“¿Quiere mejorar su capacidad de previsión de la demanda?

He desarrollado una nueva forma de utilizar el aprendizaje automático para apoyar las cadenas de suministro. Así es como funciona:

He desarrollado un metamodelo capaz de tratar prácticamente cualquier conjunto de datos de demanda de la cadena de suministro. El metamodelo trabajará con sus datos para crear el mejor modelo ML posible.”

Este es el inicio de un post en Linkedin publicado el 12 de octubre de 2021. La promesa es básicamente “mejoraré tu pronóstico con inteligencia artificial (AI)”.

Y yo pregunto, ¿qué ganamos realmente si esto fuera posible? No estoy ni siquiera cuestionando que un algoritmo de “aprendizaje automatizado” sea capaz de mejorar la precisión del pronóstico. Mi pregunta es más fundamental todavía. Supongamos que, si mejora el pronóstico, ¿qué hemos ganado?

Determinantes del tamaño del inventario

El inventario es necesario solo si los clientes no tienen paciencia para esperar el producto desde que expresan su necesidad, por lo que el objetivo de tener inventario es satisfacer ventas inmediatas. Y sabemos también que la demanda por un producto particular en un punto de venta tiene una alta variabilidad.

Si el objetivo es satisfacer ventas y la demanda tiene amplias fluctuaciones, entonces el inventario que requerimos debe ser suficiente para satisfacer la máxima demanda antes de la próxima reposición, lo que significa que la mayor parte del tiempo debemos mantener inventarios en exceso respecto de la demanda real del momento.

La próxima reposición va a depender del tiempo que nosotros decidamos dejar pasar entre una y otra reposición, y también de cuánto demore en llegar el producto desde que lo pedimos. Ambos tiempos juntos componen el tiempo de reposición.

Mientras mayor el tiempo de reposición, mayor el inventario necesario.

Consecuencias de un inventario grande

Mientras mayor el inventario, más espacio se requiere para almacenarlo, y más capital inmovilizado tendremos. Como espacio y capital son ambos recursos limitados, mientras mayor el inventario, menos variedad podremos ofrecer a los clientes, lo que reduce las ventas.

Y, además, si el tiempo de reposición es largo, entonces tendremos también mayores riesgos asociados al inventario: riesgo de merma y riesgo de obsolescencia. Además, un menor ROI general de la operación.

Incidencia del pronóstico en las consecuencias del inventario

Si nuestro pronóstico está muy equivocado, tendremos ventas perdidas por stock out, y tendremos acumulación de exceso de inventario.

Si mejoramos el pronóstico, vamos a reducir el stock out, y también la acumulación de exceso. Sin embargo, el principal factor que determina el tamaño del inventario es el tiempo de reposición, y un menor error en el pronóstico no reduce en absoluto este factor, por lo que el inventario necesario sigue siendo alto.

Me detengo aquí un minuto, porque ya puedo escuchar el contra argumento “si el pronóstico es exacto, necesito lo justo y necesario”. Estoy de acuerdo. Pero recuerde que la demanda es muy variable: algunos SKUs tendrán una alta venta en el periodo y otros menos, y se alternan. Para un periodo particular, el inventario requerido es la combinación de alta y baja demanda multiplicada por un tiempo largo.

¿Por qué he deducido que el tiempo es largo? Muy fácil, ¿cuántos días de venta necesita uno para pronosticar y cada cuánto tiempo se hace el pronóstico de una línea de productos? ¿Una vez a la semana, al mes, cada dos meses? No es todos los días para todos los SKUs, eso creo que es bastante seguro de suponer.

Por lo tanto, si estoy usando pronóstico, es muy seguro que el tiempo de reposición es largo. Y peor todavía, si además de pronósticos, uso MIN/MAX, el tiempo de reposición también es variable, por lo que debería pronosticar también cuánto será el tiempo hasta la próxima reposición. Y todavía estoy aceptando que podemos mejorar el pronóstico.

De este razonamiento, yo deduzco que un pronóstico más exacto, sin cambiar nada más, no ha reducido mucho ni espacio ni capital inmovilizado. Supongamos que la mejora del pronóstico elimina el stock out, y se incrementan las ventas. El capital inmovilizado no se reducirá muy significativamente. Recuerde que antes había stock outs, lo que significa menos inventario. Ahora hay más inventario de esos productos y menos de los otros, pero el efecto total es que el inventario sigue siendo proporcional al tiempo de reposición, por lo que no puede reducirse mucho.

¿Qué determina la rentabilidad de una empresa?

Tal vez debí empezar por aquí. Una empresa es un sistema y su rentabilidad depende de cuánto margen podemos generar con sus recursos más escasos. Otra manera de verlo es cuánto dinero se puede generar por cada centavo gastado en operar.

En TOC – Teoría de Restricciones, el Dr. Goldratt definió solo tres maneras de medir el dinero en una empresa: 

El trúput es la velocidad de generar dinero a través de las ventas. El inventario es la cantidad de dinero atrapado en el sistema y puede convertirse en trúput. El gasto de operación es el dinero gastado para convertir el inventario en trúput.

Sé que inventario definido así puede confundir. Mejor usemos inversión, y dejemos el término inventario para las unidades de productos almacenadas.

En optimización matemática (programación lineal y no lineal), se define una función objetivo del sistema. En el caso de una empresa, es la utilidad. Y esa función daría infinito si no fuera porque los recursos de la empresa son limitados, por lo que decimos que el óptimo lo determinan las restricciones activas.

En los sistemas ya sabemos que la mayoría de los recursos deben tener holguras (ver refutación al balanceo de líneas) por lo que son unas pocas las restricciones activas.

Entonces, la rentabilidad de una empresa está determinada por cuáles son sus restricciones activas y cómo se usan.

Espacio y capital son dos restricciones que se usan más o menos dependiendo del tamaño del inventario requerido. Si el inventario necesario es mayor, estas dos restricciones se están usando más, incluso al punto de agotarlas. En ese caso nos vemos obligados a aceptar un nivel de stock out porque no podemos incrementar el inventario.

Relación del pronóstico y rentabilidad

Como ya vimos, usar pronósticos está asociado a un tiempo largo de reposición, por lo que las restricciones mencionadas: espacio y capital, estarán utilizadas casi al máximo. Ahora es el momento de responder, ¿cómo mejora la rentabilidad un mejor pronóstico?

Un mejor pronóstico hará que usemos mejor esas restricciones de espacio y capital, pero no logrará que las usemos menos. Es decir, si son restricciones activas, lograremos “mover un poco la aguja” con más ventas al reducir los stock outs, pero no mucho más, porque no ha cambiado el tiempo de reposición y seguiremos usando mucho de esas restricciones.

¿Y si reducimos el tiempo de reposición?

Al reducir el tiempo de reposición aliviamos inmediatamente la necesidad de inventario para satisfacer la máxima demanda. Es decir, podemos tener menos unidades de inventario y al mismo tiempo ese es un inventario proporcionalmente mayor al anterior. Esto logra reducir stock out y reducir el uso de las restricciones espacio y capital simultáneamente.

Al reducir el uso de las restricciones, ahora podemos explotar esas restricciones de un modo mejor ampliando variedad, por ejemplo, logrando incrementar las ventas mucho más.

En un retail típico, los puntos de venta pueden reabastecerse todos los días desde su centro de distribución. Y creo no equivocarme si digo que los puntos de venta reciben mercadería todos los días. Lo que pasa es que el cambio fundamental está en que hacemos la reposición de todos los SKUs todos los días.

¿Cómo influye ahora un mejor pronóstico si ya no estamos copando las restricciones de espacio o capital? Yo creo que no hace ninguna diferencia. Y para un tiempo tan corto, el mejor pronóstico es repetir el pasado inmediato: reponer hoy lo que se consumió ayer.

Pero puede haber cambios en la demanda por cada SKU, y los niveles de inventario no ser adecuados en el tiempo. Para eso necesitamos detectar en qué dirección se mueve la demanda, pero no requerimos un número exacto de unidades a reponer. En TOC tenemos un mecanismo simple que llamamos Administración Dinámica de Amortiguadores, que se puede automatizar y ajusta la inversión de acuerdo con la demanda real. Este es el origen de lo que se ha llamado “Demand Driven”.

Una característica de este sistema es que requiere esfuerzo solo para recolectar los datos diarios, que de todos modos ya se recolectan. Y no se gasta tiempo en procesarlos, porque lo hace un computador (aunque es bueno que haya supervisión humana siempre).

¿Cuándo conviene pronosticar la demanda?

La decisión de capacidad es una decisión estratégica. Normalmente la capacidad no puede variarse fácilmente en cantidades significativas. Incrementar al doble o reducir a la mitad son movimientos que no pueden hacerse con frecuencia y requieren una planificación de las necesidades. Para este tipo de decisiones es que se requiere S&OP (Sales and Operations Planning).

A nivel de capacidad hay mucha agregación estadística. Es fácil deducir eso. Si una empresa fabrica 3000 SKUs distintos, difícilmente tendrá cientos de líneas de producción. Una fábrica muy grande tiene menos de diez líneas, por lo que la demanda por cada línea tiene una gran agregación estadística. Eso permite también deducir que el pronóstico de la demanda agregada para cada línea tiene un error mucho menor que el pronóstico de venta de cada SKU. (Un poco de agregación estadística pueden observar en: Cross Docking: ¡No lo intente en casa!).

En esas circunstancias es aconsejable hacer pronósticos de demanda para planear ampliaciones de capacidad. La dificultad en este tema es cómo las personas no entienden la función exponencial, pero ese es tema para otro artículo.

Por otro lado, la complejidad de las cadenas de suministro actuales también se prestan para aplicaciones de AI para estudiar la utilización de capacidad en distintos nodos, como fábricas, medios de transporte, puertos, contenedores, etc. En ese campo es muy impresionante lo que Throughput Inc. ha logrado con su aplicación ELI (me parece que en honor a Eli Goldratt).

Conclusión

Si me ofrecen un sistema para mejorar el pronóstico de la demanda para reponer en los puntos de venta, ya sé que es un sistema que opera con tiempos largos de reposición para cada SKU, por lo que no puedo esperar una gran mejora en rentabilidad. Sí habrá mejora, pero no muy grande.

En cambio, sin ningún sistema de pronóstico de demanda, pero con un sistema dinámico de ajuste de amortiguadores, con tiempos cortos de reposición, la mejora en rentabilidad será la misma o mejor que la del otro sistema, pero con menos esfuerzo y menos capital, y además se suma la liberación de restricciones para generar más margen todavía.

Matías Birrell Rodríguez

De profesión, ingeniero civil de industrias, con mención en mecánica, con un MBA en finanzas. Pero principalmente, experto en Teoría de Restricciones y autor de libros acerca de este tema, habiendo trabajado y aprendido directamente con el Dr. Goldratt en Goldratt Group. Adicionalmente es director de www.goldfish.cl, empresa que ofrece aplicaciones en la nube, simples y asequibles, para aplicar estos conceptos a las decisiones diarias. OTIF100 (manufactura), Fill Rate 100 (cadena de suministro).

¿Quieres optimizar tus procesos? Contáctame

La entrada ¿Inteligencia Artificial para mejorar pronósticos de la demanda? se publicó primero en Ingenieria Industrial Online.

En un artículo anterior, desarrollamos un modelo capaz de determinar la localización de una instalación (almacén), de acuerdo a un conjunto de ubicaciones existentes (clientes); estas ubicaciones tenían una ponderación determinada (peso, por ejemplo demanda), y basamos nuestro desarrollo en el algoritmo de Centro de Gravedad.

El valor agregado del modelo consistía en la integración de una capa de mapa de calor (para graficar la densidad), un proceso de geocodificación y el uso de un entorno geográfico real. El alcance de este modelo se encuentra determinado por la localización de una sola instalación (depósito, almacén, etc.), y en los casos en los que se requiera determinar múltiples localizaciones, el modelo no aplica.

La pregunta siguiente que nos hacemos es ¿Cómo determinar la localización de múltiples instalaciones? En realidad, hay muchas respuestas para este interrogante, y gran parte de ellas conducen a la agrupación geoespacial (Clustering).

¿Qué es la agrupación geoespacial (Clustering)?

La agrupación geoespacial es un método que se utiliza para asociar un conjunto de objetos espaciales en grupos denominados «clusters«. Los objetos que conforman cada grupo presentan un grado de similitud asociado a un atributo o varios atributos en particular.

El objetivo de la agrupación geoespacial, consiste en determinar una relación entre atributos espaciales (coordenadas, ubicación) y no espaciales (demanda, por ejemplo).

En la literatura encontraremos varios tipos de agrupación geoespacial, cada uno con un enfoque particular, y un campo de aplicación específico; entre los cuales podemos encontrar:

En nuestro caso, que pretendemos determinar la localización de varias instalaciones, considerando la ponderación y ubicación de los puntos existentes, requerimos de un modelo capaz de relacionar atributos espaciales (coordenadas) y no espaciales (peso de cada nodo). Que nos permita, primero agrupar los puntos dados (ubicaciones), y eventualmente, aplicar un algoritmo de Centro de Gravedad, para determinar localizaciones potenciales.

Para tales efectos, vamos a utilizar la agrupación de particiones, que se caracteriza, entre otras, por:

Vale la pena destacar que en cuanto a la agrupación de participaciones, en esta categoría encontraremos varios métodos de partición, y nosotros utilizaremos el método K-Means, un algoritmo de aprendizaje automático (Machine Learning) no supervisado. Para ello utilizaremos Python.

Para sintetizar, el objetivo de este artículo será el de emplear un algoritmo de aprendizaje automático capaz de agrupar nuestros nodos en clusters, de acuerdo a atributos espaciales (coordenadas) y no espaciales (ponderación); para luego, utilizar un algoritmo de Centro de Gravedad en cada clúster para determinar la localización de múltiples instalaciones (almacenes, depósitos, etc.).

En el desarrollo de este ejercicio emplearemos:

Para desarrollar estas herramientas, vamos a plantear un caso típico de localización de múltiples instalaciones a partir de la consideración de otros nodos (nodos de demanda, por ejemplo).

Caso de aplicación

El Departamento de Desarrollo Sostenible de la ciudad de Cali se encuentra implementando una estrategia piloto de recolección de aceite de cocina usado. Ha articulado este proyecto con una Universidad, la cual desarrolló 4 contenedores inteligentes (BIN’s) para la disposición del bioresiduo.

En investigaciones asociadas, la Universidad ha determinado que el reciclaje del aceite es un problema de densidad; esto quiere decir que es vital la ubicación de los contenedores (cobertura), para así mismo optimizar el proceso de disposición y recolección. El proyecto piloto piensa articular a las instituciones de educación como puntos potenciales de recolección. Por medio de las instituciones piensan socializar el programa con la comunidad. El primer reto del proyecto consiste en determinar la ubicación de los contenedores inteligentes (4 unidades). La información relacionada con las instituciones de educación que hacen parte del programa (ubicación geográfica / población estudiantil), se detalla a continuación:

Para tales efectos, desarrollaremos un modelo que apoye el análisis preliminar y la localización de los múltiples contenedores. También, que tenga la capacidad de predecir el grupo (clúster) al que pertenecería un nodo nuevo.

Paso 1: Crear el entorno de trabajo en Colaboratory

Lo primero que vamos a hacer consiste en crear un entorno de trabajo en Google Colaboratory, así que vayamos allá: Abrir cuaderno nuevo.

Verán que tienen un lienzo para programar el modelo, así que en este cuaderno podemos ir generando las líneas de código que explicaremos en los pasos siguientes.

Paso 2: Importar las librerías necesarias

Respecto a las librerías, en la introducción del artículo hicimos una descripción de la funcionalidad de cada una, veamos como importarlas en nuestro entorno:

#Importar las librerías necesarias
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

De esta manera, tenemos todo lo necesario para empezar a desarrollar nuestro código.

Paso 3: Importar los datos desde Excel

De acuerdo a las necesidades del modelo, podemos desarrollar un código que permita la entrada manual de la información, la captura de los datos desde entornos digitales (Internet, por ejemplo), o podemos, desde luego, alimentar nuestro modelo con información contenida en documentos externos, como es el caso de un archivo de Microsoft Excel.

Esta puede considerarse como una de las ventajas de utilizar Python, su capacidad de integrarse con cualquier fuente de datos. En nuestro caso, toda la información se encuentra contenida en un documento de Excel, el cual presenta el siguiente formato:

Ya veremos cómo, parte de estos datos son prescindibles y otros indispensables.

En Colaboratory, el siguiente fragmento permitirá cargar un archivo al entorno de ejecución:

from google.colab import files

uploaded = files.upload()

for fn in uploaded.keys():
  print('User uploaded file "{name}" with length {length} bytes'.format(
      name=fn, length=len(uploaded[fn])))

Al ejecutar este fragmento de código, se abrirá una ventana emergente del explorador que permitirá cargar nuestra base de datos, en nuestro caso el archivo tienen el nombre de cluster.xlsx.

La siguiente línea de código permitirá almacenar los datos contenidos en el documento en un Dataframe de nuestro entorno, dentro de la variable data.

#Leer el documento de Excel y almacenar los datos en la variable data
data = pd.read_excel('cluster.xlsx')

Podemos en cualquier momento confirmar si la carga de los datos se ha realizado correctamente, para eso imprimiremos las primeras cinco filas del  DataFrame:

data.head()

Al ejecutar esta instrucción tenemos la siguiente salida:

Paso 4: Graficar los puntos dados iniciales (Nodos)

Nuestros puntos iniciales, o las ubicaciones de partida son las instituciones de educación que nos otorga el planteamiento del problema.

Para graficar estos puntos utilizamos el sistema de coordenadas disponible: Latitud y Longitud. Así entonces, debemos extraer estos datos de la hoja de cálculo (DataFrame) que hemos importado al modelo; convertir estas coordenadas en una matriz bidimensional (Latitud y Longitud) y graficar los puntos:

#Graficar los nodos dados (ubicaciones)
Lat= data['Latitud']
Lon = data['Longitud']
Peso = data['Peso']
X = []
for i in range(len(data['Latitud'])):
    X.append(Lat[i])
    X.append(Lon[i])

X = np.array(X)

X = X.reshape(-1, 2,)


plt.scatter(Lat, Lon)
plt.show()

Al ejecutar este fragmento de código, tendremos:

Podemos apreciar cómo se encuentran dispersos los nodos iniciales, formando parte un mismo conjunto que es la población. Las coordenadas son latitud y longitud. Los nodos son, una vez más recordamos, las instituciones educativas, de acuerdo al caso de estudio.

Paso 5: Agrupar los nodos geoespacialmente mediante Machine Learning

Cuando mencionamos Machine Learning, a menudo la primera consideración que tenemos es de complejidad. Pues bien, muchos de los algoritmos que hemos utilizado durante décadas son en realidad de aprendizaje automático, como por ejemplo la regresión lineal. El algoritmo de K-Means que emplearemos de forma automatizada mediante Python, utiliza centroides que minimizan la inercia, o el criterio de suma de cuadrados de cada clúster:

Me pareció conveniente explicar un poco la teoría, pero vayamos a la práctica. Toda vez que tenemos los nodos del modelo, lo siguiente que debemos indicar es la cantidad de agrupaciones que queremos (clúster). Ya que el problema plantea la disposición de 4 contenedores, vamos a dividir la población de nodos en 4 conjuntos.

Luego, correremos el algoritmo K-Means, veamos cómo:

#Ejecutar el algoritmo KMeans
clusters = 4
KMean = KMeans(n_clusters=clusters)
KMean_g = KMean.fit_predict(X)
KMean.fit(X)

Lo siguiente que haremos será establecer los centroides de cada clúster, es decir, la ubicación de nuestros contendores. En primer lugar, el modelo nos dará las coordenadas. Utilizaremos la siguiente línea de código:

#Determinar los centroides de cada clúster
KMean.cluster_centers_

Al ejecutarla tendremos:

Estas son las coordenadas que indican el centro de cada uno de nuestros grupos de nodos. Y teóricamente ahí deberíamos disponer nuestros contenedores.

Paso 6: Graficar los clusters y los centroides (Localizaciones múltiples)

El siguiente paso consiste en graficar todas las coordenadas que ya tenemos: tantos los nodos iniciales, como los los centroides, o las localizaciones solución. Veamos cómo:

#Graficar todas las coordenadas (Puntos y centroides)
plt.scatter(X[:,0], X[:,1], c=KMean_g) #Puntos iniciales

#Centroides
plt.scatter(KMean.cluster_centers_[0][0], KMean.cluster_centers_[0][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[1][0], KMean.cluster_centers_[1][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[2][0], KMean.cluster_centers_[2][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[3][0], KMean.cluster_centers_[3][1], s=50, c='r')

Al ejecutar el fragmento tendremos:

Vemos cómo se han efectuado las agrupaciones de los nodos (colores), y los marcadores rojos indican los centroides. Este debería ser el final de nuestro desarrollo, sin embargo, no sé si lo han notado, siempre hemos hablado de centroides, nunca de centros de gravedad o centros de masa. Bien, no sé si también han identificado que en ningún momento hemos considerado el peso de cada nodo, en este caso la población estudiantil de cada institución.

¿Esto qué implica? Implica que hemos desarrollado un modelo que tiene exclusivamente consideraciones espaciales. De hecho, visualmente puede observarse cómo, básicamente los centroides se ubican en lo que podría considerarse el medio de cada clúster, sin ninguna consideración adicional aparente, por lo menos a la vista.

Pues bien, vamos a solucionarlo, para ello debemos retocar algunos de los pasos anteriores:

Paso 5 (Recargado): Agrupar los nodos geoespacialmente mediante Machine Learning (Considerando atributos espaciales y no espaciales)

Dentro de nuestro marco de datos (DataFrame) tenemos la información relacionada al peso de cada nodo (Población estudiantil). Pues bien, vamos a considerarla al ejecutar el algoritmo K-Means.

#Ejecutar el algoritmo KMeans (Considerando el peso de los nodos)
clusters = 4
KMean = KMeans(n_clusters=clusters)
KMean_g = KMean.fit_predict(X)
KMean.fit(X, sample_weight=Peso)

Lo siguiente que haremos será establecer los centroides de cada clúster, que ahora sí serán Centros de Gravedad; es decir, la ubicación de nuestros contendores. En primer lugar, el modelo nos dará las coordenadas. Utilizaremos la siguiente línea de código:

#Determinar los centroides de cada clúster
KMean.cluster_centers_

Al ejecutarla tendremos:

Los centroides han cambiado, ahora son centros de gravedad afectados por el peso de cada nodo. Es posible que incluso haya cambiado la agrupación de los nodos (composición de los clusters).

Paso 6 (Recargado): Graficar los clusters y los Centros de Gravedad (Localizaciones múltiples)

El siguiente paso consiste en graficar todas las coordenadas que ya tenemos: tantos los nodos iniciales, como los los Centros de Gravedad, o las localizaciones solución. Veamos cómo:

#Graficar todas las coordenadas (Puntos y centroides)
plt.scatter(X[:,0], X[:,1], c=KMean_g) #Puntos iniciales

#Centroides
plt.scatter(KMean.cluster_centers_[0][0], KMean.cluster_centers_[0][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[1][0], KMean.cluster_centers_[1][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[2][0], KMean.cluster_centers_[2][1], s=50, c='r')
plt.scatter(KMean.cluster_centers_[3][0], KMean.cluster_centers_[3][1], s=50, c='r')

Al ejecutar el fragmento tendremos:

El resultado respecto a los centroides es diferente. La consideración de un atributo no espacial, en este caso el peso de cada nodo (población estudiantil de cada institución educativa), ha incidido en la ubicación propuesta de las localizaciones solución. Y este debería ser el final de nuestro modelo.

Hemos logrado agrupar nuestros puntos iniciales en clusters, y luego hemos determinado los Centros de Gravedad de cada uno de los clusters.

Por último, veamos una característica de la librería K-Means Análisis predictivo de nodos en clusters, es decir, de acuerdo a unas coordenadas dadas, podemos estimar el grupo al que pertenecerá un nuevo nodo.

Paso 7: Predicción de clusters

En primer lugar ejecutaremos una línea que nos permite identificar a cada nodo dentro de un grupo. Ya que tenemos 4 grupos, estos se identificarán de la siguiente manera: 0, 1, 2, 3.

KMean.labels_

Al ejecutar esta línea tendremos:

Vemos como cada una de las 60 instituciones educativas (nodos), tienen un identificador de grupo dentro del modelo.

Ahor, dadas las coordenadas de un nuevo nodo, podemos predecir el grupo al cual pertenecerá:

sample_test=np.array([-3.433,-76.22])
second_test=sample_test.reshape(1, -1)
KMean.predict(second_test)

Al ejecutar este fragmento tendremos:

Es decir, el algoritmo predice que de acuerdo a las coordenada dadas, el nuevo nodo formaría parte del clúster 0.

Pudimos observar cómo varía el resultado dependiendo de la consideración de atributos netamente geoespaciales, y de atributos no espaciales, como la ponderación de cada nodo.

Integración con mapas de calor y entornos geográficos reales

Uno de los puntos negativos del modelo que acabamos de desarrollar es quizá que no nos permite visualizar gráficamente la densidad de los puntos. Si observamos las gráficas, todos los puntos parecen tener el mismo tamaño, y si bien esta no es una consideración para el funcionamiento del algoritmo; en el análisis preliminar quisiéramos tener esta herramienta. Otra consideración adicional sería la posibilidad de graficar todos nuestros puntos, y los centros de gravedad de cada (clúster) en un entorno geográfico real.

Pues bien, una de las ventajas fundamentales de Python consiste en que podemos integrar distintos desarrollos en nuestros modelos, tal es el caso del desarrollo que efectúanos en un artículo anterior (Mapas de calor y Entornos geográficos reales); de tal manera que podamos complementar nuestro modelo.

No vamos a profundizar en la librerías, ni en la definición de las variables, para eso recomendamos leer el artículo. Veamos entonces, como complementamos este modelo:

import folium
import statistics
from folium.plugins import HeatMap
mediaLong = statistics.mean(Lon)
mediaLat = statistics.mean(Lat)

# Crear un objeto de mapa base Map()
mapa = folium.Map(location=[mediaLat, mediaLong], zoom_start = 13)

# Crear una capa de mapa de calor
mapa_calor = HeatMap( list(zip(Lat, Lon, data["Peso"])),
                   min_opacity=0.2,
                   max_val=data["Peso"].max(),
                   radius=50, 
                   blur=50, 
                   max_zoom=1)

#Creamos el marcador de Centro de Gravedad
tooltip = 'Centro de gravedad'
folium.Marker([KMean.cluster_centers_[0][0], KMean.cluster_centers_[0][1]], popup="Centro", tooltip = tooltip).add_to(mapa)
folium.Marker([KMean.cluster_centers_[1][0], KMean.cluster_centers_[1][1]], popup="Centro", tooltip = tooltip).add_to(mapa)
folium.Marker([KMean.cluster_centers_[2][0], KMean.cluster_centers_[2][1]], popup="Centro", tooltip = tooltip).add_to(mapa)
folium.Marker([KMean.cluster_centers_[3][0], KMean.cluster_centers_[3][1]], popup="Centro", tooltip = tooltip).add_to(mapa)

# Adherimos la capa de mapa de calor al mapa principal
mapa_calor.add_to(mapa)
mapa

Al ejecutar este fragmento tendremos el siguiente resultado:

Ahora tenemos un modelo capaz de agrupar nuestros nodos en clusters de acuerdo a atributos geoespaciales; capaz de determinar los centros de gravedad de cada cluster de acuerdo a atributos no espaciales (en nuestro caso la población de los nodos); capaz de complementarse con una capa de visualización de mapa de calor que nos permite apreciar la densidad y todo esto puede visualizarse en un entorno geográfico real.

Consideraciones finales

Ya lo expresamos anteriormente, la base del algoritmo K-Means es la consideración y minimización de la inercia, y en espacios de muy altas dimensiones, las distancias suelen inflarse, ya que esta no es una medida normalizada.

Sin embargo, para los efectos que hemos empleado, el algoritmo suele arrojar resultados satisfactorios.

El código completo de este desarrollo lo puedes encontrar en nuestro cuaderno: Localización de varias instalaciones mediante agrupación geoespacial y Centro de Gravedad (Python).

La entrada Localización de varios almacenes mediante agrupación geoespacial se publicó primero en Ingenieria Industrial Online.

Los principales impulsores de lo que denominamos Industria 4.0 son sin duda la conectividad y el desarrollo vertiginoso de las tecnologías de la información. Uno de los principales factores que nos traen hasta aquí es la incorporación – cada vez mayor – de sensores. La capacidad de integrar sensores a casi cualquier dispositivo hace que también aumente la capacidad de recopilar y transmitir datos en tiempo real, para su posterior análisis. El avance de la tecnología de sensores, su diseño cada vez más compacto, sus precios cada vez más bajos, y su capacidad de integración cada vez mayor, hace que su aplicación trascienda del uso en sistemas de producción, e incluso podemos interactuar con ellos día a día en un entorno doméstico; a este fenómeno se le conoce como la Internet de las Cosas (IoT) y la Internet Industrial de las Cosas (IIoT).

¿Qué logramos a través de la Internet de las Cosas? ¿Cómo puede representar un factor de transformación digital? Básicamente, las proyecciones al año 2021 estiman que cerca de 4.000 millones de personas estén conectadas a Internet; y el siguiente paso implica que no solo las personas, sino las cosas, los procesos, las instalaciones o los negocios en general, puedan conectarse entre sí, formando una red de redes; en este caso, las proyecciones estiman que más de 50 billones de objetos estén conectados a lo que hoy conocemos como Internet (2021).

¿Qué evolución estamos viendo en este contexto? En este sentido, considero que estamos siendo testigos de la materialización de muchas de las ideas más disruptivas de los 90s y de los años 2000; tal es el caso de los gemelos digitales (digital twins).

¿Qué es un gemelo digital (digital twin)?

Un gemelo digital es una representación virtual computarizada de un objeto (entidad), una persona, un activo, sistema o un servicio físico. En esencia, un objeto físico transmite la información deseada la cual es procesada y proyectada en un entorno digital, esta información se actualiza periódicamente a través de los datos de sensores, a través de tecnologías de seguimiento, y en teoría, una mayor frecuencia de actualización y una mayor calidad de los datos, mejorará la precisión del modelo digital.

Los gemelos digitales pueden contener y rastrear el contexto histórico de los objetos digitalizados, y esto puede resultar útil para para probar, registrar, reparar determinados comportamientos de la entidad que se duplica digitalmente, e incluso predecir el comportamiento futuro de la misma. Uno de los principales atractivos de los gemelos digitales consiste en la posibilidad de conectar a un objeto físico para recopilar datos en tiempo real de este. El concepto ha existido desde los primeros días de la computación, pero se está volviendo cada vez más importante en el siglo XXI a medida que se desarrollan las tecnologías habilitadoras, como las tecnologías de seguimiento, Big Data y Cloud Computing.

En teoría, los gemelos digitales deberían funcionar exactamente como el objeto o el sistema del mundo real; para lograrlo, debe articular tres conceptos claves: el objeto (la entidad física), la conectividad entre el mundo físico y el mundo digital (mediante sensores, actuadores y controladores) y la simulación (el entorno 3D que sirve como interfaz entre los usuarios y el gemelo digital).

¿Cuáles son las aplicaciones de los gemelos digitales?

Una organización puede emplear un gemelo digital en múltiples contextos, por ejemplo, es posible obtener una representación virtual de un automóvil, de los ascensores de una unidad residencial, de las bahías de parqueo de un centro comercial, de una planta completa de producción, etc. En este sentido, los gemelos digitales tienen la capacidad potencial de proporcionar formas eficientes de probar cómo funciona cada unidad digitalizada, como un homólogo de la entidad en el mundo real.

Puede considerarse como una evolución de la simulación convencional, toda vez que los parámetros de cada entidad estarían recibiendo información posiblemente en tiempo real de acuerdo a la conectividad establecida: sensores, tecnologías de seguimiento y parámetros de medición.

Una de las principales aplicaciones de los gemelos digitales es la monitorización de productos en busca de fallas, antes de su salida al mercado; en este orden, sería posible predecir problemas, soportar la identificación de soluciones y probar escenarios a través de los entornos digitales.

El alcance de los gemelos digitales guarda directa relación con la naturaleza de los sensores y la capacidad de procesamiento de los datos, y su ámbito de aplicación dependerá del tipo de información que cada dispositivo pueda obtener y procesar de la entidad física. De acuerdo al desarrollo de la industria de sensores, de los procesadores y de la Big Data, los gemelos digitales tienen ámbitos ilimitados de aplicación: Producción, locaciones administrativas, logística, salud, energía, industria aeroespacial, etc.

¿Qué tecnología de seguimiento utilizan los gemelos digitales?

De acuerdo Michal Ukropec (Experto en gemelos digitales), elegir la mejor tecnología de seguimiento es complicado. Existen en el mercado tecnologías como: GPS, BLE, UWB, RFID, WiFi, IoT o cámaras, las cuales no son excluyentes, pero la elección del conjunto de tecnologías dependerá del contexto de aplicación.

Algunas consideraciones que comparte Michal:

Consideraciones al momento de implementar un gemelo digital

Consideremos, por ejemplo, la aplicación de un gemelo digital que represente toda la operación de una planta de producción. Los datos alrededor de la operación llegarán quizá en tiempo real, las líneas reportarán rendimientos, movimientos; las máquinas registrarán su grado de utilización, etc. Los datos que anteriormente estaban disponibles en lotes cada 8, 12, 24 horas, ahora estarán disponibles cada minuto. La pregunta que me surge es ¿Qué va a hacer con esa información? ¿La restricción de su proceso de toma de decisiones se ve limitada por la disponibilidad de información en tiempo real? No lo sé, pero es un interrogante que vale la pena formularse, y evocaré a Javier Arévalo (Goldratt Partner) quien hace poco me mencionaba: “Lo que usted no haga bien en papel y lápiz, difícilmente lo hará bien con tecnología”.

“Lo que usted no haga bien en papel y lápiz, difícilmente lo hará bien con tecnología”.

Es por eso que vale la pena plantearse si la disponibilidad de información en tiempo real de mi sistema (entidad, proceso, producto, etc.) es una necesidad que justifica un proyecto de implementación de gemelos digitales.

El conjunto de datos requerido para la construcción del gemelo digital de un sistema de producción 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.

¿Quieres probar demos de gemelos digitales?

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

La entrada ¿Qué son los gemelos digitales? Aplicaciones en la Industria se publicó primero en Ingenieria Industrial Online.

El primer reto consiste entonces en simplificar el concepto, y para ello podemos partir por plantearnos ¿Cómo llegamos hasta aquí?

Uno de los principales factores que nos traen hasta aquí es la incorporación – cada vez mayor – de sensores. La capacidad de integrar sensores a casi cualquier dispositivo hace que también aumente la capacidad de recopilar y transmitir datos en tiempo real, para su posterior análisis. El avance de la tecnología de sensores, su diseño cada vez más pequeño, sus precios cada vez más bajos, y su capacidad de integración cada vez mayor, hace que su aplicación trascienda del uso en sistemas de producción, e incluso podemos interactuar con ellos día a día en un entorno doméstico.

Tal como lo mencionamos, la proliferación de sensores está generando un gran volumen subyacente de datos. El avance en Big Data permite el tratamiento de dichos datos, para su análisis inclusive en tiempo real.

Una acumulación masiva y rápida de datos – y hasta aquí creo que ya se evidencia cierto grado de convergencia tecnológica – requiere de un gran almacenamiento y grandes avenidas digitales; la nube juega un rol central, ya que solo a través de ella tal realidad se puede realizar por completo; por lo que la computación en la nube (cloud computing) se convierte en una fuerza importante para impulsar el surgimiento de lo que denominamos Industria 4.0.

Hasta aquí quiero que se detenga y piense por un momento si lo que se ha descrito le ha ayudado a organizar la idea del concepto que tiene acerca de Industria 4.0 y las tecnologías impulsoras: Industria 4.0 se trata de un ecosistema holístico, la clave está en la integración.

Ahora echemos un vistazo al software. El software ha jugado durante décadas un rol central en nuestra vida. En primer lugar, la capacidad de transmitir desde cualquier sistema, hacia cualquier sistema dentro del software integrado, así como hacer que más sistemas sean interoperables (Recuerde, la clave está en la integración). En segundo lugar, el software permite el avance en las interfaces humano – computadora; no solo el tipo convencional de interfaces, sino que también puede fusionar objetos simulados con la realidad para que estos soporten los procesos de toma de decisiones. En tercer lugar, se trata de que la “inteligencia” de la máquina esté integrada dentro del software. Las comillas desde luego no son casualidad, a través del desarrollo conceptual de la Industria 4.0 encontraremos que gran parte del uso de la palabra “inteligencia” corresponde a una estrategia de mercadeo, y que cuando nos referimos a Cuarta Revolución Industrial, Industria 4.0, Manufactura Inteligente, Smart Manufacturing, Logística 4,0 o Smart Logistics; probablemente estemos abordando el mismo tema, eso sí, con seis certificaciones diferentes disponibles en el mercado. ¡Una calculadora es un dispositivo inteligente!

Le sugiero un segundo alto en el camino. Hasta ahora tenemos: Una generación masiva de datos, provenientes desde cualquier actor de la cadena de valor (objetos, personas, máquinas, etc); y software con mayor capacidad de procesamiento de información, software más “inteligente” (mejores algoritmos).

¿Y las personas?  Bueno, gracias al desarrollo exponencial de la informática móvil, las personas pueden gestionar, diseñar, verificar y monitorear casi cualquier configuración desde casi cualquier tipo de dispositivo, desde cualquier ubicación. Esto agrega mucha flexibilidad en términos de sincronización, y también impulsa muchas de las aplicaciones de la industria 4.0. Debo decir por experiencia que, conversando con algunas de las figuras más escépticas en cuanto a la concepción de Industria 4.0 como revolución; concluyo que no han logrado escapar del alcance de la hiperconexión. Una de las mayores fuerzas impulsoras de la Industria 4.0 llegó de la manera más surrealista posible: Pandemia global. Hoy por hoy, la mayor parte de los hogares están cada vez más conectados; las oficinas, locales comerciales y las sociedades mismas. Esta es un área temática de confort, cada cual puede elaborar su juicio con tan solo mirar a su alrededor; son cuestiones que seguramente ya han escuchado muchas veces; de hecho, les propongo un ejercicio breve: Piense por un momento en cuántos equipos tienen conectados a Internet desde su hogar; también piense por un momento si un reloj “inteligente” es en realidad un “reloj inteligente”.

La vigencia de este artículo, como nunca antes, tiene duración limitada. Al momento de escribirlo, los Sistemas Físicos Cibernéticos (CPS por sus siglas en inglés), son una novedad. Los CPS son el resultado de dotar a los componentes físicos existentes, de capacidad de computación y de comunicación, para convertirlos en objetos “inteligentes”. Las capacidades de entrenarse a partir de las interacciones con su entorno los diferencian del IoT y el IIoT (Internet de las Cosas e Internet Industrial de las Cosas). Aun así, hasta hoy, en la mayor parte de los casos, este entrenamiento autónomo le permite generar acciones rudimentarias (toma de decisiones), para reaccionar ante diferentes tipos de situaciones (lo que muchos denominarán: dispositivos cada vez más “inteligentes”).

Tenemos robots con capacidad de realizar gran cantidad de tareas: en el hogar, en el trabajo, en las fábricas; también tenemos, desde luego, automatizaciones de procesos mejoradas, que involucran, o no, robots; puede ser un proceso automático de análisis de datos, por ejemplo. Se trata de un ecosistema holístico, integrado, hiperconectado y veloz.

Pero entonces, ¿Qué es exactamente Industria 4.0? Bien, existen diversas escuelas de pensamiento en términos de definir qué es exactamente, pero, si lo que desea es jugar seguro, sería correcto decir que la aplicación de CPS en la manufactura y la logística; más el uso de IoT y de IoS (Internet de los Servicios) en los procesos de fabricación, son en realidad la consolidación de la Industria 4.0, todo lo demás es tecnología atomizada.

Si queremos definir a las principales características de Industria 4.0 en una sola palabra, quizá sea correcto utilizar Integración. Claro está, partiendo desde la base de un sistema hiperconectado: Integración del sistema total.

Ahora bien, puede surgir un próximo interrogante ¿Con qué objetivo queremos integración?  El mercado se aboca hacia la personalización, y en ese sentido, integrar las necesidades del cliente por medio de datos – de muchos datos – como un input de la organización, puede resultar ventajoso, puede representar velocidad de reacción sobre el entorno, puede representar crecimiento. Ahora bien, respecto a los datos quiero acotar: cada vez hay más datos, pero así mismo en estos datos cada vez hay más señales, y cada vez hay más ruido.

Las ventajas de la Industria 4.0 respecto a la conexión con el mercado son difícilmente refutables. Sin embargo, la aplicación efectiva de la Industria 4.0 sobre los sistemas de producción, es, por decirlo menos, en cada caso particular susceptible de análisis crítico; máxime cuando implica un proceso de transformación tecnológica (Inversión). La pregunta clave, en todos los casos será: ¿Qué tanto contribuye la tecnología a alcanzar la meta de la organización?

Si hay algo positivo de los procesos de transformación digital consiste en que nos obliga a mirar a las organizaciones como sistema; no existe forma alternativa de responder la pregunta anterior sin aplicar un enfoque holístico. Seguramente estos son planteamientos de Eliyahu Goldratt, sin embargo debo reconocer que los escuché de parte de Matías Birrell:  «Si la aplicación de la Industria 4.0 puede contribuir al mejoramiento del sistema, del objetivo del todo, del acercamiento a la meta; seguramente la implementación del grado adecuado de digitalización representará competitividad y crecimiento».

Por lo demás, y citaré a Javier Arévalo, Consultor de Goldratt, (pensador sistémico):

“El motivador para automatizar está basado en la mayoría de los casos en uno o varios supuestos erróneos. Primero, existe una concepción o entendimiento errado acerca de qué es ser productivos y cómo esto se materializa con los indicadores de desempeño locales y conectados al global de una manera eficaz. Hoy en día la mayoría de las empresas están cometiendo este error y lo pagan caro. Gastan más de lo que deben, tienen más inventario del necesario y su confiabilidad es mala. Para muestra un botón. Les hago referencia a la noticia generada por Tesla cuando Elon Musk, ante los continuos incumplimientos en las entregas de su modelo 3 y los problemas para cumplir las predicciones primero, las promesas segundo y las nuevas estimaciones, tercero, donde reconoce que su error fue pensar que se puede construir una planta totalmente automatizada. Eso significa con robots en todos lados y con sistemas de transporte y manejo del flujo. Es decir, totalmente acoplada”.

Ahora bien, quiero aclarar que este artículo no se trata de un manifiesto contra la Industria 4.0, todo lo contrario, es una invitación a asumir los procesos de transformación digital con pensamiento crítico.

Piense por un momento en la logística, esta parte del proceso de la Cadena de Suministros ha sido el eje de la aplicación tecnológica efectiva en la industria. Es difícil concebir una operación de consumo masivo sin el WMS adecuado; es complejo imaginarse la gestión del flujo de un Centro de Distribución sin una tecnología de apoyo como RFID. La geolocalización representa ventajas difícilmente cuestionables y el ERP, esta herramienta de registro transaccional se ha constituido en vital.

Sin embargo, así como la logística ha sido testigo del éxito de la aplicación efectiva de los desarrollos tecnológicos; también existe suficiente registro que evidencia las vicisitudes de los procesos de transformación digital. En logística sabemos de sobra que una misma solución de WMS ha triunfado y fracasado en tantas empresas como sea posible; que la tecnología no es magia, que no soluciona los problemas automáticamente, y que el éxito de un proceso de transformación digital depende más del enfoque, del proceso y de las personas que de la solución.

A continuación, les dejo algunos de los cuestionamientos que se plantea el profesor Eric Tsui de Hong Kong Polytechnic University, al rededor de la Industria 4.0:

¿Dónde identificamos y cómo identificamos la mejor forma de conectar a los humanos con las máquinas? ¿En qué forma? ¿En qué protocolo? ¿Tenemos las habilidades para hacerlo?

¿Cree que las organizaciones están completamente preparadas para enfrentarse a la industria 4.0? ¿Está la gente preparada para ello? ¿Qué pasa con la mentalidad de la gente? ¿Están preparados para afrontar todos estos retos? ¿Están dispuestos a asumir estos desafíos? ¿Tienen las habilidades, la mentalidad y la perspicacia para asumir esto?

La entrada ¿De qué se trata todo esto de Industria 4.0? se publicó primero en Ingenieria Industrial Online.

Quienes nos adentramos desde hace varios años en el mundo de la estimación de la demanda, hemos considerado a la regresión lineal, o al método de los mínimos cuadrados, como un modelo de pronóstico, no mucho más que eso.

Sabemos que nos permite hallar el valor esperado de una variable aleatoria a cuando b toma un valor específico. Entendemos que este método implica un supuesto de linealidad cuando la demanda presenta un comportamiento creciente o decreciente.

Es común que hagamos uso de una hoja de cálculo sobre la cual aplicamos las fórmulas de regresión, tal como lo detallamos en este artículo de introducción: regresión lineal.

Sin embargo, con los avances computacionales, con el incremento de la capacidad de procesamiento de información, con el crecimiento de las herramientas utilizadas en la ciencia de datos; con la consideración de términos como inteligencia artificial, machine learning, y muchos conceptos relacionados; podemos definir a la regresión lineal en este contexto: La regresión lineal es una técnica paramétrica de Machine Learning. Es un algoritmo supervisado.

En esta oportunidad, y teniendo en cuenta lo que venimos mencionando; utilizaremos Python, y una librería para aprendizaje automático: scikit-learn, para abordar modelos de regresión lineal. Las ventajas de Python como lenguaje que nos permita integrar diversas aplicaciones, fuentes de información, y posibilidades de modelamiento de datos a gran escala, son muchas. Por esta razón dejaremos esta herramienta a disposición.

Ejemplo de aplicación de Regresión lineal mediante Python

Importar librerías

Para llevar a cabo este ejercicio necesitaremos una serie de librerías, vamos a describir cada una de ellas:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.metrics import mean_squared_error, r2_score

Desde la librería sklearn importaremos las clases liner_model y mean_squared_error para obtener la regresión lineal por mínimos cuadrados y para evaluar la calidad de a regresión.

Crear la data de entrada

De acuerdo a nuestro ejemplo, los periodos los almacenaremos en una lista contenida en la variable x. Así mismo, los datos de la demanda los almacenaremos en una lista contenida en la variable y.

Crearemos una lista (z) con los períodos que queremos pronosticar, en este caso, las ventas para el periodo 7.

x = [1,2,3,4,5,6]
y = [7000,  9000, 5000, 11000, 10000, 13000]
z = [7]

#Convertimos las listas de entrada en matrices
x = np.array(x)
y = np.array(y)
z = np.array(z)

#Graficamos los datos de entrada
plt.scatter(x,y,label='data', color='blue')
plt.title('Distribución entre meses y demanda');

Las listas con los datos de entrada los convertiremos en matrices para procesar posteriormente la información. El modelo de aprendizaje automático trabaja a partir de matrices.

Por último, graficaremos la data de entrada. El resultado parcial de nuestro programa será:

Entrenar el modelo de regresión lineal

Crearemos una instancia de la clase LinearRegression con el nombre de regresion_lineal. A continuación, utilizaremos el método fit el cual ajusta el modelo lineal de acuerdo a los datos de entrada (x, y).

regresion_lineal = linear_model.LinearRegression()
regresion_lineal.fit(x.reshape(-1,1), y) 
# Imprimimos los parámetros que ha estimado la regresión lineal
print('\nParámetros del modelo de regresión')
print('b (Pendiente) = ' + str(regresion_lineal.coef_) + ', a (Punto de corte) = ' + str(regresion_lineal.intercept_))

Lo siguiente que haremos – y ya que el modelo de regresión se ha ajustado a los datos de entrada – será obtener los parámetros de regresión:

Hemos añadido algo de formato a los parámetros que mostrará el desarrollo. Veamos:

En este punto ya hemos obtenido a través del modelo entrenado, los parámetros de regresión del conjunto de datos.

Prediciendo datos a partir del modelo entrenado

Toda vez que el modelo ha obtenido los parámetros de regresión, podemos predecir datos utilizando el método predict.

En este caso, queremos pronosticar el valor de la demanda (y) para el periodo 7 (z).

pronostico = regresion_lineal.predict(z.reshape(-1,1))

print('\nPronósticos')
for i in range(len(z)):
print('Pronóstico para el periodo {0} = {1} '.format(z[i], pronostico[i]))

La matriz de las predicciones se almacenará en la variable pronostico. El método predict hará la tarea. Recordemos que los periodos a partir de los cuales queremos conocer la demanda se encuentran en la matriz z. Por ende, queremos predecir con base en los valores de z. Así:

pronostico = regresion_lineal.predict(z.reshape(-1,1))

Podríamos simplemente imprimir la variable pronostico, en cuyo caso obtendremos nuestras predicciones en forma de matriz. Sin embargo, hemos decidido utilizar un bucle que nos imprima línea por línea (útil en los casos en los cuales queramos ronostica más de un período). Veamos el resultado parcial de nuestro código:

Podemos observar que la estimación de la regresión lineal del modelo que acabamos de entrenar para x = 7 es y = 13066,66. Puede contrastar este resultado con el obtenido mediante hojas de cálculo: regresión lineal.

Evaluando la calidad de la regresión

Para evaluar la calidad del modelo de regresión desarrollado utilizaremos el error cuadrático medio y el coeficiente de determinación R². Ambos datos podemos obtenerlos de una manera muy sencilla mediante la librería empleada. Veamos:

pronostico_entrenamiento = regresion_lineal.predict(x.reshape(-1,1))
mse = mean_squared_error(y_true = y, y_pred = pronostico_entrenamiento)
rmse = np.sqrt(mse)
print('\nEvaluación de calidad de la regresión')
print('Error Cuadrático Medio (MSE) = ' + str(mse))
print('Raíz del Error Cuadrático Medio (RMSE) = ' + str(rmse))

r2 = regresion_lineal.score(x.reshape(-1,1), y)
print('Coeficiente de Determinación R2 = ' + str(r2))

Para tratar de simplificar lo anterior, podemos decir que en la práctica lo necesario es calcular el pronóstico para los valores en x conocidos como valores de entrada; dicho en otras palabras, el pronóstico para los valores en x  utilizados para entrenar el modelo. De esa manera el error cuadrático medio (método mean_squared_error) comparará el valor de los datos en y «reales» versus los valores en y «pronosticados» (Para los x conocidos – entrenamiento -).

Para hallar la raíz del error cuadrático básicamente usamos la función de Python sqrt que calcula la raíz cuadrada del argumento dado.

Para obtener el coeficiente R² utilizaremos el método score.

Imprimiremos los valores y obtendremos:

El coeficiente R² igual a 0,532 indica la existencia de una correlación pero nada fuerte.

Graficar la línea de la tendencia del modelo

Vamos a graficar la línea de la tendencia, para eso necesitamos los valores de entrada para x y la demanda pronosticada (dependiente). Utilizaremos plot de manera que la gráfica resultante sea una línea y dentro de los argumentos le daremos color rojo.

plt.plot(x,pronostico_entrenamiento,label='data', color='red')
plt.xlabel('Meses')
plt.ylabel('Demanda')

Además nombraremos los ejes del gráfico. Veamos:

Hasta aquí hemos logrado entrenar un modelo de regresión lineal; logramos obtener la predicción con base en el modelo entrenado. Logramos graficar los datos de entrada y la línea de tendencia. Del mismo modo logramos evaluar la calidad de la regresión mediante un par de indicadores.

Veamos ahora una pequeña variación: queremos obtener predicciones para diversos periodos. Lo único que necesitaremos es modificar la lista de entrada z. En esta lista contenemos los periodos que queremos pronosticar. Veamos lo que pasa cuando z = [7, 8, 9, 10].

Aquí apreciamos la utilidad del bucle que implementamos para imprimir los pronósticos línea por línea.

A continuación, dejamos a disposición el código completo del modelo de regresión:

rojo.

import numpy as np
import matplotlib.pyplot as plt 
from sklearn import linear_model
from sklearn.metrics import mean_squared_error, r2_score

#Inputs
x = np.array([1,2,3,4,5,6]) #periodo de entrenamiento
y = np.array([7000,  9000, 5000, 11000, 10000, 13000])
z = np.array([7, 8, 9, 10, 11, 12]) #Periodos que deseo pronosticar

plt.scatter(x,y,label='data', color='blue')
plt.title('Distribución entre meses y demanda');

regresion_lineal = linear_model.LinearRegression()
regresion_lineal.fit(x.reshape(-1,1), y) 
print('\nParámetros del modelo de regresión')
print('b (Pendiente) = ' + str(regresion_lineal.coef_) + ', a (Punto de corte) = ' + str(regresion_lineal.intercept_))

# vamos a predecir el periodo 7 (z = [7]
pronostico = regresion_lineal.predict(z.reshape(-1,1))

print('\nPronósticos')
for i in range(len(z)):
    print('Pronóstico para el periodo {0} = {1} '.format(z[i], pronostico[i]))

pronostico_entrenamiento = regresion_lineal.predict(x.reshape(-1,1))
mse = mean_squared_error(y_true = y, y_pred = pronostico_entrenamiento)
rmse = np.sqrt(mse)
print('\nEvaluación de calidad de la regresión')
print('Error Cuadrático Medio (MSE) = ' + str(mse))
print('Raíz del Error Cuadrático Medio (RMSE) = ' + str(rmse))

r2 = regresion_lineal.score(x.reshape(-1,1), y)
print('Coeficiente de Determinación R2 = ' + str(r2))

plt.plot(x,pronostico_entrenamiento,label='data', color='red')
plt.xlabel('Meses')
plt.ylabel('Demanda')

La entrada Regresión lineal en Python se publicó primero en Ingenieria Industrial Online.

La cuarta revolución industrial (comúnmente llamada Industria 4.0) es la tendencia actual hacia la automatización e intercambio de información en las tecnologías de manufactura. Desde el aumento en la velocidad hasta la mejora en la comunicación, la Industria 4.0 está transformando a nuestra sociedad rápidamente. Matt Carter, de item West, presentó las seis principales tendencias tecnológicas impulsando a la Industria 4.0 y cómo reclutar y entrenar personal en estos nuevos avances de la manufactura durante un seminario web con la revista Assembly Magazine.

¿Qué está impulsando a la Industria 4.0?

Hay seis tecnologías impulsando a la Industria 4.0: Automatización, el Internet de las Cosas, Plataformas Digitales, Impresión 3D, Realidad Aumentada (RA) y Realidad Virtual (RV) e intercambio de información en tecnologías de manufactura. Matt abordó cada tecnología y explicó la importancia de cada una en el mundo de la manufactura.

Automatización

La Automatización es la tendencia #1. Esta es simplemente los avances que vemos en la robótica. Desde movimientos más fluidos hasta mayor precisión, los robots están empezando a completar tareas cada vez más complejas que anteriormente sólo los humanos podían realizar. Muchas fábricas están empezando a usar robots colaborativos (llamados cobots) que trabajan junto con personas para asistir en tareas complejas. Estos cobots son capaces incluso de aprender tareas, lo cual es sólo el comienzo de la Inteligencia Artificial (IA). Los sistemas computacionales ahora son capaces de realizar tareas como percepción visual, reconocimiento de voz y toma de decisiones, todo gracias a los avances en la Inteligencia Artificial. En manufactura, la IA es usada principalmente para mejorar el control de calidad. Por ejemplo, Siemens utiliza IA en las plantas de acero para analizar los datos de operación para detectar anomalías y optimizar su planta.

Internet de las cosas

La segunda tendencia de la Industria 4.0 es el internet de las cosas. Lo que esto significa es que sensores en dispositivos recolectan información sobre el objeto y su ambiente y comparten esta información en el internet. El ejemplo más común es Fitbit y su habilidad para contar nuestros pasos o medir la frecuencia cardiaca y enviar esa información a nuestros teléfonos. Sin embargo, las aplicaciones industriales son aún más impresionantes. Desde medir 150,000 puntos de información por minuto en la locomotora de GE, hasta el uso de sensores por parte de Airbus para monitorear sus plantas, esta tendencia es una gran ventaja para la manufactura. Algunas de las mayores ventajas son el mantenimiento preventivo, la auto-optimización de producción y el manejo de inventario automatizado. Éste es un gran avance porque estos sensores recolectan la información y permiten monitorearla y actuar cuando sea necesario.

Plataformas digitales

La tendencia #3 son las plataformas digitales que le permiten al usuario compartir algo completamente en línea. Desde PayPal hasta Facebook, las plataformas digitales se han vuelto comunes en nuestra sociedad, pero los manufactureros están usando las plataformas digitales para colaborar con empleados, clientes, proveedores y socios. Un ejemplo es el Engineeringtool de item, un espacio de trabajo digital para completar proyectos de ingeniería directamente desde tu navegador. Con ingeniería basada en reglas, corrección de errores y funciones de arrastrar y soltar, es fácil posicionar perfiles y colocar automáticamente trabajo de maquinado y tornillos con precisión milimétrica. ¡Incluso puedes transferir proyectos a tu propio ambiente CAD! Es una forma más fácil de compartir tus diseños con colegas y socios alrededor del mundo.

Impresión 3D

La tendencia #4 es el proceso de creación de un objeto con una máquina adhiriendo material capa por capa, más comúnmente conocido como impresión 3D. La manufactura es en donde la impresión 3D, o Manufactura Aditiva (término industrial para impresión 3D), puede tener el mayor impacto comercial significativo. La Manufactura Aditiva (impresión 3D) ofrece múltiples ventajas, como prototipado eficiente, creación de piezas o productos completos bajo pedido, producción de nuevos diseños que no eran posibles con procesos tradicionales y reducción de desperdicio material. Por ejemplo, GE Aviation está trabajando en la impresión de partes de motor selectas. Nuevas posibilidades de diseño. Nuevas aplicaciones de materiales. Es una nueva frontera.

Realidad Virtual (RV) y Realidad Aumentada (RA)

La siguiente tendencia (tendencia #5) son la Realidad Virtual (RV) y Realidad Aumentada (RA). La Realidad Virtual (RV) es una simulación generada por computadora de una imagen o ambiente en 3D con el que una persona puede interactuar de una forma aparentemente real o física utilizando equipo electrónico especial, como un casco con una pantalla dentro, o guantes equipados con sensores. La Realidad Virtual es totalmente inmersiva, lo que se significa que cubre por completo el campo de visión y da la sensación de estar dentro del ambiente creado. La Realidad Aumentada (RA) es una tecnología que superpone una imagen generada por computadora en la visión del mundo real del usuario. Coloca gráficos sobre tu visión del mundo real. Ambas tecnologías son más que un videojuego o un truco; ofrecen instrucciones claras/ayuda para el montaje complejo, guía para el mantenimiento y soporte experto.

Toda esa tecnología ¿Qué es más importante?

Las personas. Ninguna empresa puede crecer sin buenas personas impulsando la compañía hacia adelante. Entonces, ¿Cómo encontrar y conservar personal experto en tecnología con todas estas innovaciones? Lo primero es reclutar. Los empleados más jóvenes de áreas tecnológicas suelen estar motivados por incentivos más allá del salario. Muchos buscan un empleo que brinde una sensación de realización personal, por lo que hay que establecer un vínculo claro entre el puesto y el propósito mayor de la empresa. Incluso puedes planear a largo plazo ofreciendo programas de mentores y pasantías remuneradas que impulsen a los estudiantes a seguir carreras en CTIM (o STEM por sus siglas en inglés). Sin embargo, las empresas no deberían enfocarse solamente en encontrar nuevo talento. Los empleados actuales conocen mejor el proceso y los puntos débiles, pero las empresas necesitan invertir en entrenamiento, asegurándose de que el entrenamiento sea atractivo y fácil de entender. Reclutar y entrenar personal son dos factores vitales en los cuales enfocarse mientras todas estas innovaciones se establecen.

Ninguna empresa puede crecer sin buenas personas impulsando la compañía hacia adelante

¿Cómo funciona el Engineeringtool de item?

¡Conozca más acerca de ergonomía y estaciones de trabajo!

La entrada ¡Los mayores retos a los que se enfrentan la manufactura y la distribución! se publicó primero en Ingenieria Industrial Online.

“Industria 4. 0”. A menudo, la gente asume que todo el mundo sabe exactamente de qué se trata, y lo mismo puede decirse de otros temas populares relacionados como el “Internet de las cosas”. Entonces, ¿Qué significa todo esto en realidad? ¿Cuáles son los principios en juego? ¿Qué tipo de papel tiene la gente en todo esto?

Para responder a estas preguntas, estamos considerando tres aspectos que creemos que son esenciales.

1. La Industria 4. 0 es el siguiente paso en un largo proceso de desarrollo

El término Industria 4. 0 fue inventado por primera vez en la feria de Hannover Messe en 2011. Proviene de una iniciativa del mismo nombre lanzada por el Gobierno Federal Alemán como parte de su amplia Estrategia de Alta Tecnología. Describe tanto la cuarta etapa del proceso de industrialización como un objetivo específico. Las anteriores revoluciones industriales han sido bien documentadas. Mientras que la primera revolución se inició con la mecanización (palabra clave: el telar), las dos siguientes fueron desencadenadas por la producción en masa y la integración de los ordenadores en el proceso de producción.

Entonces, ¿Cómo difiere la Industria 4.0 de la fase de industrialización que la precedió? En pocas palabras, se trata de una red entre el hombre y la máquina y entre diferentes máquinas. El objetivo clave es combinar dos principios que son en realidad opuestos, en sentido estricto: la fabricación en línea de producción y la fabricación a medida. También se conoce como personalización en masa.

2. Todos los caminos conducen a la fábrica inteligente

El concepto de una fábrica inteligente hace que la idea, bastante abstracta de la Industria 4.0, sea más fácil de entender. Aquí es donde entra en juego el Internet de las cosas, es decir, las partes no humanas que se comunican entre sí. Podría ser una planta que envía una señal de que necesita nuevo material y la fábrica inteligente automática e independientemente reenvía esta información. La comunicación entre estas “cosas” tiene lugar a través de Internet o de una nube. Todos los elementos involucrados están representados por un agente de software.

Esto resuelve el problema de que las piezas de trabajo no tienen la capacidad técnica de comunicarse por sí mismas. Otra esfera relacionada con la Internet de las cosas se refiere a los “sistemas ciberfísicos”, en los que la pieza de trabajo es el elemento físico y el agente informático el elemento digital. Los seres humanos pueden seguir interviniendo activamente, por ejemplo, utilizando dispositivos móviles para vigilar los procesos o modificar los parámetros individuales. Aunque algunas pequeñas y medianas empresas están preocupadas por la Industria 4. 0, esta ansiedad es infundada, ya que las plantas existentes no tienen que ser reemplazadas en la mayoría de los casos. A menudo, las plantas preexistentes pueden actualizarse con bastante facilidad para permitir la comunicación basada en la tecnología de la información.

3. La Industria 4.0 todavía necesita gente

Dadas las visiones de futuro que la Industria 4.0 promete cumplir, es comprensible que algunos puedan al principio temer por sus trabajos. Después de todo, hay un montón de películas de ciencia-ficción por ahí para apoyar esa visión. Sin embargo, aunque estos temores y otros similares son comprensibles, también son en última instancia injustificados. Por supuesto que no hace falta decir que la forma en que trabajamos cambiará en el futuro, pero la Industria 4.0 no se trata de reemplazar a la gente con máquinas inteligentes, al contrario, los trabajadores tendrán tareas más complejas que realizar.

Más que nunca, se pide a los empleados de las empresas industriales que adopten un enfoque interdisciplinario, tomen decisiones rápidamente por iniciativa propia y se adapten a procesos complejos.

¡Nadie tiene que temer a sus (futuros) colegas robóticos!

Industry 4.0 Webinar (Inglés – Subtitulado)

¡Conozca el mundo de soluciones de ITEM!

Item

Item es la empresa pionera en sistemas de construcción modular para aplicaciones industriales y líder en el mercado global. Lleva diseñando y comercializando soluciones de construcción para maquinaria, accesorios y plantas desde 1976. En la actualidad, la cartera de productos de item consta de más de 3.000 componentes de alta calidad, diseñados para uso en bases de máquinas, bancos de trabajo, soluciones de automatización y aplicaciones de producción lean.

La entrada ¿Qué es la Industria 4.0? se publicó primero en Ingenieria Industrial Online.

Para asegurar que la inteligencia artificial en la ingeniería apoye a las personas en su trabajo, se requiere un enfoque de diseño especial.

Dos factores son clave para el uso exitoso de la inteligencia artificial en combinación con otras nuevas tecnologías.

Estos dos factores se unen en uno de los tres nuevos campos de investigación del departamento de Desarrollo Organizacional del Laboratorio de Máquinas Herramientas e Ingeniería de Producción (WZL) de la Universidad RWTH de Aachen – «Inteligencia Aumentada». Los científicos están trabajando aquí junto con socios nacionales e internacionales de la investigación y la industria para encontrar soluciones de la IA para la producción que proporcionen un apoyo específico a la inteligencia humana. Para asegurar que estas soluciones para la inteligencia humana y artificial se desarrollen con un enfoque especial en las consideraciones prácticas, un laboratorio de investigación especial fue recientemente diseñado en forma de AIXLAB. Esto también se basa en el sistema ergonómico de mesas de trabajo de item.

Experimenta la innovadora IA de cerca en una sala de escape

El objetivo de AIXLAB es establecer un centro transdisciplinario para estudiantes, investigadores, desarrolladores y usuarios que entiendan el potencial de la inteligencia artificial para apoyar a las personas y quieran ayudar a darle forma. La «Sala de escape» del WZL – uno de los ganadores de 2018 del concurso universitario «Mundos de trabajo del futuro» organizado por el Ministerio Federal de Educación e Investigación de Alemania – constituyó la base del concepto de AIXLAB. La idea básica de la Sala de Escape era mostrar al personal de producción del futuro como prototipos.

Con este fin, se creó una mesa de trabajo industrial como ejemplo y se le complementó con tecnologías digitales que se habían desarrollado en el curso de proyectos de investigación. De acuerdo con la idea fundamental de las salas de escape, se encargó a pequeños grupos la tarea de resolver problemas prácticos relevantes para la calidad utilizando las tecnologías proporcionadas, para poder salir de la sala. “Este enfoque recreativo ha demostrado los beneficios y posibilidades de las tecnologías digitales a estudiantes de escuelas de formación profesional, estudiantes universitarios y representantes de empresas, entre otros«, dice el jefe del departamento.

Los humanos y la inteligencia artificial trabajando mano a mano

AIXLAB es el resultado del deseo del grupo de investigación de progresar en el uso centrado en el ser humano de la IA en la producción industrial. Cuando se trata del campo de investigación del departamento de Desarrollo Organizacional y su orientación temática extendida, las letras «IA» significan Inteligencia Aumentada. La reorientación del concepto original abarca dos aspectos clave que están representados en el nombre por la letra X:

Esto proporciona a la AIXLAB dos versiones extendidas de su nombre: «AIXPERIMENTATIONLAB» y «AIXPERIENCELAB».

El primer campo de prueba y demostración mostrado en AIXLAB representa un escenario de producción manual. Con la ayuda de item, se instalaron cuatro mesas de trabajo de montaje modular con iluminación ergonómica. La modularidad de las mesas de trabajo ofrece la base ideal para cumplir con la diversa gama de requisitos que implica la experimentación y la demostración. Como resultado, las mesas de trabajo pueden adaptarse con poco gasto, por ejemplo, para realizar estudios o probar nuevos hallazgos. El laboratorio de investigación para la colaboración entre los humanos y la inteligencia artificial está actualmente en construcción. El trabajo se ha retrasado debido a la pandemia de coronavirus.

La inteligencia humana y la artificial se adaptan de excelente manera

Después de haber sido construidas físicamente en un entorno de laboratorio, las soluciones basadas en la IA desarrolladas en los proyectos de investigación actuales se integran en el campo de pruebas y demostraciones existente. Un ejemplo de esto es el sistema de asistencia al montaje del proyecto de investigación AuQuA. Se está desarrollando, junto con científicos de la Universidad de Sao Paulo, un soporte fácil de usar para el ensamblaje manual. Esto se basa en guías de montaje basadas en la realidad aumentada que pueden ser generadas y optimizadas con la ayuda de algoritmos de aprendizaje de máquina.

Además, las tecnologías digitales existentes (como las aplicaciones de RA y RV y los tableros inteligentes de KPI) se adaptan al caso de uso de ensamblaje manual y se conectan en red de acuerdo con los principios del Internet de la producción.

¡Conozca el Sistema ergonómico de las mesas de trabajo de ITEM!

Item

Item es la empresa pionera en sistemas de construcción modular para aplicaciones industriales y líder en el mercado global. Lleva diseñando y comercializando soluciones de construcción para maquinaria, accesorios y plantas desde 1976. En la actualidad, la cartera de productos de item consta de más de 3.000 componentes de alta calidad, diseñados para uso en bases de máquinas, bancos de trabajo, soluciones de automatización y aplicaciones de producción lean.

La entrada Inteligencia humana y artificial combinadas se publicó primero en Ingenieria Industrial Online.