Si lo vemos desde el punto de vista de replicar acciones humanas, una calculadora sería potencialmente una forma de Inteligencia Artificial; si lo vemos desde la perspectiva del aprendizaje desde las formas humanas: a través del entrenamiento, esta definición agruparía modelos y sistemas mucho más complejos.

En la siguiente gráfica podemos ver el crecimiento en el desempeño de reconocimiento de distintos datos de entrada no estructurados, y cómo los mejores modelos comienzan a superar el desempeño de los humanos en el reconocimiento de patrones naturales, como por ejemplo, las imágenes.

El anterior es un repaso conceptual de la categoría tecnológica a la cual pertenece la tendencia tecnológica que analizaremos a continuación: Visión computarizada (reconocimiento de imágenes mediante IA).

¿Qué es la visión computarizada (reconocimiento de imágenes)?

La tendencia de Visión Computarizada utiliza dispositivos de entrada de imágenes, como cámaras para capturar fotos o videos y aplica algoritmos de inteligencia artificial (IA) para analizar los datos extraídos de estas imágenes digitales. Los sistemas más básicos de IA visual están entrenados para diferenciar objetos entre sí, mientras que las versiones más avanzadas pueden rastrear objetos a través de puntos de vista, asociar imágenes con otros contextos en distintos formatos y aprender por sí mismos.

Un ejemplo de reconocimiento de imágenes mediante Visión Computarizada e integración con un modelo de análisis optimizado para el diálogo (GPT-4):

Como se puede apreciar, se trata de tareas de reconocimiento, clasificación y análisis, para dar como resultado una respuesta a una instrucción de texto específica que trasciende el reconocimiento, ya que requiere de asociación con el contexto de la solicitud. Además, se aprecia cierto nivel de empatía en la respuesta (en este caso específico).

La Visión Computarizada se ha desarrollado junto con el avance del aprendizaje automático profundo, aprovechando la calidad creciente y la disminución del costo de los dispositivos que captan imágenes, y la capacidad creciente y los costos de modelos de lenguaje robustos. En 2020, el mercado de visión artificial a nivel mundial valía 9400 millones de dólares y, a medida que la IA, los sistemas de visión y el procesamiento informático mejoran continuamente, se anticipa que este mercado se cuadriplicará con creces hasta los 41400 millones de dólares estadounidenses en 2030.

Vivimos tiempos disruptivos, el avance desde los primeros modelos de reconocimiento de imágenes hasta los modelos más avanzados es asombroso. La integración con modelos de lenguaje natural no es una visión a futuro, desde el lanzamiento de GPT-4 en marzo de 2023, es una realidad. Las posibilidades de aplicación aun se están explorando por estos días. De acuerdo a la infografía de capacidades de reconocimiento, los modelos actuales pueden realizar una clasificación con un desempeño superior al de los seres humanos; probemos:

Clic en una de las imágenes de ejemplo, carguen la imagen en el modelo, luego clic en «Caption It!»

¿Qué tal les pareció? Si aprecian bien, podemos dar instrucciones específicas al modelo anterior, de manera que no solo le pedimos un reconocimiento de la imagen, sino también inferencias e información de acuerdo a una instrucción de texto expresada en lenguaje natural.

Aplicaciones en Logística: ¿Puede la Visión Computarizada remover restricciones logísticas?

Inventarios, procesamiento de órdenes y envíos

Muchas tareas que se desarrollan desde el CEDI hasta las góndolas en puntos minoristas involucran a humanos para evaluar o confirmar visualmente los elementos de un producto, caja o estiba a medida que pasa por las instalaciones. Muchas de esas tareas de reconocimiento y clasificación visual se pueden delegar gradualmente a sistemas de IA habilitados para visión por computadora. Y no hablamos del tradicional OCR (Reconocimiento Óptico de Caracteres), hablamos de sistemas robustos que tengan la capacidad de reconocer imágenes en diversos formatos y analizarlas en distintos contextos, en interacción con instrucciones no estructuradas (por ejemplo, lenguaje natural).

Un caso de uso práctico que proponen los especialistas de DHL es dimensionar un envío o medir su área o volumen (también determinar el tamaño de la flota). Esto puede ser difícil cuando los envíos son grandes o tienen formas extrañas, o se encuentran en cintas transportadoras que se mueven rápidamente. Empresas como Metrilus, con sede en Alemania, han desarrollado recientemente soluciones de bajo costo que automatizan este proceso de dimensionamiento, capturando medidas en milisegundos y enviando estos datos al sistema de gestión de almacenes (algoritmos de optimización). La medición precisa y la detección de volumen permiten seleccionar el empaque que mejor se ajuste para evitar el envío aéreo, lo que reduce el desperdicio y mantiene la sostenibilidad a la vanguardia de la logística.

Otro caso de uso es la identificación de objetos para recoger y empacar. Actualmente, la mayoría de los pedidos se recogen a mano, y aquellos que utilizan visión por computadora en soluciones robóticas tienden a identificar un producto por su código de barras o código QR. Pero los avances en la visión artificial han permitido que los robots identifiquen decenas de miles de productos con gran precisión, independientemente de la presencia de códigos de identificación.

Con este nivel de IA visual, los proveedores de logística pueden optimizar los procesos, reduciendo los costos, apoyando la gestión del flujo y aumentando el rendimiento del sistema.

También podemos mencionar las aplicaciones de esta tecnología en góndola, desde las prestaciones para disminuir agotados, hasta el soporte de accesibilidad para usuarios con limitaciones físicas. Imáginese la integración de la visión computarizada con un sistema de reabastecimiento automatizado, que active no solo la solicitud de pedido hacia el proveedor, sino la solicitud de reabastecimiento interno de la góndola.

La Visión Computarizada puede procesar la detección de uno o varios objetos y clasificar una serie de elementos a partir de una sola imagen

Probemos con la siguiente imagen procesada por un modelo sencillo.

Descarguen la imagen y utilicenla en el siguiente modelo: Descargar imagen

Caso de estudio

Desafíos de esta tecnología

Perspectivas 2023

La tendencia de la Visión Computarizada tiene campos de aplicación en prácticamente todos los procesos logísticos y a lo largo de una cadena de suministro. La tecnología puede ser de gran ayuda para la gestión del flujo y por ende en las organizaciones logísticas en la optimización de operaciones, el control de los activos, la mejora de la salud y seguridad de los trabajadores, y la reducción de costos. La integración con modelos de lenguaje robustos serán el paso siguiente a nivel logístico.

A medida que los proyectos piloto de hoy superen sus pruebas, se prevé una implementación rápida en los próximos años, ya que se trata de una tecnología de alto impacto en la logística.

*Recomiendo revisar el concepto de: Cadena de Suministros Digital.

Recuerde:

«Una nueva tecnología traerá beneficios para la empresa, si y solo si, tiene la capacidad potencial de remover restricciones activas del sistema» Eliyahu Goldratt

De manera que en el ejercicio de desarrollo de la Ruta Tecnológica, considere cuáles son las restricciones del sistema logístico (convencionales y transaccionales); cuáles son las reglas de operación actuales que están condicionadas por las restricciones; cómo la Visión Computarizada puede remover las restricciones del sistema; cuáles serían las nuevas reglas de operación con esta nueva tecnología y cómo se puede mejorar.

La entrada Visión Computarizada se publicó primero en Ingenieria Industrial Online.

Si lo vemos desde el punto de vista de replicar acciones humanas, una calculadora sería potencialmente una forma de Inteligencia Artificial; si lo vemos desde la perspectiva del aprendizaje desde las formas humanas: a través del entrenamiento, esta definición agruparía modelos y sistemas mucho más complejos.

En la siguiente gráfica podemos ver el crecimiento en el desempeño de reconocimiento de distintos datos de entrada no estructurados, y cómo los mejores modelos comienzan a superar el desempeño de los humanos en el reconocimiento de patrones naturales.

El anterior es un repaso conceptual de la categoría tecnológica a la cual pertenece la tendencia tecnológica que analizaremos a continuación: Inteligencia Artificial Interactiva.

¿Qué es la Inteligencia Artificial Interactiva?

La Inteligencia Artificial, en su forma general, requiere del procesamiento de datos de entrada de múltiples fuentes, ya sea en el entrenamiento como en la instrucción. La tendencia de la Inteligencia Artificial Interactiva implica algoritmos de inteligencia artificial (IA) que pueden procesar la entrada de los usuarios humanos, como texto, voz y gestos, y proporcionar una respuesta razonable. Formas avanzadas de esta tecnología pueden interpretar varios estilos de escritura y acentos, sostener conversaciones complejas, realizar tareas complejas más allá de comandos simples y simular un sentido de empatía con los usuarios humanos. Si usted se está introduciendo en estos temas, debe considerar que se trata de probablemente la revolución tecnológica más potente de los últimos años: ¡Cambió las reglas de juego!

Emergiendo de la tendencia general de la IA, hay varios tipos de IA interactiva con aplicaciones variables que van desde la geolocalización y navegación, detección y reconocimiento facial, chatbots, asistentes digitales, dictado de voz a texto, salidas de texto a voz, procesamiento de imagen a texto y pagos electrónicos, por nombrar algunos. La tendencia, sobre todo con el lanzamiento de la cuarta generación GPT, es: procesamiento desde cualquier formato a cualquier formato; y esto despliega infinitas aplicaciones.

En logística y la cadena de suministro, este tipo de interacción tiene la capacidad potencial de lograr que las actividades cotidianas de los empleados sean menos manuales y, al mismo tiempo, puedan ofrecer una experiencia más automatizada al cliente. El foco disruptivo y polémico radica en que ya no se trata de una sustitución de tareas humano-pantalla operativas, también tareas humano-pantalla analíticas. ¿Cuál será el rol humano en la Cadena de Suministro? Sin duda, y como mínimo, será la toma de decisiones asistida, es decir, el ser humano en el corto plazo desempeñará sus tareas dentro de la Cadena de Suministro con alguna forma de asistencia basada en Inteligencia Artificial Interactiva; siendo más arriesgado, creo que el rol del ser humano puede relegarse a la supervisión de las tareas ejecutadas por un modelo de IA.

Expertos desde DHL consideran que se esperan más desarrollos en los próximos 5 años para la tendencia de la IA Interactivaen Logística (yo creería que en mucho menos tiempo). Esto tendrá un impacto poderoso en los enfoques empresariales centrados en el cliente para las empresas de logística, ya que se están identificando casos de uso en una multitud de procesos de flujo de trabajo en todos los niveles transaccionales en la cadena de suministro. La adopción y escalabilidad continua de la tecnología de IA interactiva dentro de almacenes y otros entornos operativos, así como en flujos de trabajo de oficina, demuestran las oportunidades para la colaboración humano-máquina.

Aplicaciones en Logística: ¿Puede la Inteligencia Artificial Interactiva remover restricciones logísticas?

Para responder a esta pregunta, es necesario cuestionar lo que sabemos y creemos acerca de la logística. En este sentido, se puede evocar uno de los principios de la Teoría de Restricciones de Goldratt: nunca asumir que ya se sabe todo.

En general, los objetivos de la logística son asegurar que el cliente o consumidor tenga acceso al producto correcto, en el momento adecuado, en el lugar preciso, en la cantidad correcta, con la calidad correcta y a un precio justo. Para ello, es fundamental asegurar la disponibilidad del producto en el punto de venta, ya que esto es el resultado de la sinergia de toda la cadena de suministro. Como bien lo dijo Goldratt, «en la cadena de suministro, ningún eslabón habrá alcanzado el resultado hasta que el cliente final no haya comprado».

Sin embargo, aunque estos objetivos siguen siendo importantes, el actor clave de la cadena, el consumidor, no se mantiene estático, sino que ha sufrido cambios disruptivos en sus hábitos de consumo. En la actualidad, nos enfrentamos a un consumidor hiperconectado que ha transformado la ruta de consumo. Esto es relevante en términos logísticos, ya que para el consumidor hiperconectado, la disponibilidad física del producto es solo un factor más en la ruta de consumo. Este tipo de consumidor se rige por sesgos particulares, como el poder del ahora, el sesgo de escasez, el sesgo de autoridad, la prueba social y el compromiso asumido. Por lo tanto, para este tipo de consumidor, la disponibilidad del producto no es necesariamente más importante que la visibilidad digital de dicha disponibilidad.

Por ejemplo, si un punto de venta tiene 1000 unidades de un SKU y no logra hacer que dicha disponibilidad sea visible digitalmente para el consumidor, difícilmente logrará una ventaja competitiva frente a otro punto de venta que tenga solo 10 unidades disponibles pero que logre una visibilidad digital del stock (además de su ubicación geográfica). Esto se debe a que el consumidor final ha incorporado a su ruta de consumo procesos como la investigación, la navegación digital y la consulta digital del punto físico y la disponibilidad, incluso antes de realizar la compra física.

La logística 4.0 consiste en la integración entre el mundo físico y digital, aprovechando los impulsos de conectividad, procesamiento, almacenamiento y accesibilidad, y haciendo uso de tecnologías habilitadoras que permiten dicha integración. El objetivo es eliminar las restricciones logísticas convencionales, como la disponibilidad, así como aquellas propias de la era digital que tienen impacto en la logística, a través de soluciones y aplicaciones. El objetivo final sigue siendo el mismo: conectar al consumidor con el producto en las condiciones adecuadas. Este cambio de chip, nos permite evaluar a la Inteligencia Artificial Interactiva como tendencia tecnológica capaz de remover restricciones logísticas transaccionales.

Automatización de la interacción con el cliente / Nivel de servicio

Con la experiencia del cliente en el centro del objetivo logístico, los departamentos de servicio al cliente y soporte son muy importantes para las empresas de logística. Los chatbots pueden ayudar a estas empresas a manejar consultas de centros de llamadas de baja y mediana intensidad sobre, por ejemplo, solicitudes de entregas, edición de pedidos, seguimiento de envíos y respuestas a preguntas frecuentes. Los chatbots también pueden facilitar valiosas métricas de análisis, lo que permite a la empresa comprender mejor las necesidades del cliente y mejorar la experiencia del cliente. En un futuro cercano, la relación con el cliente será automatizada y la promesa de servicio será propuesta por algún modelo de Inteligencia Artificial Interactivo, que tenga acceso a los flujos de datos relacionados con los flujos físicos.

Como resultado, los chatbots representan el canal de comunicación de marca de más rápido crecimiento de hoy en día, con una tasa de manejo de chat de inicio a fin del 68,9% en 2020 (un aumento del 260% en la resolución de extremo a extremo desde 2017), y se espera que la contribución a las transacciones de comercio electrónico alcance los 112 mil millones de dólares para 2023 (creo que, dada la salida en vivo de la API de GPT, esta predicción será ampliamente superada).

Con la IA interactiva, la automatización del servicio al cliente también se extiende al procesamiento de la entrada del usuario a través de otros canales de comunicación comúnmente utilizados, como respuestas de correo electrónico inmediatas, servicios telefónicos automatizados, integración con plataformas de mensajes de texto e incluso, asistencia digital en punto físico de venta. Esto amplía los ámbitos en los que los clientes pueden obtener respuestas inmediatas y satisfactorias a sus consultas.

IA Interactiva en el lugar de trabajo

En el contexto de los lugares de trabajo digitales, los chatbots son comúnmente utilizados en casi todos los sectores, ya que pueden permitir que los trabajadores accedan a la información necesaria para completar su trabajo.

Según Gartner, el 70% de los trabajadores de oficina interactuarán con plataformas de chatbots a diario para finales de 2022. Estas plataformas, al igual que en aplicaciones de servicio al cliente, pueden proporcionar información y respuestas inmediatas a los trabajadores de oficina, ayudando a la organización a difundir detalles sobre la gestión del cambio, recursos humanos, soporte de helpdesk, servicios generales, informes de anomalías y organización de reuniones.

Para las operaciones logísticas, los chatbots pueden optimizar el manejo y la gestión de inventario, seguimiento de cargas y programación de entregas, así como actualizaciones de gestión de relaciones con clientes (CRM) y sistemas de gestión de almacenes (WMS), el software dedicado de Realidad Extendida, los Gemelos Digitales. La adopción de tecnología de IA interactiva dentro de la cadena de suministro automatiza los flujos de trabajo y la gestión de pedidos, liberando a los empleados de operaciones para enfocarse en tareas más complejas y de mayor valor. En caso de que un chatbot no pueda completar una consulta, asigna la tarea a un humano para una acción adicional mientras notifica al solicitante sobre este estado.

El siguiente es un ejemplo de Inteligencia Artificial Interactiva que se integra a la tendencia tecnológica de la Realidad Extendida para el desarrollo de un proceso logístico convencional: Packing:

La consulta del operario se expres en su lenguaje natural y se procesa a través de Inteligencia Artificial Interactiva: ¡Jarvis en el CEDI!

IA Intercativa para la accesibilidad en puntos minoristas

Desafíos de esta tecnología

Perspectivas 2023

Si bien hemos visto saltos de desarrollo en IA en los últimos años, sigue generando interés e inversión y se predice que crecerá a largo plazo en la expansión de aplicaciones de IA interactivas capaces de impulsar un valor económico significativo; los desarrollos de IA interactiva en lo corrido de este año son exponenciales. Los cuatro bloques de impulsores clave de más datos (conectividad), mejores algoritmos y mayor potencia informática (procesamientos y almaceanmiento) y accesibilidad, indican que es probable que estos casos de uso se materialicen y escalen.

De acuerdo con los especialistas de DHL: La logística y la cadena de suministro son fundamentales para los crecientes niveles de adopción de IA cada año. Se predice que la tasa de adopción de IA en la industria sea del 42,9% CAGR, alcanzando un valor de 6,5 mil millones de dólares para 2023. Al adoptar la tecnología de IA interactiva, la industria logística puede responder de manera efectiva a los desafíos operativos del creciente demanda B2B y B2C de entrega inmediata de bienes.

*Recomiendo revisar el concepto de: Cadena de Suministros Digital.

Recuerde:

«Una nueva tecnología traerá beneficios para la empresa, si y solo si, tiene la capacidad potencial de remover restricciones activas del sistema» Eliyahu Goldratt

De manera que en el ejercicio de desarrollo de la Ruta Tecnológica, considere cuáles son las restricciones del sistema logístico (convencionales y transaccionales); cuáles son las reglas de operación actuales que están condicionadas por las restricciones; cómo la Inteligencia Artificial Analítica puede remover las restricciones del sistema; cuáles serían las nuevas reglas de operación con esta nueva tecnología y cómo se puede mejorar.

La entrada Inteligencia Artificial Interactiva se publicó primero en Ingenieria Industrial Online.

Si esto de la Industria 4.0 tiene un sentido (que creo que lo tiene), la generación y transmisión de datos tiene una razón de ser; pues bien, estos datos deben procesarse y analizarse para que cobren sentido. Big Data se refiere al análisis de grandes cantidades de datos para revelar patrones del pasado, resaltar cambios en tiempo real en el estado actual y crear predicciones y pronósticos para el futuro. Esta tendencia implica diversas técnicas de procesamiento de datos estructurados, que consisten en números y valores específicos que son buscables y se almacenan en un formato predefinido, así como datos no estructurados, que pueden presentarse en diversos formatos nativos, como archivos de video, audio de sensores, publicaciones en redes sociales y por estos días el boom, lenguaje natural.

Incluso los expertos en management más excépticos con la Industria 4.0 reconocen el valor de la capacidad de procesar grandes conjuntos de datos. Sin datos y análisis, no se puede optimizar, ni siquiera tener previsión para prepararse para lo que está por venir; sin datos, el desarrollo de los más básicos procesos logísticos puede llegar a ser caótico.

Como un paso más allá de las capacidades de procesamiento de datos de los sistemas transaccionales tradicionales, muchos líderes logísticos han adoptado sensores, paneles de control y otras tecnologías para recopilar y mostrar flujos de información (provenientes de diversas fuentes). A medida que aumenta el uso de dispositivos de recopilación de datos, combinado con el crecimiento exponencial de datos brutos encontrados en las redes sociales y en Internet en general, la tasa de llegada de datos supera con creces la tasa de procesamiento, con 463 quintillones (1018) de bytes (o 463 mil millones de GB) de datos que se producirán diariamente en 2025 (según DHL). Para diferenciar estas enormes acumulaciones de datos estructurados y no estructurados, de datos más tradicionales que se pueden manipular fácilmente en una hoja de cálculo, los expertos han etiquetado los primeros como «big data»: voluminosos, que se generan de foma veloz, que tienen un valor y que son variados.

Diversos investigadores (The role of big data analytics in industrial Internet of Things) y portales especializados (DHL) clasifican en 4 o 5 los tipos principales de análisis de big data que podrían aplicarse en casos de uso a lo largoy ancho de la cadena de suministro:

El análisis descriptivo busca comprender la situación existente y responder a la pregunta de qué sucedió, mientras que el análisis diagnóstico intenta investigar por qué sucedió algo. Mientras tanto, el análisis predictivo, como sugiere su nombre, genera predicciones y pronósticos de lo que podría suceder en el futuro, y el análisis prescriptivo utiliza datos históricos y situacionales para recomendar cambios en lo que se debe hacer.

Pensemos en una situación «tipo» en logística. El análisis descriptivo puede arrojarnos información relacionada con la existencia de roturas de stock; mientras tanto, el análisis diagnóstico puede delimitarnos a través de los datos las causas correlacionadas de la rotura del stock. A través del análisis predictivo, se pueden generar pronósticos de rotura de stock; y el análisis prescriptivo utiliza los datos históticos y situacionales para modificar los parámetros de reabastecimiento o emitir órdenes, es decir, recomendar cambios en el proceso logístico.

La tendencia del Big Data tiene un impacto moderadamente alto en la logística y lo clasificamos como una tendencia que se agrupa dentro de los habilitadores de infrestructura digital (Digital Backbone), es decir, forma parte esencial de la integración del mundo físico y digital, es transversal (es imposible pensar en Industria 4.0 sin considerar la capacidad de procesar datos masivos). Si bien no transforma directamente la apariencia y el aspecto de la cadena de suministro físicamente, la mayor visibilidad y la toma de decisiones optimizada que resultan de esta tendencia pueden conducir a una optimización estratégica a lo largo de los segmentos de la cadena de suministro, mejorando sustancialmente los niveles de servicio, desde un almacenamiento de estibas más eficiente en una instalación hasta el aseguramiento de la disponibilidad. En términos de realización, el análisis de big data está mucho más cerca en la industria logística que en otras industrias. Muchos, si no todos, los líderes logísticos han aprovechado los grandes datos en los últimos años.

Big Data no solo es «análisis»

Aplicaciones en Logística: ¿Puede el Big Data remover restricciones logísticas?

Gestión de activos e inventarios

Una de las principales oportunidades que tiene big data es proporcionar a los distintos actores de la cadena de suministro una visibilidad en tiempo real organizada, filtrada y digerible de la situación actual en instalaciones como almacenes y centros de distribución. El flujo puede gestionarse toda vez que los datos relevantes sean visibles.

El análisis de datos de inventario proveniente de sensores puede ayudar a determinar si los niveles de stock están bajando, por ejemplo. Para fines de diagnóstico, los análisis pueden revelar cómo ciertos envíos provocan que un transportador particular se averíe con frecuencia o pueden identificar eventos mundiales o locales que tienen un efecto dramático en el nivel de inventario de productos específicos: Cadena de Suministros Digital.

El equipo de Applied Analytics de DHL, por ejemplo, realiza estudios para clientes que pueden recomendar cambios basados en patrones identificados en los datos, donde el inventario puede haber excedido las previsiones originales de demanda, por ejemplo, o en los que el stock de seguridad puede haber disminuido por debajo de umbrales críticos. Para los activos, se puede procesar datos históricos para sugerir el mejor lugar para almacenar herramientas y otros equipos para limitar la distancia que deben recorrer los trabajadores para recuperarlos: optimización intralogística (el recurso correcto y la tarea correcta).

En general, el análisis de big data puede dar a las organizaciones logísticas la visibilidad necesaria para optimizar el almacenamiento y movimiento de envíos a través de las instalaciones, así como para mejorar la utilidad y vida útil de los activos.

Veamos un ejemplo de aplicación de Big Data, la operación de este CEDI de Amazon no sería posible sin la analítica de datos masivos:

Transporte, distribución y gestión del riesgo

Big Data puede ofrecer varias soluciones para rmover las restricciones que las organizaciones logísticas a menudo enfrentan en los segmentos de transporte y entrega de la cadena de suministro: Interrupciones del flujo que luego afectan la disponibilidad (objetivo logístico clave).

En cuanto al análisis descriptivo, el procesamiento de Big Data puede ayudar a monitorear los niveles de servicio en una ruta en particular, identificando interrupciones como las averías de camiones en tiempo real cuando estas ocurren. Además, los datos de docenas a miles de sensores brindan visibilidad a las organizaciones de la cadena de suministro sobre si los productos se entregan en un estado de alta calidad o si están dañados en el camino; esta visibilidad no solo puede utilzarse para remover restricciones logísticas tradicionales, ya que también pueden contribuir a remover restricciones transaccionales de un consumidor hiperconectado que quiere conocer o prever la disponibilidad y/o trazabilidad de sus productos. Con el análisis diagnóstico, las empresas pueden ver por qué ciertos envíos siempre llegan tarde, ya que esto puede deberse a que el horario de la ruta coincide con el tráfico de hora punta o el envío pasa por puertos de entrada con personal insuficiente, por ejemplo.

El ecosistema tecnológico del Big Data se compone de:

Desafíos de esta tecnología

Perspectivas 2023

La tendencia del análisis de Big Data tiene un gran potencial para aumentar el rendimiento de la cadena de suministro y del negocio utilizando la infraestructura existente con casi ningún cambio. Aunque los desafíos incluyen la transformación de datos no estructurados en algo significativo, muchas empresas de logística han decidido abordar esto y han logrado beneficios muy valiosos. Los avances continuos en la inteligencia artificial analítica están aumentando la capacidad de procesar incluso más datos en menos tiempo y detectar patrones más profundos para mejorar y optimizar aún más la logística. La integración con modelos de inteligencia artificial interactiva será el paso siguiente en el ámbito logístico. El lanzamiento de la cuarta generación GPT (Generative Pre-trained Transformer – GPT-4 lanzado en 2023), y sobre todo, el anuncio de la disminución de los costos de procesamiento, permite dilucidar que la integración de los datos no estructurados provenientes de las interacciones naturales humanas serán una realidad en el corto plazo.

En el contexto de la logística, los modelos tipo GPT pueden ser utilizados para la generación de informes automatizados, la respuesta automática de consultas de clientes, la detección de anomalías y el análisis de sentimientos / interacciones de los clientes. El uso de modelos tipo GPT en la logística puede permitir una mayor automatización de las operaciones y una toma de decisiones más eficiente y rápida.

Para integrar el Big Data con modelos tipo GPT en la logística, se requiere una infraestructura de datos sólida que pueda proporcionar los datos necesarios para entrenar y alimentar los modelos. Los datos deben ser procesados y limpiados para asegurar su calidad antes de ser utilizados en los modelos. Además, se requiere un equipo de expertos en ciencia de datos y aprendizaje automático para desarrollar y ajustar los modelos de acuerdo con las necesidades específicas de la cadena de suministro.

*Recomiendo revisar el concepto de: Cadena de Suministros Digital.

Recuerde:

«Una nueva tecnología traerá beneficios para la empresa, si y solo si, tiene la capacidad potencial de remover restricciones activas del sistema» Eliyahu Goldratt

De manera que en el ejercicio de desarrollo de la Ruta Tecnológica, considere cuáles son las restricciones del sistema logístico; cuáles son las reglas de operación actuales que están condicionadas por las restricciones; cómo analítica de Big Data pueden remover las restricciones del sistema; cuáles serían las nuevas reglas de operación con esta nueva tecnología y cómo se puede mejorar.

La entrada Análisis masivo de datos (Big Data Analytics) se publicó primero en Ingenieria Industrial Online.

Aplicaciones en Logística: ¿Puede un Gemelo Digital remover restricciones logísticas?

Optimización de procesos logísticos

Cuando nos preguntamos acerca de los procesos logísticos susceptibles de ser replicados de manera digital, llegamos a la conclusión de que prácticamente todos los procesos dentro de las cadenas de suministro pueden beneficiarse de la tendencia de los Gemelos Digitales; o por lo menos pueden ser representados digitalmente. La pregunta siguiente y clave será ¿Para qué?

Los más grandes exponentes del management coinciden en que los gestores de las operaciones son el componente transversal de los sistemas, ya que tienen la visión del flujo de principio a fin. Por lo menos eso afirmaban Taiichi Ohno (TPS) y Eliyahu Goldratt (TOC). La clave del anterior enunciado es «visión del flujo«, ya que un Gemelo Digital puede contribuir desde la asignación adecuada de cargas de trabajo hasta la gestión total del flujo, así que un gemelo digital puede facilitar la optimización logística global a través de la visibilidad. La pregunta que subyace es: Ya que tiene visibilidad ¿Cuál es su plan? Mi posición es que no basta con tener visibilidad (este es el insumo y es clave), hay que desarrollar principios del flujo para tomar decisiones focalizadas.

Veamos un ejemplo de aplicación de un Gemelo Digital en logística:

El ecosistema tecnológico de una implementación de estas características requiere de la integración de:

El conjunto de datos requerido para la construcción del gemelo digital de un sistema de producción / logístico varía de un sistema a otro, sin embargo, puede considerar la información del siguiente cuadro como un caso típico:

Así podemos ver entonces, que el desarrollo de un gemelo digital requiere del conocimiento profundo del objeto físico (entidad, activo, sistema, etc.). Además, de la consideración de las tecnologías de seguimiento, pero sobre todo, del enfoque sistémico que le permita determinar sobre la pertinencia de esta aplicación tecnológica.

Caso de aplicación: Whirlpool Corporation (Polonia)

Whirlpool Corporation en Polonia con 80.000 m², docenas de montacargas y remolcadores. Más de 250 sensores RTLS para el análisis de logística y 60 estaciones de trabajo equipadas con un sistema de pedidos automatizado para la gestión logística. Diagramas de espagueti, análisis de mapas de calor y saturación para identificar cuellos de botella, ineficiencias y otros potenciales de mejora continua.

¿Desea probar un Gemelo Digital en su móvil?

Si quieres probar un demo de gemelo digital desde tu celular, puedes hacerlo a través de:

Desafíos de esta tecnología

Perspectivas 2023

La visión de expertos proyecta una adopción generalizada en los próximos 5-10 años (en países del primer mundo). Por ahora, las principales áreas de aplicación serán principalmente activos singulares y sistemas contenidos. Sin embargo, para la gestión de la cadena de suministro, el siguiente nivel de adopción será el de los gemelos digitales de toda la cadena de suministro, que involucra a miles de activos que abarcan varios actores.

Mi visión respecto a la adopción generalizada dista mucho de los renders atractivos; considero que se avanzará a pasos agigantados hacia la Cadena de Suministro Digital, pero no necesariamente a través de simulación. Un Gemelo Digital puede replicar los datos esenciales sin que esto implique una réplica gráfica simulada.

Otra de las perspectivas importantes tiene que ver, sin duda, con la disrupción de los modelos robustos de Inteligencia Artificial Interactiva. Les planteo una visión, que al día de hoy es perfectamente realizable:

Los modelos como GPT (Generative Pre-trained Transformer – GPT-4 lanzado en 2023) se pueden integrar en los Gemelos Digitales con aplicación en logística. Estos modelos de lenguaje natural pueden ser utilizados para analizar y procesar grandes cantidades de datos no estructurados, instruidos por medio de solicitudes humanas naturales. Los datos que pueden potencialmente analizarse son movimientos de los productos a través de la cadena de suministro, tendencias, demanda, flujos de datos provenientes de clientes y proveedores. Por ejemplo, un minorista podría utilizar los datos del Gemelo Digital para predecir qué productos se venderán mejor en una temporada determinada y en qué ubicaciones geográficas. Los modelos GPT podrían analizar los datos de ventas históricos, así como la información sobre las tendencias del mercado, el clima y otros factores que puedan influir en la demanda. De esta manera, el minorista podría planificar su cadena de suministro para asegurar que tenga suficiente inventario para satisfacer la demanda prevista y evitar la pérdida de ventas por falta de existencias.

Recuerde:

«Una nueva tecnología traerá beneficios para la empresa, si y solo si, tiene la capacidad potencial de remover restricciones activas del sistema» Eliyahu Goldratt

De manera que en el ejercicio de desarrollo de la Ruta Tecnológica, considere cuáles son las restricciones del sistema logístico; cuáles son las reglas de operación actuales que están condicionadas por las restricciones; cómo los Gemelos Digitales pueden remover las restricciones del sistema; cuáles serían las nuevas reglas de operación con esta nueva tecnología y cómo se puede mejorar.

La entrada Gemelos Digitales se publicó primero en Ingenieria Industrial Online.

Aplicaciones en Logística: ¿Puede la XR remover restricciones logísticas?

Asistencia en el flujo de trabajo: Desde el listado, pasando por el Voice Picking, hacia el Vision Picking

En la logística la clave es la gestión del flujo: La eficiencia de los procesos que involucran el flujo de unidades logísticas (acomodamiento, picking, packing, cargue) se puede ver afectada por restricciones del flujo como la poca velocidad en la ejecución de las tareas y la imprecisión implícita de la intervención humana.

El uso de tecnologías como AR y MR puede ayudar a remover restricciones logísticas convencionales: Transformando micromovimientos y microacciones, como por ejemplo, la búsqueda por la selección (que aumentaría la velocidad en la ejecución de la tareas); y la asistencia cognitiva incrementando el nivel de certeza de las acciones: tarea correcta, unidad correcta, cantidad correcta, ubicación correcta.

El ecosistema tecnológico de un proceso de estas características requiere de la integración de:

Dispositivos de visualización

Software dedicado

*Este tipo de software no solo funciona con XR, también lo puede hacer con relojes inteligentes, terminales convencionales o dispositivos de audio.

Casos de uso

Entrenamiento y simulación en Logística mediante Realidad Virtual

VR puede ser utilizado para crear experiencias de entrenamiento totalmente inmersivas (la concentración del individuo se centra al máximo), simulando escenarios realistas en un entorno totalmente virtual. Entre los expertos de la industria, VR es a menudo considerado como el futuro del entrenamiento. Los participantes en sesiones de entrenamiento VR aprenden 4 veces más rápido que en entrenamiento en un aula (de acuerdo con PWC). Esto podría explicarse por el hecho de que los participantes muestran una conexión emocional significativamente mayor con el contenido virtual y están mucho menos distraídos durante el entrenamiento VR completamente inmersivo.

¿Puede esto aplicarse a Logística? Por supuesto: Teniendo en cuenta el tiempo de entrenamiento que se puede ahorrar y el hecho de que ahora es más fácil crear contenido (y hay más editores sin código disponibles), está volviéndose cada vez más atractivo invertir en VR para el entrenamiento. DHL Express ya está utilizando VR como herramienta de entrenamiento y compromiso para empleados y audiencias externas. En un enfoque de gamificación, las personas pueden aprender a cargar paletas y contenedores con envíos. Se les otorgan más puntos si utilizan el espacio de manera óptima y prestan atención a las etiquetas de manipulación especial.

Implementación robótica en Logística mediante Realidad Aumentada

La Realidad Aumentada (AR) es una herramienta tecnológica que puede ser utilizada para simplificar procesos de configuración e implementación robótica en la industria logística. Un ejemplo concreto es la implementación de un sistema de paletización robótica que puede ser configurado en tan solo 10 minutos utilizando la tecnología AR. Además, con la AR se pueden introducir nuevos parámetros de caja en segundos y crear, guardar y cambiar entre cientos de diseños de manera rápida y sencilla. La AR también permite la conexión sin problemas con otros equipos y maquinarias, lo que la hace una herramienta altamente efectiva para mejorar los procesos logísticos y aumentar la eficiencia en la cadena de suministro.

Desafíos de esta tecnología

Perspectivas 2023

Los primeros auriculares intercambiaban la potencia de computación y la duración de la batería con el tamaño y el peso, pero los avances tecnológicos están cambiando esto. Una empresa emergente llamada Mojo Vision incluso ha desarrollado un primer prototipo de lente de contacto inteligente. En respuesta a los desarrollos del metaverso, es probable que los anteojos AR conquisten pronto el mercado de consumo; Apple podría lanzar Apple Glass y Google, aunque es cauteloso sobre las preocupaciones de privacidad, puede probar públicamente nuevos prototipos de anteojos inteligentes (anunció que regresa al mercado en septiembre de 2023). Al ver estos desarrollos de hardware y el crecimiento de la cobertura 5G, en DHL, por ejemplo, consideran que es el momento adecuado para prepararse para la adopción masiva de aplicaciones de VR y MR que requieren muchos datos.

Otra de las perspectivas importantes tiene que ver, sin duda, con la disrupción de los modelos robustos de Inteligencia Artificial Interactiva. Les planteo una visión, que al día de hoy es perfectamente realizable:

Por ejemplo, se podría utilizar un modelo de GPT (GPT-4 lanzado en 2023) entrenado para comprender el lenguaje natural (a través de un modelo habla a texto como Whisper) y generar respuestas automatizadas para interactuar con los trabajadores de la cadena de suministro (en tareas como el almacenamiento, picking, packing, cargue). Al combinar esta capacidad con la Realidad Aumentada (RA), se podría proporcionar información en tiempo real sobre las unidades logísticas, recursos y procesos logísticos en función de las consultas realizadas por los trabajadores en su lenguaje natural.

Recuerde:

«Una nueva tecnología traerá beneficios para la empresa, si y solo si, tiene la capacidad potencial de remover restricciones activas del sistema» Eliyahu Goldratt

De manera que en el ejercicio de desarrollo de la Ruta Tecnológica, considere cuáles son las restricciones del sistema logístico; cuáles son las reglas de operación actuales que están condicionadas por las restricciones; cómo la Realidad Extendida (XR) puede remover las restricciones del sistema; cuáles serían las nuevas reglas de operación con esta nueva tecnología y cómo se puede mejorar.

La entrada Realidad Extendida se publicó primero en Ingenieria Industrial Online.