Solução desenvolvida com apoio do Senai Paraná e do Sistema Ocepar combina aprendizado de máquina e otimização matemática para aprimorar o alojamento de pintainhos

Uma decisão que se repete diariamente na avicultura pode representar milhões de reais em economia quando apoiada por Inteligência Artificial (IA). Na Lar Agroindustrial, o desafio de distribuir milhares de pintainhos entre dezenas de aviários deu origem a uma solução capaz de aprimorar o planejamento do alojamento das aves, otimizar o uso de ração e ampliar a eficiência operacional. Desenvolvido no âmbito do Hub Paraná Cooperativo, o projeto ficou em 1º lugar  entre as iniciativas das 38 cooperativas e empresas participantes da residência em Inteligência Artificial.

A iniciativa integra uma parceria entre o Sistema Ocepar e o Senai Paraná, por meio do Instituto Senai de Tecnologia da Informação e Comunicação, que aproxima as demandas reais das cooperativas de especialistas e recursos tecnológicos para desenvolver soluções aplicáveis ao negócio.

Na Lar, o ponto de partida foi um processo de planejamento manual que precisava considerar dezenas de regras, restrições sanitárias e variáveis que mudam diariamente. A complexidade dificultava a identificação das melhores combinações para distribuir os lotes de pintainhos entre os aviários, considerando fatores que influenciam o desempenho produtivo das aves.

A resposta foi desenvolver um sistema que combina modelos de Inteligência Artificial e otimização matemática para apoiar as decisões de alojamento. Em vez de depender exclusivamente do planejamento manual, a equipe passou a contar com previsões e recomendações calculadas a partir dos dados da operação.

Simulação aponta economia superior a R$ 1,3 milhão em 57 dias

Os resultados da simulação demonstram o potencial econômico da ferramenta. Ao analisar 57 dias de alojamento em paralelo, o projeto identificou uma economia estimada de R$ 1,305 milhão em custos diretos com ração, sem necessidade de investir em novas instalações.

No período analisado, que considerou aproximadamente 53,6 milhões de aves alojadas, a prescrição gerada pelo sistema indicou uma redução de cerca de 725 toneladas de ração em comparação com o planejamento manual. O consumo projetado passou de aproximadamente 270,4 mil toneladas para 269,7 mil toneladas.

Outro indicador importante foi a conversão alimentar, que mede a quantidade de ração necessária para produzir um quilo de carne. Quanto menor esse índice, melhor o aproveitamento do alimento. Na simulação, a conversão alimentar prevista caiu de 1,6821 para 1,6776, uma melhora de 0,0045 ponto.

Embora a variação pareça pequena, seu efeito pode ser expressivo em uma operação de grande escala. A apresentação técnica do projeto estima que esse ganho de 0,0045 ponto na conversão alimentar pode representar uma economia de aproximadamente R$ 24 mil por milhão de aves, considerando os parâmetros utilizados no estudo.

Para Lubian Carmona, analista de negócios na Lar Agroindustrial, o valor da tecnologia está na capacidade de gerar resultados concretos para o negócio. “A tecnologia é a ferramenta; a eficiência e o valor que geramos para o negócio são a nossa entrega. Neste projeto, buscamos utilizar a Inteligência Artificial para apoiar uma decisão importante da operação, considerando diferentes variáveis que influenciam o desempenho dos lotes. Com a combinação de modelos preditivos e otimização matemática, conseguimos simular cenários e identificar oportunidades de melhorar a conversão alimentar e reduzir o consumo de ração. É uma forma de transformar dados em informações que apoiam decisões mais eficientes e podem gerar impacto direto nos resultados da cooperativa”, afirma.

Os valores apresentados são projeções de uma simulação, e não resultados financeiros já comprovados em operação contínua. Ainda assim, os números mostram como pequenos ganhos de eficiência, quando aplicados a grandes volumes de produção, podem se transformar em oportunidades relevantes de redução de custos.

Como a Inteligência Artificial transforma dados em decisões

O desenvolvimento foi organizado em etapas que vão da integração das informações à entrega de um produto mínimo viável (MVP), versão funcional da solução para demonstrar sua aplicação.

Primeiro, foram reunidos dados sobre infraestrutura dos aviários, tipologia, vazio sanitário, genética, linhagem, idade, sazonalidade, mortalidade e histórico de conversão alimentar. Essas informações serviram de base para os modelos de aprendizado de máquina (machine learning), utilizados para prever o desempenho dos lotes.

Na etapa seguinte, um modelo de otimização matemática passou a utilizar as previsões para recomendar a alocação dos lotes. O objetivo é encontrar combinações que reduzam a conversão alimentar e apoiem decisões mais eficientes, respeitando as condições da operação.

A solução também ganhou uma interface para visualização das informações e recomendações. O sistema reúne uma API desenvolvida com FastAPI e um painel construído com React e TypeScript, permitindo apresentar os resultados de maneira estruturada para apoiar o planejamento.

Na prática, a tecnologia não substitui o conhecimento das equipes da cooperativa. Ela amplia a capacidade de analisar variáveis simultaneamente, identificar cenários e fundamentar decisões com dados.

Residência conecta o desafio da cooperativa à capacidade técnica do Senai Paraná

O case evidencia como a residência em Inteligência Artificial pode aproximar o conhecimento técnico de um problema concreto do agronegócio. Em vez de partir de uma tecnologia em busca de aplicação, o trabalho começa com uma necessidade do negócio e estrutura o desenvolvimento a partir dela.

Por meio do Hub Paraná Cooperativo, o Sistema Ocepar e o Senai Paraná criam um ambiente de colaboração para que cooperativas identifiquem oportunidades de aplicação da IA, trabalhem com profissionais especializados e avancem no desenvolvimento de soluções alinhadas às suas operações.

O apoio do Instituto Senai de Tecnologia da Informação e Comunicação permite transformar uma demanda operacional em um projeto estruturado, com integração de dados, desenvolvimento de modelos preditivos, otimização matemática e construção de uma ferramenta funcional. Essa abordagem pode ser aplicada a diferentes desafios das cooperativas, como planejamento, logística, manutenção, controle de processos e uso eficiente de recursos, conforme as necessidades de cada negócio.

Para Silvana Mali Kumura, coordenadora do Instituto Senai de Tecnologias da Informação e Comunicação e Hub de IA, a iniciativa demonstra como a aproximação entre o conhecimento técnico e as demandas do setor produtivo pode gerar soluções com aplicação prática. “O diferencial da residência em Inteligência Artificial está em partir de um desafio real da cooperativa. A partir dessa necessidade, conseguimos mobilizar conhecimento especializado e desenvolver soluções que fazem sentido para a operação, contribuindo para a tomada de decisão e para a eficiência dos processos.”