Seleccionar página

Alejandro Madariaga

Líder Industria 4.0 / Assetel / SmartSIDE

En el mundo de la Inteligencia Artificial (IA), una de las mejores técnicas disponibles para solucionar problemas complejos con multi-objetivos, multi-parámetros y multi-restricciones, son los Algoritmos Genéticos. Este término nace por imitar, con programas de computadora, al modelo natural en el   proceso evolutivo más aceptado científicamente cuando se mejora una especie. Tal como las Redes Neuronales no tienen ninguna neurona natural real, los Algoritmos Genéticos no tienen ninguna Genética biológica real. El término solo es una referencia de cómo fueron creados o inspirados. Calcular trayectorias de Robots, Optimizar Problemas de Ruteo, Solución a modelos de Investigación de Operaciones, Diseño de Materiales, etc., son solo algunos pocos ejemplos de problemas que pueden ser aproximados por este método ya que es una técnica muy versátil.

 

Hace ya casi 20 años tuve una de las primeras oportunidades de aplicar está técnica a problemas de la vida real para la organización Kellogg América Latina. Usando la tecnología de Algoritmos Genéticos, resolvimos 2 de sus problemáticas más relevantes en ese entonces: 1) Optimizar un modelo de “Sourcing” o logística de producción y traslado de productos para satisfacer la demanda sujeta a una serie de restricciones, y 2) Programar eficientemente las líneas de manufactura de sus plantas para garantizar la producción, pero respetando una serie de lineamientos.

 

En ambos casos la Inteligencia Artificial permitió dar respuestas muy satisfactorias a problemas suficientemente complejos como para que una persona o grupo de personas expertas tuvieran que estar dedicados, concentrados y “pensado” todos los días para calcular el modelo de logística de producción o haciendo los programas de producción diariamente. En estos casos, hoy como hace 20 años, la IA tiene mucho que aportar a la industria para solucionar procesos industriales inherentemente complejos.

 

Sobre el Modelo de Logística, la meta siempre fue la de calcular una red de costo mínimo (Producción, Transporte, Almacenaje y Venta) que satisfaga la demanda dinámica para distintos momentos, pero respetando la capacidad de las plantas de producción y de los centros de distribución entre otras muchas restricciones. Una de las salidas del sistema era indicar que mezcla de productos debería fabricar cada una de las plantas para cumplir con el modelo. Desde luego cada parámetro podía ser simulado con lo que cientos de escenarios de simulación podían calcularse a meses o años enfrente. Un resultado muy interesante de este modelo con Inteligencia Artificial fue la de haber sido usado para decidir geográficamente donde era conveniente instalar un nuevo Centro de Distribución. Los resultados a 5, 10, 15, 20 y 25 años fueron consistentes y totalmente inesperados. La empresa no tenía entonces oficinas o alguna infraestructura en la ciudad de Toluca, pero el modelo insistió en que era la mejor decisión estratégica para poder minimizar los costos de la red logística. De forma personal, me llenó de orgullo en ese entonces y lo sigo estando hoy ya que la empresa decidió construir su nuevo CEDIS justo en Toluca (Estado de México) y sigue operando perfectamente hoy día. Esta decisión estratégica tuvo su soporte de alguna manera en la Inteligencia Artificial.

 

Sobre el problema de Programación de Producción, los costos de licenciamiento del ERP que resuelve este problema eran prohibitivamente altos incluso para una multinacional como Kellogg. La IA entró de nuevo en el escenario permitiendo realizar de forma diaria el cálculo del programa de producción a detalle o Plan Maestro de Producción (MPS por sus siglas en inglés) que indica para cada línea que tiene que producir y en qué momento permitiendo balancear la carga entre las líneas, respetar las materias primas disponibles, respetar secuencias de producción y al mismo tiempo cumplir con la demanda meta. Además, cada planta es distinta en configuración y capacidades, aunque hacían los mismos productos. Igual que en el caso anterior, este sistema permitía simular situaciones en pocos minutos y permitía calcular y recalcular los programas de producción de cada línea de producción. Por su relevancia, el sistema se replicó en las plantas de México, Guatemala, Colombia, Venezuela, Brasil y Argentina. Especialmente el caso de Brasil fue relevante debido a que la única persona que se encargaba de realizar la tarea de programación de la planta justo acababa de jubilarse. Parte de la experiencia que acumuló por años quedó integrada en el nuevo sistema de Inteligencia Artificial (basado en Algoritmos Genéticos) y de esta forma, el desarrollo del sistema apoyó en gran medida a solucionar una de las principales preocupaciones de la planta Kellogg de Sao Paulo en Brasil en aquel entonces.

 

En Assetel se cuenta con toda esta experiencia para ofrecer soluciones similares a medida aplicando la mejor tecnología en Inteligencia Artificial para la industria de Manufactura, Comercio, Logística, etc.

 

Solo como clarificación, al publicar esta experiencia no se ha violado ningún convenio de confidencialidad debido a que se habla de proyectos con mas de 20 años de aplicados y no se revela ningún dato particular o específico que afecte la operación de la organización. Se trata de una referencia genérica, apoyadas por las propias políticas de Kellogg, para promover el uso de la tecnología en otras organizaciones.