DESENVOLVIMENTO COMPUTACIONAL E IMPLEMENTAÇÃO DE ALGORITMOS DE INTELIGÊNCIA ARTIFICIAL PARA OTIMIZAÇÃO DE PORTFÓLIO DE PRODUTOS

INTRODUÇÃO: A gestão do portfólio de produtos é essencial à competitividade, pois envolve decisões sobre lançamento, manutenção e descontinuação de itens com base em rentabilidade, demanda, custos e tendências de mercado. A complexidade industrial exige métodos além de análises intuitivas. Nesse contexto, técnicas de Inteligência Artificial (IA), Machine Learning e otimização permitem analisar dados, simular cenários e apoiar decisões mais precisas sobre o mix de produtos. OBJETIVOS: O projeto busca investigar, desenvolver e implementar modelos de IA para otimização computacional de portfólios, visando maximizar retorno financeiro e alinhamento estratégico. Pretende revisar a literatura, comparar Algoritmos Genéticos, Redes Neurais e Aprendizado por Reforço, desenvolver um pipeline computacional, identificar barreiras de implementação e propor um framework para cenários reais. MATERIAIS E MÉTODO: A pesquisa combina Revisão Sistemática da Literatura e modelagem computacional. A busca foi realizada na Scopus, via Portal CAPES/CAFe, com descritores relacionados à otimização de portfólio, mix de produtos e IA, resultando em 96 artigos. Os estudos foram classificados por três critérios: gerenciamento de portfólio, racionalização do mix e técnica utilizada, distinguindo IA de abordagens tradicionais, como Programação Linear e Pesquisa Operacional. RESULTADOS: A análise mostrou concentração de estudos no setor metalúrgico, marcado por volatilidade no custo de matérias-primas, restrições de capacidade, tempos de setup e gargalos em usinagem, estampagem e fornos. Essas condições tornam a definição do mix produtivo especialmente complexa.Os resultados indicam que métodos tradicionais atendem problemas mais simples, mas perdem desempenho em portfólios maiores. Algoritmos Genéticos e técnicas de Machine Learning demonstraram maior capacidade de explorar grandes espaços de busca e gerar soluções ótimas ou quase ótimas em tempo viável.O projeto está na fase de codificação do algoritmo principal em Python, considerando custos, margem de contribuição e capacidade produtiva. A etapa seguinte será a validação em cenários simulados. CONSIDERAÇÕES FINAIS: As próximas etapas incluem finalizar o algoritmo; realizar simulações com variações de custos, demanda e restrições produtivas; comparar modelos de IA com métodos tradicionais; consolidar um framework integrador de apoio à decisão; e elaborar o relatório final do PIBITI e um artigo científico.O projeto tem proporcionado aprendizado em IA, modelagem matemática e apoio computacional à decisão. A principal dificuldade foi o acesso limitado a dados industriais reais e a detalhes de algoritmos, tratados como informação estratégica. Para contornar essa limitação, foram utilizados parâmetros da literatura. As reuniões com o orientador contribuíram para refinar a modelagem e o framework. Espera-se gerar uma estrutura aplicável por estudantes e profissionais na gestão de portfólios.

PALAVRAS-CHAVE: Otimização de Portfólio de Produtos; Inteligencia Artificial.