POR YOSSI SHEFFI
Director del MIT Center for Transportation and Logistics
Los cambios socioeconómicos de principios de la década de 2020 pusieron de manifiesto el protagonismo de las cadenas de suministro en la economía global, así como el papel creciente de las tecnologías digitales —como la inteligencia artificial (IA) y la automatización— en el presente y en el futuro. En esta adaptación de su último libro, The magic conveyor belt: Supply chains, A.I., and the future of work, el profesor del MIT Yossi Sheffi destaca cómo la automatización, la robótica y la IA están cambiando y aumentando los puestos de trabajo. También profundiza en las herramientas que ayudarán a los profesionales a ser productivos y a aportar más valor en la gestión de cadenas de suministro cada vez más complejas.
Con la llegada de las nuevas tecnologías de automatización y de IA, las personas, los equipos y las organizaciones necesitarán nuevas herramientas para incrementar la productividad. Dichas herramientas deben permitir que los trabajadores, los equipos y los directivos colaboren entre sí y con la tecnología. Tras reflexionar sobre el rol de los humanos en el flujo de trabajo, en los siguientes apartados se describen cuatro categorías de herramientas que contribuirán a que los profesionales detecten, analicen y recomienden líneas de acción en cadenas de suministro globales intrínsecamente conectadas.
Ciclos de aprendizaje: colaboración entre humanos e IA
Las herramientas que las personas necesitarán para trabajar con máquinas dependerán del papel que desempeñen los humanos en la economía futura y de cómo puedan mejorar su colaboración con la IA y la automatización. En un artículo de la Harvard Business Review, dos ejecutivos de Accenture describen cinco principios que pueden ayudar a las empresas a optimizar la colaboración entre humanos e IA: reinventar los procesos empresariales, promover la experimentación en los equipos, dirigir activamente la estrategia de IA, recopilar datos de manera responsable y rediseñar el trabajo para incorporar la IA e impulsar las habilidades de los profesionales.
A fin de reinventar los procesos empresariales, rediseñar el trabajo para integrar la IA y potenciar las habilidades profesionales, es imprescindible analizar primeramente el flujo de actividades en la compañía. Diversos expertos han desarrollado modelos teóricos centrados en las personas y las organizaciones con el objetivo de mejorar la efectividad de los procesos. Muchos de estos escenarios incluyen algún tipo de secuencia e iteración ─o “ciclo”─ de pasos que abarcan desde la recopilación de datos sobre la situación hasta el desarrollo de planes, la adopción de medidas y la compilación de información sobre los resultados.
En el contexto de la IA y la automatización, una cuestión importante es qué función deben desempeñar los humanos y las máquinas en estos ciclos de actividades controladas de aprendizaje. Por ejemplo, una persona puede estar totalmente inmersa en un ciclo cuando debe ejecutar uno o varios pasos esenciales cada vez que se realiza una tarea. En el otro extremo nos encontraríamos con una máquina que es capaz de procesar automáticamente la mayoría de los pasos de las tareas rutinarias y, solo en casos excepcionales, anómalos o complejos, necesitar la intervención de una persona. Un proceso de este tipo podría ejecutarse 24/7 para la mayoría de las actividades y gestionar en horario de oficina solo una fracción de los casos.
En ejemplos aún más avanzados de automatización, la persona podría observar tan solo los ciclos de aprendizaje del sistema a través de un panel de mandos e investigar e intervenir en el proceso cuando surja un problema. Por último, la implicación humana podría darse solo a un nivel superior como, por ejemplo, en el caso de diseñarse sistemas totalmente autónomos que operen de forma continuada y solo requieran intervenciones puntuales durante las operaciones.
Iluminando la caja negra de la IA
Muchos sistemas de machine learning actúan como cajas negras inescrutables; proporcionan respuestas sin ninguna explicación de por qué el software eligió esa contestación. La falta de argumentación por parte de la IA es una barrera tanto para la adopción como para el uso fiable de los sistemas de aprendizaje profundo, porque las explicaciones juegan tres roles clave en cualquier proceso de toma de decisiones. Primero, se necesitan razones para convencer a las partes interesadas de que la respuesta de la IA es correcta. Segundo, se requieren argumentos para cotejar o validar la respuesta de la IA: ¿Está utilizando la IA una lógica o datos cuestionables? Tercero, las explicaciones son útiles para ayudar a las personas a aprender de la IA, ya que no solo ven la respuesta sino también su justificación.
Para resolver este problema de la caja negra de la IA, investigadores e ingenieros están trabajando en una nueva clase de sistemas de aprendizaje automático conocidos como inteligencia artificial explicable (XAI). Los sistemas de aprendizaje automático XAI generan respuestas, pero también alguna explicación. La investigación requerida para la inteligencia artificial explicable ha comportado cambios en el propio modelo de aprendizaje automático, así como un análisis psicológico para determinar qué tipo de explicación necesitarían o querrían los humanos para hacer un mejor uso del sistema.
Gemelos digitales para la gestión y la simulación
A medida que el entorno empresarial, las cadenas de suministro y la tecnología se vuelven cada vez más complejos, las personas necesitan más herramientas que les hagan comprender el sistema existente y experimentar de manera segura con las decisiones, tácticas y estrategias propuestas. Los gemelos digitales es una tecnología que posibilita todo esto. Un digital twin es una réplica digital pormenorizada y realista de un sistema físico, tanto sea un equipo, un medio de transporte, una fábrica, una bodega, una empresa o incluso una cadena de suministro en su totalidad. Sin embargo, un gemelo digital es más que una simple representación informática de un recurso, dado que dicho recurso está conectado a su representación digital con el fin de actualizarse constantemente según sus condiciones reales.
La tecnología digital twin permite el uso de un tipo de IA conocida como aprendizaje por refuerzo, que aprende por ensayo y error
Los digital twins pueden usarse para visualizar y monitorear el rendimiento del sistema físico. También se emplean para formar a trabajadores en operaciones básicas o resolver problemas. Las empresas pueden hacer múltiples copias de un gemelo digital con el propósito de simular y comparar los efectos de la volatilidad, de distintos escenarios, contingencias o cambios propuestos en el objeto o en cómo se utiliza.
La tecnología digital twin también permite el uso de un tipo de IA conocido como aprendizaje por refuerzo, que aprende por ensayo y error, es decir, intenta varias acciones y es "recompensado" o "castigado" en función de los resultados obtenidos. Las copias de un gemelo digital pueden proporcionar un entorno simulado realista para estos sistemas de aprendizaje por refuerzo.
Mejores interfaces y herramientas de colaboración
Las interfaces entre personas y máquinas son un elemento esencial de la colaboración entre humanos y robots. Los avances en computadoras móviles, pantallas y cámaras de muy alta velocidad, bajo consumo y bajo costo están haciendo posibles nuevas interfaces informáticas que crean escenarios de realidad aumentada (RA) y realidad virtual (RV).
Con la realidad aumentada, el usuario usa un auricular, unas gafas inteligentes o un dispositivo móvil que superpone datos digitales en su campo de visión. El sistema de RA conecta visualmente un objeto físico y los datos digitales asociados a este de dos formas. Primero, la RA superpone los datos digitales en el entorno físico del usuario. Por ejemplo, una persona puede observar un equipo y obtener superposiciones de las tendencias de rendimiento de la máquina, mensajes de error, manuales de instrucciones, programas de uso, etc. Segundo, muchos sistemas de RA registran el espacio físico y los objetos (como la ubicación de los artículos o las cantidades en los contenedores), así como las acciones realizadas (recoger un objeto o completar una tarea de mantenimiento). Estos dos aspectos de la RA aseguran que el objeto y su gemelo digital estén sincronizados.
Con la realidad aumentada, el usuario usa un auricular, unas gafas inteligentes o un dispositivo móvil que superpone datos digitales en su campo de visión
La realidad virtual, por el contrario, reemplaza por completo el campo de visión del usuario por una vista inmersiva generada por computadora de un mundo virtual o digital. La tecnología, por lo general, crea un mundo totalmente sintético o usa copias de un gemelo digital a fin de ofrecer simulaciones inmersivas para aplicaciones en ingeniería, formación, experiencia del cliente y exploración de hipótesis. La realidad virtual también favorece el trabajo remoto o la telepresencia mediante pantallas inmersivas que transmiten datos en directo de la cámara de vídeo desde una ubicación remota. Otra aplicación es la realidad virtual multiusuario, que puede ofrecer una funcionalidad colaborativa a trabajadores e interlocutores separados físicamente. Tales interfaces virtuales pueden ser útiles en un contexto de cadena de suministro global o en lugares de trabajo donde reunir a todos los expertos o partes interesadas en el mismo lugar es demasiado costoso o requiere mucho tiempo.
Democratizando el desarrollo de herramientas
Una tendencia fundamental de la informática y la alta tecnología es la "descualificación" que se produce en la automatización y los sistemas basados en IA, lo que hace que cada vez más aspectos del uso de estas tecnologías sean accesibles a un mayor número de personas. Esto permite a los profesionales crear automatización e IA que facilite la transición hacia trabajos asistidos por software que tendrán mayor demanda en el futuro.
Una categoría de estas herramientas de fácil uso está destinada a ayudar a los trabajadores a crear sus propios sistemas de automatización robótica de procesos sin tener que escribir código de programación. El profesional desempeña una tarea rutinaria en el ordenador mientras la herramienta registra la secuencia de la actividad. A continuación, la herramienta es capaz de crear un proceso robotizado que repita esas acciones para futuras instancias de la misma tarea.
Otra categoría engloba las denominadas plataformas de desarrollo low-code o no-code. Estas plataformas permiten a los no programadores crear software, como puede ser una página web, una aplicación o aplicaciones para móviles. Las plataformas utilizan herramientas de diseño gráfico, un conjunto de plantillas y bloques modulares para que el usuario pueda desarrollar software sin necesidad de aprender un lenguaje de programación.
Las plataformas de desarrollo de código pueden aplicar la tecnología machine learning a la gran cantidad de software existente para que las personas escriban código. La IA generativa puede crear código a partir de una simple descripción de texto de lo que este debe hacer. Con estos sistemas, los no programadores pueden escribir una descripción de lo que quieren y la IA creará el código que se ajuste a esa descripción.
Si bien los sistemas de IA generativa pueden disminuir el nivel de cualificación necesario para el desarrollo de software, con la consiguiente pérdida de oportunidades para programadores e ingenieros informáticos, esto supondrá una ventaja para los expertos en la materia, que podrán construir productos por sí mismos. En 2021, la consultora Gartner predijo que para 2024, el 80% de los productos y servicios tecnológicos serían creados por personas que no fueran profesionales de la tecnología. Es posible, entonces, que la narrativa de "85 millones de trabajos perdidos, 97 millones de trabajos ganados" (sobre cómo la automatización afectará al empleo con el tiempo) diga más sobre los cambios en la forma en que los empleados actuales pasan su tiempo que sobre si tendrán un trabajo o no.
Referencias
- Wilson, H. James, and Paul R. Daugherty. 2019. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review. April 4, 2019.
- Turek, Matt. 2018. Explainable Artificial Intelligence. Darpa.mil. 2018.
- Gartner Says the Majority of Technology Products and Services Will Be Built by Professionals Outside of IT by 2024. n.d. Gartner.
El Dr. Yossi Sheffi es profesor de la cátedra Elisha Gray II de Ingeniería de sistemas en el Massachusetts Institute of Technology (MIT), donde ejerce de director del MIT Center for Transportation and Logistics.
Adaptado de The Magic Conveyor Belt: Supply Chains, A.I., and the Future of Work, publicado por MIT CTL Media, copyright 2023.