 Hola a todos. Buenos días. Buenas tardes. Comunicé que estén. Muchas gracias por estar con nosotros del diodes. Es un placer. Estamos realmente muy entusiasmados de compartir el aporte de muchos centros de la red global de MIT. Vamos a hablar de la cadena de suministro basada en inteligencia artificial. Voy a mostrar mi pantalla para que podamos contar un poco más sobre esto. Espero que puedan ver mis diapositivas. Pueden. Gracias. Hoy nuevamente tenemos un fantástico grupo de panelistas. Hoy vamos a hablar de las últimas investigaciones sobre el uso de inteligencia artificial en la gestión de la cadena de suministro. Queríamos enfatizar que hay aplicaciones aplicativos que son una realidad hoy en día en la supresión de la cadena de suministro. Quiero presentarles a los panelistas que vamos a tener hoy. Vamos a comenzar con Yacell Costa. Yacell Costa es ingeniero industrial de la Universidad de Matandreo y tiene un doctorado de una prestigiosa institución alemana. No puedo pronunciar el nombre. Sus intereses en cuanto a la investigación con una variedad de tópicos en el diseño de cadena de suministro, operaciones disponibles, ciclos verdes, etcétera. También es director del Centro Logístico de Zaragoza. Es el primer centro que creó lo que es el núcleo del centro de la red de MIT. Siguiente panelista. A ver si lo traducido bien es Yacell. Así es, asisten a la profesora Junta del Centro de Gestión de Logística y Cadena de Suministro de la Universidad de Luxemburgo. Se concentra en su investigación en la optimización. Explícate específicamente en la distribución de recursos. Es más muy interesante. Tiene un doctorado de la Universidad Politécnica de Los Angeles. Me presento también. Yo soy María Jesús Sainz. Soy directora del laboratorio de transformación digital de cadena de suministro de MIT. También directora ejecutiva de programa de maestría para gestión de cadenas suministros de MIT. He estado trabajando en redes a nivel global desde el 2003. Estuve en el centro también de Zaragoza. Conozco muy bien esta red global y estoy muy orgullosa de lo que estamos haciendo con la cadena de suministro. Antes de comenzar permítame decirles qué es lo que es esta red scale de MIT global. Somos una serie de centros de todo el mundo aquí en Zaragoza, Luxemburgo. Tenemos un centro en China también. Tenemos CNI de Colombia que es una red de universidad de instituciones en toda Latinoamérica. Acá tenemos algunas cifras. Tenemos más de diez programas educativos, maestrías, certificados, más de 80 investigadores y profesores de todo el mundo trabajando en la variedad de tópicos. Todos trabajando en logísticas y cadenas de suministro. Nuestra característica principal es que todos nosotros hacemos investigación aplicada. Queremos compartirles el futuro de la cadena de suministro. Por eso trabajamos con más de 150 alianzas corporativas. Todos los años tenemos más de 200 estudiantes y tenemos un grupo de ex alumnos de más de 1000 ex alumnos en todo el mundo. Vienen a MIT todos los años aquí en Iro. Antes de comenzar, quería enfatizar que tenemos muchos diferentes eventos. El día de hoy tendremos al doctor Christopher Mejia hablando del diseño cadena de suministro social y cómo para como asistir, por ejemplo, a cadenas de comunidades. Pero vamos primero. También tenemos el centro de eventos de C.T.L. Tenemos el evento anual del C.T.L. Por favor, vayan registres y vamos a compartir estas ideas con todos ustedes. Compartiendo eventos y oportunidades. Tenemos una hora. Necesitamos seguir el reloj de cerca. Esta es la dinámica de este termo. Reves de presentaciones, luego hasta tres estudios de caso. Queremos que sea muy accionable, muy orientado a la acción. Queremos hablar de cómo DEL está liderando la cadena de suministro realizando inteligencia artificial en una cantidad de tópicos, especialmente en la planificación de punta a punta. Luego tendremos al doctor Jacell Costa del Centro Logítico Zaragoza, que va a hablar de la inteligencia artificial bio inspirada, la organización de las rutas de suministro de Samsung. El tercer estudio de caso. Es el de Jelco Siggit en cuanto a las decisiones basadas en datos o inteligencia artificial. Es sin centros, pero también son dos palabras claves. Y luego tendremos una conversión con el panel con el público. No ustedes vamos a tener sus preguntas. Se por favor pongan sus preguntas y preguntas y respuestas sobre el chat. Vamos a verlas para traer las preguntas a los paneles. Teníamos en los últimos 25 minutos. Queremos tener tiempo para tener una conversación con ustedes y por eso tentamos breve las presentaciones. Comencemos. Hace unos años aquí en el TV, en unos 60 investigadores nos sentamos con las dos horas para hablar de lo que es la inteligencia artificial, que es lo que entendemos por inteligencia artificial. Y lo bonito de esto es que no nos podíamos poner de acuerdo, no hubo ningún consenso de una definición de inteligencia artificial. Y esto se entiende porque primero inteligencia artificial puede ser entendido como una aspiración. Es lo que puede ser. Es importante que cualquier aplicación de inteligencia artificial que hagamos, queremos definir por adelantado qué es lo que interpretamos. Y es por eso que decidimos ver qué tipo de definición de inteligencia artificial, qué tipo de punto focal ponemos en estas tres aplicaciones que le vamos a mostrar. Y esto podría ser, bueno, ver cuáles entendimiento que tenemos de inteligencia artificial para el webinario de hoy. Seguro que tienen otras definiciones, pero no queremos traer una definición. Porque esta aplicación está amplia. Zoom está ayudando con esto, por favor. Esto es fantástico. Entonces se visitan una sola definición amplia. Y ese es el propósito de este webinario. Podemos definir la habilidad de una máquina, un algoritmo, una tecnología para realizar funciones cognitivas asociadas con la mente humana. Es como percibir, aprender. Y enfatizamos a aprender porque en los tres vamos a enfatizar cómo inteligencia artificial está ayudándonos a aprender. Cómo esta aplicación está aplicando. Cómo interactuar con el entorno, resolver problemas y integrar productos. Quiero ser breve para tener un webinario muy ágil. Comencemos con lo que entendemos por transformación de la cadena de su información digital de una cadena de su ministro en base a inteligencia artificial. Esto es mucho más complejo, es simplemente renovar la tecnología o un algoritmo o traducir procesos, sus algoritmos es mucho más que esto. Y luego vamos a ver el caso del del. Comencemos. Esta es la definición. Aquí en la laboratorio de transformación digital de cadena de su ministro estamos utilizando. Especialmente de transformación. Especialmente de esta transformación. Una aplicación de IA como tecnología. Puede ser algoritmos. Puede ser robots o robots pasados en algoritmos. Y utilizamos los datos para transicionar. Esto a la cadena de su ministro. Si tuviera que usar palabras clave. Bueno, valor. El valor es algo que nos puede ayudar la inteligencia artificial a descubrir. Y luego las cadenas de su ministro de fin a fin punto a punto entuendo. Lo que hemos observado en estas compañías es que hay diferentes retos y dificultades para aplicar inteligencia artificial en particular cuando es en tu en. Es mucho más complejo y primero observamos el reto del efecto Frankenstein. O sea, tenemos diferentes componentes de IA. Y. Típicamente, por ejemplo, en la entrega, en la programática, son partes aisladas o que hay que pulir y pulir. Hasta puedo tener una visión más coherente de inteligencia artificial. Y esto es un proyecto largo. No sé qué ocurre en meses. Les voy a decir lo que está haciendo del. En esto del trabaja con este tipo de enfoque. Lo he hecho por ya cinco años, trabajando en la correcta misión. No solamente el efecto Frankenstein, pero están otros problemas. Está el tecnocentrismo que cuando una compañía se concentra demasiado en la tecnología. Todo basa en la tecnología. Traducamos la manera de optimizar mis costos en entregas. Por ejemplo, en las vigas, bueno, basado en el último mes y eso está mal porque la última milla, por lo tanto, ¿Cómo queremos hacerlo? Se ha equivocado que queremos ver cómo hacerlo. Tenemos esta visión futura, un algoritmo de información futura en vez de decirles de traducir lo que están haciendo en este momento. Entonces, la tecnología puede ser más eficiente, pero el punto focal no es tecnología, sino cómo ver este proyecto o procesos de entrega de la última milla y cómo me puede ayudar la tecnología. Es una visión completamente diferente y también la escalabilidad, la falta de escalabilidad. Las compañías ahora están haciendo prototipos de aplicación de inteligencia artificial, pero típicamente esto ha basado en con gente muy motivada con datos muy limpios, muy disponibles y granulares. Pero cuando vamos a la realidad, todos estos componentes no son tan fácil de conseguir. Por eso es que es importante que las compañías tengan la capacidad de llevar a escala, de poder hacer prototipos, luego llevar el prototipo a escala, a más regiones, a más procesos, a más escues. Entonces, la falta de escalabilidad es un problema y lo hemos visto en las compañías más éxitos, especialmente con inteligencia artificial. Está cómodos explorando y llevando esto a escala. Hablemos de Dell. Dell. Estaban trabajando, comentaron con la transformación de la digital de la Universidad de Subministro en el 2017. Se preguntaron qué podía hacer la tecnología. Por eso se hicieron cubrir qué deberían concentrarse en su visión, en su estrategia y en sus expectativas de desempeño. Y desarrollaron estas cinco experiencias. Concentramos en esta. Asumir el compromiso correcto. Déjenme explicar cómo desplegaron inteligencia artificial y cómo conectaron lideradas de visión, estrategia con desempeño, como puntos, anclas para poder llevar a escala inteligencia artificial. Y esa es la idea. Asumir el compromiso correcto, que era en este momento poner el compromiso como la estrella del norte en esta visión. Con un cliente, por ejemplo, 100 laptop para un minorista. Podemos entregarlas en cuatro días. Bueno, esto es un compromiso que se establece por adelantado. Luego pueden monitorear el compromiso y después del hecho de hacerlo pueden ver monitorear qué está pasando. Pueden estar mirando al futuro, analizando con inteligencia. Por ejemplo, el análisis de causa raíz. Esto se hace antes del pedido, antes de la orden, durante la orden y después de la orden o pedido. Especialmente ver cuál es el desempeño aspirado de este compromiso. Esto es muy, muy, muy potente. Inteligencia artificial, esto es como se ve, es muy interesante cómo mide el desempeño tanto de la compañía, como está impactando inteligencia artificial en el negocio y segundo, cómo esto está llevando a escala, cómo está expandiendo el alcance y efecto de inteligencia artificial. Primero, identificación de valor. En este caso, compromiso. Es la estrella del norte, la meta, la expectativa de valor es el compromiso, que es medir y cuantificar el compromiso con inteligencia artificial. También querían cuantificar este compromiso con indicadores clave de desempeño, KPI, en inglés, y querían desarrestar el KPI de punto a punto de extremo, extremo o end-to-end. Este es el logístico, cuál es el porcentaje de tiempo que quedan por debajo del compromiso esperado. El compromiso asumido. Esto es extremo a extremo. Entonces, despliegan los referentes componentes del pedido mientras lo preparan, pero también por adelantado y también mirando hacia adelantigando al futuro. Entonces, esta es la manera en que cuantifican el valor de un KPI, que es un índice de orden perfecto, perfect order index. Ahora, porque lo que sucede es dividir los varios componentes. Creación de valor, los indicadores de aprendizaje clave, KPI, es lo que están aprendiendo, cómo están activando estos grupos. Recuerden que la inteligencia artificial aprende. Entonces, esto es KPI, es importante hacer el delta entre el índice de orden perfecta y NPS. Si tuvieron un problema con el protocolo logístico o una demora, ¿por qué está pasando? Entonces, KPI debería desencadenar un índice de causa real, ¿por qué ocurrió? Y va a pasar el futuro y tienen que monetizarlo, por supuesto, es importante. Y tenemos el mapa de dinero por la inteligencia artificial, donde fue cuáles son los diferentes impactos del índice de orden perfecta. Estamos cambiando el compromiso, ¿cómo puede cambiar esto en el uso de dinero? O los puestos. Estamos mejorando como estamos ahorrando y la apropiación del valor. Estamos muy pronto, estamos hablando de cadena de valor. ¿Cómo incentivamos a la parte interesada, por ejemplo, a los proveedores o el proveedor de logística que está siempre a tiempo, como se espera, porque monitoreamos su contribución al EOI. ¿Cómo lo incentivamos para que se atenga el compromiso? ¿Cómo hacemos este loop? La inteligencia artificial está presente en varias facetas aquí. Está presente antes de asumir el compromiso, porque predecimos las capacidades durante el compromiso, porque estamos ejecutando en tiempo real las acciones que acciones prescritivas podemos tomar y también después de la orden podemos ver cuáles son los escenarios. Todas estas capacidades de predicción, por ejemplo, prostigar demanda o el tiempo de demora, o lead time, y también otras capacidades monitoreos de resiliencia, además, pensando hacia adelante. Con esto concluyo, le dije que queríamos a rápidos dinámicos, queríamos asegurarnos de que ustedes se mantengan interesados. Ahora, el doctor Yasel Costa pasa la segunda presentación, segundo caso. ¿Visto? Sí, ¿pueden ver mi pantalla? Sí. Perfecto. Excelente. Muchísimas gracias, María. Estoy tan feliz de estar acá al rejunto con ustedes. He estado aprendiendo muchísimo de tu presentación y tengo otra definición de la inteligencia artificial. No es ciencia ficción. Me gusta la idea de aprender y podemos decir que la inteligencia artificial aprende continuamente de las diferentes fuentes, así que es aprendizaje creativo, por así decir. Y este es el punto exacto de mi presentación en el día de hoy, pero en un contexto muy aplicado. Así que cuando uno chequea a veces la diferencia de las propuestas basadas en inteligencia artificial en cosas que tenemos que entender, todo tiene que ver con el descubrimiento y hay muy pocas aplicaciones en el contexto de la optimización como, por ejemplo, en los sistemas tradicionales de comprender resolución al problema. Así, con este aprendizaje, como hemos mencionado, tenemos que hablar de la inspiración natural. Nosotros en general tenemos que tener conocimiento creativo y para este conocimiento creativo estamos utilizando esto para entender, por supuesto, de diferentes industrias. Estamos en este caso hablando de la industria de la fabricación o en el termo de la industria farmacéutica, diferentes tipos de sectores. Así que de esto tenemos muchísimas contextos de aplicación y el campo de conocimiento cubre, por ejemplo, el más conocido, es el de las redes neurológicas, que están relacionados con las cadenas biológicas de biologricidad que fluyen por el cerebro, y tenemos que entender cuál es el resultado mejor, considerando lo que va ingresando, lo que va entrando. Así que tenemos que comparar con la análisis de regresión y con los algoritmos tradicionales, y podríamos decir que las aplicaciones más efectivas para la inteligencia artificiales son todas con inspiración natural, y en muchos de los casos, cuando hablamos, por ejemplo, de chat gpt, estamos hablando de redes neurológicas enormes con miles de millones en la base de conocimiento, así que esa es una base de aplicación para la inteligencia artificial y particularmente para inspirar las propuestas de algoritmos, pero esto no es todo, hay muchísimos otros contextos de aplicación en el que podemos ver las diferentes fuentes de inspiración natural. Esto es algo muy bien conocido, por ejemplo, por ejemplo algoritmos evolutivos, especialmente el primer algoritmo genético que inspiró la evolución de las especias con los individuos más adaptativos que fueron los que prevalecieron. En nuestro caso ya no es más individual si fuéramos a poner esto en el contexto de logística, por ejemplo, esto se podría ver como una distribución de problemas en el cual nosotros, no sé, tomamos dos soluciones diferentes y luego a lo largo de estas soluciones las integramos para tratar de encontrar una tercera solución más adaptativa en este contexto para dejar una cierta distancia, así que para este caso en particular tenemos padres que tienen, por ejemplo, tenemos cuatro vehículos, si es el tamaño de la flotilla en este lado tenemos tres y luego tenemos una solución adaptativa mejor que tiene tiempo de viaje más corto o mejor, entonces tenemos que tener el tamaño de la flotilla que se adapte a esto, que sería tres en este caso. Este es otro tipo de situación, esto es lo que se conoce muy bien, inspirado por la conducta de las hormigas que están constantemente encontrando el camino más corto entre su unido y la fuente de alimentos y también la inteligencia artificial, en este caso no revela una característica muy interesante que es la inteligencia de todo el grupo, eso básicamente nos dice no importa si es una hormiga artificial o una hormiga real, esto es aleatorio, es una selección aleatoria del camino a seguir, así que vemos claramente que el camino más corto es este, así que una vez que estas hormigas se dan cuenta o aleatoriamente eligen este camino más corto, esto lleva, deja este rastro de férmones que es el que luego siguen las otras hormigas porque bueno las férmones son las que de alguna manera guían a los demás, así que este tipo de inteligencia colectiva o inteligencia del grupo es lo que ayuda a resolver los problemas de transporte también, así que en este caso por ejemplo de acuerdo a esta matriz acá por supuesto si tenemos múltiples hormigas que están saliendo de diferentes celdas aquí, siguiendo los pasos, entonces tenemos que explorar el área más grande con la explosión de la solución, esto es la manera en que nosotros descubrimos tradicionalmente los problemas de transporte y para asignar los recursos, como decía María anteriormente para poder pronosticar cuáles van a hacer los problemas, para descubrir cuáles van a hacer los problemas, en este caso por ejemplo el problema era en Chile, en Santiago de Chile en particular este problema era acerca del proceso de entregas diario en el cual teníamos 350 clientes distribuidos geográficamente por todo Santiago, teníamos, o sea, nos contrataron básicamente para hacerlas entregas en este contexto y cobraban de acuerdo al tamaño de la flotilla y tenían una flotilla de vehículos homogéneas, tradicionalmente es lo que se llama vehículos con diferentes capacidades y era muy difícil y porque era muy difícil es porque cuando hicieron el contrato con el cliente el cliente enfatizó que una de las dificultades más grandes en este problema era el problema de las ventanas de tiempo cuando se podían hacer las entregas, así que tenemos estas ventanas que realmente limitan el proceso de optimización y a veces cuando uno tiene las horas pico durante el día a los clientes que uno piensa que no tendrían problemas pueden llegar a tener problemas con la estructura dinámica, lo que se llama por ejemplo el el problema dinámico con el cual el cliente aparece o desaparece y tiene que ver con la estructura del del problema y en este caso lo que hicimos fue hacer un análisis del proceso definitivamente esto lleva muchísimo tiempo, no solamente el tiempo razonable para tomar las decisiones operativas, así que eso es básicamente la idea, ese es el problema y había definitivamente penalidades cuando las entregas se hacían tarde, eso por supuesto significa que hubo demoras durante el día, así que estábamos hablando de un problema que de hecho no se considera un problema de pequeña escala en el campo de PRPS, más de 50 nódulos o más de 50 clientes para los cuales uno entrega a alguien, esto entonces se considera como un problema de complicidad alta ya, así que esto es un día, un día de entregas, como les mencionan 3PL y el tamaño de la frotilla y otros factores, pero esto para el negocio es cómo toman las decisiones, ellos tomaron ocho camiones para completar esa ronda, pero cuando nosotros utilizamos el programa de optimización basado en la inteligencia artificial, basándonos en el tamaño de la frotilla la reducimos al 50%, también hay por supuesto una reducción del costo total del transporte, más o menos 38% de reducción de costos, así que antes de que se me acabe el tiempo, esto es un resumen de más días de planear el camino a seguir y en 10 días pudimos de hecho hacer un ahorro de más o menos el 24%, con la medición de los costos, no tengo tiempo de decirles exactamente cómo hicimos esto, pero una reducción importante del tamaño de la frotilla también y uno de las disrucciones más importantes fue que comparado con los métodos exactos para encontrar la solución óptima pudimos reducir por supuesto el tiempo de computación, comparado aún con el tiempo tradicional que estaban utilizando para programar los vehículos, también una nueva reducción importante en ese área, así que esto es un ejemplo de cómo estos métodos se pueden aplicar, pero un problema muy frecuente en el contexto logístico, que es por ejemplo en este caso el problema del transporte y las entregas, así que espero que les interese y le vamos a pasar la palabra a mi querida colega. Gracias. Gracias Yacel. ¿Veis mis ya positivas? Sí. Hola a todos, voy a hablar de la interconexión entre eficiencia e interpretabilidad cuando se consideran las decisiones, pues hacen datos con inteligencia artificial, hay una intercambia que sea entre las decisiones para eficiencia e integralidad, y voy a mostrar que se pueden lograr al mismo tiempo la eficiencia y la prioridad, hablando de un proyecto reciente que no está directamente ligado a logística o cadena suministro, si no es un problema de distribución de recursos, y mi argumento es que se puede abordar de manera de misma manera una solución basada en datos con otros problemas de recursos y distribución de capacidades, incluso lo que surgen en cadena suministro y en logística. Cuando hablamos de decisiones, decisiones basadas en datos con inteligencia artificial, pueden ser interpretables y eficientes. Típicamente esto involucra minimizar los fallos y minimizar los costos, y para enfatizar, interpretar a nosotros simplemente de entender los modelos es importante entender también la explicación y explicar las decisiones tomadas. Esto hace que la implementación se llama fácil para nosotros mis interacciones con profesiones de diferentes campos, incluyendo atención sanitaria, logística, energía. Este deseo de interpretabilidad surge como un tema común. No quieren que las decisiones se tomen una caja negra, quieren entender el proceso de tomar decisiones. Además de permitir la confianza, la interpretabilidad es importante para la colaboración entre el ser humano y la máquina, porque es más seguro, se puede preguntar en las decisiones tomadas únicamente por la máquina. Los humanos, si lo supo entender, las decisiones pueden hacer los ajustes necesarios, ahora la eficiencia es entendible, pero la interpretabilidad crea problemas. Por ejemplo, sabrá que hay muchas demandas judiciales, de instituciones y firmas legales y bancos en Estados Unidos que ha presentado sus problemas, sus inquietudes por la posibilidad de que la inteligencia oficial discrimine la gente en cuanto a cuestiones protegidas como raza. Entonces hay simplemente un compromiso entre eficiencia y interpretabilidad de las decisiones. La inteligencia oficial, cuanto más avanzado el modelo, tiende a ofrecer mejores decisiones, pero por otro lado los modelos más avanzados y sus decisiones. Por ejemplo, podríamos considerar modelos tales como el fomental gradiente y las redes neurales para la pronosticación, pero estos son menos interpretables comparados con otros modelos como la regresión lineal o árboles de decisión. Me voy a concentrar lo que queda en mi charla sobre un modelo que concentra en las políticas de aprendizaje para distribuir recursos de vivienda en gente que no tiene techo en la ciudad de los ángeles. Este proyecto que voy a hablar no está directamente ligado a cadenas de suministro o logística, pero mi argumento es que esta solución, este abordaje a la solución puede ser aplicado a otros problemas de distribución de recurso y capacidad y estamos implementándose a establecer una solución basada en datos similar para, por ejemplo, fletes. Ahora el objetivo es aprender cuáles son las políticas óptimas para la distribución de recursos de vivienda escasos en los ángeles, hay más de 75.000 personas sin vivienda, la disponibilidad de recursos o habilidades de vivienda para apoyar a estas gente es extremadamente limitada, usa una herramienta para decir cómo priorizar a la gente para esto cuando una persona busca vivienda, esta persona completa una encuesta, como pregunta sobre cuánto tiempo ha vivido en una vivienda estable, esto ayuda a crear un montaje para cada persona y a tomar decisiones para la prohibición de desafortunadamente con el sistema actual, esto no está conectado a las limitaciones de capacidad, nuestro objetivo en este proyecto es utilizar los datos que ya existen específicamente los datos del sistema de gestión de información sobre gente sin vivienda en los ángeles para aprender cuáles son las políticas optimas para distribuir en línea estos recursos escasos de vivienda para la gente sin techo, maximizando los resultados y específicamente maximizando la gente que sale de esta situación de falta de vivienda y considerando las limitaciones de capacidad y de equidad en cuanto a las características protegidas como raza, proponemos una simple fila o Q, esta política establece diferentes filas para cada uno de los tipos de recursos de vivienda cuando una persona llega al sistema en un site de estos centros esta política de vacina le divido a una fila para recursos maximizados y la posibilidad de que reciban este recurso se optimiza podemos utilizar un modelo métrico para extender la prioridad por ejemplo, la dirección logística por ejemplo, para la capacidad por ejemplo y para mantener esta noción de equidad también de utilidad podemos ajustar el costo de oportunidad para diferentes grupos bajando el costo por ejemplo para grupos minoritarios esto es óptimo en el largo plazo quiere decir que más gente llega al sistema, participa el sistema lo que va a mostrar estos datos esta gráfica mostra la proporción de la población con un resultado positivo específico ante la proporción que deja esta situación de falta de vivienda considerando las distribuciones históricas y bajo nuestra propuesta de políticas ya tenemos los resultados con los grupos prioritarios minoritarios queremos que sea más alto tanto en los grupos raciales mayoritarios en este caso funcionamos los afroamericanos e hispanos pero pueden ver que bajo nuestra política propuesta los resultados para casi todos los grupos comparado con la distribución histórica es mejora y esto resulta más de 300 personas más que pueden conseguir vivienda en un año dado basado en estos datos si están interesados en este estudio quieren compartir este estudio el código QR los lleva a este estudio si les interesa los instos a que escuchen la grabación de esto está en la página de cal les he presentado un abordaje a la solución basado en datos para distribución de recursos que es eficiente interpretable aún cuando el problema de distribución de viviendas no está asociado directamente con cada suministro logística este abordaje se puede aplicar a otros problemas de capacidad de recursos distribución de recursos esto está inspirado por por ejemplo a prácticas de netflix como mencionantes se aclaró con la CL y estamos estableciendo un sistema similar por ejemplo si hablamos de adquisiciones, progresión o selección de proveedores y si queremos por ejemplo que todos los servicios provengan de proveedores verdes ecológicos este es el final de mi charla muchas gracias muchísimas gracias ha sido fantástico como buenos logísticos estamos exactamente a tiempo que es lo que les prometimos tenemos cantidad de preguntas así que voy a tratar de hacer las preguntas rápidamente así podemos cubrir la mayor cantidad de preguntas posibles y eso es parte de la idea del webinario así que doctor Costa de Sanita Ray recomienda la optimización de la colonia y los códigos de Python que se usaron en MIT hace algunos años muchísimas gracias hay algunos textos nuevos o bueno para simplificar para ahorrar tiempo no presenté todo acá el progreso que hemos hecho pero nosotros hemos propuesto otras variables en las que exploramos más áreas en el espacio de las soluciones o sea para simplificar lo que tenemos todas las variables hemos repasado ver cuáles son las variables en el espacio de las soluciones para dar mejor calidad de soluciones porque alguien estaba preguntando sobre el seplex por supuesto no necesariamente mejoramos el seplex esto se aquí sé que espero estuvo muy cerca de llegar al óptimo absoluto los tiempos que se computaron eran prácticamente los mismos así que ha habido muchísimas mejorías desde esa época muchísimas gracias por la pregunta me alegro que recuerdo mi charla en MIT también nos preguntan cómo podemos hacer para prevenir los datos de la inteligencia artificial que sean por ejemplo datos dañados por ejemplo un feedback loop puedo responder esto básicamente hay muchísimas matrices en el aprendizaje de la inteligencia artificial que tienen que ver con los malos datos con el ruido para identificar las soluciones en contra de este tipo de datos ruidosos o los malos datos uno de los métodos que podemos usar sobre regulización optimización robusta hay métodos disponibles para prevenir este tipo de problemas yo creo que es difícil decidir que es lo que es ruidoso para ver los datos malos hay clasificaciones para decidir pero básicamente uno puede ir y encontrar la solución para encontrar cuáles son estos datos ruidosos muchísimas gracias otra pregunta cómo es que la análisis de precios interactúa con esto en cuanto a la cadena de valor que pasa con esto una planeación por ejemplo de las edades de las operaciones el análisis de los precios debería ser un componente de la cadena de suministro habría que tener todo un orden por ejemplo el orden tendría que tener una prección de precios también y también mirando hacia adelante mirando hacia el futuro eso quiere decir que a lo mejor uno puede predecir cómo es que los precios van a cambiar no es solamente la función de la cadena de suministro es función de factores comerciales etcétera pero definitivamente para poder medir esto tenemos que poder ingresar estos datos también porque esto podría crear distorsiones si es que los precios van a cambiar basándose por ejemplo en promociones comerciales inesperadas así que los pronósticos deberían incorporar y entender como que esto va a cambiar esto está cambiando por a lo mejor alguna variable exógena entonces si tenemos algún tipo de interrupción y esto va a cambiar los precios tenemos que entender entonces tenemos estos factores exógenos que van a causar una disrupción entonces tenemos que encontrar toda esta información pero es información que se externa a la cadena de suministro son factores que están por afuera y tenemos que entender exactamente para poder crear entonces estas capacidades de predicción y para incorporar estos factores exógenos que vienen de alrededor de todo el mundo esta es una respuesta muy general pero uno debería incorporar todo esto esta información de precios debería ser parte de la ecuación porque eso obviamente cambia pero normalmente las decisiones de precios no son parte de la cadena de suministro ¿Cuál es la diferencia entre la inteligencia artificial y la ciencia de los datos que es parte de la cadena de suministro esta es muy buena pregunta estos son todos campos que se superponen para ser honestos la análisis beta lo que sea que uno esté haciendo en cuanto al conocimiento está cubierto de acuerdo a mi entendimiento es la terminología más completa si estamos utilizando por ejemplo una cadena neural o si uno está utilizando otro tipo de inspiración natural o no natural uno puede utilizarlo con los datos y la análisis de los datos para cualquier tipo de contexto de la aplicación en la gestión de la cadena de suministro a lo mejor si hubieran hecho esta pregunta hace 10 años hemos dicho que para el análisis de los datos claramente tenemos bueno ya saben tenemos análisis de regresión tenemos el análisis más matemático, más tradicional pero en este caso ahora con la inteligencia artificial esto es más orientado hacia la computación pero hoy día realmente es difícil discriminar es muy difícil por eso al principio definimos como definimos la inteligencia artificial y como describimos las funciones cognitivas especialmente el aprendizaje y como se aprenden las ciencias de los datos y por supuesto una sola definición de la inteligencia artificial no funciona así que no es que si o no depende de lo que uno está haciendo como esto va a impactar el desempeño y uno tiene que poder transformar la cadena de suministro ver cuál es el modelo de negocios y esto es todo muy importante ahora la siguiente una siguiente viene de Amituray gracias Amit si nos puede ayudar a entender cómo es que la inteligencia artificial ayuda a terminar con la visibilidad del sistema sobre las compañías están usando otros sistemas para crear la visibilidad o sea que en este caso la ERP está jugando un papel clave en los casos más exitosos porque la visibilidad es mucho mayor cuando tenemos lo tenemos en general en el ERP las compañías más avanzadas están usando estas señales externas no solamente las señales internas de la ERP de la fabricación las operaciones etcétera pero para ver qué es lo que está pasando en el mundo que me va a ayudar a mí a contextualizar contextualizar mis acciones para las operaciones así que la contextualización es otra característica ambnavillosa de la inteligencia artificial especialmente como lo presentamos o sea que para tener visibilidad la visibilidad tiene que ser no sólo interna sino que externa también hay muchos startups que están recopilando datos en este momento utilizando inteligencia artificial conocimiento para ver exactamente qué lo está pasando con los proveedores alrededor de todo el mundo así que tenemos información en tiempo real por ejemplo cuál es el curso por ejemplo de sustentabilidad uno puede entonces ingresar en este sistema, en el sistema interno cual sea la fuente no sé qué sistema están usando puede ser de compra, cualquier herramienta pueden incorporar toda esta información acerca de el estatus de los proveedores actuales de los proveedores futuros a lo mejor para decidir cuál sería la mejor manera de decidir quiénes son los proveedores en el futuro y para tener el mejor modelo de negocio y cuál es la mejor manera de tener un nuevo modelo de negocio donde entrar en el mercado la visibilidad es mucho más que el por ejemplo tenemos visibilidad es otra pregunta que tenemos ahí en el chat que tiene que ver con cómo podemos extraer información hay muchas aplicaciones basadas en la inteligencia artificial que son maravillosas que por ejemplo se unezcan de todos los correnos electrónicos que uno está enviando con procesamiento natural de el lenguaje y están extraciendo entonces toda la información para aumentar la visibilidad o sea no es solamente extraer la información en el RP o en un sistema de gestión un sistema de transporte o depósito sino que están extrayendo los datos los datos no es la estructura sino que son los datos para los tomadores de ediciones por ejemplo de los correos electrónicos como estandarizar un proceso así que es la maravilla de la inteligencia artificial que nosotros podemos aprender de los datos de la estructura estructurales nuevamente el poder que tiene esto de transformar cómo se toman todas las decisiones y todo lo que está sucediendo en este tipo de lenguaje así que parece como que fuera ciencia ficción pero realmente tenemos ahora estas herramientas para realmente aumentar cada vez más la visibilidad así que vamos a pasar a la siguiente a ver la compañía estamos trabajando actualmente para implementar un software de manda y oferta que incorpora inteligencia artificial unos retos es que el nivel de datos que se espera para el tiempo de software no está cómo podemos lograr a la compañía para implementar este tipo de software con la baja capacidad de lectura de datos en el fondo de esta pregunta y quería decir a lo mejor no está relacionado pero hay muchas otras preguntas que estuve mirando y preguntan sobre la aplicación por ejemplo del algoritmo que yo propongo a otros contextos de aplicación como por ejemplo gestión de inventario distribución de recursos y por supuesto cualquier problema que se pueda modelar como real por ejemplo se puede utilizar la optimización tradicional de el medio de hormigas particular para volver a aumentar el inventario pero no es la pregunta pero estuve mirando a lo mejor pero estoy ahorrando por qué tiempo María en el sentido a lo mejor puedo responder eso si los datos son muy importantes para la inteligencia artificial pero también hay modelos de inteligencia artificial que generan datos partiendo de datos limitados puede ser una solución pero no queda directamente claro si se aplicaría el caso en particular aquí pero es como probablemente has visto esto han visto esto de herramientas de Google que generan fotos de otras personas o gatos pero que no son verdaderas fotos simplemente aprenden de las fotografías que se alimentan al modelo y generan fotografías similares entonces en un abordaje de similares podría ser posible en caso de datos limitados por la simulación se podrían crear más datos datos sinteticos y en ese sentido también relacionados con otras preguntas no se olviden de una parte que es algo que es muy popular en este momento en particular en la comunidad las distribuciones posibilísticas por ejemplo con la escasez de datos y opiniones se pueden desarrollar lo que se llaman sistemas fósiles para traducir opiniones de juicios y información ramas de panel basque sobre pronostificación de demanda hay algún porcentaje de mejora que se podría alcanzar utilizando un sistema de inteligencia artificial para la pronostigación comparado con otro sistema bueno sí pronostigación de demanda mi recomendación es que con Toxtelicen que adapten la manera en que están haciendo pronostigación de demanda puede ser bueno utilizar un modelo disponible de software pero hacer algún tipo de adaptación es lo que tiene que hacer pero proveedor sienta cómo mejorar el comportamiento, no solamente con los datos cualquier factor que pueda afectar la pronostigación de demanda y los modelos más sofisticados ya tienen los mejores resultados hay estudios de que en ciertos contextos la pronostigación de demanda tradicional en el entorno correcto los resultados muy buenos pero creo que hay que trabajar mucho para contextualizar cómo mejor poner hacia el importe tu contexto, tu situación por ejemplo en el caso de él por ejemplo el compromiso fue muy importante estaban haciendo demanda, viendo la demanda o pronostigación de demanda pero también demoras o lid entonces quiere decir que la manera de pronostigar demanda es más rico si hacemos más aportes de ese tipo de características que afectan la demanda y también yendo aguas arriba para ver cuáles efectos podrían causar incertidumbre en la demanda entonces no es una única receta yo no creo que haya una respuesta deberíamos no deberías pensar que hay una respuesta o que podemos mejorar a los 5% si aplican este modelo de pronostigación de demanda no, lo que hemos estado haciendo en nuestros laboratorios es simplemente crear sistemas automatizados que ponen a través de diferentes modelos y comparan y contrastan para aprender de cada modelo como el modelo se puede adaptar pero también cuál es el mejor modelo para diferentes contextos de circunstancias algún aporte aquí de ustedes algún comentario no, muy bien gracias gran saludos si ver una pregunta por favor que se siente como respondiendo yo estoy siguiendo la fila pero si estás leyendo tú también jacel hay otras conectadas con lo que estabas mencionando es difícil generalizar y decir bueno siempre que se usa random forest para calcular la demanda de los clientes es abordajes tradicionales a este nivel difícil generalizar lo que se hace es que bajo ciertas circunstancias no hay manera de ganarle a las redes neurales por ejemplo esto se ha formalizado ciertamente hay una enorme variedad de contextos de aplicación yo creo que si alguien puede escribir un libro sobre estas circunstancias puedo tener un ranking del mejor a peor desempeño de esos métodos basados en inteligencia artificial este es muy buen conocimiento para publicar pero es difícil generalizar no veo más preguntas aquí si es peligroso incluso esperar generalizar cada contexto es diferente tus expectativas también son diferentes y tu negocio funciona de una manera diferente hay que ponerle esfuerzo y sexualización alguna pregunta o respuesta veo un par de preguntas que me hacen una interesante es que las inquietudes éticas asociadas con inteligencia artificial por ejemplo en los casos de raza sería posible eliminar la información correspondiente de los datos para asegurarse que la inteligencia artificial no use estos datos hay gente que tiene esta percepción pero no es necesariamente cierto porque imagínense que eliminamos la información de raza de los datos completamente puede haber otra información por relacionada con la raza no garantiza que inteligencia artificial no va a utilizar raza para tomar decisiones eso no es suficiente yo creo que es fantástico nuevamente gracias a todos por su tiempo por estar con nosotros gracias a jessel y jessell por sus contribuciones gracias al equipo de marketing y comunicaciones de MIT por estar con nosotros y por ayudar a apoyar esto y vayan a las 11 de la mañana hoy tenemos otro evento que están todos invitados a la comunidad de marketing y publicación gracias y adios