Grandes desafios em engenharia industrial e de sistemas

1. Introdução

1.1. Contexto

A engenharia industrial e de sistemas (ISE) é definida como uma disciplina voltada para o projeto, aprimoramento e instalação de sistemas integrados de pessoas, materiais, informações, equipamentos e energia. Ela se baseia em conhecimentos e habilidades especializados nas ciências matemáticas, físicas e sociais, juntamente com os princípios e métodos da análise e do projeto de engenharia, para especificar, prever e avaliar os resultados a serem obtidos por tais sistemas (IISE, 2024). Além disso, os principais componentes do conhecimento em ISE que refletem uma categorização das teorias e modelos pertinentes incluem: (1) projeto e medição do trabalho, (2) pesquisa e análise operacional, (3) análise econômica de engenharia, (4) engenharia de instalações e gestão de energia, (5) engenharia da qualidade e confiabilidade, (6) ergonomia e fatores humanos, (7) engenharia e gestão de operações, (8) gestão da cadeia de suprimentos, (9) gestão de engenharia, (10) segurança, (11) engenharia da informação, (12) engenharia de projeto e manufatura, (13) projeto e desenvolvimento de produtos, e (14) projeto e engenharia de sistemas. Dado seu amplo corpo de conhecimento, a disciplina de ISE está bem posicionada para abordar e responder ao conjunto crescente e altamente complexo de desafios inter-relacionados relacionados ao crescimento populacional, questões socioeconômicas, saúde e segurança, e sustentabilidade que a sociedade global enfrenta hoje. Profissionais de ISE também podem desempenhar um papel importante ao acelerar o processo de tradução da produção científica relevante em soluções práticas, ferramentas desejadas, métodos, sistemas e aplicações para melhorar a vida dos bilhões de pessoas na Terra.

O principal objetivo deste artigo foi definir e discutir um conjunto de grandes desafios que representam áreas-chave e urgentes de atuação para a disciplina e a profissão de ISE. Nosso objetivo não foi apenas delinear os principais grandes desafios, mas também propor caminhos para garantir que a ISE possa responder a cada um deles, incluindo como métodos específicos da ISE podem ser aplicados. Além disso, nossa intenção foi também comunicar a pesquisadores e profissionais de ISE o papel da disciplina na resposta às principais questões e desafios globais. Ao articular como a ISE pode auxiliar na resposta a esses grandes desafios, este artigo de posicionamento pretende facilitar discussões e aplicações adicionais da ISE em problemas globais de grande escala.

1.2. Grandes desafios e seus impactos

A ideia geral de grandes desafios em ciência, medicina, engenharia, tecnologia e educação, explorada por cientistas individuais, organizações de pesquisa, entidades internacionais sem fins lucrativos ou governos nacionais, tem uma longa e rica história (Omenn, 2006; Woolf et al., 2013; Hicks, 2016; Lufkin, 2017; Kaldewey, 2018; Peña e Stokes, 2019). A noção de “grandes desafios” também tem sido amplamente utilizada recentemente em políticas de pesquisa e inovação, com foco em problemas sociais globais como energia, saúde e meio ambiente (Ulnicane, 2016).

Segundo Kaldewey (2018), o conceito de grandes desafios e o discurso em torno deles ilustram como cientistas, formuladores de políticas públicas e o público têm comunicado suas respectivas agendas nas últimas décadas (ver, por exemplo, Peña e Stokes, 2019). Além disso, Bostic (2016) apontou que hoje “as humanidades devem se envolver com os grandes desafios globais”, uma vez que tais desafios representam problemas urgentes e amplamente compartilhados que exigem respostas coordenadas, de longo prazo e em grande escala. He et al. (2013) também destacaram que a premissa dos grandes desafios frequentemente constitui “um chamado à ação para que os pesquisadores desenvolvam as capacidades de nossa sociedade para pesquisa, educação e aplicação prática, bem como para que as agências de fomento continuem ou ampliem seu apoio a esses campos altamente relevantes”.

Os desafios globais são altamente complexos, multifacetados, dinâmicos, fortemente inter-relacionados e difíceis de descrever, compreender e manipular com sucesso. Essa evolução na forma como a sociedade pensa sobre riscos globais complexos é, portanto, urgentemente necessária (Arnold e Wade, 2015). O relatório mais recente sobre riscos globais do Fórum Econômico Mundial identifica a falha na ação climática, eventos climáticos extremos, erosão da coesão social, crises de subsistência, doenças infecciosas, danos ambientais causados por humanos, crises de recursos naturais, crises de endividamento e confrontos geoeconômicos como os riscos mais severos atualmente enfrentados (World Economic Forum, 2022). Até 2050, também surgirão riscos globais relacionados à inteligência artificial geral (AGI), à substituição de trabalhadores humanos por automação, à modificação genética de seres humanos, ao envelhecimento populacional e à colonização de outros mundos (Hancock, 2022; Salmon et al., 2021). Um resumo dos grandes desafios selecionados relacionados ao campo da engenharia industrial e de sistemas é apresentado na Tabela 1. Vale ressaltar que alguns desses grandes desafios já estão sendo abordados pela profissão de ISE, demonstrando a natureza interdisciplinar e as sobreposições teóricas e práticas desses desafios.

 

Tabela 1. Grandes desafios selecionados de domínios relacionados à engenharia industrial e de sistemas.

Domínio	Lista de Grandes Desafios
Fatores Humanos e Ergonomia (Karwowski et al. 2025)	1) Evolução no Pensamento Social; 2) O Futuro da Atividade Humana; 3) Mudanças Climáticas e Sustentabilidade; 4) O Futuro da Educação e do Treinamento; 5) O Futuro da Saúde Personalizada; 6) Vida, Tecnologia e o Metaverso.
Manufatura Centrada no Humano (Lu et al. 2022)	Desafios Sociais: 1) Aceitação da Tecnologia e Confiança; 2) Mudança na Dinâmica das Equipes; 3) Aprendizado Contínuo. Desafios Técnicos: 4) IA Centrada no Humano e IA Personalizada; 5) Transparência e Explicabilidade; 6) Medição de Desempenho; 7) Pesquisa em Sistemas de Manufatura.
Inteligência Artificial Centrada no Humano (Ozmen Garibay et al. 2023)	1) Centrada no bem-estar humano; 2) Projetada de forma responsável; 3) Respeita a privacidade; 4) Segue princípios de design centrado no humano; 5) Sujeita à governança e supervisão adequadas; 6) Interage com indivíduos respeitando suas capacidades cognitivas.
Interação Humano-Computador (Stephanidis et al. 2019)	1) Simbiose Humano-Tecnologia; 2) Interações Humano-Ambiente; 3) Ética, Privacidade e Segurança; 4) Bem-estar, Saúde e Eudaimonia; 5) Acessibilidade e Acesso Universal, Aprendizagem e Criatividade; 6) Organização Social e Democracia.
Robótica Científica (Yang et al. 2018)	1) Novos Materiais e Esquemas de Fabricação; 2) Robôs Biohíbridos e Bioinspirados; 3) Novas Fontes de Energia e Tecnologias de Armazenamento; 4) Enxames de Robôs; 5) Inteligência; 6) Interfaces Cérebro-Computador; 7) Interação Social e Normas Morais; 8) Robótica Médica e Navegação em Ambientes Extremos; 9) Aspectos Mentais da IA com Altos Níveis de Autonomia; 10) Ética e Segurança na Inovação Responsável em Robótica.
Grandes Desafios para a Engenharia no Século XXI (NAE 2016)	1) Avançar no Aprendizado Personalizado; 2) Tornar a Energia Solar Econômica; 3) Aprimorar a Realidade Virtual; 4) Reverter Engenharia do Cérebro; 5) Desenvolver Melhores Medicamentos; 6) Avançar na Informática em Saúde; 7) Restaurar e Melhorar Infraestruturas Urbanas; 8) Garantir a Cibersegurança; 9) Prover Acesso à Água Limpa; 10) Gerar Energia por Fusão; 11) Prevenir o Terrorismo Nuclear; 12) Gerenciar o Ciclo do Nitrogênio; 13) Desenvolver Métodos de Sequestro de Carbono; 14) Projetar Ferramentas para a Descoberta Científica.
Modelagem e Simulação (Taylor et al. 2015)	1) Grande Simulação: Dados, Ontologia e Coordenação de Modelagem para Escalabilidade; 2) Componibilidade Humana e Computacional; 3) M&S em Nuvem e Componibilidade; 4) M&S Reprodutível: Engenharia de Replicabilidade nos Modelos Computacionais; 5) Democratização da Modelagem e Simulação.
Pesquisa Operacional e Engenharia (Barnhart 2008)	1) Desenvolver um Programa de Energia Sustentável e Autossuficiente; 2) Usar Tecnologias Avançadas de Sensoriamento e Telecomunicações para Diagnosticar Falhas em Infraestruturas; 3) Criar Rodovias Autônomas e Reduzir Congestionamentos; 4) Melhorar o Sistema de Saúde em Países em Desenvolvimento e nos EUA; 5) Aprimorar a Capacidade de Diagnóstico Médico e de Imagem; 6) Desenvolver Estratégias Eficientes Contra o Terrorismo; 7) Usar a Internet para Melhorar a Educação em Países em Desenvolvimento.

 

2. Métodos

A elaboração deste artigo de posicionamento sobre os grandes desafios da engenharia industrial e de sistemas (ISE) seguiu o seguinte processo. Os presidentes identificaram os coautores potenciais com base no conhecimento de seus interesses profissionais, contribuições publicadas no amplo espectro da disciplina de ISE, reputação percebida e valor potencial para o trabalho em equipe. Cada membro da equipe foi convidado a propor até cinco grandes desafios da ISE, com uma breve justificativa por escrito. Em seguida, foi realizada uma reunião virtual ampliada durante a qual todos os membros da equipe discutiram e deliberaram extensivamente sobre o agrupamento dos desafios originalmente submetidos, sintetizando-os em oito categorias. Esses agrupamentos foram realizados com base na similaridade das ideias e conceitos recebidos. Durante a reunião virtual, os membros da equipe também indicaram seu interesse em desafios específicos, e líderes foram designados para cada um dos oito grandes desafios.

Cada equipe de grande desafio da ISE contou com dois membros, sendo um deles o líder da equipe. Cada equipe foi inicialmente solicitada a preparar um sumário, tabelas, figuras e uma lista de referências que planejavam incluir em sua seção. Essas informações foram então compartilhadas com todos os membros das oito equipes. Os líderes e membros de cada equipe coordenaram e desenvolveram o texto para seu respectivo desafio. Os presidentes do artigo integraram os textos dos oito grandes desafios da ISE em um artigo unificado, incluindo resumo, introdução e conclusão. O artigo completo foi compartilhado com todos os membros, e solicitou-se feedback de todos os líderes e membros sobre como aprimorá-lo. Essas contribuições foram integradas à versão final submetida ao periódico para revisão. Todos os coautores revisaram e aprovaram o manuscrito final.

3. Grandes desafios da ISE

Foram identificados os seguintes grandes desafios da ISE: (1) Inteligência Artificial para Uso Empresarial e Pessoal: Tomada de Decisão e Projeto e Operações de Sistemas, (2) Cibersegurança e Resiliência, (3) Sustentabilidade: Meio Ambiente, Energia e Infraestrutura, (4) Questões de Saúde, (5) Questões Sociais, (6) Logística e Cadeia de Suprimentos, (7) Integração e Operações de Sistemas: Humanos, Automação e IA, e (8) Educação em Engenharia Industrial e de Sistemas (ver Figura 1). Esses desafios são discutidos em detalhe a seguir.

 

Figura 1. Grandes desafios da Engenharia Industrial e de Sistemas.

 

4. Grande desafio da inteligência artificial para uso empresarial e pessoal: tomada de decisão e projeto e operações de sistemas

Nos próximos 10 a 20 anos, a inteligência artificial (IA) revolucionará a indústria, o governo e a sociedade tão profundamente quanto tecnologias como máquinas industriais, computadores e a internet o fizeram no passado. Como uma disciplina voltada à melhoria da indústria (e da sociedade) com métodos científicos e de engenharia, a ISE tem uma enorme oportunidade e responsabilidade de enfrentar os grandes desafios associados à inteligência artificial.

4.1. Contexto e impacto da inteligência artificial

IA é um conjunto de abordagens científicas para treinar máquinas ou sistemas a realizar tarefas que normalmente exigiriam inteligência humana. A IA utiliza algoritmos, análises, processamento de linguagem natural e outras técnicas para aprender com dados e o ambiente, a fim de resolver problemas, aprender habilidades ou executar tarefas específicas. As abordagens de IA baseiam-se em múltiplas disciplinas como ciência da computação, matemática, estatística e engenharia. A IA pode ter uma forte relação com áreas como pesquisa operacional (OR), que foca explicitamente na otimização da tomada de decisões sob incerteza e com recursos limitados. O público em geral pode não distinguir necessariamente entre diferentes tipos de algoritmos (IA ou não).

O interesse por IA existe desde pelo menos os anos 1940, quando Alan Turing descreveu uma máquina que poderia ler, aprender, recordar, resolver problemas e mais, sendo útil tanto para tarefas específicas (por exemplo, jogar xadrez) quanto mais gerais (Turing, 1950). Uma máquina é considerada “inteligente” pelo teste de Turing se um interrogador não puder distinguir as respostas da máquina das de um ser humano (Turing, 2009). Ao longo das décadas, os avanços em métodos e tecnologia levaram a programas de IA capazes de jogar xadrez, navegar em labirintos, elaborar provas matemáticas, simular diálogos, reconhecer padrões, aprender idiomas, navegar por estradas e classificar imagens. A IA pode incluir abordagens como aprendizado de máquina, redes neurais, aprendizado profundo, heurísticas evolutivas e processamento de linguagem natural. Nos últimos anos, houve avanços nos modelos de linguagem generativos de grande escala, que conseguem prever palavras subsequentes com base nas anteriores, resultando em programas que parecem falar e sintetizar conhecimento. Muitas empresas já afirmam utilizar IA generativa em pelo menos uma função.

Existem muitos exemplos atuais em que a IA foi implantada para gerar funcionalidades para a indústria ou sociedade. As aplicações incluem assistentes inteligentes que compreendem linguagem e personalizam serviços, robôs industriais que colaboram com humanos, chatbots para atendimento ao cliente, dispositivos inteligentes para controle ambiental doméstico, ferramentas que geram imagens a partir de comandos linguísticos, algoritmos de saúde que preveem pacientes de alto risco, programas que selecionam candidatos a vagas, sistemas de reconhecimento facial e algoritmos de redes sociais que promovem o engajamento. Uma diferença em aplicações recentes é que algumas tarefas imitam ações humanas nas quais há aparente criatividade (como gerar imagens ou músicas novas), embora isso seja feito com base em dados anteriores (Anantrasirichai e Bull, 2022).

De fato, muitos usos da IA não são totalmente transparentes, e as pessoas muitas vezes desconhecem o papel da IA em decisões que as afetam diariamente. Além disso, há muitos exemplos de programas de IA com viés mensurável (por exemplo, favorecendo a contratação de homens), o que pode ser decorrente dos dados utilizados no treinamento (Landers e Behrend, 2023). Um terceiro desafio é que os resultados da IA podem ser imprecisos ou pouco confiáveis, o que pode ter consequências significativas em áreas de alto impacto (Araujo et al., 2020). Um quarto ponto é que já foi demonstrado que o treinamento e a operação de programas de IA podem acarretar custos computacionais, financeiros e ambientais elevados (Wu et al., 2022). Esses e outros desafios reforçam a motivação pela busca de uma IA que seja responsável, ética, equitativa e eficaz.

Nos próximos 10 a 20 anos, cada vez mais dados serão digitalizados. A IA será aplicada em decisões táticas, operacionais e estratégicas em um amplo conjunto de domínios. É provável que impacte todos os grandes desafios mencionados neste artigo e além, incluindo sustentabilidade, meio ambiente, energia, saúde, questões sociais, logística, integração de sistemas com automação, educação, cibersegurança e resiliência. A IA ajudará a avançar a tomada de decisão em tempo real em sistemas complexos. Podemos apenas começar a imaginar as transformações que isso trará — e o potencial de impacto positivo na sociedade, se bem implementada. A seguir, destacamos quatro áreas específicas em que a ISE, como disciplina e profissão, pode contribuir para esse grande desafio: (1) orientação sistêmica, (2) integração entre OR e IA, (3) pessoas e (4) educação.

4.2. Desafios relacionados à IA

A inteligência artificial e métodos similares integram algoritmos sofisticados com a análise de dados profundos e amplos para permitir uma tomada de decisão que pode imitar (ou até superar) a dos humanos. A ISE, como disciplina e profissão, deve se envolver na compreensão e aprimoramento do impacto da IA dentro dos sistemas. Os resultados podem incluir melhorias em cadeias de suprimentos, sistemas de saúde, transporte, setor militar e muitas outras aplicações. Além disso, ao examinar a IA no contexto de sistemas industriais e sociais, engenheiros industriais e de sistemas desempenharão um papel importante na compreensão dos impactos atuais e futuros da IA sobre a equidade — incluindo os conjuntos de dados utilizados, os efeitos em cascata de um elemento do sistema sobre outro, o impacto da IA sobre decisões humanas em organizações, e, por fim, sobre o uso responsável da IA de forma ética, equitativa e eficaz.

No entanto, juntamente com suas capacidades, há grandes desafios que precisam ser enfrentados. A seguir, são apresentados alguns dos principais desafios associados ao uso da IA, para garantir que ela seja Responsável, Ética, Equitativa e Eficaz, contribuindo de forma positiva para a indústria e a sociedade.

4.2.1. Desafio da IA #1: incorporar fatores humanos nos sistemas de IA

O grande desafio da IA para uso empresarial e pessoal impõe desafios significativos relacionados aos fatores humanos na tomada de decisão e no projeto e operações de sistemas. Uma das principais preocupações é a necessidade de interação eficaz entre humanos e máquinas para garantir a operação segura e eficiente de sistemas de IA. À medida que a IA se torna mais autônoma, aumenta a necessidade de supervisão e intervenção humana, o que exige uma compreensão profunda dos princípios de fatores humanos para projetar interfaces e fluxos de trabalho eficazes. Outro aspecto crítico dos fatores humanos é a necessidade de processos de tomada de decisão transparentes e explicáveis na IA, para apoiar a tomada de decisão humana (Lasi et al., 2014). A crescente complexidade dos sistemas de IA exige que os humanos compreendam e confiem nas decisões orientadas por IA, o que pode ser um desafio significativo para pessoas sem experiência prévia nessas áreas (Hermann, Pentek e Otto, 2016). Em última análise, o sucesso da integração da IA no uso empresarial e pessoal depende da capacidade de projetar sistemas de IA que sejam intuitivos, transparentes e confiáveis, e que apoiem efetivamente a tomada de decisão humana.

A importância de projetar sistemas de IA que sejam intuitivos, transparentes e confiáveis é particularmente relevante na manufatura avançada, onde os sistemas de IA têm potencial para impactar significativamente a produtividade e a eficiência (Jan et al., 2023). Para alcançar esses benefícios, é essencial garantir que os sistemas de IA sejam projetados para apoiar a tomada de decisão e supervisão humanas, o que exige uma compreensão profunda dos princípios de fatores humanos e a habilidade de projetar interfaces e fluxos de trabalho eficazes. No entanto, a integração da IA também impõe desafios significativos à manufatura avançada, incluindo a necessidade de grandes investimentos em infraestrutura e treinamento, além do potencial de deslocamento de empregos e mudanças nas estruturas tradicionais da força de trabalho (Manyika et al., 2017). Ademais, à medida que os sistemas de manufatura se tornam mais complexos, interconectados e automatizados, uma perspectiva sistêmica é essencial para compreender e gerenciar riscos e desafios emergentes. A aplicação de abordagens de pensamento sistêmico pode ajudar organizações e formuladores de políticas industriais a antecipar e mitigar esses riscos.

4.2.2. Desafio da IA #2: identificar e reduzir vieses nos sistemas de IA

O segundo grande desafio é o potencial de viés nos sistemas de IA. Os sistemas de IA são treinados com base em dados e, se esses dados forem enviesados, o sistema poderá perpetuar e até amplificar esses vieses, resultando em resultados discriminatórios ou no reforço de preconceitos sociais existentes. Por exemplo, uma ferramenta de análise de sentimento treinada com dados predominantemente de fontes em inglês pode ter dificuldade para analisar com precisão sentimentos em outros idiomas. Esse risco é particularmente grave em aplicações sensíveis, como justiça criminal, onde uma IA enviesada pode influenciar decisões sobre identificação de suspeitos, avaliações de risco e sentenças (Angwin et al., 2022). Esse tipo de viés não apenas compromete a confiabilidade das aplicações de IA, como também levanta sérias preocupações éticas sobre equidade e inclusão na tomada de decisões conduzida por IA.

Superar esse desafio exige coleta cuidadosa de dados, treinamento não enviesado de modelos e avaliação contínua para alcançar a equidade e mitigar o viés nos sistemas de IA. Enfrentar o viés na IA requer uma abordagem abrangente no projeto e operação dos sistemas, que inclua: (1) Coleta Ética de Dados: garantir diversidade e representatividade nos conjuntos de dados usados no treinamento para evitar a perpetuação de vieses existentes (Barocas e Selbst, 2016); (2) Treinamento de Modelos Sem Viés: implementar metodologias que detectem e neutralizem vieses durante a fase de treinamento dos modelos de IA (Bellamy et al., 2018); (3) Avaliação e Calibração Contínuas: monitorar continuamente os sistemas de IA após a implementação para detectar novos vieses e recalibrar os sistemas conforme necessário para manter a equidade ao longo do tempo.

Essas medidas são imperativas para cultivar a confiança e a confiabilidade nas aplicações de IA, promovendo sua integração bem-sucedida tanto em ambientes pessoais quanto empresariais. O compromisso com uma IA sem viés também está alinhado com expectativas regulatórias e sociais mais amplas de uso ético da tecnologia.

4.2.3. Desafio da IA #3: aumentar a explicabilidade dos sistemas de IA

Muitos algoritmos de IA, especialmente redes neurais profundas, são complexos e difíceis de entender ou explicar. Essa falta de transparência levanta preocupações quanto à confiança e à responsabilidade. Por exemplo, se um sistema de IA recomenda um tratamento médico específico a um paciente, é importante que os profissionais de saúde compreendam e confiem na lógica por trás dessa recomendação. Desenvolver sistemas de IA interpretáveis e explicáveis é essencial para enfrentar esse desafio e garantir que os usuários possam compreender os processos de tomada de decisão desses sistemas.

Enfrentar o desafio da explicabilidade nos sistemas de IA requer modificações estratégicas no projeto e operação dos sistemas: (1) Desenvolvimento de Modelos Interpretáveis: é fundamental focar na criação de modelos mais fáceis de compreender. Priorizar técnicas que tornem modelos complexos mais interpretáveis ou que os aproximem de explicações mais simples é essencial. O trabalho de Ribeiro, Singh e Guestrin (2016) destaca métodos para explicar as previsões de qualquer classificador, sendo um avanço nessa direção; (2) Integração de Ferramentas de Explicabilidade: utilizar ferramentas e estruturas como LIME ou SHAP para tornar as saídas de modelos complexos mais compreensíveis. Essas ferramentas, como discutido por Lundberg e Lee (2017), juntamente com as metodologias descritas por Sun, Lin e Shen (2022), ajudam a reduzir a lacuna entre as decisões da IA e a compreensão humana; (3) Projeto Centrado no Usuário: projetar sistemas de IA com foco no usuário final garante que ele possa entender e interagir efetivamente com os processos de tomada de decisão da IA.

4.2.4. Desafio da IA #4: lidar com questões de privacidade de dados, segurança e ética

À medida que a tecnologia de IA avança e se torna mais integrada às atividades cotidianas, surgem desafios significativos relacionados à privacidade de dados, segurança e ética. Essas questões derivam de características da IA como a dependência de dados, a complexidade e a tomada de decisão autônoma. Em primeiro lugar, sistemas de IA requerem grandes volumes de dados, muitas vezes incluindo informações pessoais sensíveis. O uso inadequado desses dados pode levar a violações de privacidade. Em segundo lugar, a complexidade e a natureza interconectada dos sistemas de IA os tornam alvos de ataques cibernéticos. Ziegeldorf, Morchon e Wehrle (2014) destacaram os riscos aumentados em sistemas como a Internet das Coisas, onde uma violação em uma parte pode comprometer toda a rede. Um exemplo é o ataque a um sistema de saúde baseado em IA, resultando no roubo de prontuários médicos. Em terceiro lugar, a tomada de decisão autônoma da IA pode gerar desafios éticos, especialmente quando as decisões impactam vidas humanas. Jobin, Ienca e Vayena (2019) discutiram preocupações com sistemas de IA em áreas sensíveis como a aplicação da lei, onde podem perpetuar vieses e levar a tratamentos injustos. Esses desafios podem minar a confiança pública, causar perdas significativas e prejudicar comunidades marginalizadas. Além disso, o ritmo acelerado do desenvolvimento da IA pode ultrapassar os marcos regulatórios e éticos, resultando em lacunas de governança.

Ao projetar e operar sistemas de IA, é essencial priorizar a privacidade, coletando apenas os dados necessários e empregando tecnologias que protejam informações pessoais. A segurança é igualmente crucial; testes regulares e a integração de práticas de segurança ao longo de todo o processo de desenvolvimento da IA ajudam a lidar com vulnerabilidades. Ademais, considerações éticas devem orientar a operação desses sistemas, com diretrizes claras e avaliações regulares para garantir justiça e responsabilidade. A transparência é fundamental para construir confiança, sendo alcançada por meio da compreensão dos processos decisórios da IA e da inclusão de perspectivas diversas no processo de desenvolvimento. Juntas, essas medidas asseguram que os sistemas de IA sejam seguros, éticos e bem aceitos pela sociedade.

4.2.5. Desafio da IA #5: superar limitações técnicas dos métodos atuais de IA

A IA enfrenta diversas limitações técnicas que precisam ser superadas, incluindo lidar com ambiguidade, compreender contexto, raciocínio de senso comum e adaptação a ambientes dinâmicos. Além disso, embora os sistemas de IA se destaquem em tarefas específicas, frequentemente enfrentam dificuldades para generalizar seus conhecimentos ou habilidades para situações novas ou desconhecidas, carecendo da adaptabilidade e versatilidade mais ampla da inteligência humana. Por exemplo, veículos autônomos podem ter dificuldades em condições climáticas imprevisíveis ou cenários de trânsito inesperados, pois são programados para ambientes específicos e previsíveis e não possuem a capacidade de adaptação rápida de um motorista humano. Emular a inteligência emocional humana, garantir robustez contra ataques adversariais e resolver outras limitações representam desafios adicionais que precisam ser enfrentados. Para tratar com sucesso esses desafios, é crucial a colaboração entre pesquisadores, formuladores de políticas, líderes do setor e a sociedade como um todo. Trabalhando juntos, é possível garantir o desenvolvimento e a implantação responsáveis e benéficos das tecnologias de IA.

4.3. Oportunidades para a ISE enfrentar os desafios da IA

Existem enormes oportunidades para que a ISE enfrente os desafios da IA, incluindo em suas subdisciplinas, em colaboração com a ciência da computação e em parceria com a indústria. A seguir, identificamos várias delas, incluindo algumas relacionadas aos desafios descritos anteriormente.

4.3.1. Orientação sistêmica

A disciplina de ISE é, em sua essência, focada em métodos no contexto de uma instalação, uma organização, um domínio ou um sistema. A IA surgiu como uma ferramenta poderosa para enfrentar diversos desafios na indústria e na academia. Em aplicações comuns, a IA é projetada para se destacar em áreas específicas como reconhecimento de fala, classificação de imagens, sistemas de recomendação e análise de dados. Esses sistemas de IA específicos para tarefas dependem de grandes conjuntos de dados para aprender padrões, reconhecer objetos e fazer previsões. Técnicas como aprendizado de máquina (ML), aprendizado profundo e modelos estatísticos são empregadas para processar e analisar dados, informando os processos decisórios. Por exemplo, a IA desempenha um papel crucial no apoio à tomada de decisões em saúde e Medicare (Vasey et al., 2022; Amann et al., 2022; Čartolovni, Tomičić e Mosler, 2022), possibilitando diagnósticos mais precisos, tratamentos personalizados e cuidados eficientes ao paciente. Algoritmos de ML podem analisar grandes volumes de dados médicos, incluindo prontuários e imagens, para identificar padrões e auxiliar em diagnósticos. Sistemas com IA podem prever desfechos clínicos, otimizar fluxos de trabalho e apoiar a descoberta de medicamentos.

A IA pode ter desempenho superior ao dos humanos em situações com regras e regulamentos bem definidos, como no caso do AlphaGo, além de poder aprender grandes volumes de dados e tirar conclusões razoáveis sobre determinados assuntos (como respostas de chatbots) (Sarker, 2021). No entanto, a IA, no estágio atual, ainda enfrenta dificuldades para tomar decisões em sistemas complexos, onde diferentes partes interessadas e objetivos concorrentes precisam ser considerados. A engenharia de sistemas busca compreender o panorama geral e fornecer uma abordagem estruturada para desenvolver, implementar e gerenciar sistemas complexos (Hitchins, 2008). Os profissionais de ISE contribuem analisando requisitos, projetando arquiteturas de sistemas, gerenciando dados, otimizando desempenho, verificando e validando sistemas, lidando com segurança e confiabilidade e apoiando manutenção e atualizações. Seu conhecimento interdisciplinar garante que os sistemas de IA estejam alinhados às necessidades dos usuários, operem com eficiência e atendam aos padrões éticos e legais. Eles desempenham um papel fundamental na integração de tecnologias de IA em diversos domínios e setores.

4.3.2. Integração entre OR e IA

Avanços recentes demonstraram que pode haver benefícios significativos na integração de técnicas da Pesquisa Operacional (OR) com a IA. A IA e o ML têm sido de particular interesse para um grande número de pesquisadores de várias disciplinas, oferecendo soluções para problemas específicos, aprimorando processos decisórios e automatizando tarefas para melhorar eficiência e desempenho. A OR é um dos campos impactados e moldados pela IA e pelo ML (Gupta et al., 2022). Na verdade, os campos de OR e ISE também podem trazer conhecimentos e perspectivas valiosas para o desenvolvimento de soluções de IA e ML. Especialistas em OR e ISE frequentemente possuem fortes habilidades analíticas e de otimização. Eles se especializam em modelagem matemática, técnicas de otimização e processos de tomada de decisão, e as técnicas de OR geralmente exploram a estrutura de problemas complexos. As competências de OR e ISE podem ser valiosas no desenvolvimento de algoritmos eficientes, modelos de otimização e na resolução de problemas complexos em diversos domínios. Esses são conjuntos de habilidades complementares em relação ao campo da Ciência da Computação (CS). Além disso, pesquisadores em OR frequentemente possuem conhecimento específico de domínio e experiência em setores ou aplicações específicas. Essa compreensão permite identificar fatores críticos, restrições e objetivos, o que pode informar o design e desenvolvimento de soluções de IA e ML adaptadas às necessidades e desafios de determinados domínios.

Profissionais de OR e ISE reconhecem a importância de considerar o comportamento humano, a infraestrutura social e os incentivos ao projetar e implementar soluções de IA e ML. Eles compreendem os sistemas mais amplos e os elementos humanos que impactam a eficácia e a aceitação dessas tecnologias. Também é importante destacar que especialistas em CS oferecem conhecimentos essenciais para o desenvolvimento de soluções de IA e ML, com especialização em áreas como algoritmos de ML, aprendizado profundo, PLN e engenharia de dados. Sua expertise no desenvolvimento e implementação de algoritmos e técnicas avançadas é fundamental para construir sistemas sofisticados de IA. Portanto, a colaboração entre especialistas de CS, ISE e OR é crucial. Trabalhando juntos, suas habilidades, conhecimentos e perspectivas combinados podem gerar soluções de IA e ML mais abrangentes e robustas. Esse esforço colaborativo garante que os aspectos técnicos sejam equilibrados com considerações práticas e restrições do mundo real.

Um grande número de pesquisadores de ISE e OR tem explorado a interrelação entre OR e ML de diversas formas (Subramanian e Holger Teichgraeber, 2023). A combinação de ML e otimização tem se mostrado poderosa em aplicações modernas orientadas por dados. O paradigma "prever-para-otimizar" envolve o uso de um modelo de ML para prever resultados, que são então alimentados em um modelo de otimização para decisões coordenadas. Ao aproveitar a estrutura do problema de otimização, modelos preditivos melhores podem ser projetados, resultando em decisões mais eficazes (Elmachtoub e Grigas, 2022). Alternativamente, ao integrar as etapas de previsão e otimização, métodos integrados orientados por dados podem gerar soluções aprimoradas e demonstraram aplicabilidade em muitas situações reais de tomada de decisão (Qi e Shen, 2022), incluindo gestão da cadeia de suprimentos, otimização de portfólio e operações de sistemas elétricos. Em particular, ferramentas de ML tornaram-se técnicas importantes para alcançar soluções integradas orientadas por dados. Por exemplo, foi desenvolvido um algoritmo baseado em aprendizado profundo de ponta a ponta para resolver o problema de reabastecimento de inventário (Qi et al.). Além disso, o ML também pode se beneficiar de técnicas de otimização, que podem tornar os métodos de ML mais interpretáveis ou eficazes (Liu et al., 2024). Métodos de ML também podem ser incorporados em solucionadores de otimização, melhorando o desempenho e a capacidade de decisão. Por outro lado, solucionadores de otimização podem aproveitar internamente métodos de ML, sendo que muitos solucionadores de última geração empregam essas técnicas. O desenvolvimento de modelos substitutos de ML para problemas de otimização tem se mostrado impactante, permitindo resultados mais rápidos e o desenvolvimento de modelos de otimização mais poderosos.

4.3.3. Pessoas

A ISE é uma disciplina de engenharia centrada no ser humano. Os seres humanos são, ao mesmo tempo, tomadores de decisão autônomos (por exemplo, engenheiros, projetistas, outros trabalhadores) e receptores de produtos ou serviços (clientes, usuários, acionistas). A ISE, como disciplina, exige considerar como os humanos interagem com a tecnologia e são afetados por mudanças nos sistemas. Os domínios nos quais a ISE atua também impactam diretamente os seres humanos e a sociedade, como nos setores de saúde, transporte, manufatura, centros de serviço, entre outros. Identificamos pelo menos três frentes nas quais a ISE deve estar envolvida com o Grande Desafio da IA.

Primeiro, em todos os domínios onde a IA é implantada, as interações com humanos no circuito são críticas, e a ISE pode garantir que os humanos estejam incorporados no sistema, projetem o sistema, organizem os dados, ajudem a monitorar o programa, analisem e avaliem o sistema. Junto com esse aspecto, engenheiros de fatores humanos trazem perspectivas adicionais sobre tópicos como interações homem-máquina, segurança do trabalhador e integração de tecnologias como realidade aumentada ou realidade virtual nos locais de trabalho. O foco no humano no circuito é importante para muitos sistemas, como na saúde, onde a IA pode desempenhar um papel no diagnóstico e tratamento, no projeto de medicamentos ou tratamentos personalizados, no monitoramento de pacientes e na recomendação ou execução de intervenções (Ahmed et al., 2020).

Segundo, a IA (e áreas associadas como a automação) terá um impacto significativo sobre os trabalhadores e o mercado de trabalho como um todo, e a ISE pode ajudar a compreender esses impactos e mitigá-los sempre que possível. A ISE pode auxiliar na determinação de quais etapas de processos são mais apropriadas para tarefas de IA ou automação, e quais requerem criatividade humana, raciocínio complexo ou abordagens colaborativas. Além dos aspectos relacionados à implantação, a ISE deve considerar o impacto da IA sobre trabalhadores, empregos e indústrias, e buscar oportunidades em que as habilidades humanas possam ser aproveitadas e a indústria possa inovar para criar novas alternativas.

Terceiro, a avaliação da IA sobre sistemas e pessoas se alinha bem com o foco da ISE em confiabilidade, qualidade e desempenho. A ISE estará envolvida em garantir que os sistemas de IA sejam monitorados quanto a anomalias e desvios. Talvez o maior desafio seja promover a qualidade do sistema como um todo, com uma visão ampla sobre qualidade. Especificamente, a ISE pode ajudar a traduzir conceitos como equidade e eficácia em métricas que possam ser quantificadas e medidas em sistemas nos quais a IA é implementada. Isso é especialmente importante, dado que se sabe que a IA e a tecnologia apresentam alguns desafios, incluindo o potencial de “alucinação” e a exibição de vieses associados aos dados de entrada. A ISE também deve considerar como entender as lacunas potenciais da IA quando ela é implementada em um sistema e as consequências não intencionais que podem ocorrer quando uma ação gera efeitos em cascata.

4.3.4. Educação

A IA pode ter impactos enormes sobre a educação, tanto dentro de disciplinas como ISE ou ciência da computação, quanto no sentido mais amplo da educação em qualquer área. Já existem iniciativas de IA que visam permitir o aprendizado personalizado. Na educação, a ISE tem um papel fundamental na formação de estudantes em programas de graduação sobre como integrar a IA na resolução de problemas, inovação e implementação de soluções.

Isso pode incluir habilidades específicas (por exemplo, engenharia de prompts), bem como a integração de tecnologia em todo um sistema (realidade aumentada, sensores com coleta contínua de dados ou algoritmos de IA para aprendizado). Um desafio inclui viabilizar essa educação orientada para a IA ao mesmo tempo em que se garante que os alunos mantenham a capacidade de pensar criticamente e identificar lacunas na IA. Em segundo lugar, a ISE tem um papel na requalificação e atualização de engenheiros profissionais, especialmente aqueles que atuarão na interseção entre IA e tecnologias associadas implementadas em sistemas. Em muitos casos, a IA será implementada para melhorar processos, aprender com dados em sistemas, recomendar ações que atendam aos objetivos de uma organização e ser avaliada quanto a melhorias. A interseção entre o campo da IA e o foco em sistemas e melhoria de processos abrirá novas oportunidades que a ISE deve abordar no grande desafio da IA.

4.4. Conclusões e próximos passos

Em resumo, já estamos observando alguns dos impactos da IA no mundo ao nosso redor. Em certos domínios, métodos e técnicas da ISE e da OR já são considerados parte da esfera mais ampla da IA, no contexto de ajudar computadores a aprender e tomar decisões complexas como os humanos. No entanto, a IA, em sua forma atual, possui várias limitações e desafios que precisam ser enfrentados. A disciplina de ISE e sua comunidade associada devem ser proativas no enfrentamento dos desafios da IA. Devemos integrar a IA à pesquisa, expandi-la além de seus métodos e limitações técnicas atuais, ampliar a formação de nossos estudantes e profissionais, e mostrar o que pode ser feito se a perspectiva da ISE for integrada à IA.

5. Grande desafio da cibersegurança e resiliência

5.1. Contexto

A infraestrutura do nosso mundo está cada vez mais conectada e composta por componentes cibernéticos. A integração de sistemas cria oportunidades para fornecer bens, serviços e energia em larga escala e de forma confiável. No entanto, essa interconectividade também introduz riscos na forma de vulnerabilidades a diversos perigos (por exemplo, falhas em cascata em sistemas conectados) (Dolgui, Ivanov e Boris Sokolov, 2018). Identificar essas vulnerabilidades e proteger/assegurar os sistemas é crucial para projetar uma infraestrutura resiliente. No entanto, existem lacunas de conhecimento que devem ser abordadas para garantir que, à medida que os sistemas interconectados crescem em complexidade, as vulnerabilidades sejam identificadas de modo que a infraestrutura seja protegida e segura.

A chave para aumentar a resiliência é reconhecer que é impossível proteger completamente esses sistemas e, portanto, alguns componentes falharão. Adotar uma visão sistêmica é necessário para mitigar riscos quando falhas ocorrem e para lidar com lacunas de conhecimento. Existem cinco desafios dentro deste tópico: (1) proteger sistemas ciberfísicos e cadeias de suprimentos de software; (2) aumentar a resiliência em sistemas de infraestrutura conectados; (3) resiliência de sistemas no contexto de economias com escassez; (4) projetar redes energéticas resilientes; e (5) projetar testes de estresse. Esses desafios abrem uma ampla gama de oportunidades para a comunidade de ISE.

Os desafios delineados acima dependem de uma definição de resiliência de sistemas. Para esse fim, definimos resiliência de sistemas como a capacidade de resistir, adaptar-se e recuperar-se de perturbações para garantir o desempenho-alvo. Há múltiplas perspectivas essenciais sobre resiliência (Woods, 2015). A resiliência baseada em desvios de desempenho captura a capacidade de um sistema absorver perturbações e recuperar-se para seu desempenho e estrutura originais após uma interrupção. A resiliência baseada em adaptação reflete a capacidade de um sistema de manter a persistência do desempenho por meio da adaptabilidade, mesmo aceitando oscilações e desvios de desempenho (Hosseini, Ivanov e Dolgui, 2019). A viabilidade dos sistemas reflete a capacidade de um sistema operar e continuar a servir mesmo diante de perturbações e crises de longo prazo (ou seja, a capacidade de sobreviver a longo prazo), por meio de adaptação, reconfiguração e mudança dinâmica de estados (Ivanov e Dolgui, 2020). Essas perspectivas de resiliência correspondem aos conceitos de recuperação, robustez, adaptabilidade e extensibilidade da resiliência segundo Woods (2015), e orientam os desafios desta seção.

A seguir, revisamos as oportunidades para o campo da ISE ao delinear os desafios nas cinco áreas mencionadas acima. Em seguida, discutimos os próximos passos para preparar a próxima geração de engenheiros para enfrentar esses desafios, com foco na proteção das cadeias de suprimentos de software. Por fim, resumimos esta seção.

5.2. Desafios em cibersegurança e resiliência

Nesta subseção, discutimos cada desafio relacionado à cibersegurança e resiliência, e delineamos diversas oportunidades para o avanço da resiliência dentro de cada área temática.

5.2.1. Desafio em cibersegurança e resiliência #1: proteger sistemas ciberfísicos e cadeias de suprimentos de software

A infraestrutura crítica tornou-se cada vez mais dependente de sistemas cibernéticos, o que ressaltou a importância de proteger sistemas ciberfísicos em todos os setores da infraestrutura (Enayaty-Ahangar, Albert e DuBois, 2020). Sistemas ciberfísicos englobam componentes físicos e cibernéticos, além de fluxos de informação, pessoas e processos. Proteger esses sistemas é desafiador devido à ubiquidade dos sistemas cibernéticos, ao aumento das superfícies de ataque e vetores de ataque, e à natureza dinâmica e persistente das ameaças (Zheng et al., 2019).

O Grande Desafio de “Proteger o Ciberespaço” concentra-se na proteção dos aspectos cibernéticos dos sistemas (National Academy of Engineering, 2008). Ir além da proteção do ciberespaço para adotar uma abordagem sistêmica que inclua aspectos físicos e humanos dos sistemas pode representar um avanço significativo em segurança.

A comunidade de ISE tem historicamente desenvolvido modelos para apoiar a segurança e proteger infraestruturas críticas (Brown et al., 2006), porém quase todos esses modelos focaram na proteção de sistemas e ativos físicos (Albert, Nikolaev e Jacobson, 2023). Diversos avanços da comunidade de ISE poderiam contribuir para a segurança de sistemas ciberfísicos, e listamos esses como grandes desafios. Primeiro, novos modelos de redes que capturem os aspectos operacionais de sistemas ciberfísicos (por exemplo, redes de computação em nuvem (Dragotto et al., 2023)) permitiriam identificar e compreender vulnerabilidades sistêmicas (Albert, Nikolaev e Jacobson, 2023). Conectar a dinâmica do sistema ao desempenho é crucial para alocar recursos escassos e melhorar a segurança. Modelos que representem os múltiplos aspectos do desempenho do sistema, incluindo consequências financeiras, roubo de informações e dissuasão, adicionariam realismo aos modelos e seriam úteis para o planejamento (John et al., 2024). Modelos aprimorados seriam provavelmente ainda mais difíceis de resolver do que os modelos de rede existentes — geralmente NP-difíceis — o que, por sua vez, pode motivar avanços algorítmicos.

Capturar fatores humanos é fundamental para entender e prever o desempenho de sistemas ciberfísicos e pode revelar novos insights para proteção (Scala et al., 2019). Isso é essencial, pois humanos interagem com esses sistemas, e o comportamento humano tem sido associado às violações de segurança cibernética mais significativas. Por exemplo, fatores humanos podem enfrentar o desafio da desinformação ao expandir nossa compreensão sobre como usuários de sistemas ciberfísicos percebem e processam informações complexas — incluindo desinformação que se propaga nesses sistemas, contribuindo assim para o risco e a segurança. Os riscos de cibersegurança provêm de muitos tipos de adversários, que vão desde indivíduos isolados até Estados-nação, com diferentes níveis de recursos, sofisticação e objetivos. É necessário obter insights para proteção contra variados níveis de sofisticação e intenção adversária. Expandir os paradigmas de modelagem para considerar o impacto de múltiplos atacantes com diferentes metas, recursos e níveis de sofisticação estratégica pode gerar insights mais profundos (Zheng e Albert, 2019; DuBois, Peper e Albert, 2023; Rios Insua et al., 2021).

Dados de segurança oferecem muitas oportunidades para pesquisadores interessados em ciência de dados e aprendizado de máquina. Conjuntos de dados de segurança frequentemente contêm dados raros e incompletos, já que a verdade de base raramente é conhecida, e as violações geralmente não são divulgadas. Obter insights imparciais a partir desses conjuntos de dados representa um desafio para a pesquisa fundamental (Albert, Nikolaev e Jacobson, 2023). A cibersegurança envolve desafios como a desinformação que se propaga em redes sociais, o que representa uma nova área de aplicação adequada às ferramentas da ISE (Hunt, Agarwal e Zhuang, 2022; Paul e Nikolaev, 2021) e pode informar decisões de planejamento (Allen, Sui e Parker, 2017). Redes em camadas que considerem infraestrutura junto com informação e processos podem revelar insights mais profundos para proteção de infraestrutura crítica. Além de fornecer insights sobre a proteção da ciberinfraestrutura, ferramentas de ISE podem ser aplicadas em atribuição e perícia para apoiar a recuperação (Albert, Nikolaev e Jacobson, 2023). Por fim, o IISE deve contribuir para a convergência das teorias e métodos da engenharia industrial, de sistemas e de software para garantir os mais altos níveis de cibersegurança nas cadeias de suprimentos de software do país.

5.2.2. Desafio em cibersegurança e resiliência #2: aumentar a resiliência/segurança em sistemas conectados

Modelos de engenharia industrial têm sido usados para modelar sistemas interconectados por meio de modelos de rede, nos quais são utilizados para avaliar o desempenho de sistemas com base em como seus componentes operam e interagem (Alderson, Brown e Matthew Carlyle, 2015). Esses esforços de modelagem têm sido valiosos no planejamento, projeto e operação de sistemas de infraestrutura, onde são utilizados para identificar vulnerabilidades e prescrever ações para mitigá-las (Brown et al., 2006). Interdição de redes e teoria dos jogos surgiram como ferramentas importantes para tratar questões de resiliência e segurança (Sharkey et al., 2021). Modelos de interdição de rede estudam vulnerabilidades e segurança dos sistemas, onde o objetivo é, geralmente, limitar o escopo dos danos. A falha é frequentemente definida para capturar falhas nos piores casos ou danos intencionais causados por adversários adaptativos (Smith e Song, 2020). Esses modelos podem ser usados para identificar quais componentes de um sistema requerem proteção ou reforço. Modelos de teoria dos jogos têm sido utilizados para tratar questões estratégicas envolvendo alocação de recursos para combate ao terrorismo (Bier, Oliveros e Samuelson, 2007) bem como desastres naturais (Zhuang e Bier, 2007). Métodos de análise de risco adversarial têm buscado informar o planejamento e a tomada de decisões diante de adversários inteligentes e resultados incertos (Banks et al., 2022).

Muitos dos avanços metodológicos e computacionais envolvendo modelos de interdição de redes desenvolvidos pela comunidade de ISE têm focado em modelos estilizados que são tratados com metodologias de otimização matemática, por exemplo, explorando dualidade para resolver instâncias de problemas em larga escala (Smith e Song, 2020). Um desafio para a comunidade de ISE é desenvolver modelos realistas que forneçam insights mais profundos sobre como proteger infraestrutura crítica. Há várias direções de pesquisa futura em ISE que podem representar um grande avanço para aumentar a resiliência em sistemas de infraestrutura conectados. A primeira é a consideração de jogos repetidos em contextos de grande consequência (Sefair e Cole Smith, 2016). Modelos existentes de teoria dos jogos e interdição de rede geralmente consideram jogos de rodada única entre dois jogadores, como nos modelos de Stackelberg de jogos defensor-atacante. Modelos de interdição defensor-atacante geralmente são NP-difíceis, e estendê-los para mais de dois turnos é quase sempre mais difícil (por exemplo, modelos Defensor-Atacante-Defensor) (Sefair e Cole Smith, 2016). A consideração de interações mais sofisticadas entre jogadores por meio de turnos repetidos apresenta um desafio computacional para as comunidades de pesquisa em ISE (Smith e Song, 2020). Fundir abordagens baseadas em otimização — nas quais a ISE tem excelência — com abordagens de inteligência artificial pode levar a um avanço significativo (Albert, Nikolaev e Jacobson, 2023).

Em segundo lugar, a maioria das abordagens de otimização matemática foca na optimalidade com funções-objetivo bem definidas (Smith e Song, 2020). Enfatizar a resiliência em vez da optimalidade pode expandir nossa compreensão de como proteger sistemas complexos. A resiliência poderia, por exemplo, abranger interrupções prolongadas ao longo de vários períodos, comportamento humano e equidade (Albert, Nikolaev e Jacobson, 2023). Além disso, pesquisas anteriores sobre modelagem de funções-objetivo adversariais (por exemplo, Wang e Bier, 2011) indicaram que tais funções refletem a organização adversária e objetivos que, geralmente, envolvem múltiplos critérios e são dinâmicos. A análise de risco adversarial introduziu estruturas para planejamento diante de adversários inteligentes e resultados incertos, que mitigam algumas limitações da teoria dos jogos e podem ser informadas por pesquisas em fatores humanos (Banks et al., 2022). Outras abordagens estruturadas podem superar limitações computacionais para fornecer insights sobre resiliência. Pesquisas que enfrentem esse desafio podem requerer colaboração interdisciplinar entre pesquisadores aplicados experientes em modelagem e pesquisadores computacionais capazes de analisar estruturas de modelos e identificar técnicas algorítmicas para resolução dos problemas resultantes.

5.2.3. Desafio em cibersegurança e resiliência #3: redes de suprimentos resilientes à energia

A transformação do setor energético, juntamente com ambientes globais e locais cada vez mais voláteis, riscos e instabilidades, colocam as questões de eficiência e resiliência energética no centro da gestão de cadeias de suprimentos e operações (Ekinci et al., 2022). Tanto tecnologias disruptivas proativas baseadas em energias renováveis quanto respostas reativas e priorização frente à escassez de recursos energéticos causados por perturbações exigem o desenvolvimento de métodos e modelos eficazes para apoiar os gestores de cadeias de suprimentos. Embora a pesquisa sobre manufatura e logística energeticamente eficientes tenha florescido na engenharia industrial nas últimas duas décadas, a perspectiva de cadeia de suprimentos integrada em eficiência energética ainda precisa ser desenvolvida. A resiliência energética das cadeias de suprimentos é um domínio de pesquisa novo e inexplorado, embora o vasto corpo de conhecimento sobre resiliência em cadeias de suprimentos possa ser aproveitado para desenvolver essa área empolgante e de grande relevância prática.

Existem várias áreas que podem levar a avanços significativos no projeto e na gestão de cadeias de suprimentos com consideração dos aspectos de resiliência energética. Alguns avanços de pesquisa transformadores incluem: modelagem de cadeias de suprimentos eficientes e resilientes energeticamente com consideração de tecnologias avançadas de economia de energia na manufatura, armazenagem e transporte; projeto, reconfiguração e replanejamento de cadeias de suprimentos com consideração de energias renováveis (incluindo escassez e volatilidade de recursos energéticos); e resiliência energética no contexto de viabilidade da cadeia de suprimentos, modelos de cadeias viáveis e redes de suprimentos reconfiguráveis. Modelos e pesquisas empíricas das comunidades de gestão de operações, engenharia industrial e pesquisa operacional são necessários para responder a esses desafios na interseção entre resiliência energética de cadeias de suprimentos e sustentabilidade.

5.2.4. Desafio em cibersegurança e resiliência #4: resiliência em condições de economia de escassez

Esperava-se uma transição de uma economia de escala, por meio de economias de escopo, velocidade e colaboração, rumo a uma economia digital e a um crescimento verde e global. No entanto, estamos agora diante do que parece ser uma economia marcada por escassez generalizada (Ivanov e Dolgui, 2022b). Energia, mão de obra e materiais estão se tornando escassos, e as cadeias de suprimentos estão se adaptando para lidar com a escassez de recursos juntamente com a alta acelerada dos preços e os riscos associados de hiperinflação. Por exemplo, a escassez de semicondutores causou efeitos em cadeia globais e enormes problemas nas cadeias de suprimentos das indústrias automotiva e de eletrônicos, e quedas de energia no Texas em fevereiro de 2021 e em várias províncias da China em 2021 levaram a graves consequências para a viabilidade social e a resiliência das cadeias de suprimentos. As cadeias de suprimentos globais enfrentaram uma escassez sem precedentes de capacidade de transporte entre 2020 e 2022, causada por desequilíbrios nos fluxos logísticos intercontinentais que limitaram o número de contêineres disponíveis e resultaram em aumento dos preços de frete, falta de produtos e desestabilização geral das cadeias de suprimentos. Como efeito retardado da pandemia de COVID-19, a demanda e os mercados se recuperaram muito mais rapidamente do que o esperado, enquanto o tempo necessário para aumentar a capacidade de fornecimento e produção foi maior, gerando um descompasso severo entre oferta e demanda. Às vezes, gestores referem-se a esse cenário de escassez como um caos que resulta em efeitos em cadeia globais (Hosseini, Ivanov e Dolgui, 2019).

Essa pode ser uma crise temporária ou uma tendência de longo prazo. Independentemente da duração, a escassez de recursos e os riscos de hiperinflação impõem desafios novos e inesperados à análise de resiliência na engenharia industrial e de sistemas e na gestão de operações. Pesquisas anteriores contribuíram para a área de planejamento agregado e desenvolveram modelos associados voltados a múltiplos cenários futuros, bem como reprogramação dinâmica e reativa. No entanto, a maioria dos métodos e modelos existentes considera interrupções e escassez de uma perspectiva de curto prazo e temporária. Por exemplo, métodos de projeto e planejamento geralmente presumem disponibilidade de recursos e comportamentos racionais dos clientes. Esses métodos, em geral, utilizam uma abordagem de planejamento de cima para baixo com base em previsões de demanda e assumem que as capacidades de produção e os materiais, ainda que com restrições, estarão disponíveis. Tais premissas precisam ser criticamente reavaliadas no contexto de uma economia de escassez, e superar essas limitações representa uma oportunidade para avanços científicos. Assim, um grande desafio é construir uma compreensão das implicações da economia de escassez sobre a gestão de operações e a ISE e fomentar novas áreas de pesquisa motivadas por esse novo contexto (Ivanov e Dolgui, 2022b).

5.2.5. Desafio em cibersegurança e resiliência #5: testes de estresse

Testes de estresse da vida real, como a pandemia de COVID-19 e as tensões geopolíticas, revelaram novos insights sobre a resiliência e viabilidade das cadeias de suprimentos existentes. Nesse contexto, mais pesquisas são necessárias para compreender resiliência e viabilidade e desenvolver novos métodos para testes de estresse das cadeias de suprimentos, muito antes de que um choque real ocorra e interrompa estruturas e operações (Simchi-Levi e Simchi-Levi, 2020). Tópicos apropriados para pesquisa incluem a identificação de métodos que possam ser usados para testar a resiliência de uma cadeia de suprimentos.

Expandir nossa compreensão sobre o projeto ideal de uma rede de cadeia de suprimentos — seja a mais eficiente, a mais resiliente, ou a mais adaptável e viável — pode revelar insights profundos para o projeto de cadeias de suprimentos globais resilientes. Metodologias para testes de estresse podem informar como projetar cadeias de suprimentos que sejam ao mesmo tempo adaptáveis e eficientes, bem como como utilizar tecnologia digital e análise de dados para aumentar a resiliência e viabilidade da cadeia. Avanços na área de testes de estresse podem lançar luz sobre o papel da adaptabilidade na resiliência e viabilidade dos sistemas de geração de valor, bem como sobre como a adaptabilidade inerente pode ser implementada mantendo-se a lucratividade (Ivanov e Dolgui, 2022a).

5.3. Oportunidades para a ISE enfrentar desafios de cibersegurança e resiliência: protegendo cadeias de suprimentos de software

Os desafios de cibersegurança e resiliência descritos acima fornecem um arcabouço para que a comunidade de ISE melhore a resiliência nas próximas décadas. Esses desafios exigem uma gama de ferramentas da ISE que abrangem pesquisa operacional, fatores humanos e manufatura avançada. Pesquisas interdisciplinares e coordenação entre equipes de pesquisa são essenciais. Nesta seção, discutimos um exemplo para ilustrar o aspecto multifacetado dos desafios de resiliência apresentados. Este exemplo refere-se à proteção das cadeias de suprimentos de software, que está alinhada ao primeiro desafio.

O cibercrime, incluindo custos de recuperação e esforços de remediação, causou mais de US$ 3 trilhões em prejuízos à economia dos EUA em 2015 e US$ 6 trilhões em 2021. Compreender os aspectos interconectados das cadeias de suprimentos de software de segurança é essencial, pois esses podem ser fonte de grandes avanços. As considerações incluem integração de sistemas, viabilidade, confiabilidade, erro humano, custos de desenvolvimento e implantação, e alinhamento com a regulamentação e a aceitação social.

A Ordem Executiva (Executive Order – EO) 14028 (2021) do Presidente sobre a Melhoria da Cibersegurança Nacional (The White House, 2021) determina o aprimoramento da cibersegurança por meio de várias iniciativas relacionadas à segurança e integridade das cadeias de suprimentos de software. Existem oportunidades para proteger essas cadeias aproveitando a amplitude da ISE. Avanços na análise de riscos podem garantir a integridade das cadeias de suprimentos de software equilibrando múltiplos objetivos, incluindo custo, qualidade, confiabilidade e robustez. Engenheiros industriais podem contribuir para o desenvolvimento de padrões, ferramentas e diretrizes, incluindo critérios para avaliar a segurança do software, análise das práticas de segurança de desenvolvedores e fornecedores, e auditoria do cumprimento das políticas de segurança. Novos métodos, baseados em metodologias da manufatura, poderiam estabelecer mecanismos de rastreabilidade ao longo da cadeia para aprimorar a perícia forense, bem como otimizar os processos de auditoria para verificar conformidade com padrões. Reconhecendo que os componentes humanos são parte integrante dos sistemas ciberfísicos, a ISE pode melhorar a segurança das próximas gerações de cadeias de suprimentos de software ao centralizar os fatores humanos nessas cadeias. Melhorar interfaces e programas de treinamento reduz o uso indevido acidental e fomenta o cumprimento das políticas.

Em resumo, a engenharia industrial, com sua abordagem holística e conjunto de ferramentas multidisciplinares, desempenha um papel essencial no fortalecimento das cadeias de suprimentos de software contra ameaças cibernéticas.

5.4. Conclusões e próximos passos

O conjunto de ferramentas da ISE oferece muitas oportunidades para impactar positivamente a resiliência. Um tema comum entre os desafios desta seção é o esforço de aproveitar o conhecimento da ISE sobre sistemas interconectados para identificar e mitigar vulnerabilidades em sistemas complexos de maneiras novas e impactantes. Para alcançar avanços significativos nessa área, será necessário mobilizar o conhecimento de toda a ISE. A formação em redes, análise de dados e cadeias de suprimentos deve ser intensificada nos currículos de graduação e pós-graduação para permitir avanços nesses desafios. Além disso, o papel dos fatores humanos é crítico nessas questões devido ao seu foco histórico em melhorar a capacidade das pessoas de perceber e processar informações complexas em diversos contextos.

6. Grande desafio da sustentabilidade: meio ambiente, energia e infraestrutura

6.1. Contexto

Em setembro de 2015, os 193 Estados-Membros da ONU aprovaram os Objetivos de Desenvolvimento Sustentável (ODS), também conhecidos como Agenda 2030 (Gigliotti, Schmidt-Traub e Bastianoni, 2019). São ao todo 17 objetivos que abordam os três pilares da sustentabilidade: desenvolvimento econômico, inclusão social e sustentabilidade ambiental, além de paz, justiça, boa governança e parcerias, dentro do arcabouço dos ODS (ver Figura 2). Para alcançar esses objetivos, existem desafios complexos relacionados à sustentabilidade, que envolvem inúmeros fatores com impactos significativos sobre o clima, o meio ambiente, a saúde e a qualidade de vida, entre muitos outros (Chester, 2019).

 

Figura 2. A estrutura dos 17 Objetivos de Desenvolvimento Sustentável (Gigliotti, Schmidt-Traub e Bastianoni, 2019).

 

Particularmente, a manutenção dos serviços ecossistêmicos e a promoção do bem-estar humano devem ser priorizadas (Henderson e Loreau, 2023). Em resposta a esses desafios, a engenharia industrial e de sistemas (ISE) precisa estudar as complexas relações entre os seres humanos, suas organizações, seus ambientes e comunidades, e o meio ambiente natural, a partir de uma perspectiva sistêmica, investigando os fatores que afetam os objetivos ambientais, sociais e econômicos da sociedade.

Inúmeras inovações foram desenvolvidas por meio de uma abordagem multidisciplinar, pragmática e orientada a sistemas para melhorar o meio ambiente, como a oferta de água limpa, a redução da poluição do ar, da água e do solo, o processamento de resíduos, bem como reciclagem, remanufatura e reutilização. Do ponto de vista ambiental, prover uma oferta sustentável de alimentos, água e energia, conter as mudanças climáticas e se adaptar a seus impactos, projetar um futuro sem poluição e resíduos, criar cidades eficientes, saudáveis e resilientes e fomentar decisões e ações informadas são desafios significativos (Wang, 2021), aos quais a engenharia industrial e de sistemas pode contribuir por meio do pensamento e da gestão sistêmica.

O crescimento significativo da geração de energia renovável (eólica, solar, biomassa etc.) gerou diversos grandes desafios para os fabricantes, a rede elétrica e os usuários finais. Um desses desafios é que a energia renovável apresenta flutuações substanciais em sua disponibilidade, dificultando a manutenção de um fornecimento estável. Isso tornou extremamente complexos o planejamento do consumo, a estabilização da rede elétrica e a gestão da energia, e trouxe dificuldades significativas para a integração da energia renovável à rede elétrica.

A infraestrutura pode ser vista como um conjunto de sistemas tecnológicos composto por seres humanos, suas comunidades e o ambiente mais amplo, bem como as interações entre eles (Thacker et al., 2019). Do ponto de vista físico, pode ser definida como as estruturas físicas e os equipamentos e arranjos associados para viabilizar e aprimorar as atividades humanas. De uma perspectiva mais ampla, pode incluir todos os ativos físicos e os serviços que eles permitem e fornecem, como geração de energia, redes de informação, estações de tratamento de água, estradas, etc. O rápido desenvolvimento da tecnologia digital criou um novo setor, que transforma a infraestrutura de sustentabilidade, mas também impacta substancialmente a energia e o meio ambiente (Wei et al., 2023). A relação entre as infraestruturas, e como os seres humanos interagem com a infraestrutura e o meio ambiente natural, tem sido tema de considerável trabalho. No entanto, quantificar essas interações ainda é desafiador, pois os sistemas correspondentes tornaram-se cada vez mais complexos. As infraestruturas físicas são cada vez mais interdependentes, à medida que sua escala e funções crescem com a incorporação de mais componentes e de diversas novas tecnologias. Assim, quando a infraestrutura é impactada por, por exemplo, um desastre natural, ou sofre falha em algum componente devido ao envelhecimento, as perdas resultantes de serviços são difíceis — ou impossíveis — de prever.

Engenheiros industriais e de sistemas, com sua formação única em métodos de tomada de decisão e projeto para ambientes complexos e incertos, estão particularmente qualificados para enfrentar os grandes desafios do desenvolvimento de sistemas sustentáveis. Especificamente, os desafios que a ISE pode abordar e nos quais pode gerar impacto significativo na melhoria da sustentabilidade incluem: (1) meio ambiente, (2) energia e (3) infraestrutura.

6.2. Meio ambiente

(1) Estudar questões complexas em múltiplas escalas no tempo e no espaço.

Existem complexidades extremas nas interações entre humanos e natureza, atravessando múltiplas escalas espaciais e temporais. Os desafios ambientais geralmente não são limitados por fronteiras locais ou regionais, mas constituem questões globais. Para enfrentá-los, torna-se inevitável incorporar a externalização espacial e o efeito defasado temporal dos problemas ambientais no arcabouço de análise, com maior resolução e abrangendo escalas espaço-temporais mais amplas.

(2) Integrar análises com diversos arcabouços e métodos interdisciplinares.

A natureza multidisciplinar de todas as questões ambientais constitui um grande desafio fundamental. Integrar conhecimentos, métodos e ideias de diferentes áreas é necessário em quatro níveis: integração de conhecimentos profissionais, teorias e métodos; incorporação das dinâmicas de interação e retroalimentação de todos os tipos de sistemas no arcabouço de análise; reconhecimento e valorização de ideologias diversas entre diferentes disciplinas; e, por fim, disseminação e aplicação integrada dos resultados em múltiplos campos.

(3) Lidar com incertezas amplas e profundas decorrentes de mudanças sistêmicas.

A maioria das mudanças é não linear e variável no tempo, especialmente quando o sistema passa por transições repentinas, substanciais e irreversíveis. Assim, torna-se necessário obter dados de observação de sistemas socioeconômicos e naturais em maior escala e com maior resolução, a fim de investigar os fatores impulsionadores predominantes e os mecanismos de influência das mudanças não lineares e variáveis no tempo no sistema e, finalmente, desenvolver modelagens, simulações e análises exploratórias baseadas em amplas configurações de cenários futuros e dinâmicas de retroalimentação adaptativas.

(4) Modelagem virtual para avaliação do ciclo de vida (LCA).

Os impactos ambientais de sistemas sustentáveis podem ser analisados utilizando modelos virtuais baseados na avaliação do ciclo de vida, para identificar indicadores de impacto ambiental e suas métricas (Shao, Kibira e Lyons, 2010).

6.3. Energia

(1) Eficiência energética e gestão

Melhorar a eficiência energética e gerenciar a demanda para reduzir o custo de energia, enquanto se moldam os perfis de carga do consumo de eletricidade diante de variações de demanda e oferta, são aspectos críticos para gerar fornecimentos combinados que possibilitem atingir esse objetivo.

(2) Programação

Uma programação eficaz com fortes capacidades de otimização em tempo real pode levar a economias e benefícios significativos por meio de melhor utilização da capacidade, o que não apenas pode resultar em vantagens econômicas substanciais, mas também ajudar a reduzir a carga ambiental por meio da diminuição ou melhor controle da demanda energética.

(3) Redução do consumo de energia com melhor coordenação

Reduzir o consumo total de energia sem sacrificar a produção e a logística, por meio da coordenação adequada dos planos de produção dos estágios de produção a montante e a jusante, especialmente no curto prazo, é de grande importância.

(4) Tecnologia digital para transição energética

Utilizar tecnologia digital como ferramentas de otimização baseadas em IA, blockchain e plataformas de dados abertos, bem como modelos generativos de IA, para rastrear emissões e consumo de energia em uma cadeia de valor, a fim de acelerar a transição energética rumo a um futuro de profunda descarbonização. Um banco de dados sobre desenvolvimento sustentável em sistemas de energia renovável pode acelerar os estudos (Abdolmaleki e Bugallo, 2021).

(5) Sistema de transporte

Tecnologias móveis limpas e veículos elétricos oferecem uma opção crucial e viável para o processo de descarbonização, o qual depende do desenvolvimento e da utilização de baterias, bem como do planejamento da geração, transmissão e distribuição de eletricidade para garantir benefícios reais da descarbonização do sistema energético.

6.4. Infraestrutura

(1) Análise de redes

Estudar a causalidade bidirecional, como o hiato entre entradas, saídas e resultados, as complexas interdependências entre os componentes individuais dos sistemas e entre as redes.

(2) Aquisição de dados

Integrar dados de diferentes silos, o que exige padronização de dados com diferentes tipos, volumes e características, consolidação de conjuntos de dados em diferentes contextos e transferência entre contextos. Além disso, desenvolver métodos para lidar com conjuntos de dados pequenos é fundamental para responder a eventos raros.

(3) Comunicação digital

Fornecer informação e comunicação, bem como os canais necessários, incluindo alertas de riscos, transações financeiras, pegada de carbono, transporte (acesso e segurança), entre outros.

(4) Implantação

Investigar as condições, conteúdos aplicáveis, variações e dimensões sociais da infraestrutura, implantar a estrutura na realidade e adaptá-la para acomodar as respostas decorrentes da retroalimentação.

6.5. Integração metodológica

É importante integrar a ampla gama de metodologias e modelos, desde métodos qualitativos e experimentais das ciências sociais até abordagens quantitativas em otimização, econometria e simulações computacionais. A compreensão dessas metodologias, incluindo seus pontos fortes, fracos e complementaridades, é essencial para o desenvolvimento de uma perspectiva mais integrativa sobre sistemas e serviços de infraestrutura. Além disso, resiliência e sustentabilidade para infraestrutura civil são conceitos complementares e devem ser utilizados de forma integrada com uma abordagem unificada (Bocchini et al., 2014). A seguir, ilustramos esses desafios e o papel que a ISE pode desempenhar no contexto de um exemplo de sistema de transporte.

A crescente demanda sobre a infraestrutura de transporte tem causado questões sociais significativas, como congestionamento de tráfego e poluição do ar. Por exemplo, devido à urbanização contínua e ao crescimento populacional, o congestionamento de tráfego tornou-se uma questão importante em todo o mundo, especialmente em grandes cidades. De acordo com o Urban Mobility Report, um usuário médio teve cerca de 54 horas de atraso anual devido a congestionamentos, o que representa, em termos monetários, cerca de 1.170 dólares. Nacionalmente, o total de horas perdidas foi de aproximadamente 8,7 bilhões, com custos de congestionamento estimados em 160 bilhões de dólares (Lasley, 2021). Ao mesmo tempo, não há apoio público para aumento da tributação para financiar a expansão da capacidade de infraestrutura e, em muitos casos, questões de uso do solo restringem a ampliação adicional da infraestrutura.

Portanto, agências de transporte e cidades precisam de soluções inovadoras em nível de sistema, que façam uso de algoritmos avançados e que também considerem o comportamento humano.

Avanços significativos foram feitos na obtenção e fornecimento de informações em tempo real, necessárias para o controle eficaz de sistemas de transporte e operações de trânsito. Por exemplo, infraestruturas de transporte e veículos agora estão equipados com sensores, sistemas de dados interconectados, dispositivos de comunicação bidirecional e computadores de bordo. Esses esforços disponibilizaram uma grande quantidade de dados dinâmicos e em tempo real sobre as condições do tráfego, que antes não estavam acessíveis. Essas tecnologias têm sido utilizadas principalmente para Sistemas Automatizados de Informação ao Viajante (ATIS), a fim de fornecer informações em tempo real sobre horários de chegada em algumas estações ou tarifas de congestionamento em vias. No entanto, essas tecnologias não resultaram em uma mudança fundamental na forma como os serviços de transporte são fornecidos ao público. Ou seja, soluções de transporte em muitas áreas urbanas ainda se baseiam em projetos centralizados de sistema que operam principalmente em linhas fixas. Um sistema centralizado pode ser adequado para grandes cidades como Nova York e algumas cidades europeias, mas não é eficaz para atender às necessidades de transporte de muitas outras cidades, que não possuem um único centro de negócios e residências de alta densidade. Um sistema centralizado carece da flexibilidade necessária para atender à demanda dispersa e pode ser menos eficaz do que uma solução dinamicamente adaptável em condições de tráfego muito aleatórias ou dinâmicas.

As tecnologias da informação (como sistemas de GPS em veículos e celulares dos passageiros) podem formar a base para um novo tipo de sistema de transporte descentralizado para alocação de recursos em tempo real, aumentando potencialmente o serviço de forma eficiente em termos de custo. A capacidade de transporte é um recurso valioso que precisa ser plenamente aproveitado, e mecanismos de mercado podem muitas vezes alcançar uma alocação eficiente desses recursos. Mecanismos de leilão e modelos de teoria dos jogos podem explorar a abundância de dados de tráfego disponíveis e serem automatizados para permitir que serviços e preços respondam diretamente à demanda do consumidor. O desenvolvimento de um sistema de transporte distribuído, que combine serviços com demanda em tempo real, exigirá o desenvolvimento de métodos fundamentalmente novos em otimização distribuída, design de mecanismos, aprendizado de máquina, agentes e interfaces com usuários, computação de equilíbrios em larga escala e planejamento sob incerteza.

Além do aumento da demanda por passageiros, o transporte de cargas está crescendo em todo o mundo como resultado da globalização, aumento da renda e mudanças nos padrões de produção e consumo. Em escala nacional, a demanda por frete está fortemente correlacionada ao PIB per capita. Dado o crescimento econômico esperado, estima-se que a frota global de caminhões pesados aumentará em um fator de 2,6 — chegando a 64 milhões — até 2050 (Mulholland et al., 2018). Caminhões geram uma parcela desproporcional dos gases de efeito estufa (GEE). O setor de transporte nos EUA responde por 28% das emissões de GEE, ficando atrás apenas da indústria. De acordo com a Agência de Proteção Ambiental dos EUA (USEPA, 2018a), os caminhões respondem por 23% da parcela do setor de transportes (USEPA, 2018b). Eles também contribuem desproporcionalmente para os poluentes tóxicos do ar. O setor de transportes dos EUA é responsável por quase 56% dos óxidos de nitrogênio (NOX) e 22% das emissões de compostos orgânicos voláteis (VOCs), precursores do smog e do ozônio (USEPA, 2018a). O setor também é responsável por quase 20% das partículas. Os caminhões respondem por cerca de um terço dos NOX e 30% das partículas emitidas pelo setor de transporte¹. Uma das direções mais promissoras para reduzir as emissões de GEE na indústria de transporte rodoviário é a adoção de caminhões de emissão zero, como caminhões elétricos em operações de frete. No entanto, a infraestrutura limitada de recarga e o longo tempo de carregamento limitam a adoção em larga escala desses caminhões, o que constitui um problema natural de pesquisa para a ISE enfrentar.

Em resumo, mudanças significativas e o desenvolvimento acelerado nos domínios ambiental, energético e de infraestrutura criaram oportunidades para que a ISE contribua para o enfrentamento desses grandes desafios por meio de métodos e abordagens sistemáticas para desenvolver sistemas e sociedades sustentáveis.

7. Desafio das questões de saúde

7.1. Contexto

Nas últimas décadas, houve avanços extraordinários na coleta de dados em medicina, incluindo a implementação de prontuários eletrônicos, a criação de novos dispositivos e sensores vestíveis para monitoramento da saúde, tecnologias rápidas de sequenciamento e edição genética, e sistemas de vigilância e rastreamento de doenças, para citar alguns exemplos. Em última análise, esses avanços — e a consequente coleta e armazenamento de dados — superaram a capacidade dos métodos da engenharia industrial e de sistemas (ISE) de utilizar esses dados para melhorar a tomada de decisão médica e a prestação de cuidados de saúde. Como resultado, existe uma lacuna de conhecimento que, até ser solucionada, limitará a eficácia e a adoção dessas novas tecnologias para melhorar a saúde e a segurança humana. Há dois desafios técnicos fundamentais e igualmente importantes a serem enfrentados. O primeiro diz respeito a métodos quantitativos para transformar dados em informação e, posteriormente, em recomendações (decisões alternativas) sobre se e quando intervir para atingir metas de saúde e segurança de forma compatível com as preferências do paciente. O segundo desafio é superar as barreiras à implementação, resultantes de uma combinação de restrições impostas pelo comportamento humano, políticas e processos decorrentes da natureza fragmentada dos sistemas de saúde, que limitam o compartilhamento de informações e a coordenação entre disciplinas médicas e prestadores de serviços de saúde. Esses desafios existem na maioria dos sistemas de saúde ao redor do mundo, e alguns deles são particularmente acentuados nos Estados Unidos, que servem como ponto de referência principal para este artigo.

Os desafios descritos acima estão inseridos em complexidades definidas exogenamente, incluindo múltiplos e frequentemente conflitantes critérios entre os diferentes stakeholders (por exemplo, pacientes, médicos, operadoras de saúde), fatores de saúde latentes que podem não ser diretamente observáveis pelos tomadores de decisão (como cânceres não diagnosticados, infecções assintomáticas), e um sistema de saúde que muda de forma dinâmica e imprevisível, resultando em necessidades e objetivos dos stakeholders que se transformam com o tempo (por exemplo, a descoberta de novas intervenções, o aumento repentino da demanda em decorrência de um desastre natural ou a disseminação de um novo vírus). Consideramos essas complexidades como imutáveis, mas, ainda assim, elas constituem considerações importantes que moldam a viabilidade de abordagens para enfrentar os desafios mencionados.

Coletivamente, os desafios acima e suas complexidades exógenas associadas geram uma ampla gama de oportunidades importantes para que a ISE desempenhe um papel na promoção de melhorias positivas nos sistemas de saúde. Na próxima seção, começamos resumindo cada um dos desafios e, em seguida, discutimos algumas das causas-raiz desses problemas. Depois, resumimos as oportunidades para a área de ISE usando exemplos específicos para ilustrar a natureza dos problemas. Por fim, discutimos os próximos passos importantes para facilitar o desenvolvimento da próxima geração de engenheiros capacitados para enfrentar esses desafios.

7.2. Desafios na área da saúde

Para começar, descrevemos cada desafio de saúde de forma independente, seguidos por uma discussão sobre como eles interagem e os fatores exógenos que contribuem para a complexidade de enfrentá-los.

7.2.1. Desafio na saúde #1: aproveitar descobertas baseadas em dados para prevenir, tratar e gerenciar doenças

Novas tecnologias, como sensores para monitoramento remoto, dispositivos de sequenciamento de DNA em tempo real, biomarcadores moleculares e avanços na infraestrutura de tecnologia da informação (TI), estão continuamente ampliando a possibilidade de uma consciência situacional em tempo real sobre pacientes individuais e os sistemas de saúde onde eles buscam tratamento. No entanto, o tamanho dos conjuntos de dados resultantes e o grande número de sinais que podem ser monitorados sobrecarregam os tomadores de decisão clínicos, seguradoras e formuladores de políticas, que devem equilibrar os potenciais benefícios e danos decorrentes do uso desses dados para orientar decisões. As abordagens para lidar com confundimento, dados ausentes e outras fontes de viés inerentes a dados observacionais não estão acompanhando o ritmo das oportunidades de melhorar a seleção e execução de cursos de ação recomendados. Além disso, muitos avanços são específicos a uma parte isolada de sistemas de saúde complexos e interconectados. Como resultado, o ritmo das descobertas médicas e de outras inovações técnicas na aquisição de dados tem superado a velocidade das inovações analíticas necessárias para utilizar esses dados na otimização da prestação de cuidados e na melhoria da prevenção, tratamento e gerenciamento de doenças.

7.2.2. Desafio na saúde #2: aprimorar o comportamento humano, as políticas e os processos

Novas tecnologias para ampliar a compreensão da saúde do paciente em casa, no trabalho ou em clínicas e hospitais estão surgindo rapidamente. Ainda assim, esses avanços são tão valiosos quanto os indivíduos e organizações permitirem que sejam. Todos os sistemas de saúde em países desenvolvidos operam dentro de um microcosmo de regulamentações governamentais, leis e políticas e processos operacionais internos que definem se e quando inovações podem ser utilizadas, sujeitas a restrições de segurança, custo e privacidade. Além disso, o comportamento humano individual e a propensão à desconfiança em novas tecnologias e processos afetam significativamente a tomada de decisão no ponto de atendimento entre um clínico e um paciente. Isso frequentemente leva a ineficiências na prestação de cuidados, como redundância em exames diagnósticos, fragmentação entre prestadores de serviços e tratamentos excessivos que sobrecarregam desnecessariamente os pacientes e prejudicam seu bem-estar geral. Além disso, muitos sistemas de prestação de serviços de saúde que cumprem suas políticas e regulamentações acabam marginalizando populações vulneráveis, aumentando o risco e ampliando as disparidades.

Esses dois desafios de saúde interagem e criam barreiras para a melhoria da prestação de cuidados. A Figura 3 ilustra essa interdependência como um diagrama de Venn. Do ponto de vista do desafio de saúde #1, tecnologias na forma de dispositivos médicos, como sensores de pacientes, tecnologias de imagem e novos testes diagnósticos, agora são capazes de acumular quantidades extraordinárias de dados de pacientes individuais, os quais, se agregados, podem servir como recurso para otimizar a tomada de decisão na prevenção, tratamento e gerenciamento de doenças. Esses dados representam um recurso que, quando coletado ao longo do tempo, pode ser utilizado para uma ampla gama de finalidades, incluindo a compreensão da condição de saúde atual de um paciente, a previsão de resultados futuros, a identificação de possíveis intervenções, o monitoramento dos efeitos das intervenções e o uso desses dados para melhorar a tomada de decisão por meio de um ciclo contínuo de retroalimentação ao longo do tempo.

 

Figura 3. Interação entre os desafios de saúde #1 e #2, ilustrando o papel do desafio de saúde #2 na limitação das potenciais descobertas futuras baseadas em dados relacionadas ao desafio de saúde #1.

 

Na prática, as diversas fontes de dados necessárias para aprimorar a tomada de decisão são difíceis de agregar por várias razões, incluindo privacidade do paciente, políticas e processos de prestadores de serviços de saúde derivados de preocupações proprietárias e de responsabilidade, além da fragmentação geral dos sistemas de prestação de cuidados, o que resulta em dificuldades para coletar e vincular dados entre diferentes organizações. Ainda assim, o surgimento de agregadores de dados como MarketScan e Optum, bem como iniciativas de sistemas de saúde, estão contribuindo para que indivíduos e organizações tenham acesso a dados cada vez mais detalhados sobre grandes populações, incluindo dados demográficos, exposições ambientais, histórico médico, dados de faturamento, resultados laboratoriais, genética e resultados de exames diagnósticos (Blewett et al., 2018). Como resultado, pesquisadores têm acesso a uma gama extraordinária de dados populacionais, e os avanços na coleta e armazenamento de dados continuam a se acelerar. No entanto, a disponibilidade dos dados por si só não é suficiente, pois dados observacionais, embora abundantes, apresentam inúmeros desafios decorrentes de uma ampla gama de complexidades, conforme ilustrado na Figura 4, adaptada de Denton (2023), que resume algumas das fontes de viés que limitam o uso desses dados para apoiar a tomada de decisão. Pesquisas emergentes em análise de dados e inteligência artificial estão abrindo caminho para enfrentar alguns desses desafios. Contudo, tais métodos exigem uma compreensão profunda do contexto no qual os dados são coletados. Caso contrário, podem surgir problemas sérios, introduzindo desigualdades e recomendações antiéticas (Panch, Mattie e Atun, 2019). Assim, uma condição necessária para o sucesso nesta área é combinar o desenvolvimento metodológico com uma visão ampla e contextual do sistema de saúde subjacente, incluindo considerações socioeconômicas, métricas de desempenho dos stakeholders, processos e restrições. Muitos aspectos dos fatores humanos, como design centrado no usuário, interação humano-computador e confiança do usuário em análises de dados e inteligência artificial, desempenharão papéis importantes na implementação bem-sucedida de sistemas de apoio à decisão; esse esforço multidisciplinar é algo para o qual a área de ISE está idealmente preparada, com sua longa tradição de combinar conhecimento especializado em sistemas industriais com avanços metodológicos em resolução de problemas e o estudo da interface entre humanos e tecnologia, bem como a confiança do usuário.

 

Figura 4. Fontes de viés sistemático interagem para causar erros em modelos de engenharia industrial e pesquisa operacional estimados a partir de dados observacionais.

 

Historicamente, grande parte do progresso da comunidade de ISE tem se concentrado em desafios isolados, como uma única doença ou condição no caso da tomada de decisão médica (por exemplo, câncer, diabetes, doenças cardíacas, HIV), ou uma parte específica do sistema de saúde de forma isolada (salas cirúrgicas, clínicas ambulatoriais, operações laboratoriais). A ampla disponibilidade de dados e métodos analíticos para enfrentar os desafios do uso de dados observacionais abrirá caminho para a criação de modelos computacionais mais abrangentes, que considerem a complexidade de múltiplas comorbidades e doenças, bem como a interligação de redes interdependentes de operações em saúde, evitando soluções localmente ótimas que pouco contribuem para a melhoria do sistema de cuidados como um todo.

Sob a perspectiva do desafio de saúde 7.2, há inúmeras restrições impostas pelo comportamento humano, políticas e processos que limitam as oportunidades potenciais de melhoria na saúde. Essas restrições surgem de uma interação complexa no ecossistema populacional mais amplo, impulsionado por pressões políticas, dinâmicas populacionais e objetivos econômicos, forçando organizações de saúde, clínicos e pacientes a operar dentro de limites pré-estabelecidos. Isso, por sua vez, gera incentivos que direcionam os investimentos das organizações de saúde e seus processos subsequentes. Em última instância, isso determina os cursos de ação viáveis e as capacidades do sistema, que regem as opções disponíveis para médicos e pacientes. Assim, o desafio de saúde #2 impõe restrições às ações e recomendações possíveis dos médicos. Em consequência, isso impõe limites à capacidade disponível para investigação adicional de preocupações médicas identificadas por meio do monitoramento dos pacientes (por exemplo, ressonância magnética, tomografia, biópsia, endoscopia) e gera incentivos financeiros que levam os provedores a investir em capacidades viáveis segundo os requisitos de operadoras de saúde e regulações impostas por órgãos governamentais.

Algumas das restrições relacionadas ao desafio de saúde #2 são bem fundamentadas e têm como objetivo atuar no melhor interesse dos pacientes. Por exemplo, regulamentações sobre o uso de novos medicamentos e dispositivos médicos — impostas pela maioria dos países desenvolvidos — fornecem um processo rigoroso de avaliação da relação risco-benefício antes da liberação para uso amplo, evitando possíveis preocupações de saúde pública não intencionais. Um caso recente e emblemático é a crise dos opioides, que começou com a aprovação de um suposto tratamento não viciante e acabou resultando em centenas de milhares de mortes e custos da ordem de trilhões de dólares (Maclean et al., 2022). Consequentemente, o tempo necessário para garantir segurança suficiente para permitir o uso em larga escala é, em parte, uma questão de processo — algo diretamente ligado ao escopo da engenharia industrial e de sistemas. Assim, como este exemplo ilustra, as restrições relacionadas ao desafio de saúde #2 podem ser complexas, envolvendo múltiplos critérios (por exemplo, risco versus benefício). Além disso, os benefícios relativos de modificar essas restrições dependem de diversos fatores, como o custo desses esforços, esforço humano implícito ou monetário, e recompensas potenciais, como qualidade e expectativa de vida.

As restrições no desenho e operação do sistema de saúde surgem de uma interação complexa entre formuladores de políticas públicas e os setores de saúde, educação e serviços sociais (Rouse, Johns e Pepe, 2019). A Figura 5 retrata quem está envolvido na oferta de serviços de saúde, educação e assistência social nos Estados Unidos e a complexidade inerente dessas interações. O ecossistema organizacional complexo é altamente fragmentado, resultando frequentemente em serviços de baixa qualidade, caros e com desigualdade no acesso à saúde. Rouse (2015) apresenta um arcabouço para modelar empreendimentos sociais complexos, que pode ser aplicado à prestação de serviços de saúde (Rouse e Cortese, 2010; Rouse e Serban, 2014) e a outros domínios, como o ensino superior (Rouse, 2016). Esse arcabouço aborda os fenômenos físicos, humanos, econômicos e sociais que fundamentam ecossistemas complexos. Uma versão voltada para a saúde populacional está ilustrada na Figura 6.

 

Figura 5. Relações entre organizações e serviços (Rouse, Johns e Pepe, 2019).

 

Figura 6. Empreendimento em saúde populacional.

 

Esse arcabouço multinível fornece a base para integrar diferentes tipos de modelos computacionais a fim de explorar alternativas de políticas públicas. O nível Pessoas geralmente é baseado em agentes, levantando desafios fundamentais na teoria da decisão, economia comportamental e integração de sistemas humanos. O nível Processo é frequentemente representado como redes de fluxos, recursos e filas resultantes, geralmente modeladas por meio de modelos descritivos e preditivos. O nível Organizacional envolve a microeconomia da alocação de recursos e decisões resultantes, frequentemente modeladas por modelos prescritivos para otimização de alocação de recursos. O nível Sociedade consiste na macroeconomia das políticas públicas, que impacta amplamente todos os níveis abaixo. O arcabouço resultante descreve uma interação altamente complexa, difícil de modificar e custosa de ser experimentada.

No nível Pessoas, fenômenos centrais incluem o estabelecimento de um trajeto através dos diversos serviços de saúde necessários; no entanto, do ponto de vista comportamental, as pessoas podem desistir (não se tornarem pacientes) ou abandonar o tratamento ao longo do trajeto devido a tempos de espera e outros fatores. Os fenômenos no nível Processo incluem obter agendamentos para cada serviço no trajeto de modo a considerar atrasos gerais no cuidado ao paciente. Os atrasos entre serviços podem ser medidos em semanas ou meses. Frequentemente, esses atrasos são fortemente afetados por restrições de capacidade. No nível Organizacional, restrições de capacidade decorrem de políticas de investimento, bem como da disponibilidade de pessoal. As organizações, previsivelmente, tendem a investir em capacidades necessárias para serviços com alto reembolso. Assim, serviços de oncologia, cardiologia e cirurgia ortopédica costumam ser mais bem providos do que a gestão rotineira de doenças crônicas. No nível Sociedade, as políticas de investimento estão relacionadas às políticas de reembolso das operadoras para diferentes serviços. Esse nível também se relaciona à forma como o valor é definido. Pessoas saudáveis têm custos de saúde mais baixos e, tipicamente, trabalham, geram renda, pagam impostos etc. Assim, a sociedade se beneficia de uma população saudável muito além dos custos reduzidos de assistência médica.

7.3. Oportunidades para a ISE enfrentar os desafios da saúde

Os desafios de saúde descritos acima fornecem uma estrutura de alto nível para pensar sobre a ampla gama de oportunidades para a área de Engenharia Industrial e de Sistemas (ISE) participar na melhoria dos cuidados de saúde nas próximas décadas. Em última análise, os desafios descritos são complexos demais para serem resolvidos diretamente por meio de iniciativas isoladas ou por qualquer organização individual. Em vez disso, são necessários esforços coordenados e uma filosofia de experimentação contínua e melhoria, que considere os complexos desafios sociotécnicos da prestação de cuidados de saúde. Nesta seção, apresentamos exemplos motivadores desses desafios, com foco na interdependência entre os dois grandes desafios.

O primeiro exemplo é baseado no modelo predominante de pagamento por serviço nos Estados Unidos, que desencoraja a adoção de tecnologias que reduzem a necessidade de serviços reembolsáveis. Em contraste, modelos de pagamento capitado, como o Medicare Advantage (MA), incentivam a adoção dessas tecnologias. O MA da Kaiser Permanente é um exemplo disso (Inovalon, 2023). Isso ilustra como fenômenos subjacentes ao Desafio 2 podem minar o sucesso no enfrentamento do Desafio 1. Os reembolsos por serviço impulsionam os prestadores a investir em capacidades cujo uso é altamente reembolsado. Tecnologias como o monitoramento remoto de pacientes, que reduzem a demanda por serviços altamente remunerados, minam os objetivos econômicos associados a esses investimentos. No entanto, aproveitar plenamente o monitoramento remoto requer investimentos em capacidades analíticas para monitorar e interpretar o fluxo — muitas vezes 24 horas por dia, 7 dias por semana — de dados de pacientes, normalmente de milhares de indivíduos dentro de uma região de cobertura. São necessários sistemas de apoio à decisão clínica, e tempo deve ser alocado para aprender a utilizar esses novos sistemas. Assim, os prestadores precisam investir em novos sistemas, agravando o problema da redução de receita e lucros. Isso entra fundamentalmente em conflito com a viabilidade econômica sustentável dos prestadores de cuidados, a menos que um modelo de pagamento capitado incentive a manutenção da saúde a um custo menor, como ocorre com o MA.

O segundo exemplo é a coordenação do cuidado de pacientes com múltiplas doenças e condições crônicas. A pessoa média nos Estados Unidos possui três ou mais condições crônicas ao atingir os 65 anos (AHRQ, 2014). Considere um paciente com marca-passo devido a complicações cardiovasculares, doença pulmonar obstrutiva crônica, diabetes tipo 2 e depressão. Novas tecnologias tornam possível a vigilância em tempo real de fatores de risco em casa, como monitoramento de sinais eletromagnéticos do coração, pulso, oxigenação, pressão arterial, congestão pulmonar via impedância torácica, glicemia, padrões de sono e muitos outros sinais relevantes que poderiam ajudar a prever a necessidade de intervenção. Embora existam sensores para monitoramento remoto em tempo real desses fatores, há pouco entendimento de como usar múltiplos fluxos de dados, considerando várias comorbidades e um grande número de alertas potenciais — cada um sujeito a falsos positivos e negativos em seus respectivos desfechos — para tomar decisões bem-intencionadas que considerem as preferências dos pacientes quanto à segurança, carga do cuidado e atitude frente ao risco, que podem variar significativamente entre indivíduos. Além disso, os fluxos de dados podem ser confundidos por fatores ambientais ocultos ou outras variáveis de confusão não observadas, levando a uma ampla gama de questões em aberto do ponto de vista de modelagem preditiva e prescritiva. Independentemente dos desafios técnicos, há preocupações éticas e de responsabilidade jurídica para os prestadores no caso de um falso negativo. Isso exigirá apólices de seguro para IA (Bertsimas e Orfanoudaki, 2021) para mitigar a exposição ao risco. Também há preocupações com privacidade e questões sobre se e como os planos de saúde pagariam pelos dispositivos, como eles seriam precificados e se seriam custo-efetivos.

Para informar e apoiar os diferentes stakeholders nas decisões relacionadas à adoção de novas políticas e práticas, os modelos computacionais precisam ser altamente interativos e permitir imersão completa em representações visuais e analíticas. Tomadores de decisão clínicos não aceitarão recomendações de tratamento vindas apenas de analistas terceirizados. Eles desejarão participar da busca pela melhor resposta, com muita discussão e debate, e a capacidade de interpretar como e por que algoritmos chegaram a uma recomendação específica, além de como mitigar várias fontes de viés e outras consequências indesejadas do uso de dados observacionais para apoiar a decisão. Abordagens baseadas em Fatores Humanos serão cruciais para entender os fatores que influenciam a confiança dos clínicos nos modelos computacionais e nos sistemas baseados em IA que fornecem interação imersiva com dados e recomendações de forma amigável. Novas abordagens centradas no ser humano para otimizar a experiência de usuários — clínicos, pacientes, formuladores de políticas e outros interessados — serão necessárias para a implementação bem-sucedida dessas inovações em um ambiente já complexo de prestação de cuidados.

Os exemplos acima ilustram as complexidades dos desafios de saúde que delineamos. Um conceito unificador é a noção de bem-estar humano, que inclui saúde física, mental, social e econômica (Rouse, Johns e Curran, 2024). A busca por esse bem-estar nos Estados Unidos envolve uma variedade de desafios de desempenho. A complexidade inerente do sistema norte-americano altamente fragmentado é a base desses desafios. Fenômenos comportamentais e sociais diversos precisam ser enfrentados, e diferentes intervenções devem ser desenvolvidas. Tecnologias digitais e avanços algorítmicos podem viabilizar essas intervenções, e a área de ISE pode contribuir para lidar com as implicações gerenciais envolvidas em desenvolvê-las e implementá-las.

7.4. Conclusões e próximos passos

A saúde tem sido descrita como uma classe de sistema de produção chamada sistema de serviço complexo (Maglio et al., 2019), devido à interação complicada de inúmeros recursos, pessoas e processos. Existem muitas áreas no escopo dos grandes desafios em que a área de ISE, apoiando-se em sua história de inovação em sistemas de produção, pode influenciar positivamente os cuidados em saúde. Para superar os impedimentos multiníveis do desafio #2, que minam o sucesso no enfrentamento do desafio #1, a educação e a pesquisa em ISE devem abordar os fenômenos econômicos, comportamentais e sociais em múltiplos níveis, além de métodos analíticos para a tomada de decisão responsável baseada em dados. É necessário enfatizar, nas grades curriculares de graduação e pós-graduação, o aumento da formação em estatística, inferência causal, aprendizado de máquina e métodos analíticos relacionados, a fim de permitir avanços no desafio #1. Ademais, oportunidades de aprendizado prático e formação em saúde pública, economia, políticas públicas, direito e outros aspectos relevantes das ciências sociais e comportamentais são competências essenciais para posicionar engenheiros do futuro para promover mudanças positivas na área da saúde.

8. Grande desafio das questões sociais

8.1. Contexto: tecnologia e cultura

Nesta seção, discutimos dois temas principais relacionados ao grande desafio das questões sociais que a comunidade de ISE pode, potencialmente, enfrentar: (1) tecnologia e cultura e (2) reengenharia dos estados de bem-estar: ISE para o sistema de entrega de bem-estar social.

Agentes conversacionais oferecem aos usuários a oportunidade de utilizar linguagem natural para se comunicar com um sistema automatizado. Ruane, Birhane e Ventresque (2019) sugerem maneiras pelas quais designers, desenvolvedores e proprietários de agentes podem abordar esses sistemas com foco no desenvolvimento responsável. Esses agentes podem ter efeitos diretos na vida cotidiana e até provocar mudanças de comportamento. Observa-se que agentes conversacionais e bots são desenvolvidos por equipes que podem influenciar aspectos sociais, políticos, econômicos e culturais. Questões sociais e éticas envolvem confiança e transparência, privacidade, persona do agente e antropomorfismo (Ruane, Birhane e Ventresque, 2019).

O interesse crescente em inteligência artificial (IA) tem contribuído para discussões recentes sobre aumento versus automação por meio da inteligência de máquina. O aumento da inteligência pode fornecer desafios relevantes para a engenharia industrial e de sistemas, no que diz respeito ao design, uso e impacto da IA sobre profissionais, organizações e o futuro do trabalho (Paul et al., 2022). Para aprimorar a inteligência, é necessária alguma forma de colaboração entre humanos e IA. O impacto da IA sobre empregos é tema de debate. A natureza desse impacto pode depender de como e onde a tecnologia é implementada, e seu custo no contexto de uso. Direções futuras de pesquisa incluem interação humano-automação (HAI) e fatores humanos (Paul et al., 2022). Elementos-chave da pesquisa incluem as dimensões da confiança na HAI, como desempenho esperado, processo de funcionamento da IA e propósito. Detalhes adicionais sobre os elementos da confiança estão apresentados na Tabela 2.

 

Tabela 2. Dimensões da Interação Humano-Automação (HAI) e Confiança (adaptado de Paul et al., 2022).

Dimensões de confiança em IAH	Elementos de confiança
Desempenho	● Competência da IAH   ◦ Funcional   ◦ Interação Humano-IA ● Pontualidade da solução em tempo real ● Confiabilidade   ◦ Confiabilidade específica do contexto
Processo	● Abertura ● Consistência ● Compreensibilidade ● Previsibilidade ● Integridade dos dados ● Acessibilidade
Propósito	● Responsabilidade autorizada para administrar e utilizar a IAH ● Intenção das máquinas e dos usuários na IAH ● Fé na IAH

 

8.2. IA e automação para o futuro do trabalho

Os ambientes de trabalho modernos estão mudando. Além disso, o trabalho moderno exige atenção contínua à segurança e saúde ocupacional em nome da força de trabalho. O Instituto Nacional de Segurança e Saúde Ocupacional (NIOSH) dos Centros de Controle e Prevenção de Doenças dos EUA (CDC) desenvolveu temas e subtópicos prioritários para futuras pesquisas em apoio ao futuro do trabalho. Esses tópicos estão detalhados na Tabela 3. Os temas prioritários da iniciativa "Futuro do Trabalho" do NIOSH incluem: design organizacional, deslocamento tecnológico de empregos, arranjos de trabalho, inteligência artificial, robótica, tecnologias inteligentes, sensores e vigilância, demografia, segurança econômica e habilidades (Tamers et al., 2020).

 

Tabela 3. Tópicos prioritários na iniciativa futuro do trabalho segundo CDC/NIOSH (adaptado de Tamers et al., 2020).

QUESTÕES QUE IMPACTAM O LOCAL DE TRABALHO, O TRABALHO E A FORÇA DE TRABALHO
Preparação e Resposta a Emergências e Desastres • Exposição e Riscos • Condições Climáticas Extremas • Globalização • Indústria 4.0 • SST 4.0 • Políticas • Recursos • Disrupção Social
Domínio	Aspectos
DESENHO ORGANIZACIONAL	Local de Trabalho: Autonomia • Prevenção de Estresse e Burnout • Liderança Saudável • Flexibilidade no Trabalho • Sistemas de Licença • Programação • Responsabilidade Social e Corporativa • Ambiente Construído • Espaço de Trabalho • Equilíbrio Vida-Trabalho
DESLOCAMENTO TECNOLÓGICO DE TRABALHO	Local de Trabalho: Automação • Digitalização • Quantidade e Qualidade de Empregos • Polarização Ocupacional • Melhoria de Produtividade e Qualidade via Manufatura Automatizada • Trabalho Estável, Novo e Redundante
ARRANJOS DE TRABALHO	Local de Trabalho: Alternativo • Baseado em Aplicativos • Contingente • Contratual • Contratação Direta • Distribuído • Freelancer • Compartilhamento de Trabalho • Não-Padrão • Sob Chamada • Sob Demanda • Meio Período • Plataforma • Precário • Sazonal vs. Multi-Empregadores • Temporário
INTELIGÊNCIA ARTIFICIAL	Trabalho: Aprendizado Profundo • Aprendizado de Máquina • Redes Neurais
ROBÓTICA	Trabalho: Robôs Autônomos, Colaborativos, Industriais, Gerenciais, de Serviço e Sociais • Veículos Autônomos • Interação Humano-Máquina • Drones • Exoesqueletos e Exovestuários
TECNOLOGIAS	Trabalho: Manufatura Aditiva e Inteligente e Impressão 3D • Computação em Nuvem Avançada e Computação Quântica • Biotecnologia • Tecnologias Limpas e Verdes • Digitalização • Tecnologias de Informação e Comunicação • Internet das Coisas • Nanotecnologia e Materiais Avançados • Sensores • Monitoramento por Sensores • EPIs Inteligentes
DEMOGRAFIA	Força de Trabalho: Diversidade e Inclusão • Multi-Geracional • Envelhecimento Produtivo • Populações Vulneráveis
SEGURANÇA ECONÔMICA	Força de Trabalho: Salários Adequados • Compensação Justa e Proporcional • Horas Mínimas Garantidas
HABILIDADES	Força de Trabalho: Educação Continuada, Aprendizagem e Treinamento • Requalificação e Aperfeiçoamento

 

O uso da IA tem potencial para melhorar o bem-estar e o bem social. Como tema de pesquisa, "IA para o Bem Social" (AI4SG) mostrou tendências em termos de domínios de aplicação e técnicas de IA utilizadas. Segundo Shi, Wang e Fang (2020), oito áreas de aplicação podem fornecer agrupamentos conceituais. Essas áreas, listadas da maior para a menor quantidade de artigos de pesquisa, incluem: saúde (344), transporte (253), sustentabilidade ambiental (225), segurança pública (177), combate à manipulação da informação (155), assistência social e planejamento urbano (90), educação (78) e agricultura (40). As dez técnicas mais utilizadas incluem: aprendizado de máquina (460), planejamento, roteamento e agendamento (210), satisfação de restrições e otimização (173), sistemas multiagente (122), computação humana e crowdsourcing (98), visão computacional (79), raciocínio sob incerteza (78), teoria dos jogos e paradigmas econômicos (78), colaboração humano-IA (69), busca heurística e otimização (69) (Shi, Wang e Fang, 2020).

West (2018) relata que sua assistente enviou um e-mail para Amy, a assistente pessoal da pessoa com quem ele deveria se reunir. Amy foi rápida em seu retorno e enviou vários e-mails à assistente de West ao longo do fim de semana tentando encontrar uma data adequada. Amy realizou as tarefas de uma assistente humana que lê e-mails, compreende intenções e elabora respostas relevantes. A pista para descobrir que a respondente era virtual foi a persistência incomum durante o fim de semana, explica West. A assistente digital teve um desempenho muito bom, segundo West, e já não é mais uma visão futurista.

Robôs, IA, realidade virtual, veículos autônomos, reconhecimento facial, drones e sensores móveis estão transformando inúmeros setores e nos conduzindo a uma sociedade automatizada (West, 2018). O impacto dessas tecnologias emergentes é considerado no contexto do trabalho, educação, política e políticas públicas (West, 2018). West questiona: “Se as empresas precisarem de menos trabalhadores em decorrência da automação e robótica, como as pessoas que estiverem fora do mercado de trabalho por longos períodos terão acesso à renda, cuidados de saúde e aposentadoria?” West sugere que é importante repensar o trabalho e avançar em direção ao aprendizado contínuo ao longo da vida.

8.3. Análise de dados para gestão da qualidade e Indústria 4.0

Pesquisas recentes exploraram como a análise de big data pode facilitar a tomada de decisões eficazes em diferentes problemas de gestão da qualidade em pequenas e médias empresas. Tecnologias inteligentes têm demonstrado auxiliar gestores no controle da qualidade na manufatura por meio de técnicas sofisticadas baseadas em dados (Sariyer et al., 2001). Um modelo proposto de 3 estágios e um algoritmo que utiliza as principais características do conjunto de dados — produto, cliente, país, linha de produção, volume de produção, quantidade de amostras e código de defeito — pode apoiar a classificação do nível de qualidade do produto com 96% de precisão (Sariyer et al., 2001).

Análise de dados é o conjunto de técnicas que visa obter percepções acionáveis para tomar decisões inteligentes a partir de grandes volumes de dados (Duan e Xu, 2021). À medida que o desempenho é aprimorado por decisões inteligentes — e essas decisões requerem suporte operacional para coleta de dados relevantes — houve um aumento nos esforços de pesquisa em apoio à sinergia entre análise de dados e Indústria 4.0. A Indústria 4.0 é considerada a quarta revolução industrial, voltada para a produção descentralizada por meio de instalações compartilhadas, visando manufatura sob demanda e eficiência no uso de recursos (Duan e Xu, 2021). Três elementos de interesse comum entre Indústria 4.0 e análise de dados incluem: o setor industrial, sistemas ciberfísicos e métodos analíticos. Áreas de pesquisa interdisciplinar com implicações sociais para a ISE incluem redes 5G, big data, blockchain, computação em nuvem, aprendizado profundo (deep learning), IoT e computação quântica (Duan e Xu, 2021).

8.4. Design de trabalho e cultura organizacional

O design do trabalho tem potencial para impactar o estado psicológico de motivação. Ho e Wu (2019) relatam que o impacto social percebido pode afetar a motivação para beneficiar a vida dos outros e, assim, melhorar a qualidade do serviço. Os resultados têm implicações práticas para engenheiros de ISE ao considerar o design adequado do trabalho para apoiar a capacidade dos funcionários de perceber o impacto do seu trabalho nos clientes, bem como para estabelecer conexão com eles (Ho e Wu, 2019).

Adicionalmente, organizações estão preocupadas em desenvolver lideranças entre os funcionários que possam liderar a distância (Bagga, Gera e Haque, 2023). As organizações dependem cada vez mais de equipes virtuais para alcançar seus objetivos. Dado o ritmo acelerado de mudança no ambiente de trabalho e na cultura organizacional, líderes precisam ser proativos, já que todas as organizações operam cada vez mais em equipes virtuais conectadas por tecnologias de informação e comunicação (Bagga, Gera e Haque, 2023).

Um modelo conceitual das características, desafios e sugestões de design para o futuro do trabalho inclui: trabalho virtual, múltiplas equipes, autonomia de local, autonomia de metas, manutenção da cultura organizacional, monitoramento de desempenho, design de trabalho significativo e design de trabalho consciente (Malhotra, 2021) (ver também Figura 7). Malhotra (2021) sugere que, à medida que os indivíduos percebem novas formas de realizar suas tarefas com o uso da tecnologia e se adaptam a novos modos de trabalho, as organizações precisarão repensar como se estruturam para o futuro do trabalho.

 

Figura 7. Modelo conceitual das características, desafios e sugestões de design para o futuro do trabalho (adaptado de Malhotra, 2021).

 

8.5. Reengenharia dos estados de bem-estar: ISE para o sistema de entrega de assistência social

Outra direção em que a ampla comunidade de ISE pode potencialmente contribuir de forma significativa para o enfrentamento das questões sociais é na melhoria e aprimoramento do sistema formal da sociedade. Um bom exemplo é o estado de bem-estar e o sistema de entrega de assistência social. Um estado de bem-estar é um tipo de governo no qual o Estado é responsável por fornecer segurança econômica básica e bem-estar social aos seus cidadãos (Weir, 2001). Originado do termo alemão “sozialstaat” (estado social), que remete à reforma promovida por Otto von Bismarck, o primeiro chanceler do Império Alemão, a noção moderna de estado de bem-estar tornou-se uma parte crítica das funções governamentais após a Segunda Guerra Mundial, especialmente nos EUA e em alguns países da Europa Ocidental (Skocpol, 1995).

Embora as formas específicas de implementação variem substancialmente entre os países (Alesina, Glaeser e Sacerdote, 2021), uma vez que sua evolução tem sido altamente dependente das trajetórias históricas, sua abrangência cresceu enormemente desde a Segunda Guerra Mundial. Apesar de a definição de estado de bem-estar ainda ser ambígua, seu propósito é bem estabelecido e amplamente compreendido (Barr, 2018): 1) assistir os pobres e, mais importante, 2) lidar com falhas de mercado. As principais áreas abrangidas pelo estado de bem-estar incluem: aposentadorias, saúde, deficiência, família, desemprego, benefícios habitacionais etc. Em 2022, a média da despesa pública social como proporção do PIB entre os países da OCDE era de 21% (OCDE, 2023). Em muitas partes do mundo, é impensável que o governo negligencie totalmente tais responsabilidades. Consequentemente, este tem sido, há muito tempo, um tema muito ativo de pesquisa nas ciências sociais, especialmente nas áreas de ciência política, economia, bem-estar social e administração pública.

8.6. Território inexplorado: como entregar assistência social de forma eficiente e eficaz “no sentido da ISE”

Existe uma vasta literatura — incluindo trabalhos laureados com o Prêmio Nobel (Sen, 1982) — relacionada a estados de bem-estar social e políticas sociais. No entanto, apesar do tamanho colossal e do impacto que a assistência social exerce sobre a sociedade, parece haver uma escassez de estudos especializados em torná-la mais eficiente e eficaz sob a perspectiva da engenharia — mais especificamente, da engenharia industrial e de sistemas — com exceção da área da saúde (Choi, 2021). Um exemplo notável é o sistema de entrega de serviços de assistência social. Seu objetivo é fornecer serviços sociais às pessoas necessitadas da maneira mais eficiente e eficaz possível. Esse tema tem sido estudado quase exclusivamente dentro das áreas de assistência social e administração pública, mas essas linhas de pesquisa não abordam adequadamente tais aspectos.

Embora anedótico, o sistema de prevenção ao abuso infantil da Coreia do Sul exemplifica bem essa questão. Após uma série de eventos infelizes, o governo sul-coreano implementou, em 2018, um sistema baseado em aprendizado de máquina para identificação e prevenção de abuso infantil, chamado “eChild”. Embora não seja uma bola de cristal, ao utilizar dados sensíveis de bem-estar social de todas as crianças do país — coletados e gerenciados pelo Serviço de Informações da Seguridade Social (SSIS) — o sistema foi projetado para fornecer informações úteis sobre quem tem maior probabilidade de ser a próxima vítima.

De forma decepcionante, o sistema não cumpriu sua finalidade conforme o esperado inicialmente. Embora haja espaço para melhorar sua precisão, esse não foi o principal problema. A falha principal foi que o sistema eChild não foi devidamente integrado à rede já existente de prevenção ao abuso infantil, composta por assistentes sociais, polícia e comunidades locais, no nível operacional — o que acabou levando os responsáveis a não utilizarem o sistema conforme planejado (Han, 2022). Traduzindo livremente para termos da ISE, é como se uma rede de sensores fosse introduzida sem o devido planejamento das operações dentro de um sistema existente de gestão da qualidade e manutenção preventiva, levando à confusão e a custos operacionais desnecessários.

Como o caso do sistema eChild ilustra, muitos dos problemas não resolvidos no estado de bem-estar e em seu sistema de entrega se assemelham aos temas que a comunidade da ISE estuda há muito tempo. Em nível micro, questões como identificação de crianças em risco, morte solitária etc., compartilham características com gestão da qualidade, manutenção preventiva, entre outras. O grande desafio de fornecer cuidados a pessoas necessitadas, como pessoas com deficiência e idosos, no nível do Estado, é essencialmente um problema de gestão de cadeia de suprimentos em larga escala. Nessa perspectiva, muitos membros da comunidade da ISE concordariam que abordar questões operacionais do estado de bem-estar e seu sistema de entrega pode ser um campo de aplicação extremamente relevante para causar grande impacto social, além das implicações acadêmicas e industriais. É evidente que as ferramentas quantitativas e técnicas que as escolas de ISE adotam como currículo básico — como otimização, simulação, estatística, fatores humanos, aprendizado de máquina e IA — serão extremamente úteis para enfrentar esses problemas. Isso implica que a comunidade da ISE pode causar um impacto imediato e significativo na melhoria da eficiência e eficácia do sistema de entrega de assistência social.

8.7. Obstáculos e desafios

Aqueles que têm formação na comunidade da ISE podem pensar que basta aplicar modelos quantitativos aos problemas relacionados ao sistema de entrega de assistência social para obter as respostas corretas. No entanto, a realidade é mais complicada do que se imagina, pois os assuntos em questão não envolvem produtos comerciais. São seres humanos. Por exemplo, existem dois tipos possíveis de erro no caso de abuso infantil — tipo I e tipo II. No caso de um erro tipo II, uma criança que poderia ter sido salva pode enfrentar uma situação indescritível. Como afirmam os livros-texto de estatística, um erro tipo II deve ser reduzido até certo ponto. No entanto, isso tende a aumentar a chance de um erro tipo I. Em um cenário típico de manutenção preventiva, isso não representa grande problema, pois o impacto se limita a perdas monetárias. Contudo, um erro tipo I na prevenção de abuso infantil significa estigmatizar uma família feliz e inocente ao acusá-la injustamente. A abordagem quantitativa típica, que busca minimizar uma função objetivo composta por recompensas e penalidades, não se aplica adequadamente nesse contexto.

Deixando de lado os dilemas éticos e filosóficos, há outro obstáculo para a aplicação das metodologias da ISE no nível de modelagem quantitativa — os dados. É evidente que pesquisas de qualidade exigem grande volume de dados reais, preferencialmente com uma plataforma para testar hipóteses. Infelizmente, não é tão fácil ter acesso a tais conjuntos de dados, pois eles contêm informações pessoais extremamente sensíveis. O sistema eChild utiliza dados altamente privados, como nível de renda dos pais, frequência em creches/escolas, vacinação em atraso, contas de serviços públicos não pagas etc., que jamais deveriam ser divulgadas publicamente. Em muitos casos, é ilegal — ou ao menos antiético — acessar esses dados. Isso torna praticamente impossível iniciar qualquer tipo de pesquisa, muito menos publicar os resultados em fóruns acadêmicos.

Contudo, parece haver um caminho promissor. Se for possível gerar dados sintéticos por meio de IA treinada em amostras reais contendo informações sensíveis, e se essa IA generativa tiver poder de representação suficiente, os problemas relacionados aos dados poderão ser bastante atenuados. Nesse sentido, o KAIST e o SSIS iniciaram uma iniciativa nessa direção com apoio financeiro da Fundação Nacional de Pesquisa. Embora seja difícil prever quanto tempo levará, uma vez bem-sucedido, isso permitirá que membros da comunidade ampla da ISE tenham acesso livre aos dados sintéticos, sem violar a privacidade, para fins acadêmicos — o que certamente posicionará a ISE como a primeira e única disciplina capaz de gerar valor social significativo ao reestruturar o estado de bem-estar e melhorar o sistema de entrega de assistência social ao redor do mundo.

9. Grande desafio da logística e cadeia de suprimentos

9.1. Contexto

Na era atual, a indústria logística desempenha um papel fundamental na economia global. Ela é a espinha dorsal do comércio moderno, facilitando o movimento de mercadorias dos fabricantes aos consumidores.

Portanto, os desafios enfrentados pelas empresas de logística e cadeia de suprimentos são diversos e complexos.

As organizações podem adotar estratégias específicas e um compromisso com a adaptabilidade para superar esses desafios, contribuindo para o fluxo contínuo de bens e serviços na economia global. A resiliência da cadeia de suprimentos tornou-se recentemente essencial para os negócios (Chen e Miller-Hooks, 2021). O ciclone Debbie (março de 2017) causou danos na Austrália e afetou usinas siderúrgicas indianas ao interromper importações de carvão e impactar cadeias de suprimento. O conflito Rússia-Ucrânia interrompeu o fornecimento de petróleo, gás e trigo, elevando os preços. Por isso, entender e medir a resiliência é essencial, especialmente com a crescente complexidade das cadeias de suprimentos em expansão. Trabalhos significativos têm sido realizados para quantificar e definir resiliência (Gao et al., 2019), especialmente no setor de manufatura (Ergun et al., 2022; Waseem e Chang, 2023).

9.2. Desafios em logística e cadeia de suprimentos

A indústria de logística e cadeia de suprimentos enfrenta atualmente uma série de desafios decorrentes de mudanças econômicas globais, avanços tecnológicos e demandas crescentes dos consumidores. O desafio de aprimorar a resiliência e a eficiência nas cadeias de suprimento e na gestão logística é multifacetado e envolve diversos fatores interconectados.

9.2.1. Transporte sustentável

Embora viabilize o deslocamento de mercadorias, o aumento dos custos de transporte se tornou um grande desafio nas cadeias logísticas. Trata-se de uma despesa significativa para as empresas do setor, uma vez que os custos de transporte continuam aumentando. Os gastos com o transporte de bens entre locais são fortemente influenciados pelos preços dos combustíveis, custos trabalhistas e mudanças regulatórias. Esses custos crescentes tornam difícil manter a competitividade. O aumento nos custos de transporte eleva o custo total dos produtos fornecidos, influenciando negativamente a demanda do mercado. O uso de transportes ecologicamente corretos, como veículos elétricos, para otimizar a logística visando à eficiência no consumo de combustível, ajudará a reduzir o impacto ambiental da cadeia de suprimentos. A incorporação de materiais renováveis, reutilizáveis e recicláveis no processo é necessária para minimizar o desperdício e promover uma abordagem mais sustentável de gestão. Integrar sustentabilidade à cadeia de suprimentos ajuda a evitar riscos associados a danos, escassez de recursos e mudanças regulatórias. O maior desafio da sustentabilidade em logística e cadeias de suprimentos é equilibrar o objetivo econômico com a responsabilidade ambiental. Isso exige investimentos em tecnologia, materiais e processos. Na era do comércio eletrônico, os clientes esperam entregas rápidas e confiáveis. Atender a essas expectativas crescentes de qualidade e serviço ao cliente, mantendo a lucratividade, é um desafio significativo. Com os avanços tecnológicos, à medida que a indústria continua a evoluir, é necessário preencher a lacuna de habilidades crescente. Encontrar e reter trabalhadores qualificados pode ser um desafio significativo. Consequentemente, a indústria de logística enfrenta dificuldades operacionais devido à crescente demanda por mão de obra qualificada.

9.2.2. Pressão competitiva e guerras comerciais globais

A intensa concorrência no setor logístico global pode reduzir drasticamente as margens de lucro. As indústrias de logística e cadeia de suprimentos enfrentam o desafio da pressão competitiva em um ambiente global ferozmente disputado. A presença de inúmeros players em um mesmo setor intensifica a concorrência dentro do setor logístico, podendo desencadear guerras de preços e, inevitavelmente, comprimindo as margens de lucro. Empresas envolvidas em comércio internacional enfrentam um ambiente desafiador devido às guerras comerciais globais. Incertezas decorrentes de tensões geopolíticas e flutuações tarifárias impactam diretamente os custos de envio, gerando um efeito dominó em toda a cadeia de suprimentos. Para gerenciar e mitigar riscos de forma eficaz, as empresas podem empregar estratégias logísticas que incluam possíveis modificações nas rotas de envio e a implementação de práticas avançadas de gestão de estoques.

9.2.3. Gestão eficaz de armazéns

Manter o equilíbrio necessário — ou ideal — de estoque nas empresas de logística e cadeia de suprimentos é um desafio constante. A gestão eficaz de inventário é crucial para as empresas de logística, mas difícil de alcançar, razão pela qual muitas enfrentam dificuldades nessa área. Oportunidades perdidas e clientes insatisfeitos resultam do subestoque, enquanto o excesso de estoque leva a altos custos de armazenamento. As épocas festivas e os eventos promocionais especiais geralmente geram picos na demanda, criando desafios para a capacidade logística lidar com a carga de trabalho aumentada. Atender a esses picos de demanda e restrições de capacidade mantendo a qualidade do serviço pode ser um desafio logístico. Nos processos de atendimento de pedidos, a falta de espaço adequado para armazenamento causa ineficiências e insatisfação dos clientes. Para manter a capacidade de atendimento, as restrições de espaço em armazéns representam desafios enfrentados por muitas empresas de logística, especialmente em áreas urbanas, onde os custos imobiliários são elevados.

9.2.4. Interrupções na cadeia de suprimentos

A logística depende fortemente de cadeias de suprimento fluidas. Interrupções nessas cadeias podem ter repercussões severas para as empresas logísticas, provocando atrasos e aumento de custos, o que resulta, por fim, em insatisfação do cliente. Essas interrupções incluem desastres naturais, instabilidade política e crises sanitárias globais. As interrupções na cadeia de suprimentos representam um desafio significativo para os negócios, criando obstáculos à sua resolução. Algumas medidas devem ser adotadas, como planejamento estratégico e integração de tecnologia para aumentar a visibilidade nas cadeias de suprimentos e logística. Devido à interdependência e interconexão entre todas as empresas, mesmo um pequeno problema em uma determinada região pode impactar toda a cadeia de suprimentos global. Assim, grandes mudanças em tendências e eventos podem afetar drasticamente as interrupções da cadeia. Durante a pandemia de Covid-19, cerca de 75% das empresas dos EUA presenciaram uma interrupção na cadeia de suprimentos. Segundo relatório da Organização Mundial do Comércio, mais de 44% das empresas ainda não possuem uma estratégia para lidar com interrupções na cadeia durante a pandemia. Pierre Haren e Simchi-Levi publicaram um artigo na Harvard Business Review (Haren e Simchi-Levi, 2020) prevendo que o pico do impacto da Covid-19 nas cadeias de suprimento globais ocorreria em meados de março. Todos os elementos da cadeia de suprimentos de manufatura — desde operações dos fornecedores e disponibilidade de embalagens até a logística de transporte terrestre, marítimo e aéreo — foram significativamente afetados pelas medidas de lockdown e distanciamento social durante a pandemia.

O conflito em curso entre Rússia e Ucrânia elevou os preços de diversas commodities, incluindo níquel, neônio, fertilizantes, trigo, milho, petróleo e gás natural. Como consequência, a disponibilidade de espaço em armazéns diminuiu, as tarifas de frete aumentaram, houve escassez de contêineres e as empresas enfrentaram maiores restrições de armazenamento. O impacto se estendeu às operações portuárias, com vários portos sendo forçados a fechar devido à situação tumultuada. O impacto global de um incêndio causado por uma sobrecarga de energia na fábrica da Renesas Electronics em Naka, Japão, em março de 2021, que danificou 23 máquinas, repercutiu fortemente na indústria automotiva. A Renesas, uma importante fornecedora, fornece cerca de um terço dos chips microcontroladores do mundo, impactando significativamente a produção global de veículos de marcas renomadas como Ford, Hyundai e Toyota. A cadeia de suprimentos global sofreu um duro golpe quando o navio porta-contêineres Ever Given ficou encalhado no Canal de Suez, interrompendo redes comerciais em diversas regiões. Embora a retirada do navio tenha levado apenas seis dias, o acúmulo de tráfego causado estendeu o impacto por mais de 60 dias, afetando cadeias de suprimentos ao redor do mundo. O bloqueio do Ever Given afetou um total de 62 navios contêineres, com capacidade combinada superior a 727.000 TEUs (Leonard, 2021). O efeito cascata se intensificou à medida que rotas alternativas pelo sul da África e Cabo da Boa Esperança geraram atrasos adicionais para várias embarcações. Como o Canal de Suez é um ponto crucial por onde passa aproximadamente 12% do comércio global, sua obstrução gerou escassez de contêineres e aumento nos preços dessas unidades essenciais para transporte. Além disso, a interrupção causou inúmeras falhas nas conexões de transporte de carga, agravando os desafios enfrentados pela cadeia de suprimentos global.

Portanto, os desafios da logística e da cadeia de suprimentos são diversos, abrangendo desde o aumento dos custos de transporte, sustentabilidade, pressão competitiva, guerras comerciais globais, gestão eficaz de estoques, picos de demanda e restrições de capacidade, expectativas dos clientes e qualidade do serviço, escassez de mão de obra qualificada até as interrupções nas cadeias. A resiliência torna-se estrategicamente imperativa quando a complexidade das interrupções aumenta para diferentes setores. Para garantir resiliência, é necessário dispor de estratégias robustas de gestão de riscos, comunicação clara (ou visibilidade) e o uso da tecnologia para monitoramento e apoio à tomada de decisão.

9.3. Aprimorando a resiliência da cadeia de suprimentos e integração de modelos de linguagem

Nesta era tecnológica, todas as indústrias estão migrando para tecnologias avançadas com o objetivo de construir modelos mais amigáveis ao usuário. A gestão da cadeia de suprimentos e a logística passaram por uma mudança de paradigma rumo à tomada de decisão baseada em dados, desempenhando um papel central ao fornecer insights valiosos sobre o desempenho das cadeias. Tecnologias avançadas (Yan et al., 2023), como grafos de conhecimento (Mitra, Wongpiromsarn e Murray, 2013), transformadores (Vaswani et al., 2017; Reimers e Gurevych, 2020), modelos de linguagem de larga escala (LLM) (Li, Mellou et al., 2023; Li, Yu et al., 2023), e ferramentas versáteis em que um transformador codifica e decodifica textos em linguagem natural. Um grande desafio está no desenvolvimento de uma métrica de resiliência robusta, abrangente e precisa. A resiliência está frequentemente interligada a diversos fatores, e capturar essas interdependências de forma precisa em uma métrica pode ser complexo. Um aspecto fundamental do nosso trabalho envolve a criação de uma métrica dinâmica de resiliência que leve em conta praticamente todos os cenários importantes em seu cálculo. Por isso, estamos desenvolvendo essa métrica e integrando-a com um LLM para que possa ser utilizada de forma conveniente. Ao quantificar esses fatores, a empresa pode utilizá-los como alavanca para obter vantagem significativa. Um exemplo é um indicador de elegibilidade para que bancos avaliem a qualificação de organizações para obtenção de crédito. A integração com LLMs capacita diversos setores, permitindo automação, insights e inovação, impulsionando o progresso e a eficiência.

Apresentamos um framework (Figura 1) que utiliza os conceitos de Tempo de Sobrevivência (TTS) e Tempo de Recuperação (TTR) para estimar a resiliência de uma cadeia de suprimentos. Diversos fatores que influenciam TTS e TTR foram identificados, e uma abordagem matemática é fornecida para mensurá-los. Identificamos diferentes cenários que podem ocorrer durante uma interrupção e desenvolvemos um pseudocódigo para determinar um componente do TTR. Além disso, foi introduzida uma abordagem para integrar o LLM ao framework de cálculo da resiliência. Treinamos esse LLM conforme nossos casos de uso e o vinculamos à equação de resiliência, possibilitando a medição de diversas métricas relacionadas à resiliência. Um modelo conversacional generativo de perguntas e respostas foi desenvolvido para facilitar interações informativas e envolventes, fornecendo respostas às nossas dúvidas. Treinamos nosso modelo de linguagem para calcular a resiliência por meio de texto natural, viabilizando conversas generativas para resolução de problemas e explicações.

Esse framework (Figura 8) é segmentado em três estágios distintos:

Estágio 1: Envolve o estabelecimento e o cálculo da equação de resiliência.
Estágio 2: Configuração de um LLM para nosso caso de uso específico.
Estágio 3: Incorporação do LLM à equação de resiliência e geração de modelo conversacional de perguntas e respostas.

 

Figura 8. Framework conceitual com estágios.

 

9.3.1. Etapa 1: métrica de resiliência

Esforços anteriores de Simchi-Levi et al. (2015) sobre TTR e TTS forneceram uma base sólida para aprofundar os conceitos críticos de resiliência da cadeia de suprimentos e gestão de riscos. TTR refere-se ao tempo necessário para que uma cadeia de suprimentos se recupere e retorne ao estado normal após uma interrupção. Por outro lado, TTS é a duração máxima durante a qual a cadeia de suprimentos consegue manter o equilíbrio entre oferta e demanda após a interrupção de um nó.

9.3.2. Etapa 2: modelo de linguagem de larga escala (LLM)

Para melhorar a resiliência da cadeia de suprimentos, utilizamos um método inovador com o DistilBERT (Sanh et al., 2019), um modelo de linguagem amplamente reconhecido. O modelo distilbert-base-cased-distilled-squad oferece vantagens em relação a outros LLMs. Ele equilibra bem o tamanho do modelo e o desempenho, oferecendo uma alternativa menor e mais rápida. Também é eficaz em tarefas de perguntas e respostas devido ao seu treinamento especializado no conjunto de dados SQuAD. Além disso, sua acessibilidade via a biblioteca Transformers da Hugging Face, incluindo modelos pré-treinados e APIs amigáveis, facilita a integração e implantação. Adotamos uma abordagem estratégica para capacitar o DistilBERT com conhecimento específico do domínio por meio da curadoria e ajuste fino de conjuntos de dados personalizados elaborados para medir com precisão a resiliência na gestão da cadeia de suprimentos. Esses conjuntos de dados abrangem uma variedade de cenários. Treinamos o modelo com um prompt específico para questões do tipo problema de palavras com base em resiliência, conferindo-lhe uma compreensão inerente desse conceito (Figura 9).

 

 

Figura 9. Integração do LLM (distilbert-base-cased-distilled-squad).

 

Treinamento com Contexto: Pesquisas demonstraram que LLMs utilizam aprendizado contextual para tarefas como resolução de problemas matemáticos e respostas a perguntas. Ele oferece uma maneira clara de interagir com LLMs usando exemplos, facilitando a incorporação do conhecimento humano. O Aprendizado com Contexto (ICL) assemelha-se à tomada de decisão humana e não requer treinamento supervisionado. Durante o ICL, os LLMs aprendem tarefas como perguntas e respostas a partir de descrições de tarefas e exemplos. Esse conhecimento é então aplicado a novos exemplos e avaliado.

Ajuste Fino: Iniciamos o processo de ajuste fino inicializando o LLM com pesos pré-treinados e, posteriormente, o aprimoramos com camadas especializadas voltadas para a tarefa de Perguntas e Respostas, abrangendo classificadores de tokens de início e fim. O modelo foi treinado com um conjunto de dados e passou por refinamento iterativo via aprendizado supervisionado. Durante o ajuste fino, o desempenho foi monitorado constantemente com um conjunto de validação, interrompendo o treinamento na convergência ideal.

9.3.3. Etapa 3: integração do LLM com códigos operacionais

Combinar LLMs com código pode ampliar significativamente suas capacidades. Essa integração melhora a compreensão da linguagem natural, a geração de conteúdo, a automação de tarefas, a resolução de problemas e a prototipagem rápida. LLMs são adaptáveis e escaláveis, fornecendo ferramentas versáteis para aprimorar a experiência do usuário e a funcionalidade de aplicativos, como chatbots, assistentes virtuais e aplicações interativas. LLMs enfrentam dificuldades com operações recursivas, como cálculos de TTR, e para superar as limitações na execução precisa de código, utilizamos LLMs para extrair valores de textos em linguagem natural. Esses valores foram então incorporados a outro conjunto de códigos para calcular TTS, TTR e métricas de resiliência.

9.4. Aspectos humanos das operações logísticas e da cadeia de suprimentos

A logística desempenha um papel fundamental na economia de um país ao facilitar o movimento eficiente de bens, serviços e informações ao longo da cadeia de suprimentos. O tamanho do mercado logístico global era de aproximadamente 10,71 trilhões de dólares em 2023 e estima-se que atinja 14,08 trilhões até 2028 (Makedon, Mykhailenko e Vazov, 2021). A indústria logística gera oportunidades de emprego em diversos setores, incluindo transporte, armazenagem, distribuição e agenciamento de cargas. Ao empregar uma força de trabalho diversificada, a logística contribui para a redução das taxas de desemprego e a melhoria dos padrões de vida nas comunidades. Desde escassez de mão de obra e lacunas de habilidades até segurança e bem-estar dos trabalhadores, esses aspectos humanos impactam profundamente a eficiência e a eficácia da gestão da cadeia de suprimentos.

Com a crescente complexidade das operações e a adoção de tecnologias avançadas como automação, cobots (Faccio et al., 2023) e inteligência artificial generativa (GenAI), há uma demanda crescente por trabalhadores qualificados que possam se adaptar a novas ferramentas e processos. A adoção de plataformas oferece vantagens substanciais para organizações, empresas e clientes, permitindo compartilhamento contínuo de informações, promovendo colaboração e desbloqueando benefícios individuais e coletivos (Sun et al., 2022). Além disso, considerações centradas no ser humano, como ergonomia, cultura organizacional e programas de treinamento, são essenciais para garantir a satisfação dos colaboradores, reduzir a rotatividade e aumentar a produtividade geral. Ademais, comunicação e colaboração eficazes entre os membros da equipe, dentro das organizações e entre parceiros da cadeia, são cruciais para superar desafios logísticos e aprimorar a resiliência operacional. Ao considerar esses fatores humanos, as empresas podem criar cadeias de suprimentos mais ágeis e adaptáveis, capazes de navegar em dinâmicas de mercado em constante evolução e atender às expectativas dos clientes.

9.4.1. Implicações dos fatores humanos na manufatura avançada e na logística

Os fatores humanos desempenham um papel crítico nas cadeias de suprimentos de manufatura avançada, influenciando eficiência, qualidade e inovação. As implicações desses fatores, combinadas com GenAI, LLM, transformadores, grafos de conhecimento (Mitra, Wongpiromsarn e Murray, 2013) e tecnologias geoespaciais, na logística e gestão da cadeia para manufatura avançada são profundas. Fatores humanos, como habilidades e comportamentos da força de trabalho, impactam diretamente a adoção e eficácia das tecnologias baseadas em IA. LLMs oferecem capacidades transformadoras, viabilizando análises preditivas, tomada de decisão em tempo real e sistemas autônomos. No entanto, a integração bem-sucedida exige abordar desafios centrados no humano, como treinamento da força de trabalho, gestão da mudança e construção de confiança com sistemas de IA. Ao utilizar LLMs, gestores da cadeia podem otimizar processos produtivos, prever flutuações na demanda e melhorar a visibilidade da cadeia. Essa convergência entre fatores humanos e tecnologias avançadas promete impulsionar eficiência, inovação e competitividade em ambientes de manufatura avançada.

Trabalhadores qualificados são necessários para operar máquinas complexas, gerenciar processos automatizados e interpretar análises de dados em tempo real. Diversidade e treinamento tornam-se essenciais à medida que as tecnologias evoluem, exigindo equipes adaptáveis capazes de aprender e utilizar novas ferramentas de forma eficaz. Ergonomia e segurança no trabalho são primordiais, especialmente em ambientes com sistemas robóticos e máquinas pesadas. Além disso, abordar as implicações dos fatores humanos envolve promover uma cultura de inovação e incentivar o engajamento dos colaboradores para adotar avanços tecnológicos e otimizar o desempenho da cadeia de suprimentos. Ao reconhecer e abordar essas implicações, as organizações podem aprimorar sua vantagem competitiva e alcançar crescimento sustentável nas cadeias de suprimento de manufatura avançada.

9.5. Conclusão e próximos passos

As interações globais entre empresas tornaram o cenário de negócios mais interconectado e interdependente do que nunca. Embora essas conexões sejam benéficas, também aumentam as vulnerabilidades das empresas diante de desastres. Isso introduz um framework de resiliência, usando TTS e TTR para avaliar e compreender a resiliência de forma mais abrangente. A resiliência pode demonstrar a força de uma empresa, sua gestão de riscos e adaptabilidade. Nosso LLM conversacional aprimora a obtenção de resultados e pode ser integrado a diversas aplicações, incluindo chatbots. Ao incorporar considerações de custo, podemos obter uma visão holística da capacidade de uma empresa em gerenciar interrupções de forma econômica. À medida que os LLMs evoluem, poderemos aprimorar ainda mais o framework, incorporando fatores como flutuações de demanda, disponibilidade de fornecedores, tempo de entrega e capacidade financeira para aprofundar a análise da resiliência de maneira matemática.

10. Grande desafio da integração e operação de sistemas: humanos, automação e IA

10.1. Contexto

A inovação tecnológica em computação, sensoriamento, comunicações e robótica está criando oportunidades para conceder tanto capacidades de tomada de decisão quanto autonomia física a sistemas que são, ou poderão ser, onipresentes e que interagem diretamente com seres humanos em larga escala (Annaswamy et al., 2023).

Os exemplos vão desde sistemas localmente implantados até sistemas que abrangem o globo:

• Robôs colaborativos (Cobots) na manufatura (Liu et al., 2024)
• Robótica assistiva na saúde (Christoforou et al., 2020)
• Veículos autônomos (Baldwin, 2020)
• Comércio personalizado (Brown e MacKay, 2022)
• Autonomia no campo de batalha (Knight, 2023)
• Redes elétricas inteligentes (Omitaomu e Niu, 2021)
• Controle de tráfego aéreo (Gopalakrishnan e Balakrishnan, 2021)

Capacidades computacionais expansivas e dispositivos de sensoriamento também estão por trás de tecnologias emergentes como gêmeos digitais (Jones et al., 2020; Srai et al., 2019), que combinam o mundo físico e digital para melhor monitoramento, análise preditiva e decisões otimizadas baseadas em dados. A promessa das tecnologias autônomas avançadas é ainda amplificada pelos recentes avanços em IA e aprendizado de máquina que demonstram desempenho “super-humano” em contextos que vão desde corridas de drones (Ackerman, 2023; Song et al., 2023) até jogos estratégicos altamente complexos como pôquer (Brown e Sandholm, 2019), StarCraft II (Simonite, 2019) e Diplomacy (Meta Fundamental AI Research Diplomacy Team (FAIR), 2022).

Para esses tipos de sistemas, é fácil especular sobre os benefícios de decisões mais rápidas e melhores, bem como autonomia física. É muito mais difícil avaliar os riscos potenciais — especialmente os que podem levar a falhas catastróficas — ou identificar e implementar medidas de mitigação. O progresso tecnológico traz consigo grande promessa, mas, como aprendemos com experiências passadas, essa promessa deve ser confrontada com os riscos potenciais e a capacidade de mitigar resultados negativos imprevistos. A indústria farmacêutica é um bom exemplo. O desenvolvimento de um único novo medicamento pode consumir mais de US$ 1 bilhão e levar mais de uma década, e mesmo assim 90% dos novos fármacos falham em testes clínicos apesar de terem passado pelos testes pré-clínicos. A falha pode decorrer da falta de eficácia ou de efeitos colaterais inaceitáveis (Sun et al., 2022). O que parecia ser uma ideia promissora 15 anos antes pode revelar-se um erro extremamente caro. A taxa de falha é tão alta porque experiências como a da Talidomida (Kim e Scialli, 2011) mostraram as consequências sociais de não sermos cautelosos com tecnologias farmacêuticas.

Robôs nas fábricas podem permitir a remoção de pessoas de trabalhos perigosos, operações “no escuro” e muito mais. Quando usados para tarefas muito simples, embora fisicamente exigentes, em ambientes altamente estruturados, a adoção de robôs tem sido extremamente bem-sucedida. À medida que aplicações mais sofisticadas são testadas — especialmente aquelas que exigem colaboração humano-robô — os resultados nem sempre são tão positivos (Gihleb et al., 2023). Vale destacar que vários exemplos negativos resultaram de pessoas que não compreendiam completamente seu papel na colaboração. Sistemas automatizados de assistência ao motorista (ADAS) são uma forma de robótica que pode dirigir nossos veículos e oferecem grande promessa em áreas como logística e gestão de tráfego urbano. Por outro lado, apesar de mais de US$ 40 bilhões investidos em desenvolvimento, veículos autônomos confiáveis — e mais importante, seguros — ainda estão “no horizonte” (Baldwin, 2020). Segundo relatos (Lauge, 2023), tanto os EUA quanto a China estão desenvolvendo robôs de combate, enquanto esforços internacionais buscam banir certas capacidades, como o direcionamento e disparo autônomos.

Outro exemplo é a infraestrutura inteligente. À medida que esses sistemas se tornam cada vez mais sofisticados, tornam-se também mais interconectados. Essa interconectividade oferece oportunidades para aumento de desempenho, mas também introduz fragilidade por meio da possibilidade de falhas em cascata devido a novas interdependências (Kilmek et al., 2018). Um exemplo hipotético é o dano físico a um trem de passageiros — por exemplo, causado por uma tempestade — levando à utilização de uma frota de veículos elétricos que estava fornecendo energia durante um horário de alta demanda, impactando assim o fornecimento de eletricidade.

10.2. Integração e operação de sistemas

As inovações tecnológicas nos permitem fazer algo que antes era impossível. Essa é a promessa. Onde enfrentamos desafios é na compreensão e mitigação dos riscos das inovações tecnológicas. Considere os veículos autônomos: a menos que sua implantação seja acompanhada de uma grande reformulação da infraestrutura viária existente, eles operarão em um ambiente não totalmente controlado. Em outras palavras, os desenvolvedores desses sistemas não terão uma definição precisa do domínio de aplicação e, portanto, não poderão prever com certeza como os sistemas se comportarão “no mundo real”. Tal consideração se amplifica para sistemas como a rede elétrica (EPG), que é na verdade a agregação e integração de muitos sistemas únicos e em certa medida independentes. A experiência histórica demonstra que contingências locais podem levar à falha do sistema em maior escala. Devido ao tamanho e à complexidade da EPG, é simplesmente impossível testar todos os cenários de contingência possíveis. Então, como podemos “qualificar” uma nova tecnologia que promete melhor controle de uma rede elétrica nacional?

Do ponto de vista social, o grande desafio dos sistemas fisicamente autônomos com IA é garantir segurança em relação aos humanos e eficácia em relação ao domínio de aplicação. Os requisitos para alcançar esse desafio são formidáveis. Abaixo, descrevemos brevemente alguns dos tópicos mais críticos que são atualmente áreas de pesquisa ativa.

10.2.1. Arquiteturas abertas de decisão

À medida que os sistemas autônomos se tornam mais sofisticados, eles podem aprender com experiências passadas para melhorar o desempenho ou adaptar-se a condições ambientais em evolução para aumentar a resiliência (cf., deep learning [LeCun, Bengio e Hinton, 2015]). Tais arquiteturas abertas de decisão apresentam desafios inéditos na certificação de operações seguras. Essa questão pode ser a mais formidável entre as preocupações na implantação de sistemas autônomos cada vez mais avançados. As abordagens existentes de certificação de sistemas (Mitra, Wongpiromsarn e Murray, 2013) incorporam ferramentas como métodos formais (Pola e Di Benedetto, 2019) para assegurar que um processo esteja em conformidade com todos os requisitos e especificações dentro de um intervalo presumido de ambientes operacionais. Uma abordagem complementar é incorporar validação no processo de projeto, em vez de posteriormente, para derivar sistemas que sejam “corretos por construção” (Tabuada, 2021). O principal desafio é de viabilidade computacional. Esses métodos dependem de modelos derivados de uma combinação de princípios fundamentais e dados cada vez mais disponíveis (Rai e Sahu, 2020). À medida que os sistemas se tornam mais complexos, o problema da certificação pode se tornar intratável computacionalmente, levando a suposições e aproximações que diluem a certificação ou são excessivamente conservadoras. Deixando esses problemas de lado, uma implicação das arquiteturas abertas de decisão é que se torna difícil prever a priori o resultado da adaptação, já que ela depende da ordem em que os ambientes operacionais são encontrados — ou seja, dependência de trajetória. Assim, embora o sistema original possa atender a um conjunto de especificações prescritas, sua versão evoluída pode não atender.

10.3. Ambientes estratégicos

Outra complicação é que não se possui uma caracterização prévia do conjunto de ambientes operacionais. Um fator contribuidor importante é que os sistemas adaptativos serão implantados na presença de outros sistemas adaptativos, que podem ser outras máquinas/algoritmos ou seres humanos. Assim, os sistemas estarão evoluindo/aprendendo em um ambiente não estacionário. Mesmo em cenários altamente estilizados, o aprendizado na presença de outros aprendizes pode levar a comportamentos caóticos (Piliouras e Shamma, 2014). No caso de máquinas/algoritmos interagindo com outros sistemas semelhantes em um domínio específico, cada sistema pode ser desenvolvido e implantado por entidades diferentes, talvez até concorrentes. Ou seja, é bem provável que não haja uma entidade central responsável pelo planejamento do sistema naquele domínio. Assim, podem emergir comportamentos não intencionais no longo prazo. Uma ilustração representativa é o trabalho que demonstra como algoritmos que maximizam lucro com adaptação independente podem aprender a coludir (Calvano et al., 2021). O problema se agrava com as possíveis interações entre sistemas autônomos em diferentes domínios.

Preocupações semelhantes surgem no caso de sistemas adaptativos interagindo com humanos, já que os humanos também exibem comportamento adaptativo. Um exemplo representativo é o caso de conluio entre motoristas em plataformas de carona (Tripathy, Bai e Hesse, 2022). Tais plataformas implantam estratégias de precificação em resposta à demanda de clientes e à disponibilidade de motoristas. Foi relatado (Hamilton, 2019) que motoristas coludem para criar uma escassez artificial e ativar o aumento dinâmico de preços, beneficiando-se coletivamente. Como no caso anterior de colusão máquina-máquina, agentes inteligentes adaptam-se para explorar outros agentes inteligentes — exceto que agora, de um lado estão as “máquinas” e do outro os “humanos”. Esse fenômeno é uma forma de distribuições dependentes de decisão (Dong, Zhang e Ratliff, 2023), em que as características dos dados coletados antes da implantação de um sistema de decisão mudam em reação às decisões tomadas pelo próprio sistema. As pesquisas incluem o projeto de sistemas robustos a mudanças de distribuição (Delage e Ye, 2010; Kuhn et al., 2019) ou que antecipem reações estratégicas (Zrnic et al., 2021).

10.4. Aprendizado online vs offline

Muitos dos sucessos dos sistemas de aprendizado empregam simulações extensas de ambientes realistas para os quais existem modelos computacionais com fidelidade suficiente. Essa abordagem, chamada de transferência de simulação para o real (sim-to-real) (Zhao, Queralta e Westerlund, 2020), é motivada por duas principais considerações. Primeiro, ela elimina a necessidade de coletar conjuntos de dados do mundo real. Segundo, permite o aprendizado experiencial que equilibra exploração e exploração sem consequências no mundo real. Uma área ativa de pesquisa é como projetar o ambiente de simulação de modo a maximizar a probabilidade de que o sistema autônomo seja bem-sucedido — ou, ao menos, exija pequenos ajustes — quando implantado. Conceitos principais incluem a randomização de domínio (Tobin et al., 2017), de forma que o sistema de aprendizado seja insensível às variações ambientais, e o meta-aprendizado, que consiste em treinar um sistema para se adaptar/aprender melhor em ambientes desconhecidos (Finn et al., 2019), além da fidelidade variável do domínio, que desafia a noção de que maior fidelidade é necessariamente melhor para o treinamento (Truong et al., 2023). Observa-se que a teoria do aprendizado por reforço admite um meio-termo, conhecido como aprendizado off-policy, em que dados do mundo real são usados para treinar um sistema autônomo offline (Di-Castro, Di-Castro e Mannor, 2021).

Um desafio evidente nesse modelo é a disponibilidade de um ambiente de simulação que permita a transferência da simulação para o mundo real. Na ausência de tal ambiente, é necessário coletar dados do mundo real e experiência simultaneamente. Essa exigência representa uma grande limitação na aplicação de métodos de aprendizado a sistemas críticos para a segurança, nos quais podem haver consequências custosas ou até trágicas em caso de falhas experimentais, como em infraestrutura de larga escala ou operações próximas a humanos. Para lidar com essa preocupação, há grande interesse no conceito de “aprendizado seguro” (Hewing et al., 2020; Brunke et al., 2022). Nesse contexto, há limitadores internos no algoritmo de aprendizado que inibem a exploração até que dados suficientes tenham sido reunidos, permitindo que melhorias de desempenho sejam realizadas por meio de etapas cautelosas. Os dados podem envolver aprendizado sobre o sistema autônomo (por exemplo, dinâmica de um robô ou veículo) ou sobre o ambiente (por exemplo, comportamento de outros agentes). Como mencionado anteriormente, aprender na presença de outros aprendizes, sejam máquinas ou pessoas, representa um desafio significativo ao aprendizado seguro.

10.5. Aceitação e adoção da tecnologia

Sistemas autônomos avançados não podem ser implantados sem a aceitação social de sua presença e adoção da tecnologia. Temas emergentes relacionados a esse tópico incluem autonomia confiável (trusted autonomy) (Hoff e Bashir, 2015) e IA explicável/interpretável (Dosilovic, Brcic e Hlupic, 2018). Como discutido por Hoff e Bashir (2015), acidentes podem ocorrer tanto por confiar pouco quanto por confiar demais na autonomia. Exemplos opostos incluem desativar o piloto automático em favor do controle manual ou continuar usando o piloto automático após alertas de falha de sensores (ver também Dingus et al., 1998, para perspectivas históricas). Ademais, uma vez que a confiança é diminuída — talvez devido a uma falha do sistema — o sistema autônomo precisa, de alguma forma, recuperar a confiança do usuário humano (de Visser, Pak e Shaw, 2018). É aí que a noção de IA explicável ou interpretável pode ter papel fundamental. À medida que as decisões são transferidas de humanos para algoritmos, surge o desejo de compreender o raciocínio por trás das decisões algorítmicas.

Um fator complicador em toda essa discussão é que essas questões dependem da percepção do usuário humano. Por exemplo, para ser confiável, o planejamento de movimento de veículos móveis autônomos em proximidade a humanos deve não apenas assegurar a evitação de colisões, mas também manter uma distância tal que o humano se sinta seguro, mesmo quando trajetórias mais próximas ainda evitariam colisões (Yoon et al., 2019). Tais questões são agravadas por variabilidades no comportamento e nas atitudes humanas, que ocorrem de pessoa para pessoa ou ao longo do tempo para a mesma pessoa, e que dependem do contexto ambiental subjacente (Hoffman e Stawski, 2009). Outro fator complicador — já recorrente — é que a confiança em sistemas autônomos adaptativos é muito mais desafiadora devido às mudanças temporais nos comportamentos decorrentes do aprendizado e da adaptação.

10.6. Encerramento (por ChatGPT²)

Em conclusão, a rápida evolução da computação, sensoriamento, comunicações e robótica inaugurou uma nova era de tecnologias autônomas avançadas com potencial para revolucionar diversos aspectos da vida cotidiana — da manufatura à saúde, do transporte à infraestrutura. Os exemplos apresentados — que vão desde robôs colaborativos na indústria até veículos autônomos e infraestrutura inteligente — ilustram a amplitude das possibilidades que essas tecnologias oferecem. No entanto, ao adentrarmos essa era de inovação sem precedentes, torna-se cada vez mais evidente que, junto com a promessa de maior eficiência e autonomia, vem a responsabilidade crítica de gerenciar e mitigar riscos potenciais. As lições caras da indústria farmacêutica servem como lembrete contundente de que os avanços tecnológicos devem ser rigorosamente avaliados para evitar consequências imprevistas e indesejadas.

O grande desafio que enfrentamos não é apenas garantir a segurança e eficácia de sistemas fisicamente autônomos e habilitados por IA, mas também navegar pelas complexidades de arquiteturas de decisão abertas, ambientes estratégicos, aprendizado online vs offline e aceitação social. Enfrentar esses desafios exige pesquisa e desenvolvimento contínuos, compromisso com metodologias de aprendizado seguro e compreensão da complexa interação entre tecnologia e percepção humana. Ao buscarmos as promessas da inovação tecnológica, é imperativo agir com cautela, garantindo que os benefícios obtidos não sejam ofuscados pelos riscos encontrados nessa jornada transformadora rumo ao futuro.

11. Grande desafio da educação em engenharia industrial e de sistemas

Esta seção discute o grande desafio na educação em Engenharia Industrial e de Sistemas (EIS), incluindo contexto, motivação e recomendações. Identificamos os seguintes cinco principais desafios relevantes para a educação em EIS:

1. Que novos e diferentes conteúdos devem ser ensinados? Como maximizar o aprendizado desses novos conteúdos pelos alunos?
2. Que tipo de pesquisa é necessária para harmonizar e explorar sinergias entre Engenharia Industrial (EI), Engenharia de Sistemas (ES) e Inteligência Artificial (IA)?
3. Que novos métodos precisam ser incorporados à prática com base nas lições aprendidas, especialmente nos domínios de transporte e aeroespacial?
4. Que conhecimento específico por domínio deve ser transmitido a alunos de diferentes áreas (ex: saúde, manufatura, finanças)?
5. Como grandes modelos de linguagem (LLMs) podem ser explorados na educação e pesquisa em EI/ES, reconhecendo os limites de competência dos LLMs e chatbots?

É evidente que esses desafios não são independentes e precisarão ser abordados de forma integrada. Nas seções seguintes, realizamos uma explicação mais ampla e discutimos os fundamentos de como e por que esses desafios precisam ser enfrentados. Discutimos também por que enfrentá-los é importante para garantir a sustentabilidade da educação em EI no longo prazo.

11.1. Contexto: crescimento da complexidade

Sistemas sociotécnicos complexos são caracterizados por interações dinâmicas que são multidirecionais, frequentemente em sistemas interconectados, e frequentemente levando a propriedades emergentes. Consequentemente, educação e pesquisa não podem ser independentes de fatores sociais, avanços tecnológicos e questões relacionadas à infraestrutura. A complexidade nesses sistemas resulta, em grande parte, do aumento no número de entidades independentes interagindo no sistema. A comunidade global em si é um sistema sociotécnico complexo — uma amálgama de sistemas compostos por entidades naturais e artificiais. A interconectividade nesses sistemas é caracterizada pela capacidade dessas entidades se comunicarem entre si. De acordo com a Statista (URL 1), atualmente existem 6,92 bilhões de usuários de smartphones, o que equivale a 85,88% da população mundial. No caso-limite, uma rede totalmente interconectada de humanos teria 6,92 bilhões de nós. Uma rede não direcionada dessa magnitude teria aproximadamente 23,95 quintilhões de conexões. Embora nem todos estejam conectados a todos, esse número serve como um limite superior que indica o crescimento potencial da complexidade do mundo em que vivemos.

Hoje, com múltiplos meios e modos de disseminação de informação, essas redes ultra-amplas, na ausência de políticas e controles de disseminação, se manifestam não apenas na difusão instantânea de informações relevantes, mas também de informações não verificadas. A oportunidade para a engenharia industrial e de sistemas como profissão está em como melhor abordar esse desafio sob as perspectivas educacional, de pesquisa e de capacitação.

11.2. Oportunidades para a disciplina de Engenharia Industrial (IE) resultantes das tecnologias disruptivas de IA

Atualmente, também precisamos lidar com tecnologias disruptivas como os Grandes Modelos de Linguagem (LLMs) e chatbots baseados nesses modelos, como o ChatGPT. Como educadores, percebemos que tanto nosso conteúdo instrucional quanto nossos modos de ensino precisam ser revisados criticamente, já que os estudantes agora têm todas as informações necessárias ao alcance dos dedos, graças a tecnologias como o ChatGPT. Ter um LLM disponível em sala de aula é equivalente a cada aluno ter um assistente pessoal de ensino ou tutor. Embora os LLMs atuais ainda “alucinem” (ou seja, gerem textos incorretos ou sem sentido, e portanto, contextos irrelevantes), é uma questão de tempo até que suas respostas melhorem significativamente. Portanto, a grande questão para a academia é como ensinar disciplinas fundamentais diante da disponibilidade ubíqua dessas tecnologias e do crescente número de excelentes cursos online. As formas tradicionais de ensino e o conteúdo atual em IE ainda são relevantes? Se não, o que precisa mudar e como?

A mudança dinâmica mais importante é a explosão de dados e o crescente interesse por repositórios integrados e unificados de dados (um “balcão único”). Embora viável, esse tipo de estrutura ainda representa um enorme desafio em termos de manutenção, atualização e sustentabilidade. Em nossas vidas, vimos os simples bancos de dados SQL da IBM dos anos 1970, focados principalmente em aplicações financeiras (como folha de pagamento), evoluírem para data warehouses (1980), data lakes (2011) e lake houses (2020). Essa progressão tornou a análise de dados em tempo real via modelos de IA e abordagens de ciência de dados (que serão o futuro da formação de engenheiros industriais) uma tarefa não trivial. Diante disso, a modelagem de sistemas e a otimização precisam considerar a dinamicidade e heterogeneidade dos dados para desenvolver metodologias significativas e aplicações sustentáveis. Precisamos nos perguntar: “Nossa profissão está preparada para lidar com esse problema?” Se não, quais medidas precisamos tomar para garantir que estaremos?

Abaixo, não tentamos responder a essas perguntas. Em vez disso, focamos em identificar mudanças fundamentais necessárias na educação, pesquisa e formação em IE, dadas as inovações disruptivas em IA e Engenharia de Sistemas (SE). Especificamente, postulamos que o futuro da IE está em explorar a sinergia potencial entre Engenharia de Sistemas (SE) e Engenharia Industrial (IE), além de utilizar plenamente os recentes avanços em IA para aumentar a produtividade na engenharia. Observamos que, embora a IE tenha mudado seu nome para ISE (Industrial and Systems Engineering), até agora isso foi apenas uma mudança de nomenclatura, com pouco progresso na compreensão dos pontos de sinergia entre essas duas disciplinas potencialmente complementares.

Na última década, testemunhamos uma transformação contínua da engenharia de sistemas para lidar com a crescente complexidade dos sistemas sociotécnicos. Também observamos avanços dramáticos em IA com o advento do deep learning e dos Grandes Modelos de Linguagem. O novo slogan “AI4YOU”, que implica uma IA personalizada, não é apenas um jargão, mas uma realidade que está evoluindo lenta, porém firmemente. Não apenas lidaremos com sistemas interagindo com indivíduos, mas os próprios indivíduos serão modelados como gêmeos digitais. Incluímos, nessa definição, entidades individuais e coletivas como pessoas, empresas e governos (municipais, estaduais e federais). A questão, então, é como introduzir tal sofisticação e complexidade de pensamento no ensino de IE. O imperativo atual para a IE é começar a explorar como os avanços em SE e IA podem ser aproveitados para ampliar o escopo de aplicação, as competências centrais e garantir a relevância contínua da IE no século XXI. Com essas preocupações em mente, revisamos a evolução dessas áreas e sugerimos direções promissoras para a IE no campo educacional, de modo a assegurar sua relevância no futuro.

11.3. Evolução da IE, SE e IA

As disciplinas continuam a evoluir com novas descobertas de pesquisa e com o surgimento de novas tecnologias.

IE, SE e IA também evoluíram, especialmente na última década.

11.3.1. Evolução da IE

Historicamente, a IE esteve preocupada com o projeto, melhoria e otimização de sistemas, processos e organizações complexas. O primeiro departamento de IE, na Penn State, foi fundado em 1908, focado principalmente nos trabalhos fundamentais de Hugo Diemer (Diemer, 2012) e Frederick Winslow Taylor (Taylor, 1919). Nos anos 1970, passou a se chamar Engenharia de Sistemas e Gestão Industrial, e depois mudou novamente. Apesar de várias mudanças de nome, o foco em sistemas permaneceu constante, mesmo quando o próprio conceito de sistemas se expandiu para “uma rede interconectada de pessoas, dispositivos e ferramentas”. Essa definição abrange o que é ensinado em IE hoje. Manufatura, otimização, fatores humanos e análise de dados (ou ciência de dados) são os pilares básicos que criamos. Embora os alunos de ISE sejam bem treinados nessas disciplinas e 321.400 engenheiros industriais estejam empregados nos EUA (Bureau of Labour Statistics, 2022), não está claro até que ponto esses alunos compreendem e aplicam os princípios da ISE ao adotarem abordagens da IE para resolver problemas. Compreender complexidade, interações, dependências e ciclos de vida sob uma perspectiva sistêmica tornou-se vital para engenheiros industriais atualmente.

11.3.2. Evolução da SE

A Engenharia de Sistemas (SE) é um campo interdisciplinar da engenharia que foca no projeto, desenvolvimento e gerenciamento de sistemas complexos, com ênfase em atributos de qualidade como usabilidade, segurança, disponibilidade e resiliência. A SE surgiu como uma disciplina reconhecida nos anos 1940, com o termo sendo usado pela primeira vez nos laboratórios Bell. Apesar da ausência inicial de fundamentos formais, a SE teve papel vital no pouso na Lua em 1969 e no retorno seguro dos astronautas à Terra. Uma breve revisão das aplicações iniciais da SE sugere alguns temas recorrentes: os engenheiros de sistemas tendem a ser especialistas em domínios; suas análises dependem de engenharia específica do domínio; seu trabalho cruza múltiplas disciplinas técnicas e não técnicas. Nas últimas duas décadas, a SE tem focado em aumentar sua estrutura e rigor, explorando conceitos da ciência da computação, biologia e engenharia de software. A ênfase hoje está na engenharia de sistemas transdisciplinar (Madni, 2018), Engenharia de Sistemas Baseada em Modelos (Madni e Sievers, 2018), análise de trade-offs (Bahill e Madni, 2016), elegância no design (Madni, 2018) e atributos de qualidade como ciber-resiliência e agilidade.

11.3.3. Evolução da IA

Nos últimos cinco anos, houve um aumento no interesse por IA para engenharia de sistemas e engenharia de sistemas para IA, liderado por organizações como o DoD Systems Engineering Research Center (sercuarc.org). Com os avanços recentes em LLMs e o advento do ChatGPT e suas variantes, engenheiros de sistemas e engenheiros industriais começaram a explorar maneiras de utilizar as capacidades dos LLMs como meio de automatizar tarefas rotineiras e servir como apoio à inteligência em tarefas cognitivas e de tomada de decisão. É importante perceber que um LLM é um modelo de associação de dados que pode demonstrar competência em domínios limitados, mas é inadequado para problemas que exigem senso comum e raciocínio causal. Considerando essas descobertas, Madni (2020) sugeriu o papel da Inteligência Aumentada para todos os sistemas baseados em IA. A ideia central é explorar a IA como amplificadora de desempenho ou capacidade em tarefas cognitivas como resolução de problemas e tomada de decisão (Madni, 2020).

Desde a cunhagem do termo “IA” na conferência de Dartmouth em 1956, a IA evoluiu de Sistemas Baseados em Conhecimento para o aprendizado profundo baseado em atenção (Vaswani et al., 2017). A IA também avançou desde os fundamentos (Nilsson, 1982; Genesereth & Nilsson, 2012; Russell e Norvig, 2010) até aplicações em medicina (Hamet e Tremblay, 2017; Topol, 2019) e manufatura (Kumara, Kashyap e Soyster, 1989; Davies, 2023). É seguro afirmar que a IA veio para ficar; contudo, sua forma certamente continuará a evoluir. Olhando para trás, a IA passou de uma fase de destaque nos anos 1980 para um longo período de estagnação nos anos 2000, e ressurgiu com o aprendizado de máquina como uma tecnologia “quente”. Hoje, a IA está se tornando parte cada vez mais integrante da sociedade moderna.

11.4. Contextos mundiais em evolução

No livro The Future of Work (West, 2018), o autor afirma que o futuro exigirá aprendizado contínuo por toda a vida para cada trabalhador. A corrente de pensamento comercial é que os diplomas universitários deixarão de ser necessários, pois viveremos numa “economia gig”, em que pessoas com habilidades específicas impulsionarão a economia. Nesse sentido, o trabalho baseado em plataformas tornou-se essencial (Taylor et al., 2017). Essa mudança no futuro do trabalho implica que a educação universitária atual precisará mudar. Já estamos vendo o impacto dessa mudança através de plataformas online como EdX, Coursera, entre outras. Temos uma escolha: podemos continuar com o “business as usual”, fazendo o que sempre fizemos, ou encontrar formas alternativas e robustas de treinar a força de trabalho do futuro. A principal questão aqui é: como treinamos essa força de trabalho futura sem prejudicar as habilidades básicas que os engenheiros industriais do futuro precisarão?

11.5. Novo paradigma e questões-chave

Considerando o exposto, domínios como transporte (Malandraki et al., 2007), saúde (Topol, 2019), manufatura (Balakrishnan, Kumara e Sundaresan, 1999), sistemas humanos (Karwowski, 2005), sistemas ciberfísicos (Monostori et al., 2016) e sistemas sociais (Barabasi e Albert, 1999) devem ser estudados e compreendidos a partir de uma perspectiva sistêmica mais abrangente. Para isso, propomos duas premissas fundamentais: a estrutura e o comportamento de um sistema complexo podem ser modelados como uma rede de interações entre seus constituintes; e problemas sociotécnicos complexos precisam explorar a convergência da engenharia com outras disciplinas, ou seja, a Engenharia de Sistemas Transdisciplinar (Madni, 2018).

Vale lembrar que muitos engenheiros industriais da geração baby boomer foram de fato expostos à teoria dos sistemas há não muito tempo. Estudaram as obras de Bertalanffy, Simon e Wiener durante a pós-graduação. Infelizmente, hoje apenas algumas escolas ainda ensinam teoria dos sistemas. Talvez seja o momento oportuno para a IE reintroduzir os fundamentos da teoria dos sistemas e da SE nesta era de crescimento exponencial da complexidade dos sistemas e de feedback instantâneo.

11.6. Aspectos de fatores humanos

A disciplina de Engenharia Industrial concentrou-se no estudo de tempo e movimento, esforço humano e melhoria da eficiência sob o ponto de vista dos fatores humanos durante grande parte das últimas seis décadas. Na última década, a interface homem-computador tornou-se importante. Recentemente, com a proliferação de pesquisas e o uso disseminado de Robótica e IA, a colaboração humano-máquina tornou-se crítica. Abordamos isso no grande desafio 5, especialmente ao tratar desse aspecto a partir da perspectiva educacional. O futuro da IE, do ponto de vista da SE, precisa considerar as questões complexas que surgem (ver discussões anteriores nesta seção) devido à colaboração humano-máquina e aos comportamentos emergentes manifestados por tais interações complexas. A disciplina de IE, como mencionado anteriormente, precisa considerar a educação de sua próxima geração com base no extenso corpo de conhecimento originado no Instituto Santa Fe (Gellman).

11.7. Implicações para manufatura avançada

A IA e outras tecnologias relacionadas estão se tornando parte integrante da sociedade. Da saúde à manufatura, a IA já é vista como uma força motriz. Isso implica que os próximos engenheiros industriais devem ter uma boa formação em IA, que propomos (ver nossa discussão) como parte integrante da educação em IE/SE. Os sistemas da próxima geração (não apenas de manufatura, mas praticamente todos, incluindo os de serviços) precisarão lidar com a complexidade no contexto da tecnologia e da sociedade. Suponhamos, apenas para fins de explicação, que a manufatura do futuro utilizará GenAI extensivamente. Isso levará a diferentes formas de interação entre humanos e máquinas (computadores) e máquinas de manufatura. Isso resultará em uso exponencial de energia, o que, por sua vez, afetará os sistemas socioeconômicos. As decisões no futuro não poderão ser tomadas isoladamente (maximização de lucros), desconsiderando todos esses fatores interconectados e interativos. Nossa discussão, portanto, enfatiza que os engenheiros da próxima geração precisam ter um bom entendimento de sistemas e redes, além de outros tópicos mencionados nesta seção. As decisões relacionadas à manufatura não podem ser tomadas de forma isolada, mas devem considerar a agregação de valor no contexto do clima, bem-estar social e sustentabilidade de longo prazo. Os engenheiros industriais de hoje não estão preparados para lidar com essas questões.

11.8. Recomendações

Para o futuro, a IE precisa reintroduzir o pensamento sistêmico e a Engenharia de Sistemas no currículo da IE. É necessário explorar a IA não apenas para automatizar tarefas rotineiras ou repetitivas, mas como meio de aprimorar o desempenho humano e ampliar as capacidades humanas em tarefas de resolução de problemas e tomada de decisões (Madni, 2020). Deve-se abordar sistemas em larga escala, complexidade, interconectividade de dados, tomada de decisões inteligente, IA aumentada, teoria de sistemas, equipes humano-IA e sustentabilidade. Claro, a IE precisa continuar avançando em estatística, otimização, simulação e modelagem estocástica. Uma observação interessante é que a educação médica nas universidades está sempre conectada com hospitais. Estudantes de medicina ganham experiência no mundo real por meio de sua imersão em hospitais universitários. No entanto, embora a engenharia tenha como objetivo projetar, construir, analisar e melhorar sistemas, ela não está conectada com empresas na resolução de problemas de forma contínua. Embora algumas universidades tenham resolução de problemas reais por meio de um curso baseado no modelo “Learning Factory”, essa abordagem não é parte integrante da educação em engenharia. Para o futuro, o maior desafio da profissão de engenharia industrial é trabalhar com empresas (de manufatura, serviços, governo e ONGs) e integrar a resolução de problemas reais na sua educação, pesquisa e formação.

Isso tornaria a ISE relevante no cenário em mudança da força de trabalho do futuro. O caminho mais fácil seria seguir o ditado do “vinho velho em garrafa nova”, renomeando cursos existentes e aguardando o declínio da ISE, ou então comprometer-se com uma mudança estrutural profunda. É imperativo que as escolas de ISE formem um braço estendido de indivíduos (pessoas, empresas e governos) e estejam em engajamento contínuo na formação da próxima geração da força de trabalho em ISE. Um avanço simples, porém desafiador, seria definir um estudo de caso que possa ser utilizado em todos os cursos ministrados em uma escola de ISE, dentro de um novo currículo integrado. Da otimização ao aprendizado de máquina e à análise centrada no ser humano, um único caso pode ser considerado em diferentes disciplinas para incorporar a experiência de resolução de problemas reais na educação. Tal estudo de caso poderá abrir caminho para um futuro onde professores e alunos pensem seriamente sobre como usar efetivamente uma técnica na resolução de problemas do mundo real, em vez de apenas aprender a técnica resolvendo exemplos de livros didáticos. A NSF iniciou um novo modelo de pesquisa orientada pelo uso, e estudos de caso abrangentes que abordem efetivamente vários aspectos da aprendizagem em ISE podem, de fato, se encaixar nesse modelo.

A ISE precisa de uma mudança fundamental — uma que explore os métodos da SE na formulação de problemas da IE, e aproveite os métodos da IE na resolução de problemas da SE, com ambos sendo informados pelos avanços em tecnologias como IA, aprendizado de máquina e inteligência aumentada. Estamos entrando em uma era sem precedentes de crescimento exponencial prolongado da tecnologia, na qual ações ousadas são necessárias dentro da IE. Isso começa com a exploração de como o pensamento sistêmico complexo, a SE e a IA podem ser harmonizados com a IE para garantir a relevância contínua da educação e pesquisa em ISE no século XXI.

12. Perspectiva da ISE sobre grandes desafios

Este artigo identificou oito grandes desafios para a engenharia industrial e de sistemas (ISE), incluindo: (1) inteligência artificial (IA) para tomada de decisões e projeto e operação de sistemas, (2) cibersegurança e resiliência, (3) sustentabilidade: meio ambiente, energia e infraestrutura, (4) questões de saúde, (5) questões sociais, (6) logística e cadeia de suprimentos, (7) integração de sistemas e operações, e (8) educação em engenharia industrial e de sistemas. Também queremos destacar que a ISE está em posição única para enfrentar muitos dos problemas globais multifacetados e interconectados da sociedade contemporânea. Ao aproveitar seu conhecimento abrangente e abordagem sistêmica, a ISE pode fornecer soluções holísticas para questões complexas socioeconômicas, de saúde, educação, ambientais e de sustentabilidade. Os grandes desafios discutidos apontam a necessidade de entender melhor como os princípios e metodologias atuais da ISE podem ser aplicados e qual novo corpo de conhecimento será necessário para que a ISE promova avanços impactantes para melhorar a condição humana em todo o mundo.

Primeiramente, a ISE pode aprimorar a tomada de decisões complexas e o projeto de sistemas ao integrar aplicações de tecnologias de inteligência artificial para uso empresarial e pessoal. Otimizando processos, melhorando eficiências operacionais e possibilitando insights baseados em dados, os profissionais de ISE podem garantir que a IA seja utilizada de forma eficaz para atender às necessidades da indústria e da sociedade. O foco no design centrado no ser humano deve garantir que a integração de sistemas de IA em todos os aspectos da vida humana seja segura, transparente, ética e amigável ao usuário.

Em segundo lugar, proteger e sustentar sistemas críticos contra ameaças cibernéticas é fundamental na era digital atual. A ISE pode contribuir para alcançar níveis socialmente desejados de cibersegurança ao facilitar o desenvolvimento de arquiteturas resilientes de sistemas, implementar medidas de segurança robustas e projetar processos que possam se recuperar rapidamente de interrupções. Isso deve garantir a operação contínua e segura de serviços e infraestruturas essenciais em todo o mundo.

Em terceiro lugar, a ISE pode desempenhar um papel crucial na promoção da sustentabilidade ambiental ao otimizar a utilização de recursos naturais, reduzir resíduos e melhorar a eficiência energética. Ao projetar e gerenciar sistemas e infraestruturas sustentáveis, a ISE pode ajudar organizações a minimizar sua pegada ambiental e contribuir para os objetivos globais de sustentabilidade.

Em quarto lugar, enfrentar os desafios da saúde exige o projeto e a gestão eficientes de sistemas de saúde. Metodologias da ISE, como otimização de processos e integração de sistemas, podem melhorar a prestação de serviços de saúde, aumentar os resultados dos pacientes e reduzir custos. Ao focar na eficiência e eficácia do sistema, a ISE pode melhorar a saúde e o bem-estar de populações no mundo inteiro.

Em quinto lugar, enfrentar os desafios sociais envolve compreender e resolver problemas sociais complexos. A ISE pode contribuir para essa missão ao projetar sistemas e processos que promovam equidade social, melhorem o acesso a serviços essenciais e aumentem a resiliência das comunidades. Ao integrar considerações sociais no projeto de sistemas, a ISE pode garantir que todos os avanços tecnológicos beneficiem todos os segmentos da sociedade global.

Em sexto lugar, melhorar a eficiência e resiliência das cadeias de suprimentos e da logística é essencial para a estabilidade e crescimento socioeconômico e político em todo o mundo. A ISE pode otimizar operações de cadeias de suprimentos, aprimorar a gestão logística e garantir o fluxo suave de bens e serviços. Esses esforços podem reduzir custos, aumentar a confiabilidade e melhorar a capacidade de resposta das empresas às demandas do mercado.

Em sétimo lugar, harmonizar as interações entre pessoas, automação e IA é crucial para a integração e operação de sistemas modernos. A ISE pode fornecer o arcabouço para projetar sistemas integrados que aproveitem as forças dos operadores humanos e das tecnologias automatizadas. Isso deve garantir que todos os sistemas tecnológicos sejam eficientes, adaptáveis e resilientes a mudanças e interrupções.

Oitavo, avançar na educação e formação em ISE é fundamental para preparar a próxima geração de engenheiros para atender com sucesso às necessidades e aspirações da sociedade global. A educação em ISE deve equipar os alunos com as habilidades e conhecimentos necessários para enfrentar questões globais complexas, atualizando currículos, incorporando novas tecnologias e enfatizando abordagens interdisciplinares e sistêmicas.

Em resumo, ao integrar expertise científica e de engenharia com um entendimento profundo de fatores humanos e sociais, os profissionais de ISE podem projetar e implementar sistemas que melhorem a eficiência, aumentem a resiliência e promovam a sustentabilidade em diversos domínios da vida moderna. A disciplina e a profissão de ISE podem liderar e contribuir significativamente para enfrentar os prementes problemas socioeconômicos que nosso mundo enfrenta hoje.

13. Conclusões

Os oito grandes desafios da ISE delineados devem apoiar o projeto e a operação mais eficazes de sistemas integrados de pessoas, materiais, informações, equipamentos e energia. Esses desafios também ressaltam a crescente importância da necessidade de uma integração eficaz de sistemas tecnológicos complexos em todos os níveis. Até o momento, a prática da ISE tem se baseado principalmente em conhecimentos do século XX. O desenvolvimento de novos conhecimentos, a identificação e a adoção de modelos, teorias e estratégias desenvolvidos recentemente no século XXI, nos campos relacionados da ciência, engenharia e medicina, devem ajudar a enfrentar os grandes desafios identificados da ISE. A discussão acima aponta para a necessidade de expandir significativamente o conteúdo atual de conhecimento do domínio da ISE. Tal necessidade é impulsionada principalmente pelo rápido desenvolvimento das tecnologias inteligentes, pela economia global em evolução, pela sustentabilidade da vida na Terra e por muitas tendências socioeconômicas emergentes que provavelmente transformarão e moldarão as sociedades modernas. Por fim, esperamos que este artigo contribua para a discussão atual sobre o futuro da ISE, estimule as tão necessárias reflexões sobre os desafios da ISE e facilite o desenvolvimento da teoria e da prática da ISE em benefício da humanidade.

14. Limitações do estudo

O presente estudo possui várias limitações. Os Grandes Desafios da ISE discutidos refletem as visões e perspectivas conjuntas de coautores de três continentes e cinco países, incluindo China, França, Índia, Coreia do Sul e Estados Unidos. Estudos futuros devem abordar e discutir as implicações das preocupações e limitações acima mencionadas.

 

Agradecimentos

Os seguintes membros atuaram como coordenadores das equipes que trabalharam nos desafios discutidos neste artigo: Laura Albert, Woo Chang, Brian Denton, Jingshan Li, Azad Madni, Jeff Shamma, Julie Swann, Manoj Tiwari.

Declaração de conflito de interesse

Nenhum conflito de interesse potencial foi relatado pelos autores.

Declaração de disponibilidade de dados

Compartilhamento de dados não aplicável – nenhum dado novo foi gerado.

 

Informações adicionais

Notas sobre os autores

Waldemar Karwowski

Waldemar Karwowski é Professor Pegasus e Presidente do Departamento de Engenharia Industrial e de Sistemas de Gestão da Universidade da Flórida Central, EUA. É Fellow do Chartered Institute for Ergonomics and Human Factors (Reino Unido), da Human Factors and Ergonomics Society (HFES), do Institute of Industrial and Systems Engineers (IISE), da International Ergonomics Association (IEA) e da American Association for the Advancement of Science (AAAS). Atuou como Presidente da HFES (2007) e da IEA (2000–2003). Recebeu o Prêmio David F. Baker de Pesquisa Distinta do IISE (2020) e o Prêmio de Serviço Distinto do Presidente da HFES (2021). Foi eleito para a Academia de Ciência, Engenharia e Medicina da Flórida (ASEMFL) em 2020.

Gavriel Salvendy

Gavriel Salvendy é Professor Distinto na Universidade da Flórida Central, presidente fundador da Academia de Ciência, Engenharia e Medicina da Flórida, fundador e ex-chefe do Departamento de Engenharia Industrial da Universidade Tsinghua na China e ocupou a cátedra privada da NEC Corporation em Engenharia Industrial na Universidade Purdue. É membro da Academia Nacional de Engenharia (NAE) e o único engenheiro industrial a ter recebido a Medalha John Fritz, frequentemente referida como o Prêmio Nobel da Engenharia.

Laura Albert

Laura A. Albert, Ph.D., é Professora de Engenharia Industrial e de Sistemas na Universidade de Wisconsin–Madison. É Fellow da AAAS e do IISE, e Presidente da INFORMS em 2023. Escreve os blogs de engenharia ‘Punk Rock Operations Research’ e ‘Badger Bracketology’.
 

Woo Chang Kim

Woo Chang Kim é bacharel em Engenharia Industrial pela Universidade Nacional de Seul (Coreia do Sul, 1999) e doutor em Pesquisa Operacional e Engenharia Financeira pela Universidade de Princeton (EUA, 2009). É professor titular no Departamento de Engenharia Industrial e de Sistemas e diretor da Escola de Pós-Graduação em Ciência de Dados do KAIST (Coreia do Sul).

Brian Denton

Brian Denton é Professor Stephen M. Pollock de Engenharia Industrial e de Operações na Universidade de Michigan. Seus interesses de pesquisa incluem tomada de decisões baseada em dados e otimização sob incerteza com aplicações em saúde, saúde pública, agendamento, gestão de cadeias de suprimentos e outros sistemas industriais. Tem vínculo cruzado com a Escola de Medicina da Universidade de Michigan. Foi professor visitante e pesquisador em Oxford (2023–2024), e presidente do departamento de IOE (2018–2023). Trabalhou anteriormente na IBM, Mayo Clinic e Universidade Estadual da Carolina do Norte. É Fellow eleito da INFORMS e do IISE e já presidiu diversas seções da INFORMS.

Maged Dessouky

Maged Dessouky obteve seus títulos de B.S. e M.S. em Engenharia Industrial pela Universidade Purdue e o Ph.D. em Engenharia Industrial e Pesquisa Operacional pela Universidade da Califórnia em Berkeley. É Professor Dean na Escola Daniel J. Epstein de Engenharia Industrial e de Sistemas da Universidade do Sul da Califórnia. Suas áreas de pesquisa são transporte e logística.

Alexandre Dolgui

Alexandre Dolgui é Fellow do IISE, Professor Distinto e Chefe do Departamento de Automação, Produção e Ciências da Computação no IMT Atlantique, França. Sua pesquisa foca em design de linhas de produção, planejamento da produção e otimização da cadeia de suprimentos. É editor-chefe do International Journal of Production Research (IJPR) e membro dos conselhos editoriais de 27 periódicos. Recebeu diversos prêmios científicos por suas contribuições na área.

Vince Duffy

Vincent G. Duffy é Professor na Escola Edwardson de Engenharia Industrial e no Departamento de Engenharia Agrícola e Biológica da Universidade Purdue, EUA. Conduz pesquisas em modelagem digital do ser humano, interação homem-computador, fatores humanos e ergonomia. Leciona disciplinas como projeto de trabalho, engenharia de segurança e ergonomia aplicada. É Fellow do Chartered Institute of Ergonomics & Human Factors do Reino Unido e obteve seu Ph.D. em Engenharia Industrial na Universidade Purdue.

Soundar Kumara

Soundar Kumara é Professor Allen, E., e Allen, M., Pearce de Engenharia Industrial na Penn State, e possui uma nomeação afiliada com a Escola de Ciências e Tecnologia da Informação. Ele também atua como Diretor do Centro para Aplicações de IA e ML na Indústria (AIMI) da Penn State. Seus interesses de ensino e pesquisa envolvem IA e ML na manufatura e na saúde. Ele possui diversas publicações de referência em Análise de Dados de Sensores, Manufatura Baseada em Agentes, Sistemas Ciberfísicos na Indústria, ML em saúde, IIOT e Detecção de Comunidades em Redes Complexas. Orientou 70 doutores e 80 mestres. É Fellow do IISE, ASME, CIRP e AAAS. Recebeu o Prêmio de Pesquisa Distinta David Baker do IISE, o Prêmio de Excelência em Pesquisa da divisão de Computação e Engenharia da Informação (CIE) da ASME, e foi listado entre os 20 acadêmicos mais influentes em manufatura inteligente pela SME. Recebeu ainda o Prêmio de Aluno Distinto do IIT Madras e o Prêmio de Engenheiro Industrial de Destaque pela Escola de IE da Purdue. Atualmente, representa a Penn State na Comissão do Governador da Pensilvânia sobre o uso de IA e também integra o Conselho Científico do Exército dos EUA. Seu número de Erdos é 3.

Jingshan Li

Jingshan Li é Chefe e Professor Titular da Cátedra Gavriel Salvendy no Departamento de Engenharia Industrial da Universidade Tsinghua, Pequim, China. Obteve seus diplomas de Bacharelado, Mestrado e Doutorado na Universidade Tsinghua, na Academia Chinesa de Ciências e na Universidade de Michigan, respectivamente em 1989, 1992 e 2000. Antes de ingressar na Tsinghua em 2021, atuou no Centro de P&D da General Motors, na Universidade de Kentucky e na Universidade de Wisconsin–Madison. Publicou 2 livros didáticos, 7 volumes editados e cerca de 300 artigos revisados por pares, capítulos de livros e artigos em conferências. Atuou como Editor de Departamento dos periódicos IISE Transactions e Flexible Service and Manufacturing Journal, Editor Sênior dos periódicos IEEE Transactions on Automation Science and Engineering e IEEE Robotics and Automation Letters, e Editor Associado do International Journal of Production Research, entre outros. Presidiu a IEEE International Conference on Automation Science and Engineering e diversas conferências importantes da área. Foi presidente de comitês técnicos da IEEE sobre Automação Sustentável da Produção e Gestão da Saúde. É Fellow do IEEE e IISE, e Palestrante Distinto da IEEE em robótica e automação. Recebeu o Prêmio NSF CAREER, o Prêmio de Carreira Inicial da IEEE em Robótica e Automação e vários prêmios de melhor artigo. Seus principais interesses de pesquisa são projeto, análise e controle de sistemas de produção e saúde.

Azad M. Madni

Azad Madni, membro da Academia Nacional de Engenharia dos EUA, é Professor Universitário de Astronáutica, Engenharia Aeroespacial e Mecânica na Universidade do Sul da Califórnia (USC). É titular da Cátedra Fred O’Green da Fundação Northrop Grumman em Engenharia e Diretor Executivo do Programa de Arquitetura e Engenharia de Sistemas da USC. Obteve seus títulos de Ph.D., M.S. e B.S. em Engenharia pela Universidade da Califórnia, Los Angeles. É pioneiro no campo da engenharia de sistemas transdisciplinares e criador do paradigma educacional TRASEE™, pelo qual recebeu o Prêmio Gordon da NAE em Inovação em Educação em Engenharia e Tecnologia. Também é vencedor da Medalha Simon Ramo do IEEE por conquistas excepcionais em engenharia e ciência de sistemas. É Membro Honorário da AIAA, membro honorário da ASME, Fellow vitalício do IEEE e da INCOSE, além de Fellow do IISE, AAAS, AIMBE, WAS, entre outros.

Leon McGinnis

Leon McGinnis é Professor Emérito na Escola de Engenharia Industrial e de Sistemas do Instituto de Tecnologia da Geórgia (Georgia Tech), onde leciona projeto de sistemas para alunos de engenharia industrial e de sistemas, e continua ativo em pesquisa. Sua pesquisa atual trata do projeto e controle operacional em sistemas logísticos de eventos discretos, incluindo armazéns, fábricas, cadeias de suprimentos, saúde e outros domínios de aplicação.

William Rouse

William B. Rouse obteve seu doutorado no MIT em ciência e engenharia de sistemas. É Professor Emérito e ex-Chefe da Escola de Engenharia Industrial e de Sistemas da Georgia Tech. Sua pesquisa foca em compreender e transformar sistemas organizacionais complexos nos setores de saúde, educação, energia, transporte e segurança nacional. Seu uso de modelos computacionais para enfrentar esses desafios é amplamente reconhecido. As visualizações interativas associadas a esses modelos são altamente valorizadas por tomadores de decisão do setor público e privado. Rouse é membro da Academia Nacional de Engenharia e foi eleito fellow de quatro sociedades profissionais – IEEE, INCOSE, INFORMS e HFES.

Jeff Shamma

Jeff S. Shamma atua na Universidade de Illinois em Urbana-Champaign, onde é Chefe do Departamento de Engenharia de Sistemas Industriais e Empresariais e ocupa a Cátedra Jerry S. Dobrovolny. Obteve seu Ph.D. em Ciência e Engenharia de Sistemas no MIT em 1988. Jeff é Fellow do IEEE e da IFAC, e já foi palestrante principal ou semi-principal em várias conferências, incluindo NeurIPS, Congresso Mundial da Sociedade de Teoria dos Jogos e a Conferência IEEE sobre Decisão e Controle. Seus interesses de pesquisa incluem decisão e controle, teoria dos jogos e sistemas multiagentes.

Max Shen

Z. Max Shen atua como Vice-Presidente e Pró-Reitor (Pesquisa) na Universidade de Hong Kong. Também é Professor Titular de Logística e Gestão da Cadeia de Suprimentos, com nomeações conjuntas na Faculdade de Engenharia e na Escola de Negócios da HKU. Seus interesses de pesquisa incluem logística e gestão da cadeia de suprimentos, tomada de decisão orientada por dados e otimização de sistemas. Seus programas de pesquisa abrangem negócios, sistemas de energia, transporte, cidades inteligentes, gestão da saúde e proteção ambiental. Trabalhou em estreita colaboração com a indústria e tem um sólido histórico de obtenção de grandes financiamentos de pesquisa de agências governamentais e setores privados, como NSF, DOE, DOT, Caltrans, IBM, GM, Safeway, HP, Bayer, Siemens, Alibaba, JD.com, entre outras. Formou 47 doutores; mais da metade atua em universidades de ponta, e os demais em grandes empresas de tecnologia no mundo. Reconhecido internacionalmente como um dos principais acadêmicos da área, publicou 3 livros, 10 capítulos e mais de 230 artigos. É Fellow da INFORMS, ex-presidente da POMS, Fellow da Academia de Engenharia de Hong Kong e ex-presidente da Society of Locational Analysis da INFORMS.

David Simchi-Levi

David Simchi-Levi é Professor William Barton Rogers (nomeado em homenagem ao fundador e primeiro presidente do MIT) de Sistemas de Engenharia no MIT e atua como chefe do Laboratório de Ciência de Dados do MIT. É considerado um dos principais pensadores em gestão da cadeia de suprimentos e análise de negócios. É Membro da Academia Nacional de Engenharia dos EUA.

Julie Swann

Julie L. Swann é Professora Distinta A. Doug Allison e Chefe do Departamento Edward P. Fitts de Engenharia Industrial e de Sistemas da Universidade Estadual da Carolina do Norte (NC State). É professora afiliada no Departamento Conjunto de Engenharia Biomédica (NC State e Universidade da Carolina do Norte em Chapel Hill), cofundadora e ex-codiretora do Centro de Sistemas de Saúde e Humanitários no Georgia Tech, onde atuou como docente até 2017. Swann é Fellow do IISE, INFORMS e AIMBE, além de ser a presidente da INFORMS em 2024. Ao longo de sua carreira, conduziu pesquisas, ações de extensão e atividades educacionais para melhorar a operação de sistemas de saúde e humanitários em todo o mundo. Seu trabalho com análises está relacionado à saúde pública, políticas públicas, epidemiologia, doenças infecciosas, gestão da cadeia de suprimentos e resposta a desastres. Atuou como consultora científica na resposta à pandemia de H1N1 nos Centros de Controle e Prevenção de Doenças (CDC) e liderou uma equipe de modeladores para apoiar a tomada de decisões do governo durante a emergência nacional de saúde da COVID-19.

Manoj Kumar Tiwari

Manoj Kumar Tiwari (FNAE, FNASc e FIISE) é Diretor Fundador do IIM Mumbai desde agosto de 2023, tendo também atuado como Diretor do Instituto Nacional de Engenharia Industrial (NITIE) em Mumbai de 2019 a 2023. Atua ainda como Reitor da Tata Institute of Social Sciences como encargo adicional. É Professor com licença e Grau Acadêmico Superior (HAG) no Departamento de Engenharia Industrial e de Sistemas do Instituto Indiano de Tecnologia de Kharagpur. Está fortemente envolvido em pesquisas voltadas para aplicação de otimização, modelagem, sistemas de apoio à decisão e mineração de dados nos domínios de logística, gestão da cadeia de suprimentos e manufatura. É editor associado ou sênior de diversos periódicos renomados como IJPR, POMS, IISE, ESWA, IJPE, JIM, IEEE-SMCA, INS e CAIE. O Professor Tiwari liderou inúmeros projetos e consultorias com importantes organizações industriais e governamentais da Índia, incluindo a Força Aérea Indiana, Procter and Gamble, TATA Hitachi, Intel, Dalmia e portos na região leste do país. Além disso, está ativamente engajado em pesquisa colaborativa com parceiros da Loughborough University (Reino Unido), do Institute for Manufacturing da University of Cambridge (Reino Unido), do Warwick Manufacturing Group (Reino Unido), da Durham University (Reino Unido) e da University of Connecticut (EUA). É autor de mais de 370 artigos em periódicos internacionais de destaque, com índice H de 85 e mais de 30.000 citações no Google Scholar. É membro da Academia Nacional de Ciências da Índia (NASI), da Academia Nacional de Engenharia da Índia (INAE), da Academia de Ciências e Tecnologia de Bengala Ocidental (WAST), da Academia Indiana de Ciências (IASc), do Institute of Industrial and Systems Engineers (IISE, EUA), além de ter sido reconhecido com o Prêmio de Pesquisa Distinta David F. Baker (IISE, EUA).

 

Notas

(1) Calculado pelos autores a partir dos dados de Tendências de Emissões de Poluentes do Ar da USEPA, 2018a.
(2) Em consonância com o tema desta subseção, os parágrafos finais foram escritos pelo ChatGPT a partir de um rascunho da seção.

 

Citação e link

Para citar este artigo:
Waldemar Karwowski, Gavriel Salvendy, Laura Albert, Woo Chang
Kim, Brian Denton, Maged Dessouky, Alexandre Dolgui, Vince Duffy, Soundar Kumara,
Jingshan Li, Azad M. Madni, Leon McGinnis, William Rouse, Jeff Shamma, Max Shen, David
Simchi-Levi, Julie Swann & Manoj Kumar Tiwari (2025) Grand challenges in industrial and
systems engineering, International Journal of Production Research, 63:4, 1538-1583, DOI:
10.1080/00207543.2024.2432463

Link para o artigo original:
https://doi.org/10.1080/00207543.2024.2432463

 

Referências

• Abdolmaleki, S. F., and P. M. B. Bugallo. 2021. “Evaluation of Renewable Energy System for Sustainable Development.” Renewable Energy and Environment Sustainability 6: 44. https://doi.org/10.1051/rees/2021045.
• Ackerman, E. 2023. “’Superhuman Speed:’ How Autonomous Drones Beat the Best Human Racers.” IEEE Spectrum 60 (9): 30–37. https://doi.org/10.1109/MSPEC.2023.10234171.
• Agency for Healthcare Quality and Research (AHRQ), Multiple Chronic Conditions Chartbook 2010. 2014. “Medical Expenditure Panel Survey Data, 2014.” https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/prevention-chronic-care/decision/mcc/mccchartbook.pdf(open in a new window).
• Ahmed, Z., K. Mohamed, S. Zeeshan, and X. Dong. 2020. “Artificial Intelligence with Multi-Functional Machine Learning Platform Development for Better Healthcare and Precision Medicine.” Database 2020:baaa010. https://doi.org/10.1093/database/baaa010.
• Albert, L., Alexander Nikolaev, and Sheldon H. Jacobson. 2023. “Homeland Security Research Opportunities.” IISE Transactions 55 (1): 22–31. https://doi.org/10.1080/24725854.2022.2045392.
• Alderson, David L., Gerald G. Brown, and W. Matthew Carlyle. 2015. “Operational Models of Infrastructure Resilience.” Risk Analysis 35 (4): 562–586. https://doi.org/10.1111/risa.12333.
• Alesina, Alberto, Edward Glaeser, and Bruce Sacerdote. 2021. “Why Doesn’t the US Have a EuropeanStyle Welfare System?” NBER Working Paper No. 8524.
• Allen, Theodore T., Zhenhuan Sui, and Nathan L. Parker. 2017. “Timely Decision Analysis Enabled by Efficient Social Media Modeling.” Decision Analysis 14 (4): 250–260. https://doi.org/10.1287/deca.2017.0360.
• Amann, J., D. Vetter, S. N. Blomberg, H. C. Christensen, M. Coffee, S. Gerke, T. K. Gilbert, et al. 2022. “To Explain or Not to Explain? — Artificial Intelligence Explainability in Clinical Decision Support Systems.” PLOS Digital Health 1 (2): e0000016. https://doi.org/10.1371/journal.pdig.0000016.
• Anantrasirichai, N., and D. Bull. 2022. “Artificial Intelligence in the Creative Industries: A Review.” Artificial Intelligence Review 55 (1): 589–656.
• Angwin, J., J. Larson, S. Mattu, and L. Kirchner. 2022. “Machine Bias.” In  Ethics of Data and Analytics, 254–264. Auerbach Publications.
• Annaswamy, A. M., P. P. Khargonekar, F. Lamnabhi-Lagarrigue, and S. K. Spurgeon. 2023. Cyber– Physical–Human Systems: Fundamentals and Applications. New York: John Wiley & Sons.
• Araujo, T., N. Helberger, S. Kruikemeier, and C. H. De Vreese. 2020. “In AI we Trust? Perceptions about Automated Decision-Making by Artificial Intelligence.” AI & Society 35 (3): 611–623. https://doi.org/10.1007/s00146-019-00931-w.
• Arnold, R. D., and J. P. Wade. 2015. “A Definition of Systems Thinking: A Systems Approach.” Procedia Computer Science 44: 669–678.
• Bagga, Simranjeet Kaur, Shikha Gera, and Syed Nadimul Haque. 2023. “The Mediating Role of Organizational Culture: Transformational Leadership and Change Management in Virtual Teams.” Asia Pacific Management Review 28 (2): 120–131. https://doi.org/10.1016/j.apmrv.2022.07.003.
• Bahill, T., and A. M. Madni. 2016. Trade-off Decisions in System Design. Berlin: Springer.
• Balakrishnan, A., S. R. T. Kumara, and S. Sundaresan. 1999. “Manufacturing in the Digital Age: Exploiting Information Technologies for Product Realization.” Information System Frontiers 1 (1): 25–50. https://doi.org/10.1023/A:1010012712144.
• Baldwin, R. 2020. “Self-Driving Car Research has Cost $16 Billion. What Do We Have To Show For It.” Car and Driver, February 10.
• Banks, David, Victor Gallego, Roi Naveiro, and David Ríos Insua. 2022. “Adversarial Risk Analysis: An Overview.” Wiley Interdisciplinary Reviews: Computational Statistics 14 (1): e1530. https://doi.org/10.1002/wics.1530.
• Barabasi, A.-L., and R. Albert. 1999. “Emergence of Scaling in Random Networks.” Science 286 (5439): 509–512. https://doi.org/10.1126/science.286.5439.509.
• Barnhart, C. 2008. “Grand Challenges for O.R. and Engineering.” OR/MS Today 35 (2): 6. https://link.gale.com/apps/doc/A182605383/AONE?u=orla57816&sid=googleScholar&xid=9c79d173(open in a new window).
• Barocas, S., and A. D. Selbst. 2016. “Big Data's Disparate Impact.” California Law Review 104:671.
• Barr, Nicholas. 2018. “Shifting Tides: Dramatic Social Changes Mean the Welfare State Is More Necessary Than Ever.” IMF Finance & Development 55: 16–19.
• Bellamy, R. K., K. Dey, M. Hind, S. C. Hoffman, S. Houde, K. Kannan, P. Lohia, J. Martino, S. Mehta, and A. Mojsilovic. 2018. “AI Fairness 360: An Extensible Toolkit for Detecting, Understanding, and Mitigating Unwanted Algorithmic Bias.” arXiv preprint arXiv:1810.01943(open in a new window).
• Bertsimas, D., and A. Orfanoudaki. 2021. “Pricing Algorithmic Insurance.” arXiv preprint arXiv:2106.00839(open in a new window).
• Bier, Vicki, Santiago Oliveros, and Larry Samuelson. 2007. “Choosing What to Protect: Strategic Defensive Allocation Against an Unknown Attacker.” Journal of Public Economic Theory 9 (4): 563–587. https://doi.org/10.1111/j.1467-9779.2007.00320.x.
• Blewett, Lynn A., Kathleen Thiede Call, Joanna Turner, and Robert Hest. 2018. “Data Resources for Conducting Health Services and Policy Research.” Annual Review of Public Health 39:437–452. https://doi.org/10.1146/annurev-publhealth-040617-013544.
• Bocchini, Paolo, Dan M. Frangopol, Thomas Ummenhofer, and Tim Zinke. 2014. “Resilience and Sustainability of Civil Infrastructure: Toward a Unified Approach.” Journal of Infrastructure Systems 20 (2): 04014004. https://doi.org/10.1061/(ASCE)IS.1943-555X.0000177.
• Bostic, H. 2016, March 30. “The Humanities Must Engage Global Grand Challenges.” Chronicle of Higher Education 30: 235902. http://chronicle.com/article/The-Humanities-Must-Engage/235902(open in a new window).
• Brown, Gerald, Matthew Carlyle, Javier Salmeron, and Kevin Wood. 2006. “Defending Critical Infrastructure.” Interfaces 36 (6): 530–544. https://doi.org/10.1287/inte.1060.0252.
• Brown, Z., and A. MacKay. 2022. Are Online Prices Higher Because of Pricing Algorithms. Brookings Report, July 7.
• Brown, N., and T. Sandholm. 2019. “Superhuman AI for Multiplayer Poker.” Science 365 (6456): 885–890. https://doi.org/10.1126/science.aay2400.
• Brunke, L., M. Greeff, A. W. Hall, Z. Yuan, S. Zhou, J. Panerati, and A. P. Schoellig. 2022. ““Safe Learning in Robotics: From Learning-Based Control to Safe Reinforcement Learning.” Annual Review of Control, Robotics, and Autonomous Systems 5 (1): 411–444. https://doi.org/10.1146/annurev-control-042920-020211.
• Bureau of Labor Statistics. 2022. “Occupational Employment and Wages, May 2022; 17-2112 Industrial Engineers.” https://www.bls.gov/oes/current/oes172112.htm(open in a new window).
• Calvano, Emilio, Giacomo Calzolari, Vincenzo Denicoló, and Sergio Pastorello. 2021. “Algorithmic Collusion with Imperfect Monitoring.” International Journal of Industrial Organization 79:102712. https://doi.org/10.1016/j.ijindorg.2021.102712.
• Čartolovni, A., A. Tomičić, and E. L. Mosler. 2022. “Ethical, Legal, and Social Considerations of AIBased Medical Decision-Support Tools: A Scoping Review.” International Journal of Medical Informatics 161:04738. https://doi.org/10.1016/j.ijmedinf.2022.104738.
• Chen, L., and E. Miller-Hooks. 2021. “Resilience: An Indicator of Recovery Capability in Intermodal Freight Transport.” Transportation Science 46 (1): 109–123. https://doi.org/10.1287/trsc.1110.0376.
• Chester, Mikhail V. 2019. “Sustainability and Infrastructure Challenges.” Nature Sustainability 2 (4): 265–266. https://doi.org/10.1038/s41893-019-0272-8.
• Choi, T. M. 2021. “Fighting Against COVID-19: What Operations Research Can Help and the Senseand-Respond Framework." Annals of Operations Research 5:1–17.
• Christoforou, Eftychios G., Sotiris Avgousti, Nacim Ramdani, Cyril Novales, and Andreas S. Panayides. 2020. “The Upcoming Role for Nursing and Assistive Robotics: Opportunities and Challenges Ahead.” Frontiers in Digital Health 2:585656. https://doi.org/10.3389/fdgth.2020.585656.
• Davies, J. 2023. “The 15th Anniversary of Smart Manufacturing Grassroots Leadership, Greater Good, Timing, and Perseverance.” CESMII.
• Delage, E., and Y. Ye. 2010. “Distributionally Robust Optimization Under Moment Uncertainty With Application to Data-Driven Problems.” Operations Research 58 (3): 595–612. https://doi.org/10.1287/opre.1090.0741.
• Denton, B. T. 2023. “Frontiers of Medical Decision-Making in the Modern Age of Data Analytics.” IISE Transactions 55 (1): 94–105. https://doi.org/10.1080/24725854.2022.2092918.
• de Visser, E. J., R. Pak, and T. W. Shaw. 2018. “From ‘Automatio’ to ‘Autonom’: The Importance of Trust Repair in Human-Machine Interaction.” Ergonomics 61 (10): 1409–1427. https://doi.org/10.1080/00140139.2018.1457725.
• Di-Castro, S., D. Di-Castro, and S. Mannor. 2021. “Sim and Real: Better Together.” Advances in Neural Information Processing Systems 34 (2021): 6868–6880.
• Diemer, H. 2012. “The Manufacturing Organization. La Salle Extension University, 1912.” In Logical Foundations of Artificial Intelligence, edited by Michael R. Genesereth and Nils J Nilsson. La Salle Extension University: Morgan Kaufmann.
• Dingus, T. A., S. K. Jahns, A. D. Horowitz, and R. Knipling. 1998. “Human Factors Design Issues For Crash Avoidance Systems.” In Human Factors in Intelligent Transportation Systems, edited by Woodrow  Barfield and Thomas A. Dingus. New York: Psychology Press.
• Dolgui, A., D. Ivanov, and B. Boris Sokolov. 2018. “Ripple Effect in the Supply Chain: An Analysis and Recent Literature.” International Journal of Production Research 56 (1-2): 414–430. https://doi.org/10.1080/00207543.2017.1387680.
• Dong, R., H. Zhang, and L. Ratliff. 2023. “Approximate Regions of Attraction in Learning with Decision-Dependent Distributions” In Proceedings of 26th International Conference on Artificial Intelligence and Statistics PMLR 206:11172–11184.
• Dosilovic, F. K., M. Brcic, and N. Hlupic. 2018. “Explainable Artificial Intelligence: A Survey.” In 41st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO).
• Dragotto, Gabriele, Amine Boukhtouta, Andrea Lodi, and Mehdi Taobane. 2023. “The Critical Node Game.” arXiv preprint arXiv:2303.05961(open in a new window).
• Duan, Lian, and Li Da Xu. 2021. “Data Analytics in Industry 4.0: A Survey.” Information Systems Frontiers, 1–17. https://doi.org/10.1007/s10796-021-10190-0
• DuBois, Eric, Ashley Peper, and Laura A. Albert. 2023. “Interdicting Attack Plans with Boundedly Rational Players and Multiple Attackers: An Adversarial Risk Analysis Approach.” Decision Analysis 20 (3): 202–219.
• Ekinci, Esra Ekinci, Sachin Kumar Mangla, Yigit Kazancoglu, P. R. S. Sarma, Muruvvet Deniz Sezer, and Melisa Ozbiltekin-Pala. 2022. “Resilience and Complexity Measurement for Energy Efficient Global Supply Chains in Disruptive Events.” Technological Forecasting and Social Change 179:121634. https://doi.org/10.1016/j.techfore.2022.121634.
• Elmachtoub, A. N., and P. Grigas. 2022. “Smart ‘Predict, Then Optimize.” Management Science 68 (1): 9–26. https://doi.org/10.1287/mnsc.2020.3922.
• Enayaty-Ahangar, Forough, Laura A. Albert, and Eric DuBois. 2020. “A Survey of Optimization Models and Methods for Cyberinfrastructure Security.” IISE Transactions 53 (2): 182–198. https://doi.org/10.1080/24725854.2020.1781306.
• Ergun, Özlem, Jacqueline Griffin, Noah Chicoine, Min Gong, Omid Mohaddesi, Zohreh Raziei, Casper Harteveld, David Kaeli, and Stacy Marsella. 2022. “Supply Chain Resilience: Impact of Stakeholder Behavior and Trustworthy Information Sharing with a Case Study on Pharmaceutical Supply Chains.” In Tutorials in Operations Research: Emerging and Impactful Topics in Operations, 133–159. Catonsville, MD: INFORMS.
• Faccio, M., I. Granata, A. Menini, M. Milanese, C. Rossato, M. Bottin, ... and G. Rosati. 2023. “Human Factors in Cobot Era: A Review of Modern Production Systems Features.” Journal of Intelligent Manufacturing 34 (1): 85–106.
• Finn, C., A. Rajeswaran, S. Kakade, and S. Levine. 2019. “Online Meta-Learning.” In International Conference on Machine Learning.
• Gao, Sarah Yini, David Simchi-Levi, Chung-Piaw Teo, and Zhenzhen Yan. 2019. “Disruption Risk Mitigation in Supply Chains: The Risk Exposure Index Revisited.” Operations Research 67 (3): 831852.
• Genesereth, M. R., and N. J. Nilsson. 2012. Logical Foundations of Artificial Intelligence. Morgan Kaufmann.
• Gigliotti, M., G. Schmidt-Traub, and S. Bastianoni. 2019. “The Sustainable Development Goals.” Encyclopedia of Ecology (Second Edition) 4:426–431. https://doi.org/10.1016/B978-0-12-409548-9.10986-8.
• Gihleb, R., O. Giuntella, L. Stella, and T. Wang. 2023. “Keeping Workers Safe in the Automation Revolut”on.” Brookings, September 12, 2023. Accessed December 10, 2023. https://www.brookings.edu/articles/keeping-workers-safe-inthe-automation-revolution/(open in a new window).
• Gopalakrishnan, K., and H. Balakrishnan. 2021. “Control and Optimization of Air Traffic Networks.” Annual Review of Control, Robotics, and Autonomous Systems 4 (1): 397–424. https://doi.org/10.1146/annurev-control-070720-080844.
• Gupta, S., S. Modgil, S. Bhattacharyya, and I. Bose. 2022. “Artificial Intelligence for Decision Support Systems in the Field of Operations Research: Review and Future Scope of Research.” Annals of Operations Research 308 (1): 215–274.
• Hamet, Pavel, and Johanne Tremblay. 2017. “Artificial Intelligence in Medicine.” Metabolism 69:S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011.
• Hamilton, I. S. 2019. “Uber Drivers are Reportedly Colluding to Trigger ‘Surge’ Prices Because They Say the Company is not Paying Them Enough.” Business Insider, June 14.
• Han, Eunhee. 2022. “Mid- to Long-Term Refinement Plans for EChild System.” In Korean, Social Security Information Services Research Paper Series.
• Hancock, P. 2019. “The Humane Use of Human Beings?” Applied Ergonomics 79:91–97. https://doi.org/10.1016/j.apergo.2018.07.009.
• Hancock, P. A. 2022. “Avoiding Adverse Autonomous Agent Actions.” Human-Computer Interaction 37 (3): 211–236.
• Haren, P., and D. Simchi-Levi. 2020. “How Coronavirus Will Impact the Global Supply Chain by MidMarch.” Harvard Business Review, February 28.
• He, Bin, Richard Baird, Robert Butera, Aniruddha Datta, Steven George, Bruce Hecht, Alfred Hero, et al. 2013. “Grand Challenges in Interfacing Engineering with Life Sciences and Medicine.” IEEE Transactions on Biomedical Engineering 60 (3): 589–598. https://doi.org/10.1109/TBME.2013.2244886.
• Henderson, K., and M. Loreau. 2023. “A Model of Sustainable Development Goals: Challenges and Opportunities in Promoting Human Well-Being and Environmental Sustainability.” Ecological Modelling 475:110164. https://doi.org/10.1016/j.ecolmodel.2022.110164.
• Hermann, M., T. Pentek, and B. Otto. 2016, January. “Design Principles for Industrie 4.0 Scenarios.” In 2016 49th Hawaii International Conference on System Sciences (HICSS), 3928–3937. IEEE.
• Hewing, L., K. P. Wabersich, M. Menner, and M. N. Zeilinger. 2020. ““Learning-Based Model Predictive Control: Toward Safe Learning in Control.” Annual Review of Control, Robotics, and Autonomous Systems 3 (1): 269–2963. https://doi.org/10.1146/annurev-control-090419-075625.
• Hicks, D. 2016. “Grand Challenges in US Science Policy Attempt Policy Innovation.” International Journal of Foresight and Innovation Policy 11 (1–3): 22–42.
• Hitchins, D. K. 2008. Systems Engineering: A 21st Century Systems Methodology. New York: John Wiley & Sons.
• Ho, Chien-Wei, and Chi-Chuan Wu. 2019. “Using Job Design to Motivate Employees to Improve High Quality Service in the Airline Industry.” Journal of Air Transport Management 77:17–23.
• Hoff, K., and M. Bashir. 2015. “Trust in Automation: Integrating Empirical Evidence on Factors That Influence Trust.” Human Factors 57 (3): 407–434. https://doi.org/10.1177/0018720814547570.
• Hoffman, L., and R. S. Stawski. 2009. “Persons as Contexts: Evaluating Between-Person and Within Person Effects in Longitudinal Analysis.” Research in Human Development 6 (2-3): 97–120. https://doi.org/10.1080/15427600902911189.
• Hosseini, Seyedmohsen, Dmitry Ivanov, and Alexandre Dolgui. 2019. “Review of Quantitative Methods for Supply Chain Resilience Analysis.” Transportation Research Part E: Logistics and Transportation Review 125:285–307. https://doi.org/10.1016/j.tre.2019.03.001.
• Hunt, Kyle, Puneet Agarwal, and Jun Zhuang. 2022. “Monitoring Misinformation on Twitter during Crisis Events: A Machine Learning Approach.” Risk Analysis 42 (8): 1728–1748. https://doi.org/10.1111/risa.13634.
• Inovalon. 2023. “New Research From Inovalon and Harvard University Finds that Medicare Advantage Beneficiaries Have Superior Quality Outcomes to Traditional Medicare.” Healthcare Business Today, November 2.
• IISE. 2024. “Institute of Industrial and Systems Engineering.” www.ise/org.aspx?id=282(open in a new window).
• Ivanov, D., and A. Dolgui. 2020. “Viability of Intertwined Supply Networks: Extending the Supply Chain Resilience Angles Towards Survivability. A Position Paper Motivated by COVID-19 Outbreak.” International Journal of Production Research 58 (10): 2904–2915. https://doi.org/10.1080/00207543.2020.1750727.
• Ivanov, D., and A. Dolgui. 2022a. “Stress Testing Supply Chains and Creating Viable Ecosystems.” Operations Management Research 15 (1-2): 475–486. https://doi.org/10.1007/s12063-021-00194-z.
• Ivanov, D., and A. Dolgui. 2022b. “The Shortage Economy and Its Implications for Supply Chain and Operations Management.” International Journal of Production Research 60 (24): 7141–7154. https://doi.org/10.1080/00207543.2022.2118889.
• Jan, Z., F. Ahamed, W. Mayer, N. Patel, G. Grossmann, M. Stumptner, and A. Kuusk. 2023. “Artificial Intelligence for Industry 4.0: Systematic Review of Applications, Challenges, and Opportunities.” Expert Systems with Applications 216:119456. https://doi.org/10.1016/j.eswa.2022.119456.
• Jobin, A., M. Ienca, and E. Vayena. 2019. “The Global Landscape of AI Ethics Guidelines.” Nature Machine Intelligence 1 (9): 389–399. https://doi.org/10.1038/s42256-019-0088-2.
• John, R. S., R. L. Dillon, W. J. Burns, and N. Scurich. 2024. “Partitioning the Expected Value of Counter- Measures with an Application to Terrorism.” Decision Analysis 21 (1): 23–47.
• Jones, D., C. Snider, A. Nassehi, J. Yon, and B. Hicks. 2020. “Characterising the Digital Twin: A Systematic Literature Review.” CIRP Journal of Manufacturing Science and Technology 29 (Part A): 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002.
• Kaldewey, D. 2018. “The Grand Challenges Discourse: Transforming Identity Work in Science and Science Policy.” Minerva 56 (2): 161–182. https://doi.org/10.1007/s11024-017-9332-2.
• Karwowski, W. 2005. “Ergonomics and Human Factors: The Paradigms for Science, Engineering, Design, Technology, and Management of Human-Compatible Systems.” Ergonomics 48 (5): 436–463. https://doi.org/10.1080/00140130400029167.
• Karwowski, W., G. Salvendy, T. Andre, M. Endsley, W. Rouse, P. Salmon, K. Stanney, A. Thatcher, J. Yang, H. Ayaz, A. Cakir, V. Duffy, C. Drury, Q. Gao, Y. Guo, P. Hancock, W. S. Marras, P. Rau, B. Sawyer, and N. Stanton. 2025. “Grand Challenges for Human Factors and Ergonomics.” Theoretical Issues in Ergonomics Science, in press.
• Kilmek, P., U. Barzelay, L. Bergfors, A. Choudhary, A. Jovanovic, M. Jovanovic, T. Knape, et al. 2018. “Report on Interdependencies and Cascading Effects of Smart City Infrastructures.” EU project Smart Resilience Project 700621.
• Kim, J. H., and A. R. Scialli. 2011. “Thalidomide: The Tragedy of Birth Defects and the Effective Treatment of Disease.” Toxicological Sciences 122 (1): 1–6. https://doi.org/10.1093/toxsci/kfr088.
• Knight, W. 2023. “The AI-Powered, Totally Autonomous Future of War is Here.” Wired, July 25.
• Kuhn, D., P. M. Esfahani, V. A. Nguyen, and S. Shafieezadeh-Abadeh. 2019. “Wasserstein Distributionaly Robust Optimization: Theory and Applications in Machine Learning.” TutORials in Operations Research, 130–166.
• Kumara, S. R., R. L. Kashyap, and A. L. Soyster. 1989. “Artificial Intelligence and Manufacturing: An Introduction.” In Artificial Intelligence: Manufacturing Theory and Practice. Norcross, GA: Institute of Industrial Engineers.
• Landers, R. N., and T. S. Behrend. 2023. “Auditing the AI Auditors: A Framework for Evaluating Fairness and Bias in High Stakes AI Predictive Models.” American Psychologist 78 (1): 36. https://doi.org/10.1037/amp0000972.
• Lasi, H., P. Fettke, H. G. Kemper, T. Feld, and M. Hoffmann. 2014. “Industry 4.0.” Business & Information Systems Engineering 6 (4): 239–242. https://doi.org/10.1007/s12599-014-0334-4.
• Lasley, P. 2021. 2021 Urban Mobility Report. College Station, TX: Texas A&M University.
• Lauge, D. 2023. “In U.S.-China AI Contest, The Race Is On To Deploy Killer Robots.” Reuters, September 8, 2023. Accessed December 10, 2023. https://www.reuters.com/investigates/special-report/us-china-tech-drones/(open in a new window).
• LeCun, Y., Y. Bengio, and G. Hinton. 2015. “Deep Learning.” Nature 521 (7553): 436–444. https://doi.org/10.1038/nature14539.
• Leonard, M. 2021. “Ever Given, General Average and Why Shippers Will Share the Costs of a Ship’s Rescue.” Supply Chain Dive. https://www.supplychaindive.com(open in a new window)
• Li, B., K. Mellou, B. Zhang, J. Pathuri, and I. Menache. 2023. "Large Language Models for Supply Chain Optimization." arXiv preprint arXiv:2307.03875(open in a new window).
• Li, T., L. Yu, Y. Ma, T. Duan, W. Huang, Y. Zhou, D. Jin, Y. Li, and T. Jiang. 2023. “Carbon Emissions of 5G Mobile Networks in China.” Nature Sustainability 6 (12): 1620–1631.
• Liu, L., F. Guo, Z. Zou, and V. G. Duffy. 2024. “Application, Development and Future Opportunities of Collaborative Robots (Cobots) in Manufacturing: A Literature Review.” International Journal of Human– Computer Interaction 40 (4): 915–932.
• Lu, Yuqian, Hao Zheng, Saahil Chand, Wanqing Xia, Zengkun Liu, Xun Xu, Lihui Wang, Zhaojun Qin, and Jinsong Bao. 2022. “Outlook on Human-Centric Manufacturing Towards Industry 5.0.” Journal of Manufacturing Systems 62:612–627. https://doi.org/10.1016/j.jmsy.2022.02.001.
• Lufkin, B. 2017. “10 Grand Challenge’ We'll Face by 2050.” BBC Future. https://www.bbc.com/future/article/20170713-what-will-the-challenges-of-2050-be(open in a new window).
• Lundberg, S. M., and S. I. Lee. 2017. “A Unified Approach to Interpreting Model Predictions.” Advances in Neural Information Processing Systems 30.
• Maclean, Johanna Catherine, Justine Mallatt, Christopher J. Ruhm, and Kosali Simon. 2022. “The Opioid Crisis, Health, Healthcare, and Crime: A Review of Quasi-Experimental Economic Studies.” The ANNALS of the American Academy of Political and Social Science 703 (1): 15–49. https://doi.org/10.1177/00027162221149285.
• Madni, A. M. 2018. Transdisciplinary Systems Engineering: Exploiting Convergence in a Hyper- Connected World. Cham, Switzerland: Springer.
• Madni, A. M. 2020. ““Exploiting Augmented Intelligence in Systems Engineering and Engineered Systems.” INSIGHT Special Issue, Systems Engineering and AI 23 (1): 31–36.
• Madni, A. M., and M. Sievers. 2018. “Model-Based Systems Engineering: Motivation, Current Status, and Research Opportunities.” Systems Engineering 21 (3): 172–190. https://doi.org/10.1002/sys.21438.
• Maglio, Paul P., Cheryl A. Kieliszewski, James C. Spohrer, Kelly Lyons, Lia Patrício, and Yuriko Sawatani2019. Handbook of Service Science, Volume II. Cham, Switzerland: Springer International Publishing.
• Makedon, V., O. Mykhailenko, and R. Vazov. 2021. “Dominants and Features of Growth of the World Market of Robotics.” European Journal of Management Issues 29 (3): 133–141.
• Malandraki, Chryssi, David Zaret, Juan R. Perez, and Chuck Holland. 2007. “Industrial Engineering Applications in Transportation.” In Handbook of Industrial Engineering: Technology and Operations Management, edited by G. Salvendy, 787–824. New York: John Wiley & Sons.
• Malhotra, Arvind. 2021. “The Postpandemic Future of Work.” Journal of Management 47 (5): 10911102.
• Manyika, J., M. Chui, M. Miremadi, J. Bughin, K. George, P. Willmott, and M. Dewhurst. 2017. “A Future that Works: AI, Automation, Employment, and Productivity.” McKinsey Global Institute Research, Tech. Rep. 60: 1–135.
• Meta Fundamental AI Research Diplomacy Team (FAIR). 2022. “Human-Level Play in the Game of Diplomacy by Combining Language Models With Strategy Reasoning.” Science 378 (6624): 10671074.
• Mitra, S., T. Wongpiromsarn, and R. M. Murray. 2013. “Verifying Cyber-Physical Interactions in Safety-Critical Systems.” IEEE Security & Privacy 11 (4): 28–37. https://doi.org/10.1109/MSP.2013.77.
• Monostori, László, Botond Kádár, Thomas Bauernhansl, Shinsuke Kondoh, Soundar Kumara, Gunther Reinhart, Olaf Sauer, Gunther Schuh, Wilfried Sihn, and Kenichi Ueda. 2016. “Cyber-Physical Systems in Manufacturing.” CIRP Annals 65 (2): 621–641. https://doi.org/10.1016/j.cirp.2016.06.005.
• Mulholland, E., J. Teter, P. Cazzola, Z. McDonald, and BPÓ Gallachóir. 2018. “The Long Haul Towards Decarbonising Road Freight-A Global Assessment to 2050.” Applied Energy 216: 678–693. https://doi.org/10.1016/j.apenergy.2018.01.058.
• National Academy of Engineering. 2008. “Grand Challenges in Engineering.” Accessed February 23, 2023. http://www(open in a new window). engineeringchallenges.org/challenges.aspx.
• National Academy of Engineering. 2016. Grand Challenges for Engineering: Imperatives, Prospects, and Priorities: Summary of a Forum. Washington, DC: National Academies Press.
• Nilsson, Nils J. 1982. Principles of Artificial Intelligence. Berlin: Springer Science & Business Media.
• OECD. 2023. “The Risk and Fall of Public Social Spending with the COVID-19 Pandemic.” Social Expenditure (SOCX) Update 2023.
• Omenn, G. S. 2006. “Grand Challenges and Great Opportunities in Science, Technology, and Public Policy.” Science 314 (5806): 1696. https://doi.org/10.1126/science.1135003.
• Omitaomu, O., and H. Niu. 2021. “Artificial Intelligence Techniques in Smart Grid: A Survey.” Smart Cities 4: 548–569. https://doi.org/10.3390/smartcities4020029.
• Ozmen Garibay, O., B. Winslow, S. Andolina, M. Antona, A. Bodenschatz, K. Grieman, M. Jirotka, and C. A. Ten Holter. 2023. “Six Human-Centered Artificial Intelligence Grand Challenges.” International Journal of Human-Computer Interaction 39 (3): 391–437.
• Panch, Trishan, Heather Mattie, and Rifat Atun. 2019. “Artificial Intelligence and Algorithmic Bias: Implications for Health Systems.” Journal of Global Health 9 (2): 1–5.
• Paul, Souren Lingyao Yuan, Hemant K. Jain, Lionel P. Robert Jr, Jim Spohrer, and Hila Lifshitz-Assaf. 2022. “Intelligence Augmentation: Human Factors in AI and Future of Work.” AIS Transactions on Human-Computer Interaction 14 (3): 426–445. https://doi.org/10.17705/1thci.00174
• Paul, Himangshu, and Alexander Nikolaev. 2021. “Fake Review Detection on Online E-Commerce Platforms: A Systematic Literature Review.” Data Mining and Knowledge Discovery 35 (5): 1830–1881. https://doi.org/10.1007/s10618-021-00772-6.
• Peña, V., and C. A. Stokes. 2019. Use of Grand Challenges in the Federal Government. Washington, DC: Institute for Defense Analyses.
• Piliouras, G., and J. S. Shamma. 2014. “Optimization Despite Chaos: Convex Relaxations to Complex Limit Sets Via Pincare Recurrence.” In Proceedings of the Twenty-Fifth Annual ACM-SIAM Symposium on Discrete Algorithms, 861–873. SIAM.
• Pola, G., and M. D. Di Benedetto. 2019. “Control of Cyber-Physical-Systems with Logic Specifications: A Formal Methods Approach.”.” Annual Reviews in Control 47:178–192. https://doi.org/10.1016/j.arcontrol.2019.03.010.
• Qi, M., and Z. J. Shen. 2022. “Integrating Prediction/Estimation and Optimization with Applications in Operations Management.” In Tutorials in Operations Research: Emerging and Impactful Topics in Operations, 36–58. Holland, MI: INFORMS.
• Rai, R., and C. K. Sahu. 2020. “Driven by Data or Derived Through Physics? A Review of Hybrid Physics Guided Machine Learning Techniques With Cyber-Physical System (CPS) Focus.” IEEE Access 8:71050–71073. https://doi.org/10.1109/ACCESS.2020.2987324.
• Reimers, N., and I. Gurevych. 2020. “Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation.” arXiv preprint arXiv:2004.09813(open in a new window).
• Ribeiro, M. T., S. Singh, and C. Guestrin. 2016, August. “‘Why Should I Trust you?’ Explaining the Predictions of any Classifier.” In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144).
• Rios Insua, David, Aitor Couce-Vieira, Jose A Rubio, Wolter Pieters, Katsiaryna Labunets, and Daniel G. Rasines. 2021. “An Adversarial Risk Analysis Framework for Cybersecurity.” Risk Analysis 41 (1): 16–36. https://doi.org/10.1111/risa.13331.
• Rouse, W. B. 2015. Modeling and Visualization of Complex Systems and Enterprises: Explorations of Physical, Human, Economic, and Social Phenomena. New York: Wiley.
• Rouse, W. B. 2016. Universities as Complex Enterprises: How Academia Works, Why It Works These Ways, and Where The University Enterprise Is Headed. New York: Wiley.
• Rouse, W. B., and D. A. Cortese. 2010. Engineering the System of Healthcare Delivery. Amsterdam: IOS Press.
• Rouse, W. B., M. M. E. Johns, and J. W. Curran. 2024. “Human Well-Being in an Digital Age.” In Human Computer Interaction: Hci Application Domains, edited by C. Stephanidis and G. Salvendy, 19–37. Boca Raton, FL: CRC Press.
• Rouse, W. B., M. M. E. Johns, and K. Pepe. 2019. “Service Supply Chains for Population Health: Overcoming Fragmentation of Service Delivery Ecosystems.” Journal of Learning Health Systems 3 (2): 1–9.
• Rouse, W. B., and N. Serban. 2014. Understanding and Managing the Complexity of Healthcare. Cambridge, MA: Mit Press.
• Ruane, Elayne, Abeba Birhane, and Anthony Ventresque. 2019. “Conversational AI: Social and Ethical Considerations.” AICS 2563: 104–115.
• Russell, Stuart J., and Peter Norvig. 2010. Artificial Intelligence: A Modern Approach. London: Prentice Hall.
• Salmon, P. M., T. Carden, and P. A. Hancock. 2021. “Putting the Humanity into Inhuman Systems: How Human Factors and Ergonomics can be Used to Manage the Risks Associated with Artificial General Intelligence.” Human Factors and Ergonomics in Manufacturing & Service Industries, 31(2): 223–236.
• Salvendy, G., and W. Karwowski. eds. 2021. Handbook of Human Factors and Ergonomics. 5th ed. New York: Wiley & Sons. https://www.wiley.com/enus/Handbook+of+Human+Factors+and+Ergonomics%2C+5th+Edition-p-9781119636083(open in a new window).
• Sanh, V., L. Debut, J. Chaumond, and T. Wolf. 2019. “DistilBERT, A Distilled Version of BERT: Smaller, Faster, Cheaper And Lighter.” arXiv Preprint ArXiv:1910.01108.
• Sariyer, Gorkem, Sachin Kumar Mangla, Yigit Kazancoglu, Ceren Ocal Tasar, and Sunil Luthra. 2001. “Data Analytics for Quality Management in Industry 4.0 from a MSME Perspective.” Annals of Operations Research, 1–29. https://doi.org/10.1007/s10479-021-04215-9.
• Sarker, I. H. 2021. “Machine Learning: Algorithms, Real-World Applications and Research Directions.” SN Computer Science 2 (3): 160. https://doi.org/10.1007/s42979-021-00592-x.
• Scala, Natalie M., Allison C. Reilly, Paul L. Goethals, and Michel Cukier. 2019. “Risk and the Five Hard Problems of Cybersecurity.” Risk Analysis 39 (10): 2119–2126. https://doi.org/10.1111/risa.13309.
• Sefair, Jorge A., and J. Cole Smith. 2016. “Dynamic Shortest-Path Interdiction.” Networks 68 (4): 315–330. https://doi.org/10.1002/net.21712.
• Sen, Amartya. 1982. Poverty and Famines: An Essay on Entitlement and Deprivation. Oxford: Oxford university press.
• Shao, G., D. Kibira, and K. Lyons. 2010. “A Virtual Machining Model for Sustainability Analysis.” In Proceedings of ASME 2010 International Design Engineering Technical Conference & Computers and Information in Engineering Conference DETC2010-28743.
• Sharkey, Thomas C., Sarah G. Nurre Pinkley, Daniel A. Eisenberg, and David L. Alderson. 2021. “In Search of Network Resilience: An Optimization-Based View.” Networks 77 (2): 225–254. https://doi.org/10.1002/net.21996.
• Shi, Zheyuan Ryan, Claire Wang, and Fei Fang. 2020. “Artificial Intelligence for Social Good: A Survey.” arXiv preprint arXiv:2001.01818.
• Simchi-Levi, David, William Schmidt, Yehua Wei, Peter Yun Zhang, Keith Combs, Yao Ge, Oleg Gusikhin, Michael Sanders, and Don Zhang. 2015. “Identifying Risks and Mitigating Disruptions in the Automotive Supply Chain.” Interfaces 45 (5): 375–390. https://doi.org/10.1287/inte.2015.0804.
• Simchi-Levi, David, and Edith Simchi-Levi. 2020. “We Need a Stress Test for Critical Supply Chains.” Harvard Business Review April 28. hbr.org.
• Simonite, T. 2019. “DeepMind Beats Pros at StarCraft in Another Triumph for Bots.” Wired, January.
• Skocpol, Theda. 1995. Protecting Soldiers and Mothers: The Political Origins of Social Policy in the United States. Cambridge: Harvard University Press.
• Smith, J. Cole, and Yongjia Song. 2020. “A Survey of Network Interdiction Models and Algorithms.” European Journal of Operational Research 283 (3): 797–811. https://doi.org/10.1016/j.ejor.2019.06.024.
• Song, Y., A. Romero, M. Muller, V. Koltun, and D. Scaramuzza. 2023. “Reaching the Limit in Autonomous Racing: Optimal Control Versus Reinforcement Learning.” Science Robotics, September.
• Srai, J. S., E. Settanni, N. Tsolakis, and P. K. Aulakh. 2019. “Supply Chain Digital Twins: Opportunities and Challenges Beyond the Hype.” In 23rd Cambridge International Manufacturing Symposium.
• Subramanian, A. and H. Holger Teichgraeber. 2023. “The Interplay between Operations Research and Machine Learning.” ORMS Today, March 24, 2023. https://pubsonline.informs.org/do/10.1287orms.2023.02.02/full(open in a new window)
• Sun, D., W. Gao, H. Hu, and S. Zhou. 2022. “Why 90% of Clinical Drug Development Fails and How to Improve It?.” Acta Pharmaceutica Sinica B 12 (7): 3049–3062.
• Sun, Y., S. Lin, and Z. J. M. Shen. 2022. “An Explainable Framework to Understand Machine Learning in Sales Forecast.” SSRN 4195997.
• Tabuada, P. 2021. “Controller Synthesis for ‘PS’.” In Encyclopedia of Systems and Control, edited by J. Baillieul, and T. Samad, 435–441. Cham: Springer.
• Tamers, Sara L., Jessica Streit, Rene Pana-Cryan, Tapas Ray, Laura Syron, Michael A. Flynn, Dawn Castillo, et al. 2020. “Envisioning the Future of Work to Safeguard the Safety, Health, and Well-Being of the Workforce: A Perspective from the CDC's National Institute for Occupational Safety and Health.” American Journal of Industrial Medicine 63 (12): 1065–1084. https://doi.org/10.1002/ajim.23183.
• Taylor, F. W. 1919. The Principles of Scientific Management. New York: Harper and Brothers.
• Taylor, S. J., A. Khan, K. L. Morse, A. Tolk, L. Yilmaz, J. Zander, and P. J. Mosterman. 2015. “Grand Challenges for Modeling and Simulation: Simulation Everywhere—from Cyberinfrastructure to Clouds to Citizens.” Simulation 91 (7): 648–666.
• Taylor, Matthew, Greg Marsh, Diane Nicol, and Paul Broadbent. 2017. “Good Work: The Taylor Review of Modern Working Practices.” Vol. 116. London: Department for Business, Energy & Industrial Strategy. Accessed December 1, 2023. https://www.gov.uk/government/publications/good-work-the-taylor-review-of(open in a new window) modern-working-practices.
• Thacker, Scott, Daniel Adshead, Marianne Fay, Stéphane Hallegatte, Mark Harvey, Hendrik Meller, Nicholas O’Regan, Julie Rozenberg, Graham Watkins, and Jim W. Hall. 2019. “Infrastructure for Sustainable Development.” Nature Sustainability 2:324–331. https://doi.org/10.1038/s41893-019-0256-8.
• Tobin, J., R. Fong, A. Ray, J. Schneider, W. Zaremba, and P. Abbeel. 2017. “Domain Randomization for Transferring Deep Neural Networks From Simulation to the Real World.” In IEEE/RSJ International Conference on Intelligent Robot Systems (IROS).
• Topol, E. J. 2019. “High Performance Medicine: The Convergence of Human and Artificial Intelligence.” Nature Medicine 25 (1): 44–56. https://doi.org/10.1038/s41591-018-0300-7.
• Tripathy, M., J. Bai, and H. S. Hesse. 2022. “Driver Collusion in Ride-Hailing Platforms.” Decision Sciences 54 (4): 434–446. https://doi.org/10.1111/deci.12561.
• Truong, J., M. Rudolph, N. H. Yokoyama, S. Chernova, D. Batra, and A. Rai. 2023. “Rethinking Sim2Real: Lower Fidelity Simulation Leads to Higher Sim2Real Transfer in Navigat ‘on.’ In Proceedings of the 6th Conference on Robot Learning.
• Turing, A. M. 1950. “Computing Machinery and Intelligence.” Mind; A Quarterly Review of Psychology and Philosophy 49 (236): 433–460. https://doi.org/10.1093/mind/LIX.236.433.
• Turing, A. M. 2009. Computing Machinery and Intelligence, 23-65. Netherlands: Springer.
• Ulnicane, I. 2016. “‘Grand Challenges’ Concept: A Return of the ‘Big Ideas’ in Science, Technology and Innovation Policy?” International Journal of Foresight and Innovation Policy 11 (1/2/3): 5–21. https://doi.org/10.1504/IJFIP.2016.078378.
• USEPA. 2018a. “Air Pollutants Emissions Trend Data.” https://www.epa.gov/airemissions-inventories/air-pollutant-emissions-trends-data(open in a new window).
• USEPA. 2018b. “Fast Facts on Transportation Greenhouse Gas Emissions.” https://www.epa.gov/greenvehicles/fast-facts-transportation-greenhouse-gas-emissions(open in a new window).
• Vasey, B., M. Nagendran, B. Campbell, D. A. Clifton, G. S. Collins, S. Denaxas, A. K. Denniston, et al. 2022. “Reporting Guideline for the Early-Stage Clinical Evaluation of Decision Support Systems Driven by Artificial Intelligence DECIDE-AI.” Nature Medicine 28 (5): 924–933. https://doi.org/10.1038/s41591-022-01772-9.
• Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. 2017. “Attention is All You Need.” Advances in Neural Information Processing Systems 30: 1–11.
• Wang, C. 2021. “Grand Challenges in Environmental Systems Engineering.” Frontiers in Environmental Science 9: 1–4. https://doi.org/10.3389/fenvs.2021.809627.
• Wang, Chen, and Vicki M. Bier. 2011. “Target-Hardening Decisions Based on Uncertain Multiattribute Terrorist Utility.” Decision Analysis 8 (4): 286–302. https://doi.org/10.1287/deca.1110.0218.
• Waseem, Muhammad, and Qing Chang. 2023. “Adaptive Mobile Robot Scheduling in Multiproduct Flexible Manufacturing Systems Using Reinforcement Learning.” Journal of Manufacturing Science and Engineering 145 (12): 1–11.
• Wei, Chu, Chuan-Zhong Li, Andreas Löschel, Shunsuke Managi, and Tommy Lundgren. 2023. ““Digital Technology and Energy Sustainability: Recent Advances, Challenges, and Opportunities.” Resources, Conservation and Recycling 190:1–14. https://doi.org/10.1016/j.resconrec.2022.106803.
• Weir, Margaret M. 2001. “Welfare State.” In International Encyclopedia of the Social & Behavioral Sciences, edited by N. J. Smelser, and P.B. Baltes, Vol. 11, 16432–16435. Amsterdam: Elsevier. https://doi.org/10.1016/B0-08-043076-7/01094-9.
• West, Darrell M. 2018. The Future of Work: Robots, AI, and Automation. Washington, DC: Brookings Institution Press.
• The White House. 2021. Executive Order on Improving the Nation’s Cybersecurity. Executive Order 14028. Washington, DC: The White House.
• Woods, David D. 2015. “Four Concepts for Resilience and the Implications for the Future of Resilience Engineering.” Reliability Engineering and System Safety 141:5–9. https://doi.org/10.1016/j.ress.2015.03.018.
• Woolf, B. P., H. C. Lane, V. K. Chaudhri, and J. L. Kolodner. 2013. “AI Grand Challenges for Education.” AI Magazine 34 (4): 66–84. https://doi.org/10.1609/aimag.v34i4.2490.
• World Economic Forum. 2022. “The Global Risks Report 2022.” Accessed January 27, 2022. https://www.weforum.org/reports/global-risks-report-2022(open in a new window).
• Wu, C. J., R. Raghavendra, U. Gupta, B. Acun, N. Ardalani, K. Maeng, ... and K. Hazelwood. 2022. “Sustainable ai: Environmental Implications, Challenges and Opportunities.” Proceedings of Machine Learning and Systems 4: 795–813.
• Yan, J., Z. Yu, K. Fernandes, and Y. Xiong. 2023. “Dual Networks: How does Knowledge Network Embeddedness Affect Firms' Supply Chain Learning?.” International Journal of Operations & Production Management 43 (8): 1277–1303.
• Yang, Guang-Zhong, Jim Bellingham, Pierre E. Dupont, Peer Fischer, Luciano Floridi, Robert Full, Neil Jacobstein, et al. 2018. “The Grand Challenges of Science Robotics.” Science Robotics 3 (14): 1–14.
• Yoon, H.-J., C. Widdowson, T. Marinho, R. F. Wang, and N. Hovakimyan. 2019. “Socially Aware Path Planning for a Flying Robot in Close Proximity of Humans.” ACM Transactions on Cyber-Physical Systems 3 (4): 1–24. https://doi.org/10.1145/3341570.
• Zhao, W., J. P. Queralta, and T. Westerlund. 2020. “Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: A Survey.” In IEEE Symposium Series on Computational Intelligence (SSCI).
• Zheng, Kaiyue, and Laura A. Albert. 2019. “Interdiction Models for Delaying Adversarial Attacks against Critical Information Technology Infrastructure.” Naval Research Logistics (NRL) 66 (5): 411–429. https://doi.org/10.1002/nav.21859.
• Zheng, Kaiyue, Laura A. Albert, James R. Luedtke, and Eli Towle. 2019. “A Budgeted Maximum Multiple Coverage Model for Cybersecurity Planning and Management.” IISE Transactions 51 (12): 1303–1317. https://doi.org/10.1080/24725854.2019.1584832.
• Zhuang, Jun, and Vicki M. Bier. 2007. “Balancing Terrorism and Natural Disasters—Defensive Strategy with Endogenous Attacker Effort.” Operations Research 55 (5): 976–991. https://doi.org/10.1287/opre.1070.0434.
• Ziegeldorf, J. H., O. G. Morchon, and K. Wehrle. 2014. “Privacy in the Internet of Things: Threats and Challenges.” Security and Communication Networks 7 (12): 2728–2742. https://doi.org/10.1002/sec.795.
• Zrnic, T., E. Mazumdar, S. Sastry, and M. Jordan. 2021. “Who Leads and Who Follows in Strategic Classification?.” Advances in Neural Information Processing Systems (NeurIPS) 34: 15257–15269.