Pablo Medina (Corona): IA para la toma de decisiones en bodegas

Pablo Medina participó en la primera edición del curso ejecutivo sobre inteligencia artificial organizado por el MIT CTL y Mecalux. El gerente de Distribución de la multinacional Corona, especializada en la fabricación de productos para el hogar y la construcción, comparte su experiencia en el Massachusetts Institute of Technology.

• ¿Cuál fue su principal aprendizaje del curso ejecutivo en el MIT?

  Que la inteligencia artificial empieza por una decisión, no por una tecnología. Llegué pensando en algoritmos y salí haciéndome preguntas más sencillas: ¿qué decisión queremos mejorar?, ¿quién la toma?, ¿con qué frecuencia y cómo la medimos actualmente? Sin esa línea base, ningún proyecto piloto puede demostrar resultados.

  El segundo aprendizaje fue entender que el machine learning y la optimización son complementarios, no rivales. El curso mostró cinco niveles de integración, desde no utilizar IA hasta implementar modelos que toman todas las decisiones. Actualmente, la mayor parte del valor demostrado en las bodegas se concentra en los dos primeros niveles: el modelo predice y la herramienta de planificación sigue tomando las decisiones.

  La principal conclusión que me llevé es elegir el nivel más sencillo que resuelva el cuello de botella. Para una cadena integrada como la de Corona, esto cambia el enfoque: no se trata de cuánta IA implementamos, sino de determinar en qué decisiones aplicarla y con qué nivel de profundidad.

  

• ¿Qué ideas le resultaron más interesantes?

  Me resultó muy útil conocer aplicaciones reales de cada tipo de machine learning. Durante el curso analizamos cómo diferentes empresas han utilizado estos modelos en sus operaciones. Uber Freight, por ejemplo, utilizó el aprendizaje no supervisado, que identifica patrones en datos sin etiquetar, para identificar instalaciones mediante la agrupación de puntos GPS de camiones estacionados. También vimos casos de aprendizaje supervisado, que aprende a partir de datos etiquetados con las respuestas correctas, como los drones de IKEA que escanean etiquetas en las estanterías o el modelo de Zalando que reproduce el comportamiento de su algoritmo de enrutamiento para estimar recorridos en milisegundos. Otro ejemplo presentado fue el de Amazon, que utilizó el aprendizaje por refuerzo ─basado en evaluar diferentes decisiones en un entorno simulado─ para optimizar las compras de inventario.

  Entre los casos que analizamos durante el curso, el que más me llamó la atención fue el modelo supervisado desarrollado por el MIT CTL, que predice los tiempos de tránsito mediante rangos, en lugar de proporcionar un único valor. Un trayecto estimado de 10 días parece mejor que uno de 11, hasta que descubres que el primero puede variar más de dos días, mientras que el segundo apenas varía medio día. En Colombia, donde las condiciones geográficas y viales generan una gran variabilidad en el transporte, esa diferencia es clave para definir inventarios de seguridad, citas en los muelles de carga y turnos de trabajo.

  El caso de Amazon también me hizo reflexionar: su modelo para determinar qué cantidad comprar de cada producto proyectaba una reducción del inventario cercana al 23% en las simulaciones, pero finalmente la reducción fue del 12% en una prueba real de 26 semanas. Fue un buen resultado, pero la lección es medir los resultados antes de ampliar la implementación.

• ¿Hubo algo que le hiciera replantearse su visión sobre la IA?

  Lo que más me hizo replantear mi visión fue descubrir que la IA no es neutral. Un estudio del MIT reveló que un copiloto de IA generativa no solo mejoraba las decisiones, sino que también influía en la importancia que las personas atribuían al riesgo y a la rentabilidad al tomar decisiones. Por eso, el grado de autonomía debe definirse para cada tipo de decisión y asignar un responsable claramente definido.

  El machine learning y la optimización son complementarios, no rivales

• ¿El curso le ayudó a identificar nuevas oportunidades para la IA en su empresa? ¿Cómo aplicaría lo aprendido a un reto concreto de Corona?

  El curso me proporcionó un marco de trabajo para abordar un desafío que ya teníamos. En Corona desarrollamos junto con el MIT un modelo de optimización para el llenado de vehículos y la planificación de rutas, y aprendimos que el algoritmo es solo una parte de la solución. La otra consiste en garantizar que los usuarios puedan utilizarlo y que los datos de entrada sean confiables.

  El curso mostró cómo los agentes de IA pueden coordinar herramientas de optimización. Un agente supervisor recibe un objetivo, por ejemplo, despachar los pedidos del día siguiente. Un agente de datos consulta los sistemas y verifica la información, el optimizador elabora el plan y un agente de ejecución lo transforma en tareas y alertas. Las personas establecen objetivos y límites, autorizan excepciones y toman el control cuando surgen dudas.

  La clave es avanzar por etapas. Primero, datos confiables y un copiloto que explique el plan; después, mayor autonomía únicamente en procesos donde los errores tengan un bajo costo y sean reversibles. Lo plantearía como un proyecto piloto de 90 días en un centro de distribución: primero en paralelo con las operaciones actuales y después, de manera asistida, con criterios claros para continuar o detener el proyecto.

  Los beneficios en productividad se manifiestan en las tres etapas del proceso. En la etapa de entrada, los agentes validan pedidos, pesos, dimensiones, franjas horarias de entrega y flota disponible antes de ejecutar cada proceso. Así, el modelo de llenado (bin packing) y el de planificación de rutas (VRP) operan con información completa y se evita repetir los procesos. Durante el proceso, el planificador evalúa escenarios en minutos y se enfoca en gestionar las excepciones, en lugar de ajustar los planes manualmente. En la etapa de salida, un agente transforma el plan en secuencias de cargue, instrucciones y alertas, y registra cada desviación para corregir los datos antes de la siguiente ejecución. El resultado esperado es mayor aprovechamiento de la capacidad de los vehículos, menos viajes y kilómetros recorridos, menos tiempo dedicado a la planificación y planes que se ejecuten según lo previsto.

• ¿Qué fue lo que más valoró del intercambio de experiencias con directivos de otros sectores?

  

  Descubrir que los problemas son mucho más similares de lo que pensaba. En mi mesa había profesionales del sector retail, el sector manufacturero y la logística, y casi todos identificábamos las mismas dificultades: datos dispersos, decisiones tomadas de manera aislada y proyectos piloto que nunca llegan a implementarse en las operaciones.

  Esto refuerza una idea en la que se hizo énfasis durante el curso: los patrones pueden aplicarse en diferentes industrias. Un caso del transporte de carga o del comercio electrónico puede aportar aprendizajes valiosos a una empresa manufacturera como la nuestra si nos preguntamos en qué parte de nuestras operaciones se toman decisiones similares.

  También valoré la figura del “amigo crítico”. En los talleres, mis compañeros cuestionaron mis líneas base y los supuestos de partida con una franqueza que difícilmente se encuentra dentro de la misma empresa. También aprendí que, cuando varios equipos comparten un mismo supuesto sobre el riesgo, no se trata de un problema exclusivo de una empresa: es una brecha que afecta a toda la industria.

• ¿Qué le diría a un colega que estuviera considerando participar en un curso similar?

  Que asista, pero que no llegue con las manos vacías. Se aprovecha mucho más el curso si uno llega con una decisión concreta de sus operaciones, con un responsable y con algunos datos sobre cómo se desarrolla actualmente, aunque sean valores aproximados.

  También le diría que no espere recibir un curso de programación. El valor está en terminar el curso con una metodología para analizar problemas: cómo analizar un caso, cómo seleccionar el tipo de aprendizaje más adecuado, con qué grado de profundidad incorporarlo y cómo diseñar un proyecto piloto que conduzca a una decisión y no se quede en una simple demostración.

  Por último, que tenga en cuenta a las personas desde el principio. Desarrollar los modelos es la parte más sencilla; el verdadero desafío es conseguir que supervisores, equipos de TI y proveedores de software confíen en los resultados y los utilicen. Y que, al regresar, envíe la primera solicitud de datos durante esa misma semana, porque ahí es donde realmente comienza el proyecto piloto.