Pablo Medina (Corona): IA para la toma de decisiones en almacenes

Pablo Medina participó en la primera edición del curso ejecutivo sobre inteligencia artificial organizado por el MIT CTL y Mecalux. El gerente de Distribución de Corona, empresa multinacional especializada en la fabricación de productos para el hogar y la construcción, comparte su experiencia en el Massachusetts Institute of Technology.

• ¿Cuál fue su principal aprendizaje del curso ejecutivo en el MIT?

  Que la inteligencia artificial comienza con una decisión, no con una tecnología. Llegué pensando en algoritmos y salí haciéndome preguntas más sencillas: ¿qué decisión queremos optimizar?, ¿quién la toma?, ¿con qué frecuencia y cómo evaluamos sus resultados actualmente? Sin esa referencia inicial, ningún proyecto piloto puede demostrar resultados.

  El segundo aprendizaje fue entender que el machine learning y la optimización se complementan, no compiten entre sí. El curso mostró cinco niveles de integración, desde no utilizar IA hasta emplear modelos que toman todas las decisiones. La mayor parte del valor demostrado en los almacenes se concentra actualmente en los dos primeros niveles: el modelo predice y la herramienta de planeación sigue tomando las decisiones.

  La regla que me llevé del curso es elegir el nivel más sencillo que resuelva el cuello de botella. Para una cadena integrada como la de Corona, esto cambia el enfoque: no se trata de cuánta IA implementamos, sino de identificar en qué decisiones aplicarla y con qué nivel de profundidad.

  

• ¿Qué ideas le resultaron más interesantes?

  Me pareció muy útil conocer cada tipo de machine learning aplicado a casos reales. Durante el curso analizamos cómo distintas empresas han implementado estos modelos en sus operaciones. Uber Freight, por ejemplo, empleó el aprendizaje no supervisado, que identifica patrones en datos sin etiquetar, para identificar instalaciones mediante la agrupación de puntos GPS registrados por camiones detenidos. También vimos casos de aprendizaje supervisado, que aprende a partir de datos etiquetados con las respuestas correctas, como los drones de IKEA que leen etiquetas en los racks o el modelo de Zalando que reproduce el comportamiento de su algoritmo de enrutamiento para estimar rutas en milisegundos. Otro ejemplo presentado fue el de Amazon, que aplicó el aprendizaje por refuerzo ─que consiste en probar diferentes decisiones en un entorno simulado─ a las compras de inventario.

  De todos los casos que analizamos durante el curso, el que más me impactó fue el modelo supervisado desarrollado por el MIT CTL, que predice los tiempos de tránsito mediante intervalos, en vez de proporcionar un único valor. Un trayecto estimado de 10 días parece mejor que uno de 11, hasta que descubres que el primero puede presentar una variación superior a dos días y el segundo, apenas medio día. En Colombia, donde la geografía y las condiciones de las carreteras generan una gran variabilidad en el transporte, esa diferencia es clave para definir niveles de inventario de seguridad, citas en los andenes de carga y turnos de trabajo.

  El caso de Amazon también me hizo reflexionar: su modelo para determinar qué cantidad comprar de cada producto prometía una reducción del inventario cercana al 23% en una simulación, pero al final la reducción fue del 12% en una prueba real de 26 semanas. Fue un buen resultado, pero el aprendizaje es que debemos medir los resultados antes de ampliar la implementación.

• ¿Hubo algo que le hiciera replantearse su visión sobre la IA?

  Lo que más me hizo replantear mi perspectiva fue descubrir que la IA no es neutral. Un estudio del MIT reveló que un copiloto de IA generativa no solo ayudaba a tomar mejores decisiones, sino que también influía en el peso que las personas otorgaban al riesgo y a la rentabilidad al tomar decisiones. Por esta razón, el grado de autonomía debe definirse para cada tipo de decisión y asignar claramente a una persona responsable.

  El machine learning y la optimización son socios, no rivales

• ¿El curso le ayudó a identificar nuevas oportunidades para la IA en su empresa? ¿Cómo aplicaría lo aprendido a un desafío específico de Corona?

  El curso me proporcionó un marco de referencia para un desafío que ya enfrentábamos. En Corona desarrollamos junto con el MIT un modelo de optimización para el llenado de vehículos y la planeación de rutas, y aprendimos que el algoritmo es solo una parte. La otra consiste en que los usuarios puedan utilizarlo y que los datos de entrada sean confiables.

  El curso mostró cómo los agentes de IA pueden coordinar el uso de herramientas de optimización. Un agente supervisor recibe un objetivo, por ejemplo, despachar los pedidos del día siguiente. Un agente de datos consulta los sistemas y verifica la información, el optimizador elabora el plan y un agente de ejecución lo transforma en tareas y alertas. El personal establece objetivos y límites, aprueba excepciones y toma el control cuando surgen dudas.

  La clave es avanzar por etapas. Primero, datos confiables y un copiloto que explique el plan; después, más autonomía únicamente en procesos donde los errores tengan un bajo costo y puedan revertirse. Lo plantearía como un proyecto piloto de 90 días en un centro de distribución: primero en paralelo con las operaciones actuales y después de manera asistida, con criterios claros para decidir si continuar o detener el proyecto.

  Los beneficios en productividad se reflejan en las tres etapas del proceso. En la etapa de entrada, los agentes validan pedidos, pesos, dimensiones, ventanas de entrega y disponibilidad de la flota antes de ejecutar cada proceso. Así, el modelo de llenado (bin packing) y el de planeación de rutas (VRP) trabajan con datos completos y se evita tener que ejecutar los modelos varias veces. Durante el proceso, el planificador puede evaluar diferentes escenarios en cuestión de minutos y se concentra en las excepciones, en vez de ajustar los planes manualmente. En la etapa de salida, un agente transforma el plan en secuencias de carga, instrucciones y alertas, y registra cualquier desviación para corregir los datos antes de la siguiente ejecución. El resultado esperado es un mayor aprovechamiento de la capacidad de cada vehículo, menos viajes y kilómetros recorridos, menos horas dedicadas a la planeación y planes que se ejecuten conforme a lo previsto.

• ¿Qué fue lo que más valoró del intercambio de experiencias con directivos de otros sectores?

  

  Descubrir que los problemas son mucho más similares de lo que pensaba. En mi mesa de trabajo había profesionales del sector retail, del sector manufacturero y de las operaciones logísticas, y casi todos identificábamos los mismos desafíos: datos dispersos, decisiones tomadas de manera aislada y proyectos piloto que nunca llegan a implementarse en las operaciones.

  Esto refuerza una idea en la que se hizo énfasis durante el curso: los patrones pueden aplicarse en diferentes industrias. Un caso de transporte de carga o de comercio electrónico puede aportar aprendizajes valiosos a una empresa manufacturera como la nuestra si nos preguntamos en qué parte de nuestras operaciones se toman decisiones similares.

  También valoré la figura del “amigo crítico”. En los talleres, mis compañeros cuestionaron mis puntos de referencia iniciales y mis supuestos con una franqueza que difícilmente se encuentra dentro de la propia empresa. También aprendí que, cuando varios equipos comparten los mismos supuestos sobre los riesgos, no se trata de un problema exclusivo de una empresa: es una brecha que afecta a toda la industria.

• ¿Qué le diría a un colega que estuviera considerando participar en un curso similar?

  Que asista, pero que no llegue con las manos vacías. Se aprovecha mucho más el curso si uno llega con una decisión real relacionada con sus operaciones, con un responsable y con algunos datos sobre cómo se toma actualmente, aunque solo sean rangos de valores.

  También le diría que no espere recibir un curso de programación. El valor está en salir con una metodología para analizar problemas: cómo analizar un caso, cómo seleccionar el tipo de aprendizaje más adecuado, con qué grado de profundidad integrarlo y cómo diseñar un proyecto piloto que concluya con una decisión concreta y no solo con una demostración.

  Por último, que considere a las personas desde el principio. Los modelos son la parte más fácil; el verdadero desafío es conseguir que los supervisores, las áreas de TI y los proveedores de software confíen en los resultados y los utilicen. También le recomendaría que, al regresar, envíe la primera solicitud de datos esa misma semana, porque es ahí donde realmente comienza el proyecto piloto.