A gestão da cadeia de suprimentos (SCM) no setor automotivo vem passando por mudancas em busca de maior resiliência, eficiência e adaptação ao mercado. Entre as principais tendências estão a verticalização de etapas produtivas, para ampliar o controle sobre insumos críticos e reduzir riscos de abastecimento; o uso de inteligência artificial, aplicado à previsão de demanda, gestão de estoques, riscos e tomada de decisão; e o compartilhamento de recursos, como infraestrutura, sistemas e capacidades produtivas, visando melhor aproveitamento de ativos e redução de custos. Esses movimentos refletem a transição para cadeias mais digitais, colaborativas e integradas, capazes de responder às demandas de competitividade, sustentabilidade e inovação da indústria automotiva.

A palestra apresenta a experiência da Direção do Centro de Tecnologia da UFPB, unidade que reúne sete departamentos, dez cursos de graduação e sete programas de pós-graduação, sob a ótica da Engenharia de Produção. Partindo da universidade como um sistema produtivo complexo, discute como gestão de processos, planejamento e decisão baseada em dados têm sido aplicados à administração pública. O foco recai sobre os aplicativos desenvolvidos pela própria Direção com auxílio de inteligência artificial generativa e hoje em uso na gestão do Centro: painéis de ocupação de salas e laboratórios, documentação de procedimentos, automação de rotinas administrativas e de planejamento. Serão apresentados os problemas que motivaram cada aplicativo, o método de desenvolvimento, os resultados obtidos e os limites e cuidados envolvidos, com ênfase no papel das pessoas e na oportunidade que a gestão pública representa para o engenheiro de produção.

A digitalização dos sistemas produtivos tem colocado à disposição das empresas um volume crescente de dados: registros de ERP, leituras de sensores em máquinas, imagens de câmeras para inspeção e históricos de demanda. Transformar esses dados em melhores decisões é um desafio que cabe naturalmente aos engenheiros de produção. Nesse cenário, o Machine Learning e o Deep Learning surgem como ferramentas capazes de prever tempos de produção e demandas, antecipar falhas de equipamentos e identificar defeitos automaticamente. No entanto, entre os algoritmos apresentados na literatura e sua aplicação efetiva nas operações ainda existe uma distância considerável, marcada por dúvidas sobre qual método utilizar, como interpretar seus resultados e quais cuidados adotar antes de levá-los à prática. Esta palestra busca reduzir essa distância: a partir de exemplos simples e de casos com dados reais, apresenta, de forma intuitiva, o funcionamento de métodos baseados em regressão, árvores de decisão e redes neurais, discutindo suas aplicações, potencialidades e limites no contexto industrial.