Optimización del algoritmo de ‘slotting’ con IA
“El algoritmo de optimización de ‘slotting’ mejorará la eficiencia en bodegas con alta demanda”
Sobre el proyecto de investigación
En bodegas con una alta rotación de productos, decidir dónde colocar cada artículo y cuándo trasladarlo puede marcar la diferencia entre la eficiencia y los cuellos de botella. El Intelligent Logistics Systems Lab del MIT y Mecalux están desarrollando un sistema de asignación de ubicaciones basado en IA para que las bodegas se adapten a los cambios en la demanda en tiempo real. Las investigadoras Selene Silvestri y Sarah Schaumann, del Center for Transportation and Logistics del MIT, explican cómo este proyecto conjunto ayudará a las empresas a optimizar sus operaciones, reducir costos y responder mejor a la volatilidad.
Mecalux entrevista a Selene Silvestri y Sarah Schaumann, investigadoras del MIT CTL, para conocer más sobre el proyecto que busca mejorar la eficiencia de los almacenes con una alta demanda.
-
¿En qué consiste el proyecto en el que están trabajando y cuál es su objetivo principal?
Selene Silvestri: Nuestro objetivo es mejorar la asignación de ubicaciones en la bodega. En pocas palabras, queremos comprender cuándo y dónde conviene reubicar los productos dentro de la bodega, debido a cambios en la demanda o en los parámetros operativos.
El sistema aprende de los datos, respalda la toma de decisiones y permite comprender claramente por qué los productos se asignan a determinadas ubicaciones y por qué se trasladan
-
¿Qué beneficios puede ofrecer este sistema basado en IA a las operaciones de la bodega?
Sarah Schaumann: La finalidad del algoritmo de optimización es reducir los costos de preparación de pedidos, reducir el tiempo de procesamiento de los pedidos y minimizar los recorridos de picking, tanto de las personas como de los robots. La tecnología que estamos desarrollando aprende de los datos, respalda la toma de decisiones y permite comprender claramente por qué los productos se asignan a determinadas ubicaciones y por qué se trasladan.
La adopción de técnicas de machine learning e IA generativa en el proyecto transformará la gestión y las operaciones de las bodegas. También influirá en la rentabilidad, ya que una asignación más inteligente de las ubicaciones aumenta la productividad, reduce los niveles de stock y mejora el retorno de la inversión.
-
¿Cómo ayuda el aprendizaje automático a optimizar la ubicación de productos en la bodega?
Nuestra idea es desarrollar un modelo híbrido que combine la investigación operativa con métodos de machine learning para aprovechar las ventajas de ambos enfoques Selene Silvestri: Una de las aplicaciones clave del aprendizaje automático es la agrupación de productos. Mediante el análisis de datos históricos de pedidos, las técnicas de machine learning pueden identificar qué grupos de referencias suelen solicitarse en un mismo pedido. Así, el algoritmo ubica los productos con alta afinidad próximos entre sí y reduce las distancias recorridas durante el picking. Además, el sistema tiene en cuenta posibles congestiones en la bodega: las decisiones de slotting que puedan generar concentraciones de operadores reciben una penalización para favorecer un flujo de trabajo más eficiente.
-
¿Cómo optimizarán la asignación de ubicaciones para estibas con inteligencia artificial?
Sarah Schaumann: Los métodos tradicionales no siempre se adaptan adecuadamente a los cambios, la estacionalidad y las variaciones en los pedidos. Nuestra idea es desarrollar un modelo híbrido que combine la investigación operativa con métodos de machine learning para aprovechar las ventajas de ambos enfoques. Estas técnicas permiten identificar patrones en los datos de la bodega que son difíciles de identificar con los métodos de optimización tradicionales. En resumen, el nuevo algoritmo de optimización de slotting mejorará la eficiencia operativa en bodegas con una alta demanda.