Optimización del algoritmo de ‘slotting’ con IA
“El algoritmo de optimización de ‘slotting’ mejorará la eficiencia en almacenes con una elevada demanda”
Sobre el proyecto de investigación
En almacenes con una alta rotación de productos, determinar dónde ubicar cada artículo y cuándo es necesario trasladarlo puede ser determinante para lograr operaciones eficientes o generar cuellos de botella. El Intelligent Logistics Systems Lab del MIT y Mecalux están desarrollando un sistema de asignación de ubicaciones basado en IA para que los almacenes puedan adaptarse al instante a los cambios en la demanda. Las investigadoras Selene Silvestri y Sarah Schaumann, del Center for Transportation and Logistics del MIT, explican cómo este proyecto conjunto ayudará a las empresas a optimizar sus operaciones, reducir costos y responder con mayor eficacia a las fluctuaciones de la demanda.
Mecalux entrevista a Selene Silvestri y Sarah Schaumann, investigadoras del MIT CTL, para profundizar en los detalles del proyecto cuyo objetivo es mejorar la eficiencia de los almacenes que operan con una elevada demanda.
-
¿En qué consiste el proyecto en el que están trabajando y cuál es su objetivo principal?
Selene Silvestri: Nuestro objetivo es optimizar la asignación de ubicaciones en el almacén. En pocas palabras, buscamos determinar cuándo y dónde conviene reposicionar los productos en la instalación, ya sea debido a cambios en la demanda o en los parámetros operativos.
El sistema aprende de los datos, respalda la toma de decisiones y permite comprender con claridad por qué los productos se asignan a determinadas ubicaciones y por qué es necesario trasladarlos
-
¿Qué beneficios puede aportar este sistema basado en IA a las operaciones del almacén?
Sarah Schaumann: El objetivo del algoritmo de optimización es reducir los costos de preparación de pedidos, reducir los tiempos de procesamiento de los pedidos y reducir los desplazamientos durante el picking, tanto de personas como de robots. La tecnología que estamos desarrollando aprende de los datos, respalda la toma de decisiones y permite comprender con claridad por qué los productos se asignan a determinadas ubicaciones y por qué es necesario trasladarlos.
La incorporación de técnicas de machine learning e IA generativa en el proyecto transformará la gestión y las operaciones de los almacenes. También tendrá un impacto en la rentabilidad, ya que una asignación más inteligente de las ubicaciones aumenta la productividad, reduce los niveles de stock y mejora el retorno de la inversión.
-
¿Cómo ayuda el aprendizaje automático a optimizar la ubicación de productos en el almacén?
Nuestra idea es desarrollar un modelo híbrido que combine la investigación de operaciones con métodos de machine learning para aprovechar las ventajas de ambos enfoques Selene Silvestri: Una de las principales aplicaciones del aprendizaje automático es la agrupación de productos. Mediante el análisis del historial de pedidos, las técnicas de machine learning pueden identificar qué grupos de referencias suelen solicitarse juntos. De esta manera, el algoritmo asigna ubicaciones cercanas a los productos con mayor afinidad y reduce las distancias recorridas durante el picking. Además, el sistema considera posibles situaciones de congestión en el almacén: las decisiones de slotting que puedan generar concentraciones de operadores reciben una penalización para facilitar un flujo de trabajo más eficiente.
-
¿Cómo optimizarán la asignación del espacio para tarimas con inteligencia artificial?
Sarah Schaumann: Los métodos tradicionales suelen tener dificultades para adaptarse a los cambios, la estacionalidad y las variaciones en los pedidos. Nuestra idea es desarrollar un modelo híbrido que combine la investigación de operaciones con métodos de machine learning para aprovechar las ventajas de ambos enfoques. Estas técnicas permiten identificar patrones en los datos del almacén que son difíciles de detectar con los métodos de optimización tradicionales. En definitiva, el nuevo algoritmo de optimización de slotting mejorará la eficiencia operativa en almacenes con una elevada demanda.