Comparação entre métodos de aprendizagem de redes neurais artificiais aplicados à avaliação de desempenho de cadeias de suprimentos

Resumo:

A avaliação de desempenho de cadeias de suprimentos é uma atividade crítica para a melhoria contínua das operações. A literatura apresenta diversos sistemas de avaliação de desempenho baseados em métodos multicritério e técnicas de inteligência artificial. Dentre esses, os sistemas baseados em redes neurais se destacam por sua capacidade de modelar relacionamentos não lineares entre as métricas e por permitirem a adaptação ao ambiente de uso por meio de dados históricos de desempenho. Embora a acurácia desses sistemas dependa diretamente do algoritmo de aprendizagem adotado, não são encontrados estudos que avaliem o desempenho destes algoritmos quando aplicados nesse domínio de problema. Nesse contexto, o presente estudo avalia quatro métodos de aprendizagem de redes neurais com o objetivo de investigar qual deles é mais adequado para apoiar a avaliação de cadeias de suprimentos. Foram testados os algoritmos Gradient Descendent Momentum, Levenberg-Marquardt, Quasi-Newton e Scale Conjugate Gradient. As métricas de desempenho foram extraídas do SCOR^®, um modelo de referência mundialmente utilizado. O método de validação cruzada com amostragem aleatória foi adotado para encontrar a configuração topológica mais adequada para cada modelo. Um conjunto de 80 topologias foi implementado usando MATLAB. A avaliação da acurácia de predição foi baseada no erro quadrático médio. Para os quatro indicadores de nível 1 considerados, o algoritmo Levenberg-Marquardt forneceu resultados mais precisos. Os resultados da análise de regressão e do coeficiente de correlação ressaltam a eficácia dos modelos propostos. Ademais, os modelos computacionais propostos alcançaram acurácia superior às abordagens anteriores.

Palavras-chave:
Redes neurais artificiais; Métodos de aprendizagem supervisionada; Avaliação de desempenho de cadeias de suprimentos; Modelo SCOR^®; Perceptron multicamada