Aprendizaje automático: Soporte del cosmos de datos
La digitalización hace que el trabajo en la logística sea más fácil y eficiente. Los flujos de los bienes y datos fluyen juntos, creando calidad y transparencia en todos los pasos del proceso. DACHSER puede aplicar el aprendizaje automático para analizar y utilizar datos de las operaciones diarias, lo que abre nuevos horizontes para soluciones logísticas inteligentes que agregan valor.
“Los datos son el petróleo del siglo XXI”. Se dice que el matemático y científico de datos británico Clive Humby hizo esta analogía por primera vez en 2006 cuando desarrolló una tarjeta de fidelización. En ese momento, fue un reclamo visionario. Hoy, la visión de Humby se ha convertido en una realidad desde hace mucho tiempo, e incluso los políticos retoman la imagen una y otra vez cuando piden progreso. Y por una buena razón: todos los aspectos de nuestras vidas están integrados en un flujo de datos cada vez mayor que crece exponencialmente. Este flujo de datos es tan parte de nuestra realidad como el dar un vistazo rápido al celular, los chats con amigos y familiares o las videollamadas en los negocios.
Los datos se han convertido en un factor económico decisivo, y las empresas tecnológicas "Big Five" (Google, Apple, Facebook, Amazon y Microsoft) son los Rockefeller y los jeques petroleros del siglo XXI. Hace tiempo que han superado a las grandes petroleras como las empresas más valiosas del mundo.
Algunos observadores están preocupados por esta expansión del dominio de los datos; pintan imágenes sombrías de empresas que recogen nuestros datos y el rápido declive de la protección de datos y los derechos personales. Pero, en última instancia, los beneficios superan las reservas a medida que la vida se vuelve más fácil y menos complicada, ya sea en las interacciones en línea a través de fronteras nacionales y culturales o en la disponibilidad en tiempo real de contenido de noticias y conocimientos, música y literatura, y herramientas de navegación actualizada para evitar el tráfico y la congestión.
Impulsar la eficiencia con el análisis de datos
En los sectores de fabricación y servicios, los datos impulsan ganancias de eficiencia significativas. Por ejemplo, el análisis de datos permite monitorear mejor los procesos operativos, detectar y eliminar errores e ineficiencias en una etapa temprana y optimizar continuamente los procedimientos. En logística, los datos y el análisis de estos han sido durante mucho tiempo una parte integral de la gestión de mercancía y cadenas de suministro. Son la base de procesos logísticos fiables diseñados para la máxima transparencia, ya sea en la preparación de cargas, la planificación de rutas de transporte, la combinación de diferentes medios de transporte o el seguimiento de envíos, en definitiva, la gestión de toda la red.
“La importancia de la inteligencia artificial, el aprendizaje automático y la ciencia de datos para el transporte, la logística y la gestión de la cadena de suministro seguirá creciendo en los próximos años”.
DACHSER y sus redes globales ya han "aprendido" todo esto. Ya a mediados de la década de 1980, la empresa de logística desarrolló Domino, la piedra angular de su concepto para el procesamiento de datos de transporte de mercancías. El software cubre todos los procesos relacionados con el transporte de mercancías, no solo la salida y la entrada en la terminal de tránsito, o la importación y exportación, sino también la administración de pedidos, la programación del transporte, la facturación y, sobre todo, la información del envío: seguimiento y localización. Hoy, además de Domino, DACHSER tiene otros dos sistemas profundamente integrados: Mikado (almacén) y Othello (flete aéreo y marítimo), los cuales se expanden continuamente. El B2B Gateway sirve como plataforma de comunicación central para todos ellos. Mientras tanto, los clientes de DACHSER pueden administrar pedidos en línea utilizando el portal eLogistics. A esto se suma la herramienta de gestión de eventos de la cadena de suministro ActiveReport, que activa la alarma cuando surgen discrepancias en el proceso de envío. En resumen: DACHSER y sus clientes se sienten como en casa en el mundo de los datos y los utilizan para cumplir todos los días.
No puedes ir solo
Para aprovechar al máximo los beneficios de la digitalización y avanzar aún más en la madurez de la red, DACHSER está cultivando una fusión aún más profunda de TI y logística. “Aquí necesitamos expertos en transporte de carga y profesionales de la logística tanto como estadísticos, matemáticos e informáticos. No puedes llegar por tu cuenta: la única forma de desarrollar algoritmos inteligentes para la logística es asociándose con otros”, señala Stefan Hohm, Chief Development Officer (CDO) de DACHSER. Explica que este es un proceso continuo que no solo refleja el desarrollo tecnológico, sino que también ayuda a impulsarlo.
Desde principios de junio de 2021, DACHSER ha combinado la experiencia que ha adquirido en varios proyectos de investigación e innovación en su nuevo centro de competencia interno para ciencia de datos y aprendizaje automático.
“La importancia de la inteligencia artificial, el aprendizaje automático y la ciencia de datos para el transporte, la logística y la gestión de la cadena de suministro seguirá creciendo en los próximos años. Eso hace que sea crucial para DACHSER fortalecer aún más su experiencia en este importante campo y expandir su capacidad para implementar y operar aplicaciones de aprendizaje automático”, dice Hohm.
El trasfondo de esta combinación de conocimientos surge de las operaciones logísticas cotidianas. DACHSER produce grandes volúmenes de datos diariamente y esto forma la base para el desarrollo y uso de las nuevas tecnologías de IA. “Haremos un uso aún mejor de estos datos en el futuro y brindaremos a nuestros empleados una base aún mejor para la toma de decisiones”, dice Florian Zizler, líder del equipo de ciencia de datos y aprendizaje automático. Mencione "inteligencia artificial", sin embargo, y lo que viene a la mente no siempre es positivo. La gente piensa en máquinas incontrolables de "big data" con vida propia, en robots que reemplazan a los humanos y eventualmente los vuelven completamente superfluos en el mundo laboral. Ayuda aclarar primero algunos términos.
Predestinado al aprendizaje constante
El lógico, matemático, criptoanalista e informático británico Alan Turing (1912-1954), uno de los autores intelectuales de la tecnología informática y de la información moderna, hizo una propuesta pragmática para reducir el campo muy amplio de la IA: una máquina es inteligente si no puede determinarse si se está comunicando con una persona o con una computadora. Y el dramaturgo irlandés George Bernard Shaw (1856-1950) observó que la desventaja de la inteligencia es que estás continuamente obligado a aprender.
En inteligencia artificial, son los algoritmos los que aprenden (para aquellos que no son matemáticos, un algoritmo es una secuencia de instrucciones y operaciones computacionales dentro de un programa de software que se puede usar para resolver ciertos problemas). Y aquí es exactamente donde entra el aprendizaje automático como una subdisciplina de la IA. Al observar ejemplos, el sistema de IA aprende a reconocer patrones y regularidades en procesos y contextos para dominar situaciones desconocidas.
DACHSER desarrolló recientemente aplicaciones concretas de aprendizaje automático como parte del DACHSER Enterprise Lab junto con científicos del instituto Fraunhofer IML en Dortmund, Alemania. Una de esas aplicaciones es PAnDA One: Predictive Analytics DACHSER, donde "One" indica que es el primer proyecto de aprendizaje automático de la empresa.
El modelo PAnDA One se diseñó específicamente para pronosticar los volúmenes entrantes para una sucursal de Road Logistics. “Nuestro objetivo es proporcionar a los empleados de nuestras sucursales un apoyo valioso en las decisiones que deben tomar con respecto a la planificación de la capacidad estacional”, explica Thomas Schmalz, director de gestión de producción de DACHSER. Eso permite obtener capacidad de carga adecuada en el mercado en una etapa temprana, o planificar recursos en la terminal de tránsito. “Con ese fin, el modelo de pronóstico proporciona volúmenes entrantes apropiados con hasta 25 semanas de anticipación”.
El aprendizaje automático no es un fin en sí mismo, enfatiza Schmalz: "Queremos brindarles a nuestras sucursales una herramienta que, en última instancia, haga que su trabajo sea más fácil, más eficiente y también más atractivo". El objetivo de DACHSER no es reemplazar a las personas con cálculos e informática. “Vemos la TI, la tecnología, la red y las personas como una sola unidad: un sistema ciber-socio-físico. Así es como hacemos avanzar a nuestros clientes, y a nosotros mismos”.
La calidad de los datos lo es todo
El éxito del aprendizaje automático depende de la calidad de los datos de entrada. “Los datos en sí son más importantes que el algoritmo”, dice Schmalz. “Tenemos un grupo único que recibe datos consistentes con calidad estandarizada y asegurada”. DACHSER tiene una ventaja aquí debido a su panorama de sistema uniforme en logística europea y logística aérea y marítima y debido a la madurez de su red, que ha crecido durante décadas. “No hay demasiados en logística que puedan ofrecer eso”.
Tener buenos datos es una cosa, pero interpretarlos y usarlos es otra. “El aprendizaje automático es un esfuerzo de equipo. Los modelos exitosos solo son posibles cuando los expertos en procesos trabajan mano a mano con los expertos del Data Science & Machine Learning Competence Center. Nos necesitamos unos a otros”, dice Zizler.
El centro de competencia de DACHSER para la ciencia de datos y el aprendizaje automático conecta los mundos de la logística y la TI. “Estamos creando un espacio donde una amplia variedad de partes interesadas pueden reunirse y contribuir con su experiencia en la materia. El intercambio es inmediato y directo. En última instancia, se trata de usar datos para modelar procesos concretos”, dice Zizler. “Es una gran experiencia para todos abordar tareas muy específicas en un intercambio interdisciplinario y desarrollar soluciones útiles para la logística diaria a partir de ellas”.
Para PAnDA One, los expertos de DACHSER en el centro de competencia trabajaron con los diferentes departamentos para analizar exhaustivamente los procesos e identificar criterios para pronósticos confiables. “Nuestros datos se remontan a 2011. La atención se centra en los datos históricos de envío”, dice Zizler. “Complementamos este conjunto de datos con datos de calendario, como días festivos o vacaciones escolares. Esto permite que el modelo reconozca los patrones estacionales que son tan importantes en el transporte terrestre. Para anticiparnos mejor a las tendencias, también hemos integrado una amplia variedad de índices económicos”.
Sin embargo, la previsibilidad de los requisitos futuros y las necesidades de los clientes aún alcanza sus límites cuando las condiciones cambian debido a eventos imprevistos importantes. “Por supuesto, fue un desafío para los pronósticos hacer frente a las fluctuaciones de volumen volátiles, así como a la pandemia de coronavirus”, dice Zizler. Pero él y su equipo de expertos siguen siendo optimistas: "Pronto volveremos a tener nuestras previsiones con la alta calidad habitual".
Otro caso de uso específico es el proyecto de etiquetado B2X. El trabajo del algoritmo es mejorar la calidad de los datos y resolver un problema de clasificación de las operaciones cotidianas, es decir, determinar si el destinatario es una empresa (B2B) o un particular (B2C). Basándose únicamente en los datos del pedido, esta distinción no siempre es clara. Para los procesos logísticos, sin embargo, hace una diferencia considerable si el receptor es una empresa o un hogar privado.
En el aprendizaje automático, existe una distinción fundamental entre una fase de entrenamiento y una fase de aplicación. Durante el entrenamiento, se muestran datos de muestra al algoritmo para aprender cómo la entrada se transforma en la salida. Los datos de entrada para el proyecto B2X se centran en datos de pedidos, como datos geográficos. En la fase de aplicación posterior, el modelo entrenado utiliza las correlaciones aprendidas para generar una salida (B2B o B2C) en condiciones reales de funcionamiento a partir de nueva información. Este proyecto juega un papel vital en el aseguramiento de la calidad, no solo aumentando la calidad de los datos, sino también optimizando aún más los procesos en el manejo logístico.
El centro de competencia evalúa continuamente nuevas ideas y posibles casos de uso. Uno de ellos está en la optimización de procesos y la mejora de las condiciones ergonómicas de trabajo de los operadores logísticos en el manejo de carga. Aquí, los expertos en aprendizaje automático están probando un nuevo proceso para aumentar la calidad del proceso junto con la empresa emergente MotionMiners en cinco ubicaciones (informamos sobre esto en la revista DACHSER 2/2021).
La gama de aplicaciones para el aprendizaje automático es amplia. En el curso de su exploración, en los últimos años se ha desarrollado un ecosistema de código abierto robusto y dinámico. “El aprendizaje automático moldeará cada vez más el diverso panorama de procesos de DACHSER. Gracias a la disponibilidad de aplicaciones de código abierto, ya no tenemos que desarrollar todo nosotros mismos. El uso hábil de estos algoritmos nos permitirá aprovechar nuestro potencial de datos de manera aún más efectiva”, dice Zizler. Esta es una de las razones por las que DACHSER es miembro fundador de Open Logistics Foundation (más sobre esto en la página 30). Esta es, pues, otra diferencia con el petróleo de siglos pasados: los datos no se agotan. ¡Todo lo contrario, de hecho!. Una excelente base para el futuro.