AI-Driven Supply Chains: 3 Cases | MIT SCALE Webinar | Spanish
Summary
TLDR本次网络研讨会汇集了全球供应链管理领域的专家,共同探讨人工智能在供应链管理中的应用。会议由来自西班牙萨拉戈萨的Andel Costa博士主持,他介绍了包括来自卢森堡大学和MIT全球供应链与物流卓越网络的多位杰出讲者。讨论的主题涉及人工智能在供应链优化、资源分配、运输路线规划以及提高决策效率和可解释性方面的最新研究。此外,还分享了如何通过人工智能技术提高供应链的数字化转型,以及如何将研究成果转化为实际应用,以解决现实世界中的供应链问题。
Takeaways
- 🌟 这次网络研讨会聚集了来自全球的专家,共同探讨人工智能在供应链管理中的应用。
- 🎓 会议邀请了多位领域内的专家,包括拥有德国博士学位的工程师和卢森堡大学物流与供应链管理研究中心的教授。
- 📈 讨论的主题包括供应链的可持续性、绿色运输工具等,以及如何利用人工智能优化资源分配和提高效率。
- 🌐 MIT全球供应链网络由遍布全球的多个中心组成,涉及教育、研究和企业合作,旨在推动供应链的创新发展。
- 🔍 人工智能在供应链中的应用正变得越来越广泛,包括预测需求、优化运输路线和提高决策效率等方面。
- 💡 研讨会强调了人工智能在提供端到端供应链可视化方面的重要性,以及它如何帮助企业更好地理解和响应市场变化。
- 🚚 通过案例研究,展示了如何利用人工智能优化运输车队规模,减少成本,并提高服务水平。
- 🛠️ 讨论了人工智能在解决复杂问题时的局限性,例如在处理大规模运输和分配问题时的挑战。
- 🤖 强调了人工智能的可解释性和公平性,特别是在资源有限的情况下,如何确保算法的决策过程透明且无歧视。
- 🔗 探讨了如何将人工智能与现有的供应链管理系统相结合,以及如何通过技术创新来提升整体的业务性能。
Q & A
什么是MIT全球供应链智能网络?
-MIT全球供应链智能网络是一个由全球多个中心组成的网络,包括萨拉戈萨、卢森堡、中国和哥伦比亚等地区的中心。这些中心专注于物流和供应链领域的应用研究,并与150多家企业建立合作关系,每年培养200多名学生,拥有超过1000名校友。
在供应链管理中,人工智能的应用有哪些现实意义?
-在供应链管理中,人工智能的应用包括优化资源分配、提高供应链的可持续性、设计更高效的物流路线以及支持决策制定过程。它可以帮助组织更好地预测需求、管理库存、优化运输,并提高整体运营效率。
如何理解供应链管理中的端到端规划?
-端到端规划是指从供应链的起始点到终点的全面规划和管理。这包括理解并优化产品从生产到最终用户手中的每一个环节,确保整个流程的效率和效果。
什么是'Frankenstein效应',在供应链中如何避免它?
-“Frankenstein效应”指的是在供应链中各个人工智能组件孤立运作,缺乏整体协调性。为了避免这一效应,需要确保各个AI组件能够协同工作,形成一个统一和协调的智能系统。
在供应链管理中,如何实现人工智能的规模化应用?
-实现人工智能的规模化应用需要从原型开发开始,逐步扩大到更多的区域、流程和应用场景。这要求企业具备强大的数据管理和分析能力,以及能够处理和整合来自不同来源的复杂数据。
如何理解供应链中的“承诺”概念,以及它如何与人工智能结合?
-在供应链中,“承诺”是指对客户或合作伙伴做出的关于交付时间、质量等方面的保证。通过人工智能,可以更好地监控和管理这些承诺,确保供应链的可靠性和客户满意度。
在供应链管理中,人工智能如何帮助提高决策的效率和可解释性?
-人工智能可以通过数据分析和模式识别来辅助决策过程,提供更快速和准确的决策支持。同时,通过透明的算法和逻辑,人工智能系统可以解释其决策过程,增加决策的可解释性。
什么是生物启发式优化,它在供应链优化中扮演什么角色?
-生物启发式优化是一种模仿自然界生物行为和进化过程的算法,如遗传算法、蚁群算法等。在供应链优化中,这类算法可以用来解决复杂的物流问题,如路径规划、资源分配等,以提高效率和降低成本。
在供应链管理中,人工智能如何帮助企业应对动态变化?
-人工智能系统能够实时分析数据,预测市场趋势和消费者行为,从而帮助企业快速响应供应链中的动态变化。此外,AI还能够自动调整策略和流程,以适应不断变化的环境。
如何确保人工智能在供应链管理中的决策不会因偏见而导致不公平?
-为确保公平性,需要在人工智能的训练数据中去除偏见,并确保算法的透明度和可解释性。此外,还需要定期审查和测试AI系统的决策过程,确保它们不会因偏见而影响结果。
Outlines
😀 欢迎与介绍
视频开头,主持人用西班牙语欢迎观众,并感谢他们参与当天的讨论。提到了当天活动的主题是关于人工智能在供应链管理中的应用,并强调了这一领域内应用的现实性。接着介绍了参与讨论的专家团队,包括来自不同国家的大学和研究机构的专家。
🎓 专家背景介绍
本段介绍了两位专家的背景信息。第一位是来自德国某知名机构的博士,他是Zaragoza物流中心的主任,专注于供应链设计和可持续运营等研究领域。第二位是来自卢森堡大学供应链管理中心的教授,他的研究重点是资源优化。此外,还提到了María Jesús Sence,她是供应链数字化转型实验室的主任,也是硕士项目的执行董事,自2003年以来在全球范围内参与网络工作。
🌐 全球网络介绍
这一段详细介绍了MIT全球供应链网络,包括其教育项目、研究人员、与企业合作的情况以及年度活动。强调了网络的全球性,提到了在Zaragoza、卢森堡、中国和哥伦比亚的中心,以及拉丁美洲的大学网络。还提到了网络的主要特点是进行应用研究,并与150多家公司合作,每年有200多名学生和1000多名校友参与。
🤖 人工智能在供应链中的应用
本段讨论了人工智能在供应链管理中的应用,包括对社会和社区的影响。提到了即将进行的演讲和案例研究,强调了人工智能在端到端规划、生物启发式优化和数据驱动决策中的作用。还提到了公共互动环节,鼓励观众提出问题,并强调了活动的时间管理。
📈 人工智能的挑战与应用
这一段深入探讨了人工智能在供应链中的挑战,如集成不同AI组件的复杂性、避免技术中心主义、以及规模化问题。介绍了D公司如何通过明确的战略和性能期望,以及通过领导力、愿景和战略与绩效的连接,成功实施人工智能。
📊 价值识别与绩效衡量
本段讨论了如何通过人工智能识别价值和衡量绩效。强调了承诺的重要性,以及如何通过关键绩效指标(KPIs)来量化承诺。介绍了完美订单指数(Perfect Order Index)和关键学习指标(KLIs),并讨论了如何通过人工智能学习和激活这些指标。
🛠️ 人工智能的自然启发式应用
这段讨论了人工智能如何从自然启发式方法中学习,特别是在优化问题上的应用。提到了不同行业的应用背景,如制造业和制药业,并讨论了如何利用自然启发式算法,例如神经网络、遗传算法和蚂蚁算法,来解决物流和运输问题。
🚚 智利圣地亚哥的物流案例
本段通过智利圣地亚哥的一个日常配送案例,展示了如何应用基于人工智能的优化程序来解决物流问题。讨论了如何减少车队规模、降低运输成本,并提高配送效率。强调了人工智能在解决复杂物流问题中的潜力。
🏠 资源分配与住房问题
这段讨论了一个与供应链和物流不直接相关的项目,即如何使用人工智能来解决洛杉矶无家可归者的住房资源分配问题。介绍了如何利用现有数据来确定最有效的住房资源分配政策,以及如何通过优化算法来提高住房分配的效率和公平性。
🤝 解决方案的普适性与问答环节
本段总结了前面提到的基于数据的资源分配解决方案,并强调了其普适性,即使问题与供应链和物流不直接相关。然后进入了问答环节,讨论了如何改进解决方案、预防人工智能中的噪声数据问题、价格分析与供应链规划的互动,以及人工智能与数据分析的区别。
🔍 人工智能在增强供应链透明度上的作用
这段讨论了人工智能如何帮助提高供应链的透明度,包括内部和外部信息的整合。提到了ERP系统在提供内部信息方面的作用,以及人工智能在收集和分析外部信息方面的能力。强调了上下文信息在决策中的重要性,并提到了人工智能在处理非结构化数据方面的优势。
📉 人工智能在需求预测和数据生成上的应用
本段讨论了人工智能在需求预测方面的应用,以及如何通过人工智能生成数据来解决数据不足的问题。提到了使用概率分布和意见挖掘来改善预测模型,并讨论了人工智能在适应不同业务环境和提高预测精度方面的潜力。
👥 人工智能的伦理问题
视频的最后部分讨论了与人工智能相关的伦理问题,特别是关于如何处理敏感信息,如种族,以确保人工智能系统不会在决策中使用这些信息。强调了即使从数据中移除某些信息,也不能保证完全消除偏见,并提出了对人工智能伦理使用的深入思考。
Mindmap
Keywords
💡人工智能
💡供应链管理
💡优化
💡机器学习
💡数据分析
💡资源分配
💡需求预测
💡解释性
💡效率
💡端到端规划
Highlights
讨论了人工智能在供应链管理中的多种应用,强调了这些应用在当前供应链操作中的现实性。
介绍了来自世界各地的专家团队,他们在供应链设计、可持续运营和绿色车辆等多样化主题上进行研究。
Zaragoza物流中心的Andel Costa博士强调了生物启发式优化在供应链路线优化中的重要性。
Luxemburg大学教授专注于资源分配优化的研究,展示了人工智能在提高效率方面的潜力。
María Jesús Sence讨论了数字转型实验室和供应链管理硕士项目,强调了自2003年以来在全球网络中的工作。
MIT全球供应链网络介绍了其教育项目、研究人员和与企业合作的概况。
讨论了人工智能在端到端供应链规划中的领导作用,特别是在提高效率和可解释性方面。
分析了人工智能在预测需求、监控交付以及通过数据分析提高供应链透明度方面的应用。
提出了“Frankenstein效应”,讨论了在实现端到端人工智能时集成不同AI组件的挑战。
强调了技术中心主义的问题,即公司过于集中于技术而忽略了优化的整体方法。
讨论了人工智能在实现供应链可扩展性方面的挑战,特别是在从原型到大规模实施的转变。
D公司通过将领导力、愿景和战略与绩效相连接,展示了如何有效地部署人工智能。
介绍了“完美订单指数”(Perfect Order Index)作为衡量供应链中承诺和绩效的关键指标。
讨论了如何通过人工智能学习来优化运输问题,特别是在智利Santiago的运输案例研究。
展示了基于人工智能的优化如何显著减少运输车队规模和降低运输成本。
讨论了在洛杉矶无家可归者住房资源分配中应用基于数据的决策,以及如何通过人工智能实现公平和效率。
强调了在资源分配中实现公平的重要性,并通过调整不同群体的机会成本来优化长期结果。
讨论了在供应链中实现人工智能时面临的伦理问题,尤其是在处理敏感数据如种族时。
总结了如何通过人工智能提高供应链的透明度,包括内部和外部信息的整合。
讨论了人工智能在预测价格变化和市场动态中的潜在作用,以及如何整合这些因素到供应链管理中。
强调了人工智能在提高供应链决策质量方面的潜力,尤其是在处理非结构化数据方面。
讨论了人工智能在生成数据方面的潜力,特别是在数据有限的情况下,以及如何通过模拟生成合成数据。
强调了在应用人工智能进行需求预测时,需要考虑的多种因素,以及如何根据具体情况调整模型。
讨论了在不同业务和市场条件下,人工智能模型的适用性和如何根据具体情况选择最合适的模型。
强调了人工智能在提高供应链管理效率和透明度方面的总体潜力,以及未来在这一领域的研究和应用前景。
Transcripts
[Música]
Hola a todos Buenos días buenas tardes
sea que estén Muchas gracias por estar
con nosotros el día de hoy es un placer
estamos realmente muy entusiasmados de
compartir el aporte de muchos centros de
la red global de vamos a hablar de la
cadena de suministro bas intelcia
artificial voy
pantalla para que podamos contarle un
poco más sobre esto Espero que puedan
ver mis diapositivas
pueden Muy bien
gracias Hoy nuevamente tenemos un
fantástico grupo de panelistas hoy vamos
a hablar de las últimas investigaciones
sobre el uso de Inteligencia artificial
en la gestión de la cadena de suministro
queríamos
enfatizar hay aplicaciones aplicativos
que son una realidad hoy en día en las
operaciones de la cadena de suministro
quiero presentarles a los panelistas que
vamos a tener hoy vamos a comenzar con
yasel Costa yel Costa es ingeniero
industrial de la universidad mat
andreo
y tiene un
doctorado de una prestigiosa la
institución alemana No puedo pronunciar
el nombre
Eh sus interés en cuanto a la
investigación con una variedad de
tópicos el diseño de cadena de
suministro operaciones sostenibles
eh vehículos verdes etcétera También es
director de el centro logístico de
Zaragoza es el primer centro que creo
las lo que es el núcleo del
centro de de la red de mit siguiente
panelista a ver si lo pronunció bien
es profesorado junta del centro de
gestión de logística y caden de
suministro de la Universidad de
Luxemburgo se concentra en su
investigación la
optimización específicamente en la
distribución de
recursos muy interesantes tiene un
doctorado la universidad politécnica de
losan meo tambén yo soy María Jesús
sence soy
directora del laboratorio de
transformación digital de cadena de
suministro de también directora
ejecutiva del programa de maestría para
gestión de cadenas suministros de maí he
estado trabajando en redes a nivel
global desde el
2003 estuve en el centro también de
zaragosza conozco muy bien esta red a
escala global y estoy muy orgullosa de
lo que estamos haciendo con las cadenas
suministro antes de
comenzar
Permítame decirles qué es lo que es esta
red skate
de mit global somos una serie de centros
de todo el mundo aquí
en Zaragoza
Luxemburgo tenemos un centro en China
También
tenemos CNI de Colombia que es una red
de universidades instituciones en toda
[Música]
latinoamérica acá tenemos algunas cifras
tenemos más de programas educativos
maestrías certificados más de 80
investigadores y profesores de todo el
mundo trabajando en la variedad de
tópicos todos trabajando en logísticas y
cadenas de
suministro nuestra característica
principal es que todos nosotros hacemos
investigación aplicada queremos
compartir con ustedes el futuro de la
cadena de suministro por eso que
trabajamos con más de
150 alianzas
corporativas todos los años
tenemos más de 200 estudiantes Y tenemos
un grupo de exalumnos de más de 1000
exalumnos en todo el mundo e vienen a m
todos los años aquí se reúnen en
enero antes de comenzar quería enfa que
tenemos muchos diferentes
eventos el día de hoy tendremos al drer
Mejía hablando del diseño suministro
eh social y como para có asistir por
ejemplo a c comunidades
eh pero vamos primero También tenemos el
centro de eventos de ctl tenemos el
evento anual de
ctl por
favor vayan
registr y vamos a compartir Estas ideas
con todos ustedes compartir retos y
oportunidades tenemos una hora
necesitamos seguir el reloj muy de cerca
esta es la dinámica de este panel
tenemos brev presentaciónes Lu vamos a
tener tres estudios de Caso queremos que
sea muy accionable muy
eh orent la
acción
queremos
hablar de como d está liderando la cist
utilizando Inteligencia
artificial en una cantidad de tópicos
especialmente en la planificación de
punta a punta luego tendremos Al Dr jel
costa del centro logístico de Zaragoza
que va a hablar de la Inteligencia
artificial Bio inspirada la optimización
de las rutas de suministro de
Sam el tercer estudio de
caso es de
en cuanto a las decisiones basadas en
datos con inteligencia eficiencia
interpretabilidad
son dos palabras claves y luego
Tendremos una conversación con del panel
con el público ustedes vamos a tener sus
preguntas y por favor pongan sus
preguntas en eh preguntas y respuestas o
en el chat vamos a leerlas para traer
las
preguntas
a los panelistas digamos en los últimos
25 minutos queremos tener tiempo para
tener una conversación con
ustedes y por eso breves las
presentaciones
Comencemos hace unos años aquí en ctl en
mit unos 60 investigadores nos sentamos
por unas do horas para hablar de lo que
es la Inteligencia artificial qué es lo
que entendemos por Inteligencia
artificial y lo bonito de esto es que no
nos pudimos poner de acuerdo no hubo una
ningún consenso sobre una definición de
Inteligencia artificial y esto se
entiende Porque primero Inteligencia
artificial puede ser entendido como una
aspiración de lo que puede ser Entonces
es importante que cualquier aplicación
de Inteligencia artificial que hagamos
queremos definir por adelantado qué es
lo que
interpretamos y es por eso que
decidimos ver qué tipo de definición de
in artificial Qué tipo de punto
focal ponemos en estas tres aplicaciones
que les vamos a mostrar y esto
podría ser bueno ver cuál es el
entendimiento que tenemos de
Inteligencia artificial para el
webinario de hoy seguro que tienen otras
definiciones
pero está bien no queremos traer una
definición esta aplicación es
tan
amplia zoom me está ayudando con
esto Esto es fantástico Entonces se
dificit una sola definición amplia y ese
es el propósito de este
webinario podemos Definir la habilidad
de una máquina un algoritmo una
tecnología para realizar funciones
cognitivas asociadas con la mente humana
tales como percibir aprender y
enfatizamos aprender porque los tres
vamos a enfatizar como Inteligencia
artificial está ayudándonos a
aprender como nuestra organización está
aplicando comoo interactuar con el
entorno resolver problemas y integrar
productos quiero ser breve para tener un
webinario muy
ágil Comencemos con lo que entendemos
por transformación de la cadena de
transformación digital de una suministro
basada en Inteligencia
artificial esto es mucho más complejo
simplemente renovar la tecnología o un
algoritmo o Traducir procesos algoritmos
es mucho más que esto y luego vamos a
ver el caso de D Comencemos Esta es la
definición que aquí en el laboratorio de
transformación digital de c suministro
estamos
utilizando especialmente esta
transformación la aplicación de ia como
tecnología
puede ser
algoritmos puede ser eh robots o robots
eh basados en algoritmos y utilizamos
los datos para transicionar
a a esto la suministro Si tuviera que
usar eh palabras clave bueno
valor el valor es algo que nos puede
ayudar la Inteligencia artificial a
descubrir y luego
eh las eh
cadena de suministro de fin fin punto
pun n lo que hemos observado en estas
compañías es que hay diferentes retos y
dificultades para aplicar Inteligencia
artificial en particular cuando es end
to end es mucho más complejo y
primero observamos el el reto del efecto
Frankenstein o sea tenemos diferentes
componentes de
ia típicamente por ejemplo en la entrega
en
pronosticar y
eh Son partes aisladas o que hay que
pulir y pulir hasta poder tener una
visión más coherente de Inteligencia
artificial y esto es un trayecto largo
no es algo que ocurre en meses les voy a
decir lo que está haciendo D en esto d
trabaja con este tipo de enfoque lo han
hecho por ya 5 años trabajando con esta
Visión
no solamente el efecto Frank están otros
problemas está el tecnocentrismo que es
cuando una compañía se concentra
demasiado en la tecnología todo basado
en la
tecnología
tramos la manera de optimizar mis costos
e entregas
e por ejemplo en Las Vegas bueno basado
en el último mes y eso está mal porque
la última misa perdón
cómo queremos hacerlo es equivocado
queremos ver cómo hacer estra visión
futura un algoritmo visión Futura en vez
simpe traducir lo que están haciendo en
este momento Entonces la tecnología
puede ser más eficiente Pero el punto
focal no es
tecnología sino Cómo ver
este proyecto o proceso de entrega de la
última Milla y cómo me puede
ayudar en la
tecnología división completamente
diferente y también la escalabilidad la
la falta de escalabilidad las compañías
ahora están haciendo prototipos de
aplicación de Inteligencia artificial
pero típicamente está basado en con
gente muy
motivada con datos muy limpios muy
disponibles y granulares pero cuando
vamos a la realidad todos estos
componentes no son tan fáciles de
conseguir por eso es que es importante
que y las compañías tengan la capacidad
de llevar a
escala de poder hacer prototipos luego
llevar el prototipo a escala más
regiones a más procesos a
más sk entonces la falta de
escalabilidad es un problema y lo hemos
visto en las compañías más éxitos
Especialmente con Inteligencia
artificial
est cómodos explorando y llevando toda
escala luego hablemos de d
d estn trabajando comentaron con la
transformación de digital de la cadena
de suministro en el
2017 se preguntaron qué podía hacer la
tecnología por ellos y descubrieron que
deberían concentrarse en su visión en su
estrategia y en sus expectativas de
desempeño y desarrollaron estas cinco
experiencias concentramos en esta asumir
compromiso correcto
eh déjeme explicar cómo desplegaron
Inteligencia artificial y cómo
conectaron liderazgo visión estratégia
con el desempeño como puntos anclas
para poder llevar a escala Inteligencia
artificial y esa es la idea asumir el
compromiso correcto que era en este
momento poner el compromiso como
la del Norte visión cuando vemos con un
cliente por ejemplo 100 laptop para un
minorista podemos entregarlas en 4 días
bueno Esto es un compromiso que se
establece por adelantado luego pueden
monitorear
el
compromiso y después del hecho de
hacerlo pueden ver monitorear Qué es lo
que está pasando pueden estar mirando al
futuro analizando con inteligencia por
ejemplo el análisis de causa raíz
esto Esto se hace antes del perido antes
de la orden durante la orden y después
de la orden op pedido
especialmente ver cuál es el desempeño
esperado de este
compromiso esto es muy muy muy potente
Inteligencia
artificial esto es cóm se ve es muy
interesante como miden el desempeño
tanto de
compañía cómo está impactando
inteligencia aral el negocio y segundo
Cómo esto est llevando escala cómo está
expandiendo el alcance y efecto de
Inteligencia artificial primero
identificación de valor en este caso
compromiso Es La Estrella Del Norte la
meta la expectativa de valor es el
compromiso medir y cuantificar el
compromiso
con también
querían cuantificar este compromiso con
indicadores clave de desempeño kis en
inglés y querían
desarrollar de pun punto punto extremo
extremo o en
tuend
es la logística Cuál es el porcentaje de
tiempo que quedan por debajo del
compromiso esperado
el compromiso
asumido esto es de extremo a extremo
Entonces despliegan los diferentes
componentes del pedido mientras lo
preparan pero también por adelantado y
también mirando hacia adelante Mirando a
futuro Entonces esta es la manera en que
cuantifican el
valor kpi es un índice de orden perfecta
perfect order
Index ahora
eh Porque lo que se es dividirlo en
varios
componentes eh creación de valor los
indicadores de aprendizaje clave klis eh
es lo que están aprendiendo Cómo están
activando estos grupos Recuerden que la
Inteligencia artificial aprende Entonces
esto es es importantes El delta entre el
índice de Perfecta y nps
si tuvieron un problema con el logística
o una demora
por por está pasando entonces
este debería desencadenar un anl de
causa raí por ocurrió y va a pasar en el
futuro y tienen
que monetizarlo por supuesto es
importante
y tenemos el mapa de dinero por la
intelcia artificial dónde fue Cuáles son
los
diferentes impactos del el índice de
orden perfecta estamos cambiando el
compromiso Cómo puede cambiar esto el
uso de dinero o los puestos estamos
mejorando como estamos ahorrando y la
propiación del valor estamos es muy
importante estamos hablando de cadena de
valor cómo incentivamos a las partes
interesadas por ejemplo a los
proveedores o el proveedor de logística
que está siempre a tiempo como se espera
porque monitoreamos su contribución al
poi cómo lo
incentivamos para que se atenga el
compromiso como hacemos este Loop intal
está presente varias facetas Aquí está
presente antes de asumir el compromiso
porque predecimos las capacidades
durante el compromiso porque estamos
ejecutando en tiempo
real las acciones Qué acciones
prescriptivas podemos tomar y también
después de la orden podemos ver cuáles
son los escenarios todas estas
capacidades de predicción por ejemplo eh
pronosticar demanda o el tiempo de
demora o L Time y también otras
calidades monitoreo de resiliencia demás
pensando hacia adelante con esto
concluyo les dije queríamos ser rápidos
dinámicos queríamos asegurarnos de que
ustedes se mantengan interesados ahora
el Dr ca pasa la segunda presentación
segundo
caso pueden ver mi
pantalla
excelente Muchísimas gracias María estoy
tan feliz de estar acá estar junto con
ustedes he estado aprendiendo muchísimo
de tu presentación y tengo otra
definición de int
eh No es ciencia ficción eh Me gusta
eh la idea de aprender Y podemos decir
que la Inteligencia artificial aprende
continuamente de las diferentes Fuentes
Así que es aprendizaje creativo por así
decir y este es el punto exacto de mi
presentación el día de hoy pero en un
contexto muy
aplicado Así que cuando uno chequea a
veces la diferencia eh de de
las de las propuestas basadas en
Inteligencia artificial hay cosas que
tenemos que
entender todo tiene que ver con el
descubrimiento y hay muy pocas
aplicaciones en el contexto de la
optimización Como por ejemplo en los
sistemas tradicionales de de comprender
solucionar problemas y con este
aprendizaje como hos mencionado Tenemos
que hablar de la inspiración natural
nosotros en general tenemos que
tener conocimiento creativo y para este
conocimiento creativo estamos utilizando
esto para entender por supuesto hay
diferentes industrias estamos en este
caso hablando de la industria de la
fabricación tenemos la industria
farmacéutica diferentes tipos de
sectores así que de
esto tenemos muchísimas contextos de
aplicación y el campo de conocimiento
cubre por ejemplo el el más conocido
es el de las eh las redes eh
neurológicas que están relacionados con
las cadenas biológicas de
bioelectricidad que fluyen por el
cerebro y tenemos que entender cuál es
el resultado mejor considerando lo que
va eh ingresando lo que va entrando así
que tenemos que comparar con el análisis
de regresión y con los algoritmos
tradicionales y podríamos decir que las
aplicaciones más efectivas para la
Inteligencia artificial son todas con
inspiración natural eh Y en muchos de
los
casos cuando hablamos por ejemplo de
chat
gpt estamos hablando del algoritmo que
respalda el chat gpt y estamos hablando
de redes
neurológicas enormes con miles de
millones en la base de conocimiento Así
que esa es una base de aplicación para
la Inteligencia artificial y
particularmente para inspirar las
propuestas de algoritmos verdad Pero
esto no es todo hay muchísimos otros
contextos de aplicación en el que
podemos ver las diferentes fuentes de
inspiración natural Esto es algo muy
bien conocido por ejemplo eh Por ejemplo
algoritmo
evolutivo especialmente el primer
algoritmo
genético que inspiró la evolución de las
especies con los individuos más
adaptativos que fueron los que
prevalecieron en nuestro caso ya no es
más individual Si fuéramos a poner esto
en el contexto de logística por ejemplo
esto se podría ver como una
distribución de problemas en el cual
nosotros no sé tomamos dos soluciones
diferentes y luego a lo largo de esta
soluciones las integramos para tratar de
encontrar una tercera solución más
adaptativa en este contexto eh para para
dejar una cierta distancia así que para
este caso en particular tenemos padres
que tienen por ejemplo eh tenemos cuatro
vehículos Ese es el tamaño de la
flotilla en este lado tenemos tres y
luego tenemos una solución adaptativa
mejor que tiene tiempo de viaje más
corto o mejor Entonces tenemos que tener
el tamaño de la flotilla que se adapte a
esto que sería tres en este caso este es
eh otro tipo de situación esto es al lo
que se conoce muy bien y inspirado por
la conducta de las hormigas que están
constantemente encontrando el camino más
corto entre suido y la fuente de
alimentos y también la Inteligencia
artificial en este caso nos revela una
característica muy interesante que es la
inteligencia de de todo el grupo eh eso
básicamente nos dice no no importa si es
una hormiga artificial o una hormiga
real esto es aleatorio es una Selección
aleatoria del camino a seguir así que
vemos claramente que el camino más corto
es este así que una vez que estas
hormigas se dan cuenta o aleatoriamente
eligen este camino más corto esto
lleva deja este rastro de Fer hormonas
que es el que luego siguen las otras
hormigas porque bueno las Fer hormonas
son las que de alguna manera guían a los
demás Así que este tipo
de de inteligencia colectiva o
inteligencia del grupo es lo que ayuda a
resolver los problemas de transporte
también así que en este caso ejemplo de
acuerdo a esta matriz acá por supuesto
si tenemos múltiples hormigas que están
saliendo de diferentes celdas
aquí siguiendo
los los pasos Entonces tenemos que
explorar el área más grande con el
espacio de la solución esto es la manera
en que nosotros descubrimos
tradicionalmente los problemas de
transporte y para asignar los recursos
como decía María anteriormente para
poder pronosticar Cuáles van a ser los
problemas para Cuáles van a ser los
problemas en este caso por ejemplo el
problema era en Chile en Santiago de
Chile en particular
eh este
problema era acerca de el proceso de
entregas diario en el cual teníamos
350 clientes distribuidos
geográficamente por todo Santiago
eh teníamos
eh se nos contrataron básicamente para
hacer las entregas en este contexto y eh
cobraban eh De acuerdo al tamaño de la
flotilla y tenían una flotilla de
vehículos homogéneas eh tradicionalmente
es lo que se llama vehículos con
diferentes capacidades y era muy difícil
y por qué era muy difícil es porque
cuando hicieron el contrato con el
cliente el cliente
enfatizó que una de las eh dificultades
más grandes en este problema era el
problema de las ventanas de tiempo
cuando se puedan hacer las entregas así
que tenemos estas ventanas que realmente
limitan el proceso de optimización
y a veces cuando uno tiene las horas
pico durante el día a los clientes que
uno piensa que no tendrían problemas
pueden llegar a tener un problema con la
estructura dinámica lo que se llama eh
Por ejemplo
el el problema Dinámico con el cual el
cliente aparece o desaparece y tiene que
ver con la estur
del problema y en este caso lo que
hicimos fue hacer un
análisis del proceso definitivamente
esto lleva muchísimo tiempo no solamente
tiempo razonable para tomar las
decisiones operativas Así que eso es
básicamente la idea ese es el problema
y había definitivamente penalidades
cuando las entregas se hacían tarde eso
Por supuesto significa que hubo demoras
durante el día así que estábamos
hablando de un problema que de hecho no
se considera un problema de pequeña
escala en el campo
de más de 50 nódulos o más de 50
clientes para los cuales uno entrega
alguien Esto entonces se considera como
un problema de complejidad alta ya así
que esto es un día un día de entregas
como les mencioné el
3pl de el tamaño de la flotilla y otros
factores Pero esto eh para el negocio
Cómo toman las decisiones ellos tomaron
ocho camiones para completar eh Esa
ronda pero cuando nosotros utilizamos el
programa de optimización basado en la
Inteligencia artificial basándonos el
tamaño de la flotilla la reducimos al
50% también hay por supuesto una
reducción del costo total del transporte
más o menos 38 por de reducción de
costos Así que antes de que se me acabe
el tiempo esto es un resumen de más días
de planear el camino a seguir y en 10
días pudimos de hecho hacer un ahorro de
más o menos el 24 con la medición de Los
costos no tengo tiempo de decirles
exactamente cómo hicimos esto pero una
reducción importante del tamaño de la
flotilla también y uno de las
reducciones más importantes fue que
Comparado con los métodos eh exactos
para encontrar la solución óptima
pudimos reducir por supuesto el tiempo
de computación
eh Comparado aún con el tiempo
tradicional que estaban utilizando eh
Para eh eh programar los vehículos
también una reducción importante en ese
área Así que esto es un ejemplo de cómo
estos métodos se pueden aplicar para un
problema muy frecuente en el contexto
logístico que es por ejemplo en este
caso El problema del transporte y las
entregas Así que espero que les interese
y le vamos a pasar la palabra a mi
querida
colega
gracias
gracias
[Música]
diapositivas
Hola a todos voy a hablar de la
interconexión entre eficiencia e
interpretabilidad cuando se consideran
las decisiones bas en datos con
Inteligencia artificial hay
una intercambio que sea entre las
decisiones para eficiencia interal les
voy a mostrar que se puede lograr al
mismo tiempo la eficiencia
interpretabilidad en un hablando de un
proyecto reciente que no está
directamente ligado a logística o cadena
suministro sino es un problema de
distribución de
recursos y mi argumento es que eh se
puede abordar de manera de misma manera
una solución basada en datos con otros
problemas de recursos y distribución de
capacidades incluso los que surgen en
cadena suministro y en logística cuando
hablamos de decisiones decisones basas
de datos con Inteligencia artificial eh
pueden ser interpretables y
eficientes eh típicamente esto
eh eh involucra minimizar los fallos y
minimizar Los costos y para enfatizar
interp no Simplemente de entender los
modelos es importante entender también
la
eh la explicación y de explicar las
decisiones tomadas Eh Esto hace que la
implementación sea más fácil para
nosotros en mis interacciones con eh
profesionales de diferentes Campos
incluyendo atención sanitaria logística
energía este deseo de interpretabilidad
surge como un tema común e no quieren
que las decisiones se tomen una caja
negra quieren entender el proceso de
toma de
decisiones además de permitir la
confianza la interpretabilidad es
importante para a entre el ser humano y
la máquina porque es más seguro se puede
argumentar que las decisiones tomadas
únicamente por la máquina los humanos si
los pueden entender las decisiones
pueden hacer los ajustes
necesarios ahora eh
la eficiencia es entendible pero la
interpretabilidad crea problemas por
ejemplo a sabrá que hay muchas demandas
judiciales de instituciones y
firmas legales y bancos en Estados
Unidos que ha presentado sus eh
problemas sus inquietudes por la
posibilidad de que Inteligencia
artificial discrimine la gente en cuanto
a cuestiones protegidas como
raza entonces hay simplemente un
compromiso asumir entre eficiencia y
interpretabilidad de las decisiones la
Inteligencia artificial Cuanto más
avanzado el modelo tiende a ofrecer
mejores decisiones Pero por otro lado
los modelos más
avanzados y sus decisiones por ejemplo
podríamos
considerar modelos tales como F el
gradiente y las redes neurales para la
pronosticación Pero estos son menos
interpretables Comparado con otros
modelos como de regresión lineal o
árboles de
decisión me voy a concentrar lo que
queda en mi charla sobre lo concentra en
las políticas de aprendizaje para
distribuir recursos de vivienda en gente
que no tiene techo en la ciudad de Los
Ángeles este el proyecto que voy a
hablar no está directamente ligado a
cadena de suministro o logística pero mi
argumento Es que este esta solución este
abordaje de la solución puede ser
aplicado a otros problemas de
distribución de recursos y capacidad
y estamos implementando Establecer un
una solución basada en datos similar
para por ejemplo
fletes ahora el objetivo esend Cuáles
son las políticas óptimas para la
distribución de recursos de vivienda
escasos en los anges hay más de 75000
personas sin
vivienda la
disponibilidad de recursos oad de
vivienda para Apo es extremadamente
limitada se usa una herramienta para
decir cómo priorizar a la gente para
esto cuando una persona busca
eh eh vivienda esta persona completa una
encuesta con pregunta sobre cuánto
tiempo ha vivido en una vivienda
estable esto ayuda a crear un puntaje
para cada persona y a tomar decisiones
para la priorización desafortunadamente
con el sistema actual esto no
está
conectado a las limitaciones de
capacidad Nuestro objetivo en este
proyecto es utilizar los datos que ya
existen específicamente los datos de el
sistema de gestión de información sobre
gente sin vivienda en Los Ángeles para
aprender Cuáles son las políticas
óptimas para eh distribuir en línea
estos recursos escasos de vivienda para
la gente sin techo maximizando los
resultados y
específicamente maximizando la gente que
sale de esta situación de falta de
vivienda y considerando las limitaciones
de capacidad y equidad en cuanto a las
características protegidas como raza
proponemos una simple fila o u
esta
establece
diferentes filas para cada uno de los
tipos de recursos de vivienda cuando una
persona llega al sistema
en estos centros esta política as al
individuo a una fila para el recurso
maximiza y
la
posibilidad de que reciban este recurso
se
optimiza podemos
utilizar un modelo métrico
paraid por
ejemplo región logística por ejemplo
para laad por ejemplo
[Música]
y para mantener esta noción de de
equidad también de Justicia podemos
ajustar el costo de oportunidad para
diferentes grupos bajando el costo por
ejemplo para grupos
minoritarios
esta es óptimo en el largo
plazo y quiere decir que más gente llega
al
sistema participa el sistema voy a
mostrar estos datos gráfica muestra la
proporción de la población con un
resultado positivo específicamente la
proporción que deja esta situación de
falta de
vivienda eh considerando las
distribuciones históricas y bajo nuestra
propuesta de
políticas es tenemos
los resultados con los grupos
prioritarios minoritarios queremos que
sea más alto
tan como los grupos raciales
mayoritarios en este caso consideramos
los
afroamericanos
hispanos pero pueden ver que bajo
nuestra política propuesta los
resultados para casi todos los grupos
Comparado con la distribución histórica
Mejora y esto resulta más de 300
personas más
que pueden conseguir vivienda en un año
dado base estos datos si están
interesados en este estudio quieren
compartir este estudio el código QR lo
lleva a este
estudio si les
interesa los insto a que escuchen la
grabación de esto está en la página
de les he presentado un abordaje a la
solución basado en datos distribución de
recursos que es eficiente interpretable
aú cuando el problema
de distribución de viviendas no está
asociado directamente con c suministro
logística este abordaje se puede aplicar
a otros problemas
de capacidad de recursos y distribución
de
recursos Esto está inspirado por por
ejemplo las prácticas de
Netflix como
menciones
y estamos Estableciendo un sistema
similar Por ejemplo si hablamos de
adiciones procuración o selección de
proveedores y si queremos por ejemplo
que todos los servicios provengan de
proveedores verdes ecológicos Este es el
final de Mi
charla Muchas
gracias Muchísimas gracias
ha
sido
fantástico como buenos logistas
logísticos estamos exactamente a tiempo
que es lo que les prometimos tenemos
cantidades de preguntas así que voy a
tratar de hacer las preguntas una a una
tratamos por favor de responder
rápidamente así podemos cubrir la mayor
cantidad de preguntas posibles Y eso es
parte de la idea del webinario Así que
Dr costa de
rey
de la colonia y los códigos de pon que
se usaron en mit hace algunos años
Muchísimas gracias hay algunos de estos
nuevos
[Música]
o bueno para
simplificar para ahorrar tiempo no
presenté todo acá El Progreso que hemos
hecho pero Nosotros hemos propuesto
otras variables en las que exploramos
más áreas en el espacio de las
soluciones o sea para simplificar lo que
todas las variables que hemos repasado
ver cuáles son las variables en el
espacio de las soluciones para dar mejor
calidad de soluciones porque alguien
estaba preguntando si podemos mejorar el
clex por supuesto No necesariamente
mejoramos el clex esto XX pero estuvo
muy cerca de llegar al óptimo absoluto
los tiempos que se computaron eran
prácticamente los mismos Así que ha
habido muchísima mejoría Desde esa época
Muchísimas gracias por la pregunta eh Me
alegro que recuerden mi charla en
mit eh también nos preguntan Cómo
podemos hacer para prevenir
el el
el los datos que de la Inteligencia
artificial
eh que que sean por ejemplo datos
dañados por ejemplo un feedback
club puedo responder esto básicamente
Hay muchísimas matrices en el
aprendizaje de la Inteligencia
artificial que tienen que ver con los
malos datos con el ruido para
identificar las soluciones en contra de
este tipo de datos ruidosos o los malos
datos uno de los métodos que podemos
usar regularización optimización robusta
hay métodos hay métodos disponibles para
prevenir este tipo de problemas eh yo
creo que es difícil decidir qué es lo
que es ruidoso qué es lo que es malo
Cuáles son los datos malos
hay hay clasificaciones para decidir
pero básicamente uno puede ir y
encontrar la la solución para encontrar
Cuáles son estos datos ruidosos
Muchísimas gracias otra
pregunta cómo es que
análisis de precios se interactúa con
esto En cuanto a la cadena de valor qué
pasa con esto durante la planeación por
ejemplo de lasas y las operaciones el
análisis de los precios Debería ser un
componente de la cadena de suministro eh
habría que tener entonces un orden por
ejemplo el orden tendría que tener un
precio una prisión de precios también y
también mirando hacia adelante mirando
hacia el futuro Eso quiere decir que a
lo mejor uno puede predecir Cómo es que
los precios van a cambiar eh No es
solamente una función de la cadena de
suministro es función de digamos de
factores comerciales etcétera Pero
definitivamente para poder medir esto
tenemos que poder ingresar estos datos
también porque esto podría crear
distorsiones si es que los precios van a
cambiar basándose por ejemplo en
promociones comerciales inesperadas Así
que los pronósticos
deberían incorporar y entender Cómo que
esto va a cambiar esto está cambiando
por A lo mejor alguna variable exógena
entonces Y si tenemos algún tipo de
interrupción y Esto va a cambiar los
precios tenemos que entender ahí
Entonces tenemos Estos factores exógenos
que van a causar una disrupción Y
entonces tenemos que encontrar toda esta
información eh pero es una información
que es externa a la cadena de suministro
o sea es son factores que están por
afuera y tenemos que entender
Exactamente para poder crear entonces
estas capacidades de predicción y para
incorporar Estos factores exógenos que
vienen de alrededor de todo el mundo
Esta es una respuesta muy general Pero
uno debería incorporar todo esto esta
información de precios Debería ser parte
de la ecuación
eh Porque eso obviamente cambia pero
normalmente las decisiones de precio no
no son parte de la cadena de
suministro Cuál es la diferencia entre
la Inteligencia artificial y la ciencia
de los datos que es parte de la cadena
de suministro Esta es muy buena pregunta
Estos son todos Campos que se superponen
para ser
honestos análisis
Beta lo que sea que uno está haciendo En
cuanto al conocimiento está cubierto de
acuerdo a mi
entendimiento la terminología más
completa si
estamos utizando por ejemplo una cadena
neural o si uno está utilizando otro
tipo de inspiración natural o no natural
uno puede utilizarlo con los datos y el
análisis de los datos para cualquier
tipo de contexto de la aplicación en el
la gestión de la cadena de suministro A
lo mejor si Hubieran hecho esta pregunta
hace 10 años hubiéramos dicho que para
el análisis de los datos claramente
tenemos Bueno ya saben tenemos análisis
de regresión tenemos
eh el análisis más matemático más
tradicional pero en este caso ahora y
con la Inteligencia artificial esto es
más orientado hacia la computación pero
hoy día realmente es difícil
discriminar Sí es muy difícil por eso al
principio definimos eh lo Cómo definimos
la Inteligencia artificial y cómo
describimos estas funciones cognitivas
especialmente el aprendizaje y cómo se
aprenden las datos y por supuesto una
sola definición de la Inteligencia
artificial no funciona así que no es que
sí o no Depende depende de lo que uno
está haciendo como Esto va a impactar el
desempeño y uno tiene que poder
transformar la cadena de suministro ver
cuál es el modelo de negocios y esto es
todo muy importante ahora la siguiente
la siguiente viene
de dan a entender cómo es que la
Inteligencia artificial ayuda
a terminar con la visibilidad del
sistema del tradicionalmente las
compañías están usando otros sistemas
para crear la visibilidad O sea que en
este caso la rp está jugando un papel
clave pero Cuáles son los casos más
exitosos porque la visibilidad es mucho
mayor Cuando tenemos lo tenemos en
general en el erp las compañías más
avanzadas están usando estas señales
externas no solamente las señales
internas
de del de la fabricación las operaciones
etcétera Pero para ver qué es lo que
está pasando en el mundo que me va a
ayudar a mí a a
contextualizar contextualizar mis
acciones para las operaciones Así que la
contextualización es otra característica
maravillosa de la Inteligencia
artificial especialmente eh Como lo
presentamos O sea que para tener
visibilidad la visibilidad tiene que ser
no solo interna sino externa también eh
Hay muchos startups que están
recopilando datos en este momento
utilizando Inteligencia artificial
conocimiento para ver exactamente qué es
lo que está pasando con eh los
proveedores alrededor de todo el mundo
así que tenemos información en tiempo
real por ejemplo Cuál es el curso por
ejemplo de sustentabilidad uno puede
entonces ingresar en este sistema en el
sistema interno cual sea la fuente No sé
qué sistema están usando puede ser de
compra cualquier herramienta que que
están usando pueden incorporar toda esta
información acerca de el estatus de los
proveedores actuales y los proveedores
futuros A lo mejor para decidir Cuál
sería la la mejor manera de decidir
Quiénes son los proveedores en el futuro
y para tener el mejor modelo de negocio
y Cuál es la mejor manera de tener un
nuevo modelo de negocios o de entrar en
el mercado la visibilidad es mucho más
que
el así que por ejemplo tenemos
visibilidad es otra pregunta que tenemos
ahí en el chat que tiene que ver
con Cómo podemos extraer
información eh Hay muchas aplicaciones
basadas en la Inteligencia artificial
que son maravillosas que por ejemplo hac
un escan de todos los correos
electrónicos que uno está enviando con
procesamiento natural de el lenguaje y
están extendo entonces toda la
información eh para aumentar la
visibilidad O sea no es solamente
extraer la información en rp o en un
sistema de gestión o un sistema de
transporte o depósitos o lo que sea sino
que están extrayendo los
datos los datos no es la estructura sino
que son los datos para los los tomadores
de decisiones por ejemplo de los correos
electrónicos como estandarizar un
proceso así que
es la maravill de la Inteligencia
artificial que nosotros podemos aprender
de los datos de la estructura no
estructurales nuevamente esto es el el
poder que tiene esto de transformar Cómo
se toman todas las decisiones y todo lo
que está sucediendo en eh este tipo de
lenguaje Así que parece como que fuera
ciencia ficción pero realmente tenemos
ahora estas herramientas para realmente
aumentar y aumentar cada vez más la
visibilidad Así que vamos a pasar a la
siguiente a ver
en la compañía estamos trabajando
actualmente vamos a implementar un
software de demanda y oferta que
incorpora Inteligencia artificial uno de
los retos es
que el nivel de datos que se espera para
software no está Cómo
podemos lograr que respond la compañía
para implementar este tipo de software
con la
baja capacidad de lectura de datos que
hay quién quiere responder esta
pregunta quería
decir a lo mejor no está relacionado
Pero hay muchas otras preguntas que
estuve
mirando y preguntan
sobre la aplicación por ejemplo del
algoritmo que Yo propongo a otros
contextos de aplicación Como por ejemplo
gestión de inventario distribución de
cursos que estás
mencionando Y por
supuesto cualquier problema que se pueda
modelar Como por ejemplo se puede
utilizar la optimización tradicional
de de
hormigas en particular
Para volver
a alimentario
pero no es la pregunta pero estuve
mirando pregunta A lo mejor estoy
ahorrando un poco de tiempo María en ese
sentido a lo mejor puedo responder
Eso sí los datos son muy importantes
para Inteligencia artificial pero
también hay modelos de Inteligencia
artificial que generan datos partiendo
de datos limitados puede ser una
solución pero no queda inmediatamente
Claro si se aplicaría el caso en
particular aquí pero es
como
probablemente has visto todo esto han
visto esto
en herramientas de Google que generan
fotos de otras personas o gatos y no son
verdaderas fotos simplemente aprenden de
las fotografías que se le alimenta al
modelo y generan fotografías similares
entonces un abordaje similar podría ser
posible en caso de datos
limitados a lo mejor a través de
simulación Se podrían generar más
datos sintéticos sí y en ese sentido
también relacionado con otras preguntas
no se olviden de una parte que es algo
que es muy popular en este momento en
particular en la
comunidad
eh mir las distribuciones posibilis por
ejemplo con la eh escasez de datos y
opiniones
eh se puede desarrollar lo que se llaman
eh sistemas Fil para traducir opiniones
juicios y
información
ramas bque sobre pronosticación de
demanda algún porcentaje de mejora que
se podría alcanzar utilizando un sistema
de Inteligencia artificial para lación
Comparado con otro
sistema bueno
pronosticación de demanda mi
recomendación es que contextual que adap
la manera en que están haciendo
pronosticación de
demanda puede ser bueno utilizar un
modelos disponibles software pero hacer
algún tipo de adaptación lo que tiene
que hacer No solamente el Software que
puedes traer
pero proveedor también có mejorar el
comportamiento no solamente con los
datos cualquier factor que pueda afectar
la pronación de demanda y los modelos
más
sofisticados de ya tienen los mejores
resultados hay estudios de que en
ciertos contextos la pronosticación de
demanda tradicional en el entorno
correcto puede dar resultados muy buenos
pero creo que hay que trabajar mucho
para
contextualizar cómo
mejor poner tu contexto tu situación Por
ejemplo en el caso de del por ejemplo el
compromiso fue importante estaban
haciendo demanda viendo la demanda o
pronación de demanda pero también de
demoras o lead entonces quiere decir que
la manera de pronosticar demanda puede
ser más rico si
hacemos más aportes de ese tipo de
características que afectan la
demanda Y también yendo aguas arriba
upstream para ver cuáles efectos podrían
causar incertidumbre en la demanda
entonces no es una única receta yo no
creo que haya una
respuesta deberíamos no no no deberíamos
pensar que hay una respuesta o que
podemos mejorar un 5,5 por si aplican
Este modelo de pronosticación de demanda
no lo que hemos estado haciendo en
nuestro laboratorio Es simplemente crear
sistemas
automatizados que ponen apras diferentes
modelos de I comparan y contrastan para
aprender de cada modelo como el modelo
se puede adaptar pero también Cuál es el
mejor modelo para diferentes contextos
de
circunstancias algún aporte aquí de
ustedes algún
comentario Muy
bien gracias
saludos si ven una pregunta por favor
que se sienten cómodo
respondiendo
yo estoy siguiendo la la fila
per si estás leyendo también
J hay otras conectadas con lo que
estabas
mencionando es difícil generalizar y
decir Bueno siempre que se usa Random
Forest para calcular la demanda de los
clientes
es
abordajes tradicionales a este nivel
difícil generalizar lo que sí s es que
bajo ciertas
circunstancias no hay manera de ganarle
a las redes neurales por
ejemplo esto se ha formalizado
ciertamente hay una enorme variedad de
contextos de
aplicación creo que si
alguien puede escribir un libro sobre
est
puedo tener un ranking del mejor a peor
desempeño de esos mtos basados encia
artificial
est es sería muy conocimiento para
publicar es difícil
generalizar no veo más preguntas
[Música]
aquí yo que es peligroso incluso
generalizar cada contexto es diferente
tus expectativas también son diferentes
y tu negocio funciona de manera
diferente entonces hay que ponerle
esfuerzo a la
contextualización alguna pregunta o
respuesta veo un par de preguntas que me
hacen una interesante es
que inquietudes éticas asociadas con
Inteligencia artificial por ejemplo caso
raza Sería
posible eliminar la información
correspondiente de los datos para
asegurarse que la Inteligencia
artificial no use estos
datos Bueno hay gente que tiene esta
percepción pero no es necesariamente
cierto
porque imagínense que eliminamos la
información de raza de los datos
completamente puede haber otra
información correlacionada con la raza
misma no garantiza que intelcia
artificial no va a utilizar raza para
tomar decisiones entonces no es eso no
es
suficiente Sí yo creo que esto es es
fantástico bueno Nuevamente gracias a
todos por su tiempo por estar con
nosotros durante esta hora especialmente
gracias a jessel y jessel y por sus
contribuciones gracias al equipo de
marketing y comunicaciones de mit por
estar con nosotros y por ayudar a apoyar
esto y vayan a las 11 de la mañana hoy
tenemos otro evento al que están todos
invitados para la comunidad de marketing
comunicación Pero bueno están invitados
Gracias y
adiós
Weitere verwandte Videos ansehen
AI-Driven Supply Chains: 3 Cases | MIT SCALE Webinar | English
From Automated to Autonomous Supply Chains
The Critical Role of Supply Chains in Business and Society
Leveraging supply chain optimization and visibility to achieve carbon reduction targets
Webinar | Cadena de suministro, optimizando su resiliencia en tiempos de cambio
How Secure IoT is Transforming Supply Chains
5.0 / 5 (0 votes)