‘Machine learning’ y logística: aplicaciones clave

Con cadenas de suministro cada vez más complejas y cambiantes, las aplicaciones del machine learning en logística se están revelando como una innovadora vía para la mejora de procesos, el incremento de la productividad y la competitividad. El machine learning o aprendizaje automático es una de las disciplinas que forman parte de la ciencia de la computación conocida como inteligencia artificial (IA).

El desarrollo de sistemas que usan machine learning está en plena expansión. En 2019, la inversión de las empresas en software de aprendizaje automático fue de 37.500 millones de dólares a nivel mundial. Para 2023, las previsiones de la International Data Corporation (IDC) apuntan que se multiplicará por 2,5, hasta llegar a los 97.900 millones de dólares. Pero, ¿en qué consiste esta tecnología?, ¿cómo se refleja esta tendencia en el sector logístico? Veámoslo en detalle.

¿Qué es el ‘machine learning’ o aprendizaje automático?

El machine learning o aprendizaje automático es un nuevo tipo de computación. A diferencia de la tradicional, donde se programan algoritmos estáticos, con machine learning se puede procesar un enorme volumen de información e identificar patrones. A partir de la repetición continua de este análisis, el propio algoritmo perfecciona su funcionamiento continuamente hasta obtener resultados cada vez más precisos.

El aprendizaje automático es una ciencia que requiere un período de experimentación previo para poder aplicarla de manera práctica y sacarle partido. Por ello, es necesario elegir correctamente el algoritmo de machine learning en cada caso y también contar con gran cantidad de datos de calidad para nutrir y entrenar al sistema.

En la actualidad, la mayor parte de software con machine learning se está desarrollando con el lenguaje de programación Python. De hecho, Python no deja de escalar posiciones en el índice TIOBE y ya ocupa el tercer lugar en esta clasificación de los lenguajes más usados globalmente.

¿Para qué sirve el ‘machine learning’?

El machine learning hace posible que las máquinas interpreten correctamente datos externos, aprendan de ellos y usen este conocimiento para tomar decisiones y acciones concretas por sí mismas sin necesidad de intervención humana.

Puede aplicarse en sectores muy diversos como las finanzas, la sanidad, el marketing digital y, por supuesto, en el ámbito industrial y en la gestión de la cadena de suministro. Tanto es así que esta tecnología está impulsando los cambios promovidos por la industria 4.0 y la logística 4.0.

Tipos de algoritmos de ‘machine learning’

En función de los cálculos que realizan y de la naturaleza de la tarea que tienen que resolver, existen distintos tipos de algoritmos de aprendizaje:

• Aprendizaje supervisado: es el tipo de machine learning más extendido. Estos algoritmos funcionan con datos de entrada y de salida ya clasificados de antemano. Por ejemplo, si se está buscando que pueda distinguir entre imágenes de peras y manzanas, el desarrollador señalará en qué fotos aparece una pera y en cuáles una manzana. Tras analizar miles de fotos, el algoritmo aprenderá a diferenciarlas.
• Aprendizaje no supervisado: este tipo de algoritmo de machine learning no cuenta con el etiquetado previo de los datos de entrada ni de salida. Es el propio sistema el que tiene que analizar todo el conjunto de datos y tratar de detectar patrones basándose en similitudes para etiquetarlos sin la ayuda de una persona.
• Aprendizaje por refuerzo: se sitúa en un terreno intermedio entre los anteriores. En este caso, el algoritmo aprende a base de ensayo-error y ajusta sus acciones de forma dinámica en función del feedback que recibe del mundo exterior.

En este contexto, es común encontrar también el concepto de deep learning. Se trata de un subcampo dentro del machine learning cuya principal ventaja es dotar a los algoritmos de capacidad para resolver funciones más complejas con menos cantidad de datos. Es un modelo que utiliza redes neuronales para procesar datos estructurados dotados de millones de parámetros.

Aplicaciones y ejemplos de ‘machine learning’ en logística

Según la 2020 Global AI Survey de Mckinsey, la adopción de tecnologías dotadas de inteligencia artificial en el sector de la logística ha aumentado un 64% frente al año anterior y ya ocupa el cuarto lugar tras la electrónica, el sector automovilístico y las telecomunicaciones. No obstante, el uso de aplicaciones con machine learning en la gestión de procesos logísticos aún es limitado, puesto que se trata de una tecnología en pleno desarrollo.

De todos modos, hay algunos campos dentro de la logística en los que el machine learning está marcando la diferencia en pos de lograr una mayor rentabilidad y eficiencia:

- Cálculo más preciso de los pronósticos de demanda

La previsión de la demanda o demand forecasting es un campo en el que el aprendizaje automático está cada vez más presente. Los algoritmos de machine learning usan modelos estadísticos para analizar y detectar patrones en el histórico de ventas de la empresa. Así, pueden identificar las señales que preceden a una caída o un repunte en la demanda, lo que posibilita ajustar la compra de inventario.

La gran oportunidad para el machine learning en este ámbito es crear modelos dinámicos que no solo infieran patrones de un histórico propio, sino que consigan evolucionar a medida que se van incorporando nuevas variables provenientes de otras fuentes de datos.

- Mantenimiento preventivo avanzado de la maquinaria

El avance del machine learning no puede disociarse de las mejoras que se están produciendo en el ámbito del hardware. Esto permite que, por un lado, se pueda recoger un mayor volumen de datos con sensores y dispositivos IoT integrados en las máquinas y, por otro, que esta información se pueda procesar con ordenadores cada vez más potentes.

Gracias a esta mayor disponibilidad de datos para su análisis, el machine learning es de gran utilidad para el mantenimiento preventivo de la maquinaria. En este sentido, el software dotado de aprendizaje automático identifica las señales que van ligadas a un fallo o avería y avisa con antelación evitando que la máquina se estropee.

- Optimización inteligente de las rutas de transporte

Las nuevas exigencias de los clientes como, por ejemplo, las entregas en franjas horarias, la recogida personalizada de paquetes (generalmente como parte de la logística inversa) o los envíos en 24 horas o en el mismo día están complicando el transporte de última milla. Cada vez hay menos tiempo para organizar las rutas y más factores que tener en cuenta.

El software con machine learning aporta diferentes ventajas en este ámbito. Por ejemplo, asiste en el cálculo de estimaciones sobre la hora de llegada mejorando la trazabilidad de los paquetes. También puede procesar un mayor número de flujos de datos de terceros para así hallar la ruta más rápida en tiempo real o prevenir retrasos e interrupciones.

- Reconocimiento espacial y de voz en el almacén

El software con IA se sirve de los distintos tipos de aprendizajes automáticos para conseguir modelos que repliquen el funcionamiento de los sentidos humanos. Los sistemas de visión artificial, la navegación inteligente o el reconocimiento de voz usan machine learning para perfeccionar su grado de precisión.

El machine learning forma parte de sistemas cada vez más implantados en almacenes automáticos. Por ejemplo, los robots móviles son capaces de detectar los obstáculos que se encuentran en el camino y reaccionar de forma autónoma. Otra aplicación del aprendizaje automático se halla en los dispositivos de picking por voz, que lo utilizan para reconocer los comandos de los operarios cuando interactúan con el sistema.

- Gestión del stock mejorada con ‘machine learning’

El cálculo de los puntos de pedido es un elemento fundamental de una gestión de stock optimizada: unos stocks de seguridad demasiado altos elevan los costes y, si son demasiado bajos, existe un mayor riesgo de caer en roturas de stock. ¿Cómo lograr el equilibrio? Hasta ahora las ecuaciones que se emplean presuponen que el comportamiento de ciertas variables se mantiene estable, algo que no se ajusta a lo que ocurre en realidad.

En consecuencia, el machine learning sirve para analizar los datos sin dar nada por sentado. Al cambiar los parámetros del cálculo continuamente (demanda, lead time, stock disponible, costes…), los algoritmos ajustan su funcionamiento de manera automática y, tras repetir los cálculos una y otra vez, muestran nuevos patrones que contribuyen a la optimización del stock.

‘Machine learning’ en logística, una herramienta más para la toma de decisiones

Hasta hace poco, lograr una mayor rentabilidad en logística pasaba por crecer en volumen y aprovechar las economías de escala para ahorrar costes. En la actualidad, ya no es suficiente: ahora es necesario tomar mejores decisiones y más rápidamente.

La implantación de sistemas automáticos y de software logístico está generando una cantidad de datos masiva de gran valor para el entrenamiento de los algoritmos que emplean aprendizaje automático. Se trata de un escenario propicio para el desarrollo de aplicaciones de machine learning en logística, que ganará en precisión conforme aumenten los datos recabados.

Hasta que esta tecnología alcance esa madurez, algunas empresas ya están aprovechando el potencial de los datos gracias a la instalación de sistemas de gestión del almacén como Easy WMS y módulos para el procesamiento de datos como Supply Chain Analytics Software. Si quieres conocer más sobre estos sistemas, te invitamos a que contactes con nosotros y uno de nuestros especialistas te explicará las ventajas de su uso para la gestión del almacén.