“Nuestros sistemas ayudarán a las empresas a prepararse para el futuro”
Vea el vídeo de la entrevista completa >
Sobre el proyecto de investigación
La optimización de la distribución de pedidos mediante el entrenamiento de modelos de IA autodidacta es uno de los propósitos de la colaboración de investigación que el Massachusetts Institute of Technology y Mecalux pusieron en marcha en 2024. Sarah Schaumann, del Center for Transportation & Logistics del MIT, es la investigadora principal de esta iniciativa del Intelligent Logistics Systems Lab centrada en la inteligencia prescriptiva, cuyo objetivo es ayudar a las empresas a optimizar la elección de los puntos de despacho de su mercancía.
Mecalux entrevista a Sarah Schaumann, investigadora principal de MIT CTL, para conocer más sobre el proyecto de inteligencia prescriptiva que dirige en el marco de la colaboración de investigación entre el MIT y Mecalux.
-
Participa usted en un proyecto de investigación conjunto entre el MIT y Mecalux. ¿Qué esperan conseguir con este trabajo?
El objeto del proyecto de investigación es desarrollar un modelo de orquestación para sistemas con una gestión descentralizada de pedidos basado en el aprendizaje automático. Por tanto, la idea es reemplazar la estrategia fundamentada en reglas que suele ofrecerse actualmente que asigna pedidos a instalaciones y transportistas por una estrategia de orquestación inteligente que emplea una IA autodidacta. Queremos habilitar un sistema que no solo sea capaz de mejorar la eficiencia operativa, sino que también se ajuste a futuros entornos cambiantes a lo largo del tiempo a través del uso del machine learning.
El objetivo es desarrollar un modelo de orquestación para sistemas de gestión de pedidos distribuidos basado en el aprendizaje automático
-
¿Qué potencial tiene la iniciativa para construir la próxima generación de sistemas de gestión de pedidos distribuidos?
Esperamos crear nuevas generaciones de estrategias de orquestación de pedidos inteligentes y adaptables. Es decir, reemplazar las estrategias estáticas, basadas en reglas, con otras inteligentes y dinámicas que puedan ajustarse a las demandas cambiantes de los clientes, las restricciones o incluso las condiciones del mercado. En general, queremos sentar las bases para el desarrollo de sistemas autónomos de distribución de pedidos que autoaprendan de sí mismos, cada vez más necesarios en entornos dinámicos.
-
¿Cómo emplearán el aprendizaje por refuerzo para desarrollar estrategias de orquestación óptimas?
Pretendemos aplicar el aprendizaje por refuerzo para conseguirlas. Esto significa que el modelo aprende y perfecciona sus procesos de orquestación interactuando con un entorno. El modelo crea diferentes estrategias de orquestación y obtiene una recompensa o una penalización según el resultado de la decisión. Luego, ajusta las decisiones de forma iterativa. En consecuencia, se trata de una especie de aprendizaje continuo donde las recompensas dependen de la filosofía de la empresa. Por ejemplo, una compañía podría primar los costos y, otra, el tiempo de entrega.
Queremos crear estrategias inteligentes y dinámicas que puedan adaptarse a las demandas cambiantes de los clientes, las limitaciones o incluso las condiciones del mercado
-
¿Cómo está utilizando el Intelligent Logistics Systems Lab las simulaciones en investigaciones como esta?
Las simulaciones nos permiten replicar escenarios del mundo real en un ambiente seguro y controlado. El modelo no interactúa con el sistema real, sino con un entorno simulado. Así se reduce el costo y el riesgo de probar y entrenar estos modelos y, además, se testea su robustez y escalabilidad con mayor facilidad.
-
¿Qué impacto generará este proyecto en la industria logística?
Los entornos en los que operan las compañías se están volviendo cada vez más dinámicos y complejos, pero la gran ventaja de los modelos basados en el aprendizaje por refuerzo es que se adaptan con el tiempo. Esto significa que nuestros sistemas ayudarán a las empresas a prepararse para el futuro.