El Futuro Ya Está Aquí: IA y Aprendizaje Automático en Logística y Cadena de Suministro

Recientemente, comencé una charla sobre la aplicación de la Inteligencia Artificial (IA) en Logística y Cadena de Suministro con una pregunta intrigante: "¿Cuántos de ustedes han utilizado IA en su lugar de trabajo?" La respuesta fue modesta, con solo cinco personas levantando la mano. Profundizando en la cuestión, pregunté: "¿Y cuántos de ustedes han utilizado IA esta mañana?" Para mi sorpresa, solo dos manos se levantaron, incluida la mía. Este momento fue crucial para resaltar una reflexión importante: aunque a menudo no lo percibimos, la IA es parte integral de nuestra vida diaria. Ya sea al elegir una película en Netflix, escuchar una nueva lista de reproducción en Spotify, solicitar un viaje en Uber o incluso interactuar con Alexa, constantemente nos beneficiamos de aplicaciones impulsadas por IA. Incluso el simple acto de revisar nuestros correos electrónicos está impregnado por la presencia de Aprendizaje Automático (ML), con algoritmos dedicados a separar mensajes no deseados y spam del resto de nuestra correspondencia. El objetivo de esta observación era evidenciar que, independientemente de nuestra percepción consciente, el uso de IA es una realidad innegable y presente en nuestras vidas cotidianas.

La Inteligencia Artificial (IA) puede caracterizarse como la capacidad de las máquinas para realizar tareas que tradicionalmente requerirían la cognición humana, como percibir, razonar, aprender y resolver problemas. Dentro de este amplio espectro, el Aprendizaje Automático (ML) emerge como un pilar central, junto con otras áreas significativas como la robótica, el procesamiento del lenguaje natural (PLN), la visión por computadora y el reconocimiento del habla. Es importante destacar que el ML se ha establecido como el subcampo más influyente de la IA al emplear datos históricos para desarrollar modelos capaces de anticipar resultados futuros o comportamientos de nuevos datos, representando una frontera avanzada en el campo de la inteligencia artificial.

El descubrimiento de que el 90% de los datos globales se crearon en los últimos dos años fue una revelación asombrosa para mí. Esta estadística arroja luz sobre la increíble explosión de información que estamos experimentando y destaca claramente el papel crucial del Aprendizaje Automático (ML) en este contexto. El ML se nutre y evoluciona gracias a estos inmensos volúmenes de datos, explorándolos para aprender patrones, hacer predicciones y mejorar decisiones. Esta situación refuerza la gran importancia de desarrollar sistemas de inteligencia artificial sofisticados que no solo puedan gestionar, sino también comprender y extraer valor de esta vasta cantidad de información de manera efectiva.

Método de Aprendizaje Automático
El aprendizaje automático es una disciplina fascinante que se basa en el uso de datos, modelos probabilísticos y algoritmos para descubrir patrones y hacer predicciones. El proceso comienza con la identificación clara del problema a resolver, seguido por la etapa crucial de limpieza de datos, donde se eliminan inconsistencias y ruidos para garantizar la calidad del análisis. Una vez preparados, los datos se utilizan en la implementación del modelo de aprendizaje automático, que se elige y configura cuidadosamente según el desafío en cuestión.

Después de la implementación, el modelo se somete a un riguroso proceso de entrenamiento y prueba, lo que permite que aprenda de los datos proporcionados y se evalúe su eficacia. La evaluación es una fase crítica donde se mide el rendimiento del modelo mediante métricas específicas, asegurando que cumpla con los criterios de éxito establecidos. Con la aprobación en todas las etapas anteriores, el modelo se implementa para su aplicación práctica, donde comienza a resolver el problema identificado en el mundo real.

Sin embargo, el trabajo no termina con la implementación. La actualización continua del modelo es esencial para mantener su relevancia y eficacia, ajustándolo conforme se reciben nuevos datos y retroalimentación. Esto garantiza que el modelo siga siendo eficiente frente a cambios en los patrones de datos o en las condiciones del problema.

Los métodos de aprendizaje automático se dividen en tres grandes familias, cada una con sus peculiaridades y aplicaciones. Los métodos de aprendizaje supervisado utilizan datos de entrenamiento etiquetados para hacer predicciones sobre nuevos datos, siendo ideales para tareas como la predicción de la demanda, clasificación de imágenes, detección de fraude, identificación de causas de retrasos/fallas y diagnósticos médicos. Por otro lado, los métodos de aprendizaje no supervisado buscan patrones en conjuntos de datos sin etiquetas predefinidas, útiles para la segmentación de clientes/proveedores y recomendaciones de productos. Por último, el aprendizaje por refuerzo se centra en la optimización de decisiones y la adquisición de habilidades a través de recompensas, allanando el camino para avances significativos en áreas que requieren adaptación y mejora continua.

Ejemplo de Uso de ML en Transporte
Los alumnos de la FEI ayudaron a un minorista a identificar las causas de los retrasos en las transferencias de mercancías entre sus instalaciones. Para ello, los alumnos desarrollaron un modelo de clasificación que predice los retrasos como función de 18 factores, como: 1) la distancia de la ruta, incluida la distancia real y la distancia planificada 2) tiempo de viaje 3) 4) Modelo de vehículo, 5) transportista 6) ciudad de origen 7) ciudad de destino 8) retraso en el origen.

El análisis determinó qué variables eran buenos predictores y permitió a los alumnos prever si una ruta planificada tendría baja o alta probabilidad de retraso. Luego, los alumnos utilizaron un árbol de decisiones basado en las variables para predecir la probabilidad.

*Prof. Dr. Mauro Sampaio
Posdoctorado en Gestión de la Cadena de Suministro por el Fischer College of Business de la Ohio State University (OSU-EE. UU.) y por la Chalmers University of Technology (CHALMERS-Suecia). Doctor y Magíster en Administración de Empresas por la EAESP/FGV. Ingeniero de Producción-Materiales por la Universidade Federal de São Carlos (UFSCar). Actualmente es el Director del Supply Chain Lab. y profesor adjunto del Departamento de Ingeniería de Producción del Centro Universitario FEI. Se desempeña profesionalmente como profesor, investigador y consultor. Sus temas de interés son: Gestión de la Cadena de Suministro y Logística.