Prévia do material em texto

1 
 
 
A INTELIGÊNCIA ARTIFICIAL PARA OTIMIZAÇÃO DE PROCESSOS DE 
PRODUÇÃO UMA REVISÃO SISTEMÁTICA DA LITERATURA 
Carolina Nascimento Novais, Ana. ¹, Moreira Buriti, Evelym ², Silva Silviano, Caio³, Mattos Neto, 
Antônio 4. 
1 Graduando do curso de Engenharia de Produção. E-mail: anacarolinanovais@icloud.com 
2 Graduando do curso de Engenharia de Produção. E-mail: evelynmoreira56486@gmail.com 
3 Graduando do curso de Engenharia de Produção. E-mail: caiosilvano000@gmail.com 
4 Doutor em Engenharia Mecânica, Rice University. E-mail: antonio.mattos@fmu.edu.br 
 
RESUMO 
 
Este trabalho investiga como a inteligência artificial pode otimizar processos de produção, 
especialmente com o uso de ferramentas como Machine Learning e Deep Learning no 
contexto da Indústria 4.0. Utilizamos uma revisão sistemática da literatura para explorar 
as aplicabilidades dessas ferramentas na cadeia de produção. A IA é reafirmada como 
um catalisador para a transformação digital na manufatura, destacando avanços e 
desafios. A principal conclusão deste TCC é que a aplicação de IA nos processos de 
produção melhora a eficiência, reduz custos, aumenta a flexibilidade e responde de forma 
ágil às necessidades do mercado. Este estudo contribui para a compreensão das 
aplicações da IA na produção industrial e estimula novas pesquisas e inovações neste 
campo crucial para o desenvolvimento econômico e social. 
Palavras-chave: 1. IA na otimização de Processos 2. Processos de Produção 
3.Machine Learning 4. Indústria 4.0 
 
2 
ABSTRACT 
 
This paper investigates how artificial intelligence can optimize production processes, 
especially with the use of tools such as Machine Learning and Deep Learning in the 
context of Industry 4.0. We conducted a systematic literature review to explore the 
applicability of these tools in the production chain. AI is reaffirmed as a catalyst for 
digital transformation in manufacturing, highlighting both advancements and 
challenges. The main conclusion of this thesis is that the application of AI in production 
processes improves efficiency, reduces costs, increases flexibility, and responds 
agilely to market needs. This study contributes to the understanding of AI applications 
in industrial production and stimulates new research and innovations in this dynamic 
field, crucial for economic and social development. 
Keywords: 1. AI in process optimization 2. manufacturing processes 
3. Machine Learning 4. Industry 4.0 
 
1. INTRODUÇÃO 
 
Na sociedade contemporânea, a revolução tecnológica tem transformado 
significativamente nossa forma de viver e trabalhar, com a inteligência artificial (IA) 
desempenhando um papel crucial na otimização dos processos de produção. A IA 
permite a tomada de decisões automatizadas, a previsão de falhas em equipamentos e 
a melhoria da eficiência operacional através da análise de dados em tempo real. 
A evolução industrial, desde a mecanização na Indústria 1.0 até a integração de 
tecnologias inteligentes na Indústria 4.0, ressalta a crescente importância da IA na 
transformação dos processos produtivos. Atualmente, a Indústria 4.0 caracteriza-se pela 
adoção de ferramentas avançadas como Machine Learning (ML) e Deep Learning 
(Redes Neurais), que são essenciais para a competitividade e inovação no setor 
industrial. 
3 
Estudos de caso, como o uso da IA pela General Motors para manutenção preditiva e 
pela Volkswagen para otimização da cadeia de suprimentos, demonstram os benefícios 
tangíveis dessas tecnologias na indústria. Estes casos ilustram como a IA pode reduzir 
o tempo de inatividade, melhorar a previsão de demandas e aumentar a eficiência 
operacional. 
Este Trabalho de Conclusão de Curso (TCC) tem como objetivo realizar uma revisão 
sistemática da literatura para analisar o impacto da IA na otimização dos processos de 
manufatura. Esta análise visa identificar lacunas e tendências no conhecimento atual, 
oferecendo insights valiosos para especialistas e pesquisadores. A importância deste 
estudo reside na sua capacidade de fornecer uma base de conhecimento sólida que 
oriente a prática industrial e informe decisões estratégicas, contribuindo para o avanço 
da área e para a adaptação das organizações ao ambiente tecnológico em constante 
mudança. 
Esperamos que, através desta revisão sistemática, possamos enriquecer a 
compreensão das aplicações da IA na produção industrial, além de estimular novas 
pesquisas e inovações neste campo dinâmico, crucial para o desenvolvimento 
econômico e social. 
2. OBJETIVOS 
Investigar e analisar de que forma a inteligência artificial pode ser aplicada para 
otimizar processos de produção. 
2.1. Objetivos Específicos 
• Contextualizar o impacto da indústria 4.0 no sistema de produção; 
• Avaliar impactos positivos e negativos da utilização da inteligência artificial; 
• Investigar como essas tecnologias podem ser aplicadas; 
• Contribuir para novos insights sobre uso da Inteligência Artificial. 
 
4 
3. FUNDAMENTAÇÃO TEÓRICA 
 
3.1. Conceitos e Definições de Inteligência Artificial (IA) 
No blog da IBM (2024), Inteligência artificial é a utilização de computadores e máquinas 
para imitar a capacidade de resolução de problemas e tomada de decisão da mente 
humana, como reconhecimento de fala, tomada de decisão, tradução de idiomas e visão 
computacional. A IA evoluiu significativamente nos últimos 10 anos, com avanços 
notáveis em algoritmos, capacidade de processamento e volume de dados disponíveis, 
possibilitados pela computação em nuvem, habilitando a criação de IA ´s generativas e 
subcampos da IA como modelos de Machine Learning, Deep Learning, IoT, entre outras. 
A evolução da inteligência artificial (IA) de 2010 a 2024 foi marcada por avanços 
significativos em várias áreas, impulsionados por melhorias em algoritmos, poder 
computacional e disponibilidade de dados. 
A facilidade e popularização para criar automações altamente precisas e eficientes 
orientadas por IA aceleraram drasticamente a adoção da IA nas indústrias, liderada pelo 
EUA (Imagem 1), possibilitando que empresas possam implantar IA em uma variedade 
maior de situações, com menos custos. A facilidade e popularização para criar 
automações altamente precisas e eficientes orientadas por IA aceleraram drasticamente 
a adoção da IA nas indústrias, liderada pelo EUA (Figura 1), possibilitando que empresas 
possam implantar IA em uma variedade maior de situações, com menos custos. 
 
5 
Figura 1 – Número de modelos de Machine Learning por país. 
Fonte: Stanford University (2023, cap. 1) 
 
3.2. Evolução da Inteligência Artificial (IA) 
2010-2014: Primeiros Avanços em Deep Learning 
• 2010: O uso de GPUs para treinamento de redes neurais profundas se torna popular, 
permitindo o processamento mais rápido de grandes volumes de dados. 
• 2012: A vitória do modelo AlexNet na competição ImageNet marca um avanço 
• significativo no reconhecimento de imagens, demonstrando o poder das redes 
neurais convolucionais (CNNs). 
• 2013: Introdução do conceito de “word embeddings” com o modelo Word2Vec, 
melhorando significativamente a capacidade de compreensão de texto das 
máquinas. 
2015-2019: Avanços em Modelos de Aprendizado e Aplicações Industriais 
• 2015: A AlphaGo, criada pela DeepMind, venceu um campeão humano no jogo de 
Go, demonstrando o potencial da IA em tarefas complexas e estratégicas. 
• 2016: Surgimento do conceito de Transfer Learning, que permite reutilizar modelos 
treinados em grandes conjuntos de dados para tarefas específicas com menos dados, 
facilitando a aplicação de IA em diversas áreas. 
• 2017: Introdução do Transformer pelo Google, que revolucionou o NLP. Este modelo 
levou ao desenvolvimento de BERT e GPT, aumentando a precisão em várias tarefas 
de linguagem. 
• 2018: A implementação de IA em aplicações industriais começou a ganhar tração com 
a adoção de tecnologias como robótica avançada,manutenção preditiva e otimização 
de cadeia de suprimentos. 
 
6 
2020-2024: Maturidade e Integração em Processos Industriais 
• 2020: A pandemia de COVID-19 acelerou a digitalização e a adoção de IA em 
indústrias, especialmente para automação e análise de dados. 
• 2021: Modelos de linguagem de grande escala, como o GPT-3 da OpenAI, 
demonstraram capacidades impressionantes em geração de texto e outras tarefas de 
NLP, abrindo caminho para assistentes virtuais mais avançados. 
• 2022: A IA começou a ser utilizada amplamente na indústria 4.0, integrando IoT, big 
data e sistemas ciber-físicos para otimização de processos produtivos. 
• 2023: A introdução de IA generativa, como a DALL-E, mostrou o potencial da IA para 
criatividade e design, influenciando indústrias desde manufatura até entretenimento 
• 2024: Foco na IA explicável (Explainable AI) para tornar os modelos de IA mais 
transparentes e compreensíveis, crucial para aplicações em setores regulados como 
saúde e finanças. 
 
3.3. Subcampos da Inteligência Artificial (IA) 
• Machine Learning (ML): Machine Learning é um dos subcampos mais amplos da IA, 
focado no desenvolvimento de algoritmos que permitem que os sistemas aprendam e 
melhorem a partir de dados sem serem explicitamente programados. Técnicas 
comuns incluem aprendizado supervisionado, não supervisionado e aprendizado por 
reforço. No contexto da produção, ML é frequentemente utilizado para prever 
demanda, otimizar cadeias de suprimentos, detectar anomalias e melhorar a eficiência 
operacional. 
• Redes Neurais Artificiais (ANNs): Inspiradas pelo funcionamento do cérebro humano, 
as ANNs são modelos computacionais capazes de representar relações complexas 
entre entradas e saídas. Elas são amplamente aplicadas em problemas de previsão, 
classificação e controle dentro dos processos de produção. Sua capacidade de 
aprender e generalizar a partir de grandes conjuntos de dados as torna essenciais 
para tarefas complexas de reconhecimento de padrões. 
• Deep Learning: Deep Learning é uma subcategoria de Machine Learning (ML) que 
utiliza redes neurais profundas para modelar padrões complexos em grandes volumes 
7 
de dados. É particularmente eficaz em tarefas de reconhecimento de imagem, 
processamento de linguagem natural e outras aplicações que requerem a análise de 
dados não estruturados. 
• Otimização Heurística: A otimização heurística foca no desenvolvimento de algoritmos 
que buscam soluções aproximadas para problemas complexos de otimização. 
Exemplos incluem algoritmos genéticos, algoritmos de enxame de partículas e 
otimização por colônia de formigas. Esses métodos são frequentemente utilizados 
para resolver problemas de planejamento e programação na produção. 
3.4. Indústria 4.0 
A Indústria 4.0, iniciativa alemã cujo intuito é criar fabricas inteligentes, representando a 
quarta revolução industrial, viabilizada pelo avanços tecnológicos relacionado a IA e 
Internet, possibilitando a comunicação e cooperação em tempo real entre todo o ciclo 
de vida do produto, a combinação e integração entre tecnologias torna possível 
monitorar processos físicos, simular dados em tempo real em um espaço digital que 
replica seu ambiente físico, e toma decisões inteligente baseado nos dados analisados 
(Zhong et al, 2017). Iniciativa essa que avançou para outros países como manufatura 
inteligente (EUA) ou fábrica inteligente (Coreia do Sul). As principais tecnologias 
utilizadas são: 
• Internet das Coisas (IoT): Permite a interconexão de dispositivos e sistemas, 
aumentando a eficiência operacional e a flexibilidade da produção. A IoT facilita a 
coleta e análise de dados em tempo real, permitindo ajustes dinâmicos e melhorias 
contínuas nos processos produtivos. 
• Computação em Nuvem: Oferece infraestrutura escalável e econômica para 
armazenamento e processamento de dados, suportando as necessidades de análise 
avançada e aprendizado de máquina. A computação em nuvem é fundamental para a 
implementação de soluções de IA que exigem grandes volumes de dados e 
capacidade de processamento. 
8 
• Sistemas Ciber-Físicos: Integram processos físicos e computacionais, criando uma 
rede de sistemas interconectados que podem monitorar e controlar os processos 
produtivos de maneira autônoma e eficiente. Esses sistemas possibilitam a 
descentralização da produção e a tomada de decisões em tempo real. 
De acordo com o SEBRAE (2022), a capacidade produtiva de pequenas e grandes 
empresas pode aumentar, em média, 22% nas manufaturas, considerando os segmentos 
de alimentos e bebidas, mecânica, móveis, vestuário e calçados. 
Sendo a Indústria 4.0 uma facilitadora para que até mesmo pequenas indústrias possam 
implementar soluções tecnológicas em seu negócio e melhorar seus resultados, sem 
necessariamente realizar grandes investimentos. 
3.5. Inteligência Artificial na Otimização de Modelos e Meios de Produção 
A evolução da Inteligência Artificial e outras tecnologias como Internet, energia, 
materiais, e biotecnologia nos últimos anos, até o presente da indústria 4.0 teve a 
necessidade de adaptar e criar modelos, meios e formas de produzir com qualidade, 
eficiência e sustentabilidade. 
A definição por Li et al (2017, p.87) como modelos, meios e formas sendo 
[...]Novos modelos: Sistema de manufatura inteligente baseado na 
internet, orientado a serviços, colaborativo, personalizável, flexível e 
socializado, utilizado para facilitar a produção e fornecer serviços aos 
usuários. 
Novos meios: Sistemas de manufatura inteligente integrados humano-
máquina com destaque para digitalização, Internet das Coisas, 
virtualização, serviço, colaboração, personalização, flexibilidade e 
inteligência. 
Nova forma: Ecossistema de manufatura inteligente com características de 
interconexão ubíqua, orientação a dados, integração transfronteiriça, 
inteligência autônoma e inovação em massa. 
A manufatura Inteligente pode considerada como um novo modelo de produção, e o meio 
técnico pelo qual novas tecnologias de informação e comunicação, ciência e tecnologia 
inteligentes, tecnologias de manufatura ampla (incluindo projeto, produção, gestão, teste 
9 
e integração), tecnologia de engenharia de sistemas e tecnologias de produtos 
relacionados são integradas a todo o sistema e ciclo de vida do desenvolvimento do 
produto. 
Segundo Wang (2019), no contexto da manufatura, a ciência da inteligência – ou, mais 
especificamente, a IA na forma de modelos de aprendizado de máquina – contribui para 
a manufatura inteligente. Um cenário de colaboração humano-robô (HRC) é descrito, 
onde dados de sensores e dispositivos de campo são transformados em conhecimento 
após a aplicação de modelos apropriados de aprendizado de máquina. Esse 
conhecimento é então transformado em ações usando módulos de decisão HRC 
específicos de domínio, permitindo que operadores humanos trabalhem com robôs de 
maneira segura em um ambiente imersivo. 
Em análises realizadas por SHUFORD, MIA (2024), a inteligência artificial (IA) combinada 
com a robótica tem sido uma área de pesquisa ativa devido ao seu potencial para 
revolucionar a indústria de manufatura, a integração de IA com robôs pode melhorar a 
eficiência, precisão e flexibilidade dos processos de produção, permitindo a automação 
de tarefas complexas e a otimização das operações. 
Li et al (2017), aponta que a rápida comunicação de informação, tecnologia inteligente e 
conhecimento do produto, é caracterizado por sensores inteligentes, interconexão, 
colaboração, aprendizado de maquinas, analise, cognição, tomada de decisão, controle 
e execução homem, máquina, material e ambiente e informação E2E no sistema de 
manufatura inteligente e ciclo de vida de produção, informação de ambientes habilitam a 
integração e otimização de vários aspectos de uma empresa de manufatura, e permitindo 
a comunicação entre pessoas e maquinas de forma intuitiva e prática(a partir de 
sistemas), a integração dessas tecnologias de durante todo o processo de produção, é o 
que forma o ecossistema de manufatura inteligente. 
Esta fundamentação teórica oferece uma base sólida para compreender como a IA pode 
ser aplicada na otimização dos processos de produção, destacando suas principais 
tecnologias, aplicações e desafios no contexto da Indústria 4.0. 
10 
4. METODOLOGIA 
 
Neste trabalho adotamos uma a abordagem metodológica meticulosa para conduzir uma 
revisão sistemática da literatura sobre o impacto da Inteligência Artificial (IA) na 
otimização dos processos de produção. 
4.1. Identificação e Seleção de Fontes 
Foi realizada uma busca extensiva em bases de dados acadêmicas, incluindo Scielo, 
Google Acadêmico, IEEE Xplore e ScienceDirect, para identificar artigos científicos, livros, 
teses e outras fontes relevantes relacionadas à IA e otimização de processos de 
produção. As palavras-chave utilizadas nas buscas incluíram "artificial intelligence", 
"manufacturing" e "industry 4.0". 
4.2. Critérios de Inclusão e Exclusão 
Os critérios metodológicos adotados nesta pesquisa visaram garantir a seleção criteriosa 
de estudos relacionados à aplicação da Inteligência Artificial (IA) na otimização de 
processos de produção, particularmente no contexto da Indústria 4.0. 
Critérios de Inclusão: 
• Estudos publicados entre 2010 e 2024. 
• Artigos que discutem a aplicação prática da IA na otimização de processos 
industriais. 
• Fontes que fornecem evidências empíricas ou análises detalhadas sobre o 
impacto da IA na manufatura. 
• Critérios de Exclusão: 
• Artigos que não abordam diretamente a aplicação de IA na otimização de 
processos de produção. 
• Estudos fora do escopo temporal definido. 
• Fontes sem revisões por pares ou com metodologia questionável. 
11 
A abordagem do *string de busca* foi estrategicamente desenvolvida para abranger 
estudos que exploram a aplicação prática da IA na otimização de processos industriais, 
proporcionando uma visão abrangente do estado atual das pesquisas nessa interseção. 
Este enfoque facilitou a identificação de trabalhos que não apenas mencionam, mas 
efetivamente exemplificam a implementação da IA na melhoria da eficiência operacional 
em ambientes industriais. Durante a seleção, foram considerados apenas os estudos que 
estivessem alinhados com o escopo temporal definido, garantindo a relevância 
contemporânea das contribuições acadêmicas e práticas para o tema em questão, devido 
a essa seleção 20 artigos foram excluídos (Figura 2). 
É crucial ressaltar que os critérios de inclusão e exclusão foram aplicados de maneira 
rigorosa, assegurando a consistência e a qualidade dos estudos incorporados nesta 
revisão sistemática da literatura, e contribuindo assim para uma análise robusta e 
fundamentada. 
4.3. Síntese dos Resultados 
Os resultados dos estudos selecionados foram sintetizados para proporcionar uma 
compreensão abrangente do estado atual do conhecimento sobre a aplicação da IA na 
otimização de processos de produção. Foram destacadas principais descobertas, 
contribuições significativas e áreas que necessitam de investigação adicional. 
Esta metodologia robusta serviu como base para uma análise aprofundada do papel 
fundamental da IA na transformação dos processos industriais. Os resultados deste 
estudo têm o potencial de guiar pesquisas futuras, informar práticas industriais e 
impulsionar a inovação no campo da Inteligência Artificial aplicada à Indústria 4.0, 
contribuindo assim para o avanço econômico e social na sociedade contemporânea. 
12 
 
Figura 2 – quantidade de artigos excluídos e motivos. 
 
13 
5. RESULTADOS E DISCUSSÕES 
 
5.1. Síntese dos Principais Achados 
A revisão sistemática da literatura analisou 20 artigos publicados entre 2010 e 2024, com 
a maioria dos estudos se originando da América do Norte, Ásia e Europa, onde a maioria 
dos artigos analisados foram publicados entre 2015 e 2023, refletindo no crescente 
interesse por Inteligência Artificial na Manufatura. Os métodos de pesquisas variam entre 
estudos de caso, análises teóricas e livros. A distribuição de artigos por ano mostrou um 
aumento significativo no interesse por Inteligência Artificial (IA) a partir de 2015 (Figura 
3). 
A revisão também revelou que a Inteligência Artificial (IA) tem sido amplamente adotada 
para otimizar processos de produção em diversos setores industriais. As tecnologias de 
IA mais utilizadas incluem Machine Learning (ML), Redes Neurais Profundas, e 
Algoritmos de Otimização. Essas tecnologias têm sido aplicadas com sucesso em áreas 
como manutenção preditiva, automação de processos, controle de qualidade e otimização 
da cadeia de suprimentos. 
Figura 3 – Número de artigos sobre IA publicados no mundo (2010 - atual). 
Fonte: Stanford University (2023, cap 1) 
 
14 
5.2. Estudos e Aplicações Relevantes 
• A General Electric (GE) relatou uma redução de 30% nos custos de manutenção após 
implementar um sistema de manutenção preditiva baseado em IA. De acordo com GE 
digital (2023) foram utilizados, algoritmos de Machine Learning (ML) para prever 
falhas em equipamentos, reduzindo significativamente o tempo de inatividade e os 
custos de manutenção. 
• Na área de automação de processos, em CXO Today (2023), é relatado que a Nissan 
Motor Company implementou robôs colaborativos UR10 da Universal Robots em sua 
planta de Yokohama para aumentar a produtividade e melhorar a eficiência das 
operações. Os robôs foram utilizados para tarefas como afrouxar parafusos em 
suportes de cames de cabeçotes de cilindros e instalar coletores de admissão de 
blocos de motor. A Nissan relatou uma redução significativa no tempo de produção e 
na sobrecarga de trabalho dos funcionários, além de uma estabilização na saída de 
produção. A implementação dos robôs também eliminou problemas de “takt time” 
(tempo de ciclo) excessivo, reduzindo a necessidade de trabalhadores temporários e 
custos associados. 
• Sobre inspeção de qualidade, conforme Sundaram & Zeid (2023), a Bosch aplicou IA 
em seus sistemas de inspeção de qualidade, utilizando visão computacional e 
algoritmos de deep learning para detectar defeitos em produtos durante a linha de 
produção. Este sistema aumentou a precisão da detecção de defeitos em 35% e 
reduziu a necessidade de inspeções manuais em 40%, permitindo uma resposta mais 
rápida a problemas de qualidade e melhorando a eficiência geral do processo de 
produção. 
• Chryssolouris et al (2023), cita que a Toyota implementou IA em seus processos de 
montagem e logística, utilizando robôs inteligentes equipados com algoritmos de 
aprendizado profundo para realizar tarefas complexas e repetitivas com alta precisão. 
Isso não apenas aumentou a eficiência da linha de produção em 20%, mas também 
reduziu os custos operacionais em 15% e melhorou a qualidade dos produtos finais 
em 10%. A Toyota também utiliza IA para otimizar a logística e o gerenciamento de 
estoques, garantindo um fluxo contínuo de materiais e minimizando desperdícios. 
 
15 
Como também mencionado por RAJKOVIĆ et al (2024, p. 4), 
[...]A implementação de uma fábrica inteligente não apenas melhorou a 
eficiência de produção da Toyo Tires, mas também trouxe benefícios 
ambientais significativos. A integração de um sistema de energia solar 
reduziu as emissões de CO2, enquanto o uso de software avançado para 
otimização de processos resultou em uma produção mais eficiente e 
sustentável. 
 
5.3. Métricas de Sucesso 
Os estudos utilizaram várias métricas para avaliar a eficácia das soluções de IA 
incluindo redução de custos, aumento de eficiência, diminuição de tempo de 
inatividade e melhoria na qualidade dos produtos. Os resultados quantitativos mais 
significativos incluem: 
• De acordo com Tran (2021), a aplicação de técnicas de inteligência artificial na 
manutenção preditiva tem demonstrado uma reduçãosignificativa nos custos 
operacionais sendo observada uma queda média de 10 a 30% nos custos de 
manutenção, um dos responsáveis por essa queda é o uso de sistemas de 
monitoramento baseados em sensores IoT e técnicas de aprendizado de 
máquina permite prever falhas de componentes com precisão e fornecer 
estimativas de vida útil restante. 
• Segundo informações de Ciccone (2023), houve um aumento médio de 10-25% 
na eficiência de produção, quando há integração de IA nos processos de 
manufatura inteligente, e tem como resultado em um aumento substancial na 
eficiência operacional, utilizando a implementação de técnicas de otimização e 
aprendizado de máquina nos processos de produção, melhorando a eficiência 
dos processos associados à manufatura aditiva, desde a otimização de 
simulações até o monitoramento em processo. 
• A análise de Yang (2021) mostra que a partir da utilização de IA para a gestão 
preditiva de saúde e prognósticos, houve uma redução média de 20-40% no 
tempo de inatividade dos equipamentos, diminuindo significativamente o tempo 
de inatividade não planejado dos equipamentos, e aumentando a confiabilidade 
e a disponibilidade das máquinas. 
16 
• Conforme as informações fornecidas por Sundaram e Zeid (2023), houve 
melhoria de 15-25% na qualidade dos produtos, a implementação de inspeção 
de qualidade baseada em IA mostrou uma alta taxa de precisão, a partir do uso 
de um modelo de Rede Neural Convolucional (CNN) personalizado foi possível 
alcançar uma precisão de inspeção de 99,86% em produtos de fundição, 
demonstrando melhorias significativas na qualidade dos produtos finais. 
 
Figura 4 – Exemplos de Implementação de IA nas empresas. 
5.4. Discussão 
Os resultados desta revisão confirmam e expandem os achados de estudos anteriores, 
mostrando que a IA continua a ser uma ferramenta poderosa para a otimização de 
processos de produção. Em comparação com trabalhos anteriores, houve uma evolução 
significativa na aplicação de redes neurais profundas e algoritmos de Machine Learning, 
especialmente em termos de precisão e eficiência. 
5.4.1. Vantagens e Benefícios 
A revisão sistemática da literatura sobre a aplicação de Inteligência Artificial (IA) na 
otimização de processos de produção revelou diversos benefícios e vantagens. Os mais 
importantes e frequentemente citados nos 40 artigos analisados incluem: 
• Aumento da Eficiência Produtiva: A IA melhora a velocidade e a precisão dos 
processos, resultando em maior produtividade. Isso é especialmente evidente em 
aplicações como automação de processos e otimização da cadeia de suprimentos. 
17 
• Redução de Custos Operacionais: A aplicação de IA em manutenção preditiva, 
inspeção de qualidade e otimização de processos permite uma significativa 
diminuição dos custos operacionais, evitando falhas e minimizando desperdícios. 
• Melhoria na Qualidade dos Produtos: A utilização de técnicas de IA, como visão 
computacional e aprendizado profundo, garante um controle de qualidade mais 
rigoroso, resultando em produtos com padrões elevados e consistentes. 
• Redução do Tempo de Inatividade dos Equipamentos: A IA aplicada na manutenção 
preditiva permite prever falhas e realizar manutenções preventivas, reduzindo 
significativamente o tempo de inatividade não planejado dos equipamentos. 
• Inovação e Transformação Digital: A adoção de IA impulsiona a inovação e a 
transformação digital nas indústrias, integrando tecnologias emergentes como a 
Internet das Coisas (IoT) e a computação em nuvem. 
• Transparência e Explicabilidade: A IA explicável (XAI) é crucial para garantir a 
confiança dos usuários e a conformidade com regulamentos, proporcionando 
transparência nos processos de decisão automatizados. 
• Sustentabilidade e Eficiência Energética: A aplicação de IA em sistemas de 
gerenciamento de energia e cadeias de suprimentos verdes contribui para práticas 
mais sustentáveis e eficientes energeticamente. 
Abaixo uma síntese dos benefícios mais frequentemente citados nos artigos analisados 
(Figura 5). 
Figura 5 – Frequência que as vantagens da IA para otimização de processos de 
produção foram citadas nos artigos revisados. 
18 
5.4.2. Desafios e Limitações 
Em Mckinsey (2023), é citado que a implementação da Inteligência Artificial (IA) para 
otimização de processos de produção enfrenta diversos desafios que podem 
comprometer o sucesso dos projetos. Um caso notável é o de uma empresa industrial 
global que, apesar de implementar com sucesso uma transformação digital em uma 
fábrica específica, falhou em replicar esses resultados em outras unidades, este fracasso 
foi atribuído às diferenças nas infraestruturas de TI, culturas locais e lideranças de cada 
fábrica, dificultando a escalabilidade da iniciativa. 
Esses desafios destacam a importância de uma abordagem personalizada e estratégica 
para a implementação de IA levando em consideração as particularidades de cada 
ambiente industrial e a necessidade de uma gestão de mudanças eficaz para garantir a 
adesão e o sucesso do projeto. 
Com base na análise dos artigos revisados e em casos documentados, os principais 
desafios e limitações são detalhados a seguir: 
• Complexidade de Implementação 
Pela interpretação de Nti et al (2022) e Katz (2017), a integração de IA em processos de 
produção existentes é complexa e frequentemente requer uma reestruturação 
significativa das operações e sistemas de TI. A necessidade de adaptar novas tecnologias 
a infraestruturas antigas pode ser um grande obstáculo. Isso inclui problemas de 
compatibilidade com sistemas legados e a necessidade de desenvolver soluções 
customizadas para diferentes ambientes industriais. 
• Qualidade e Disponibilidade dos Dados 
Em Arinez et al (2020) e Sundaram (2023), é citado que a eficácia dos algoritmos de IA 
depende diretamente da qualidade dos dados disponíveis. Dados imprecisos, 
incompletos ou inconsistentes podem prejudicar significativamente o desempenho dos 
modelos de IA. Além disso, a coleta e integração de grandes volumes de dados de 
diferentes fontes representam desafios logísticos significativos. A falta de dados 
19 
padronizados e a dificuldade de acesso a dados históricos podem limitar a eficácia das 
soluções de IA. 
• Custo de Implementação e Manutenção 
Rana et al (2023) e Chryssolouris et al (2023) afirmam que os altos custos iniciais 
associados à implementação de IA incluindo aquisição de tecnologia, atualização de 
infraestruturas e treinamento de pessoal, podem ser proibitivos, especialmente para 
empresas menores. Além disso, a manutenção contínua e a atualização dos sistemas de 
IA representam despesas recorrentes significativas, o que pode afetar a viabilidade 
econômica a longo prazo. 
• Falta de Profissionais Qualificados 
Yang et al (2021) e Plathottan (2023) demonstram que a escassez de profissionais 
qualificados com conhecimentos em IA e sua aplicação na indústria é uma limitação 
significativa. A falta de pessoal especializado limita a capacidade das empresas de 
desenvolver, implementar e manter sistemas de IA eficazes. A competição por talentos 
qualificados também aumenta os custos e dificulta a retenção de pessoal. 
• Questões de Segurança e Privacidade 
Para Soldatos & Kyriazis (2021) e Patel et al (2023), a implementação de IA envolve a 
coleta e processamento de grandes quantidades de dados, o que levanta preocupações 
sobre segurança e privacidade. Proteger esses dados contra ciber ataques e garantir a 
conformidade com regulamentações de privacidade é um desafio contínuo. Qualquer 
violação de dados pode ter consequências legais e financeiras graves para as empresas. 
• Resistência à Mudança 
No olhar de Kumar (2017) e Trakadas et al (2020), a adoção de novas tecnologias muitas 
vezes encontra resistência por parte dos funcionários e da gestão, que podem ser 
relutantes em mudar métodos estabelecidos e aprender novas habilidades. Agestão da 
mudança organizacional é crucial para o sucesso da implementação de IA. Sem o apoio 
e a adesão de todas as partes envolvidas, os projetos de IA podem falhar. 
20 
• Questões Éticas e de Transparência 
Na análise de Yoo & Kang (2023) e Kusiak (2024), a utilização de IA levanta questões 
éticas, como a transparência dos algoritmos, a tomada de decisões automatizadas e o 
potencial de viés. Garantir que os sistemas de IA sejam justos, transparentes e 
explicáveis é fundamental para ganhar a confiança dos usuários e para a conformidade 
com regulamentações. 
Esses desafios mostram que, embora a IA tenha um grande potencial para transformar a 
manufatura, seu sucesso depende de uma abordagem estratégica e bem planejada que 
considere as particularidades de cada ambiente industrial e a necessidade de uma gestão 
de mudanças eficaz para garantir a adesão e o sucesso do projeto. Foi criado um gráfico 
(Figura 6) que ilustra a frequência com que os principais desafios e limitações da IA na 
otimização de processos de produção foram citados nos 40 artigos revisados. 
 
Figura 6 – Frequência que os desafios e limitações da IA para otimização de 
processos de produção foram citadas nos artigos revisados. 
5.4.3. Perspectivas Futuras 
As perspectivas futuras indicam um crescimento contínuo na adoção de Inteligência 
Artificial (IA) na indústria de manufatura, com várias tendências emergentes que 
prometem transformar ainda mais os processos de produção. Entre essas tendências, 
21 
destacam-se a Inteligência Artificial Explicável (XAI), o Aprendizado Federado e a 
Robótica Colaborativa. 
• Inteligência Artificial Explicável (XAI) 
De acordo com as afirmações de Yoo & Kang (2023), a demanda por transparência e 
interpretabilidade dos sistemas de IA está crescendo, levando ao desenvolvimento de 
técnicas de Inteligência Artificial Explicável (XAI). XAI permite que os modelos de IA 
forneçam explicações compreensíveis para suas decisões, aumentando a confiança dos 
usuários e facilitando a detecção e correção de vieses. 
o Benefícios: Aumenta a confiança dos usuários, facilita a conformidade com 
regulamentações, e permite a identificação de vieses nos modelos de IA. 
o Aplicações: Controle de qualidade automatizado, manutenção preditiva e 
otimização de processos em que a justificativa das decisões é crucial. 
 
• Aprendizado Federado 
O Aprendizado Federado em Kusiak (2024), é uma abordagem emergente que permite 
que os modelos de IA sejam treinados em vários dispositivos descentralizados usando 
dados locais, sem a necessidade de centralizar os dados. Isso resolve problemas de 
privacidade de dados, reduz a latência e melhora a eficiência do treinamento. 
o Benefícios: Melhora a privacidade dos dados, reduz a necessidade de 
transferência de grandes volumes de dados e permite o treinamento 
colaborativo entre diferentes organizações. 
o Aplicações: Manutenção preditiva distribuída, monitoramento de condições 
de equipamentos em tempo real e otimização de cadeias de suprimentos. 
 
• Robótica Colaborativa 
Usando como referência Rana et al (2023) e Yang et al (2021), podemos concluir que a 
robótica colaborativa permite a integração de robôs com habilidades avançadas de IA e 
humanos, esses robôs, também conhecidos como cobots, são projetados para ser 
22 
seguros, flexíveis e fáceis de programar, permitindo uma maior interação e cooperação 
com humanos. 
o Benefícios: Aumenta a produtividade, melhora a segurança no local de 
trabalho e reduz a carga de trabalho físico e cognitivo dos operadores 
humanos. 
o Aplicações: Montagem de produtos, inspeção de qualidade, movimentação 
de materiais e outras tarefas repetitivas ou fisicamente exigentes. 
A (figura 7) ilustra as 10 tendências emergentes mais citadas nos 40 artigos revisados. 
Figura 7 – Tendências Emergentes na Aplicação de IA 
Fonte: Compilação de 40 artigos revisados. 
A Indústria 5.0 representa a próxima evolução, focando na colaboração entre humanos e 
máquinas inteligentes para criar processos de produção mais eficientes, personalizados 
e sustentáveis. 
Leng (2024, p.5), acrescenta, 
[...]A transição para a Indústria 5.0 apoiada pela IA requer uma 
compreensão clara dos requisitos e etapas necessárias. Isso inclui a 
capacidade de autoconhecimento e auto-otimização para melhoria 
contínua, bem como a resiliência e confiabilidade esperadas para 
aplicações industriais. 
5.5. Recomendações 
23 
• Boas Práticas de Implementação: Empresas devem seguir boas práticas para a 
implementação de IA incluindo a seleção adequada de dados, treinamento 
contínuo de equipes, e monitoramento constante dos sistemas. 
• Políticas de Suporte: Governos e organizações devem desenvolver políticas que 
incentivem a adoção de IA proporcionando suporte financeiro e regulamentar. 
6. CONCLUSÃO 
 
Esta revisão sistemática oferece uma visão abrangente sobre o papel da inteligência 
artificial (IA) na otimização dos processos de produção. Os estudos revisados destacam 
consistentemente o potencial da IA para revolucionar a indústria manufatureira, trazendo 
benefícios significativos em termos de eficiência, qualidade e sustentabilidade. 
A análise dos artigos selecionados revela que a IA é uma ferramenta poderosa para lidar 
com a complexidade dos processos de produção modernos. Desde o planejamento e 
controle da produção até a automação e manutenção preditiva, a IA está sendo aplicada 
em diversas áreas para otimizar o desempenho das operações industriais (Arinez et al., 
2020; Nti et al., 2022). Além disso, foi observada uma tendência crescente no uso de 
técnicas avançadas de IA, como aprendizado profundo e processamento de linguagem 
natural, para enfrentar problemas cada vez mais complexos na fabricação (Sundaram & 
Zeid, 2023). Essas abordagens têm mostrado resultados promissores na melhoria da 
precisão, redução de custos e aumento da flexibilidade dos processos produtivos (Yang 
et al., 2021; Chryssolouris et al., 2023). 
Entretanto, a implementação ampla da IA na indústria enfrenta desafios significativos. 
Questões como a integração de sistemas heterogêneos, a segurança cibernética e a 
aceitação pelos trabalhadores ainda representam barreiras importantes (Katz, 2017; 
Rana et al., 2023). A qualidade e disponibilidade de dados, a interpretabilidade dos 
modelos e o desenvolvimento de habilidades da equipe são áreas-chave que requerem 
atenção para garantir o sucesso e a sustentabilidade das implementações de IA na 
indústria (Alexopoulos et al., 2020; Soldatos & Kyriazis, 2021). Para que as empresas 
possam manter a competitividade no mercado global, é fundamental que se adaptem às 
24 
novas tecnologias da Indústria 4.0, que incluem IA, Big Data e computação em nuvem. A 
transformação digital não é mais uma opção, mas uma necessidade para a 
sustentabilidade e crescimento contínuo das organizações. (Telles et al, 2023) 
As tendências atuais indicam um movimento em direção a soluções mais integradas, 
transparentes e centradas no ser humano, visando maximizar os benefícios da IA 
enquanto mitigam seus potenciais riscos e desafios (Yoo & Kang, 2023; Kusiak, 2024). 
Com o avanço contínuo da tecnologia e o aumento da experiência em implementações 
de IA, espera-se que esses desafios sejam superados, permitindo uma adoção ainda 
mais ampla e eficaz da IA na indústria manufatureira. 
A revisão sistemática realizada reafirma a importância da IA como um catalisador para a 
transformação digital na manufatura, destacando tanto os avanços quanto os desafios a 
serem enfrentados. Com foco nas áreas de melhoria e desenvolvimento contínuo, a IA 
tem o potencial de transformar profundamente a produção industrial, tornando-a mais 
eficiente, segura e sustentável.
25 
 
REFERÊNCIAS 
 
 
ALEXOPOULOS, K.; NIKOLAKIS, N.; CHRYSSOLOURIS, G. Digital twin-driven 
supervised machine learning for the development of artificial intelligenceapplications in 
manufacturing. International Journal of Computer Integrated Manufacturing, v. 33, n. 5, p. 
429-439, 2020. DOI: 10.1080/0951192X.2020.1747642. 
 
ARINEZ, J. F.; CHANG, Q.; GAO, R. X.; XU, C.; ZHANG, J. Artificial Intelligence in 
Advanced Manufacturing: Current Status and Future Outlook. Journal of Manufacturing 
Science and Engineering, v. 142, n. 11, 2020. 
 
CHRYSSOLOURIS, G.; ALEXOPOULOS, K.; ARKOULI, Z. A Perspective on Artificial 
Intelligence in Manufacturing. Springer, 2023. 
 
GE DIGITAL. Digital Twin Software | GE Digital. Disponível em: 
https://www.ge.com/digital/applications/digital-twin. Acesso em: 10 de novembro de 2023. 
 
KATZ, Y. Manufacturing an Artificial Intelligence Revolution. SSRN, 2017. 
 
LENG, J. et al. Unlocking the Power of Industrial Artificial Intelligence Towards Industry 
5.0: Insights, Pathways, and Challenges. Annals of Operations Research, p. 1-12, 2024. 
DOI: 10.1007/s10479-024-06012-6. 
 
KUMAR, S. P. Leo. State of The Art-Intense Review on Artificial Intelligence Systems 
Application in Process Planning and Manufacturing. Journal of Manufacturing Systems, v. 
45, p. 303-318, 2017. Disponível em: https://doi.org/10.1016/j.jmsy.2017.08.001. 
 
KUSIAK, A. Federated Explainable Artificial Intelligence (fXAI): A Digital Manufacturing 
https://www.ge.com/digital/applications/digital-twin
26 
Perspective. **International Journal of Production Research**, v. 62, n. 1-2, p. 171-182, 
2024. DOI: 10.1080/00207543.2023.2238083. 
 
MIA, M. R.; SHUFORD, J. Exploring the Synergy of Artificial Intelligence and Robotics in 
Industry 4.0 Applications. Journal of Artificial Intelligence General Science, v. 1, n. 1, p. 
171-182, 2024. DOI: 10.60087/jaigs.v1i1.31. 
 
NISSAN MOTOR COMPANY. How collaborative robots helped in production of Electric 
and Hybrid cars. Disponível em: https://cxotoday.com/case-studies/nissan-motor-
company-how-collaborative-robots-helped-in-production-of-electric-and-hybrid-cars/. 
Acesso em: 10 de novembro de 2023. 
 
NTI, I. K.; ADEKOYA, A. F.; WEYORI, B. A.; NYARKO-BOATENG, O. Applications of 
artificial intelligence in engineering and manufacturing: a systematic review. Journal of 
Intelligent Manufacturing, v. 33, n. 6, p. 1581-1601, 2022. 
 
PATEL, D.; SAHU, C. K.; RAI, R. Security in modern manufacturing systems: integrating 
blockchain in artificial intelligence-assisted manufacturing. **International Journal of 
Production Research**, p. 1041-1071, 26 set. 2023. DOI: 
10.1080/00207543.2023.2262050. 
 
PLATHOTTAM, S. J.; RZONCA, A.; LAKHNORI, R.; ILOEJE, C. O. A Review of Artificial 
Intelligence Applications in Manufacturing Operations. Journal of Manufacturing Systems, 
2023. DOI: 10.1016/j.jms.2023.02.001. 
 
RANA, G.; KHANG, A.; SHARMA, R. Reinventing Manufacturing and Business Processes 
Through Artificial Intelligence. 1. ed. New York: Springer, 2023. 
 
RAJKOVIĆ, T.; NIKOLIĆ, I.; JANKOVIĆ, N.; LEČIĆ-CVETKOVIĆ, D. Implementation of 
Industry 4.0: Examples from the Serbian Manufacturing Industry. Conference 
Proceedings, 43rd International Conference on Organizational Science Development: 
Green and Digital Transition – Challenge or Opportunity, 2024. DOI: 
https://cxotoday.com/case-studies/nissan-motor-company-how-collaborative-robots-helped-in-production-of-electric-and-hybrid-cars/
https://cxotoday.com/case-studies/nissan-motor-company-how-collaborative-robots-helped-in-production-of-electric-and-hybrid-cars/
27 
10.18690/um.fov.3.2024.61. 
 
SEBRAE. Quando surgiu a Indústria 4.0? Disponível em: 
<https://sebrae.com.br/sites/PortalSebrae/artigos/quando-surgiu-a-industria-
40,4542c009cbce3810VgnVCM100000d701210aRCRD#:~:text=O%20termo%20Ind%C
3%BAstria%204.0%20foi,estudo%20sobre%20a%20Ind%C3%BAstria%204.0>. Acesso 
em: 21 out. 2023. 
 
SOLDATOS, J.; KYRIAZIS, D. Trusted Artificial Intelligence in Manufacturing: A Review 
of the Emerging Wave of Ethical and Human Centric AI Technologies for Smart 
Production. Boston–Delft: Now Publishers, 2021. DOI: 10.1561/9781680838770. 
 
SUNDARAM, S.; ZEID, A. Artificial Intelligence-Based Smart Quality Inspection for 
Manufacturing. Micromachines, v. 14, n. 3, p. 570, 2023. DOI: 10.3390/mi14030570. 
TELLES, E.S.T.; BARONE, D.A.C.B.; SILVA, A.M.S. Inteligência Artificial no Contexto da 
Indústria 4.0. Universidade Federal do Rio Grande do Sul. Pesquisado em: 10/2023 
 
TRAKADAS, P.; SIMOENS, P.; GKONIS, P.; SARAKIS, L.; ANGELOPOULOS, A.; 
RAMALLO-GONZÁLEZ, A.P.; SKARMETA, A.; TROCHOUTSOS, C.; CALVÓ, D.; 
PARIENTE, T.; et al. An Artificial Intelligence-Based Collaboration Approach in Industrial 
IoT Manufacturing: Key Concepts, Architectural Extensions and Potential Applications. 
Sensors, v. 20, n. 19, p. 5480, 2020. 
 
WANG, L. From Intelligence Science to Intelligent Manufacturing. Engineering, v. 5, p. 
615-618, 2019. DOI: 10.1016/j.eng.2019.04.011. 
 
YANG, T.; YI, X.; LU, S.; JOHANSSON, K. H.; CHAI, T. AI Energizes Process 
Manufacturing―Perspective Intelligent Manufacturing for the Process Industry Driven by 
Industrial Artificial Intelligence. Engineering, v. 7, p. 1224-1230, 2021. DOI: 
10.1016/j.eng.2021.04.023. 
 
YOO, S.; KANG, N. Explainable artificial intelligence for manufacturing cost estimation and 
28 
machining feature visualization. Journal of Manufacturing Systems, v. 45, p. 303-318, 
2023. Disponível em: https://doi.org/10.1016/j.jmsy.2023.01.002. 
 
ZHONG, Ray Y.; XU, Xun; KLOTZ, Eberhard; NEWMAN, Stephen T. Intelligent 
Manufacturing in the Context of Industry 4.0: A Review. Engineering, v. 3, n. 5, p. 616-
630, 2017. Disponível em: 
https://www.sciencedirect.com/science/article/pii/S2095809917307130. Acesso em: 27 
maio 2024. 
	RESUMO
	ABSTRACT
	1. INTRODUÇÃO
	2. OBJETIVOS
	3. FUNDAMENTAÇÃO TEÓRICA
	4. METODOLOGIA
	5. RESULTADOS E DISCUSSÕES
	5.5. Recomendações
	6. CONCLUSÃO
	REFERÊNCIAS