosso agente, poderemos implantá-lo no Databricks Model Serving e usar seu endpoint para enviar solicitações e receber respostas. Em nosso repositório de código, mostramos como integrar este endpoint em uma aplicação de frontend construída usando Databricks Apps e Lakebase para gerenciamento de histórico e sessão.

Com o MLflow Tracing integrado diretamente à UI, as entradas, saídas e o feedback do usuário são capturados automaticamente em contexto, facilitando a compilação de feedback e a melhoria contínua do desempenho.

O principal benefício de criar e hospedar uma aplicação de ponta a ponta no Databricks é a facilidade de configurar a autorização de usuário e a capacidade de usar o Unity Catalog para proteger e governar todos os ativos em um só lugar. Não há necessidade de juntar serviços separados, o que muitas vezes cria gargalos de segurança e governança. O Databricks Apps é extremamente flexível e compatível com várias linguagens e frameworks, para que você possa criar o front-end que desejar. Veja o código para saber como você pode criar um front-end funcional para seu agente da cadeia de suprimentos.

Discussão

Um instantâneo de uma conversa de exemplo entre o gerente da cadeia de suprimentos e o agente é mostrado abaixo. Em cerca de 15 segundos, o gerente recebe recomendações detalhadas sobre como mitigar riscos e proteger os resultados financeiros para um cenário específico. A velocidade e a precisão da resposta do agente são notáveis. Cada número na resposta é derivado diretamente das saídas do algoritmo de otimização, pois o agente tem acesso às variáveis de decisão, e as recomendações se baseiam na interpretação desses resultados. Se os humanos recebessem o mesmo volume de informações, seria extremamente difícil fornecer respostas em tempo hábil. Para grandes modelos de linguagem, no entanto, isso é feito sem esforço.

As respostas transparentes e explicáveis do agente só são possíveis porque as ferramentas que ele utiliza também são transparentes e explicáveis. Esses são requisitos essenciais para que os usuários de negócios adotem a tecnologia. Acreditamos que a combinação de LLMs probabilísticos com modelos físicos determinísticos se tornará a arquitetura padrão para aplicações de missão crítica, como o gerenciamento da cadeia de suprimentos.

Por que escolher Databricks?

A Databricks oferece uma plataforma única para construir sistemas agênticos que atendem aos mais altos padrões de qualidade. Com o Mosaic AI Agent Evaluation, as equipes podem testar rigorosamente e fazer o benchmark de seus agentes usando datasets de avaliação semelhantes aos de produção, garantindo não apenas respostas precisas, mas também o uso adequado de ferramentas e o manuseio de parâmetros. Essa capacidade de avaliação abrangente dá aos stakeholders de negócio a confiança de que as recomendações do agente são confiáveis, acionáveis e alinhadas aos requisitos do mundo real.

Igualmente importante, o Databricks garante segurança e governança de nível empresarial por meio do Unity Catalog. Todas as ferramentas, datasets e modelos podem ser registrados, versionados e gerenciados em uma camada de governança unificada, tornando simples rastrear o uso e manter a conformidade.

Além da governança, o Databricks oferece um ambiente completo e flexível para o desenvolvimento de agentes: os usuários podem coletar os dados operacionais necessários para construir um agente usando o Lakeflow Connect, via Delta Sharing, ou por meio do rico ecossistema de parceiros do Databricks (por exemplo, Everstream Analytics), experimentar facilmente com modelos de linguagem de última geração, integrar mecanismos de otimização e conectar ferramentas externas por meio de interfaces abertas.

Essa combinação de qualidade, segurança e integridade faz do Databricks a plataforma ideal para criar e implantar soluções agênticas que são ao mesmo tempo poderosas e prontas para produção.

Avançando com a Cadeia de Suprimentos Agêntica

A crescente complexidade e imprevisibilidade das cadeias de suprimentos globais exigem soluções inteligentes e práticas. As abordagens tradicionais baseadas na tomada de decisão manual ou na modelagem orientada por especialistas não são suficientes. Ao combinar modelos de linguagem probabilísticos com otimização matemática determinística e acesso a dados em tempo real, as organizações podem capacitar os gerentes da cadeia de suprimentos a tomar decisões mais rápidas, precisas e escaláveis, reduzindo a dependência tradicional inerente a especialistas e ao tempo, que em muitos casos custa às organizações milhões de dólares por minuto.

A Databricks fornece a base para dar vida a essa visão. Desde a criação e o teste de Agentes de IA até a garantia de confiança por meio do Mosaic AI Agent Evaluation e a governança de dados e modelos com o Unity Catalog, o Databricks oferece um ambiente seguro e abrangente para a implantação de sistemas agênticos. Sua flexibilidade para integrar ferramentas externas e mecanismos de otimização torna possível adaptar soluções às necessidades exclusivas de cada empresa, que é portável entre os diferentes provedores de nuvem.

O resultado é um sistema agêntico que não apenas responde a perguntas em linguagem simples, mas também baseia suas recomendações em uma lógica transparente e explicável. Essa combinação reduz os riscos de alucinação, constrói a confiança com os stakeholders de negócio e acelera a adoção de IA em domínios de missão crítica, como o gerenciamento da cadeia de suprimentos. Com a Databricks, as empresas podem ir além dos experimentos e implantar sistemas agênticos que entregam valor de negócio real hoje.

Baixe o código para explorar como construir, avaliar e implantar seu agente de gestão da cadeia de suprimentos no Databricks.

(This blog post has been translated using AI-powered tools) Original Post