AI-Driven Supply Chains: 3 Cases | MIT SCALE Webinar | Spanish

Summary

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

00:00

😀 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。

05:00

🎓 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。

10:02

🌐 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。

15:03

🤖 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。

20:05

📈 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。

25:07

📊 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。

30:07

🛠️ 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。

35:09

🚚 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。

40:10

🏠 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。

45:13

🤝 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。

50:13

🔍 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。

55:15

📉 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。

Keywords

💡人工智能

人工智能（Artificial Intelligence, AI）是指由人制造出来的系统所表现出来的智能，如机器学习和深度学习等。在视频中，人工智能被广泛应用于供应链管理中，以提高效率和解决问题，例如在预测需求、优化资源分配等方面。

💡供应链管理

供应链管理（Supply Chain Management, SCM）是指对供应链中的物流、信息流和资金流进行整体协调和管理的过程。视频中提到了人工智能在供应链管理中的应用，如通过智能算法优化资源分配和物流路线。

💡优化

优化是指通过分析和计算找到最佳解决方案的过程。在视频内容中，优化特别指的是利用人工智能技术改进供应链中的资源分配和物流效率，如通过算法减少运输成本和提高服务速度。

💡机器学习

机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习和改进。视频中提到机器学习在供应链中的应用，比如通过分析历史数据来预测未来的市场趋势和消费者行为。

💡数据分析

数据分析是指对数据进行检查、清洗、转换和建模的过程，目的是发现有用的信息、提出结论并支持决策。视频中强调了数据分析在供应链管理中的重要性，尤其是在使用人工智能进行决策支持时。

💡资源分配

资源分配涉及到如何有效地在不同项目或任务之间分配有限的资源。在视频中，人工智能被用于优化资源分配，确保供应链中的物资和资金得到最有效的利用。

💡需求预测

需求预测是指预测未来一段时间内产品或服务的需求量。视频中提到，人工智能可以通过分析历史销售数据和其他市场因素来提高需求预测的准确性。

💡解释性

解释性（Interpretability）是指模型或决策过程的可理解程度。视频中讨论了在使用人工智能进行决策时，解释性的重要性，即需要确保决策过程透明，以便人们可以理解和信任AI系统的决策。

💡效率

效率指的是以最少的资源消耗达到最大的产出。视频中提到，在供应链管理中，人工智能可以提高操作的效率，例如通过优化物流路线和减少不必要的资源浪费。

💡端到端规划

端到端规划（End-to-End Planning）是指从供应链的起始点到终点的整个流程的规划和管理。视频中提到人工智能在端到端规划中的应用，强调了AI技术在整体供应链优化中的作用。

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