O problema do caixeiro-viajante (Traveling Salesman Problem - TSP) é um desafio clássico de otimização computacional: encontrar a rota mais curta que visite todos os pontos de um conjunto uma única vez. Na prática, para a FM Logistic, lidando com um armazém massivo na Polônia, essa não é apenas uma questão acadêmica, mas o gargalo que define a rentabilidade das operações diárias.
Com um centro de distribuição que ocupa a área de oito campos de futebol e mais de 17.700 pontos de coleta, a ineficiência é cara. Dezenas de operadores em empilhadeiras percorrem esses corredores a cada turno. Cada metro rodado desnecessariamente se traduz em degradação prematura da frota, aumento do consumo de energia e atraso no SLA de entrega.
A FM Logistic já possuía uma lógica de roteamento automatizada, baseada em decisões heurísticas locais (priorização por custo e tempo real). Embora funcional, esse modelo sofria com a visão de curto prazo: ele otimizava o próximo movimento, mas falhava em orquestrar o fluxo global do armazém. A transição para o AlphaEvolve no Google Cloud representa uma mudança estratégica de paradigma: em vez de ajustar regras fixas manualmente, a empresa passou a utilizar IAs que criam e refinam os próprios algoritmos de otimização.
Ensinando a IA a escrever algoritmos superiores
O diferencial técnico do AlphaEvolve reside no uso de agentes de codificação evolucionários alimentados por modelos Gemini. O processo não parte de uma folha em branco, mas de um "seed" — o código legue que já realizava o roteamento básico. O modelo atua como um parceiro de pair programming, introduzindo mutações e novas lógicas, testando-as contra o baseline e iterando até que a performance supere a engenharia humana original.
Para que esse processo de evolução fosse eficaz, a equipe definiu uma função de avaliação rigorosa. Utilizando um dataset representativo de 60 tours reais, o AlphaEvolve foi testado contra restrições de negócio críticas: capacidade de carga por veículo, violação de FIFO (First-In, First-Out), prioridade de pedidos e, fundamentalmente, o tempo de computação necessário para manter o sistema responsivo em tempo real.
Os resultados operacionais
A implementação atingiu ganhos tangíveis, superando um sistema que já havia passado por sucessivas rodadas de otimização tradicional:
- 10,4% de ganho direto em eficiência de roteamento.
- Economia anual superior a 15.000 km de deslocamento interno, reduzindo drásticamente o desgaste da frota elétrica.
Isso permite à FM Logistic escalar o volume de pedidos sem a necessidade de expansão proporcional de headcount ou aquisição de novos ativos, um objetivo clássico de eficiência operacional que qualquer gestor de TI busca atingir.
Por que o novo algoritmo funciona?
O resultado final não é uma caixa-preta impenetrável, mas um conjunto de regras lógicas que a equipe de engenharia pode auditar e ajustar. Três pontos foram fundamentais para essa performance superior:
- Anchor Selection (Baseado em densidade): Diferente do enfoque anterior, que focava apenas na sobreposição de missões, o algoritmo otimizado identifica clusters espaciais de alta densidade como pontos de partida (âncoras).
- Filtragem em dois estágios com simulação: Para proteger a latência das operações, o modelo utiliza uma filtragem rápida, aplicando a simulação de distância mais pesada apenas nos candidatos de alta probabilidade.
- Flexibilidade na malha: O sistema deixou de ser rígido. Se um conjunto de ordens compromete a eficiência de uma rota, o sistema devolve essas tarefas ao pool, evitando o "custo de oportunidade" de uma rota mal desenhada.
Perspectivas estratégicas
O sucesso da implementação na Polônia abre caminho para o uso de IA evolucionária em outros domínios de transporte e logística. Para empresas brasileiras dependentes de tecnologia, esse caso demonstra que a fronteira da otimização está deixando de ser a simples substituição de regras por modelos de ML e migrando para a autogestão da lógica de negócios via agentes generativos.
Artigo originalmente publicado por Anant NawalgariaSr. Staff ML Engineer & PM, Google em Cloud Blog.
