Embora os estoques assegurem a disponibilidade imediata de produtos, também acarretam custos elevados e riscos de obsolescência. No gerenciamento de estoques, os gestores precisam decidir quanto pedir, quando pedir e como controlar o sistema. No âmbito do Comando da Aeronáutica (COMAER), verificou-se que as previsões de demanda de muniçõesaeronáuticas ainda são realizadas de forma manual e descentralizada, sem suporte analítico automatizado, baseando-se em informações fornecidas pelos órgãos utilizadores. Essa limitação torna o processo lento e pouco preciso frente à elevada variabilidade do contexto militar, podendo resultar em excessos de materiais ou rupturas de suprimento,especialmente diante de atrasos logísticos. Diante desse problema, este trabalho propõe um modelo preditivo de demanda baseado em algoritmos de aprendizado de máquina, desenvolvido a partir de dados históricos do Sistema Integrado de Logística de Materiais e Serviços (SILOMS), referentes ao período de 2009 a 2024. O objetivo é apoiar as decisões logísticas por meio de previsões mais rápidas, precisas e automatizadas, considerando as características estatísticas das séries temporais. A metodologia envolveu a análise exploratória das séries de consumo ea aplicação de um modelo de ensemble learning, utilizando o algoritmo XGBoost como meta-modelo para combinar previsões individuais por meio de stacking. Os resultados demonstraram que o modelo proposto lida adequadamente com séries heterogêneas, produzindo previsões com erros inferiores aos métodos isolados.Concluiu- se que a inteligência artificial apresenta elevado potencial como ferramenta de apoio à decisão no planejamento logístico militar, configurando-se como um campo promissor para aprimorar a gestão de estoques de munições do COMAER. Ver menos

Although inventories ensure the immediate availability of products, they also involve high costs and obsolescence risks. In inventory management, decision-makers must determine how much to order, when to order, and how to control the system. Within the Brazilian Air Force (COMAER), it was verified that demand forecasts for aeronautical munitions are still carried out manually and in a decentralized manner, without analytical or automated support,relying on information provided by user units. This limitation makes the process slow and imprecise when facing the high variability of the military context, often resulting in material surpluses or supply shortages, especially in cases of logistical delays. To address this issue, this studyproposes a predictive demand model based on machine learning algorithms, developed using historical data from the Integrated Logistics System for Materials and Services (SILOMS), covering the period from 2009 to 2024. The objective is to support logistic decision-makingby providing faster, more accurate, and automated forecasts that consider the statistical characteristics of the time series. The methodology involved exploratory analysis of the consumption series and the application of an ensemble learning model, using the XGBoost algorithm as a meta-model to combine individual predictions. The results demonstrated that the proposed model effectively handles heterogeneous time series, producing forecasts withlower error rates than individual models. The findings indicate that artificial intelligence has strong potential as a decision-support tool for military logistics planning, representinga promising approach to improving munitions inventory management within COMAER. Ver menos