Uso de aprendizado de máquina na melhoria de processos : estudo de caso na indústria de máquinas

Abstract

O estudo de caso realizado nesta pesquisa teve como objetivo avaliar a viabilidade da possibilidade de melhoria de processo de controle de contratos utilizando algoritmos de aprendizado de máquina para a predição de custos no setor de manufatura de máquinas agrícolas e. O estudo utilizou várias técnicas de aprendizado de máquina, incluindo Artificial Neural Network (ANN), Decision Tree (DT) e Support Vector Machine (SVM). Além disso, foi implementado um método de combinação exaustiva para seleção de variáveis, visando melhorar o desempenho do modelo. Para avaliar a precisão preditiva dessas técnicas, o estudo empregou métricas amplamente reconhecidas, como Erro Absoluto Médio (MAE), Erro Percentual Médio Absoluto (MAPE) e o coeficiente de determinação (R²). Além disso, foi realizada uma contextualização econômica, integrando os resultados com a Teoria dos Custos de Transação para fornecer uma análise abrangente. Os resultados demonstraram que a técnica de ANN melhorou significativamente a velocidade da predição de custos na fabricação de chapas metálicas sem perda significativa de precisão. Através das técnicas foi possível a melhoria do processo por conta da rápida predição de custos para um grande volume de peças, facilitando a identificação de itens com sobrecusto e otimizando as estratégias de redução de custos da empresa. Consequentemente, a implementação do modelo ANN resultou em uma redução de 5% no custo total das chapas metálicas.

The case study conducted in this research aimed to evaluate the feasibility of improving the contract control process using machine learning algorithms for cost prediction in the agricultural machinery manufacturing sector. The study employed various machine learning techniques, including Artificial Neural Network (ANN), Decision Tree (DT), and Support Vector Machine (SVM). Additionally, an exhaustive combination method was implemented for variable selection, aiming to enhance model performance. To assess the predictive accuracy of these techniques, the study employed widely recognized metrics such as Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²). Furthermore, an economic contextualization was carried out by integrating the results with Transaction Cost Theory to provide a comprehensive analysis. The results demonstrated that the ANN technique significantly improved the speed of cost prediction in metal sheet manufacturing without a significant loss in accuracy. Through these techniques, process improvement was achieved by enabling rapid cost prediction for a large volume of parts, facilitating the identification of overpriced items and optimizing the company’s cost reduction strategies. Consequently, the implementation of the ANN model resulted in a 5% reduction in the total cost of metal sheets.