Avaliação do Impacto de Desvios de Qualidade em uma Indústria Farmacêutica Veterinária na Terceirização de Processos Produtivos
Bibliographic record
Abstract
Qualquer processo, seja ele produtivo ou não, é suscetível a falhas e estas podem gerar consequências nos produtos finais. Na indústria farmacêutica veterinária a gestão destas falhas, além de ser uma das demandas do sistema de qualidade, é uma necessidade legal, verificada por auditorias de agências regulatórias. Assim, a gestão das não conformidades apresenta grande importância para melhoria contínua. Atrelado a isso, verifica-se nos últimos anos a tendência de aumento da prática de terceirização da produção de medicamentos veterinários em vista das vantagens financeiras envolvidas. Com essa mudança no processo produtivo, identificam-se dificuldades relacionadas à avaliação do impacto financeiro destes desvios para as empresas contratantes. Em vista disso, este trabalho, por meio de um estudo de caso, teve como objetivo o levantamento de desvios de manufatura, suas causas raiz e ações corretivas determinadas pela empresa terceira, e os custos envolvidos com essas falhas para a empresa contratante. Com essas informações verificou-se oportunidades de melhorias do processo, visando destinar investimentos de forma mais assertiva.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".