La inteligencia artificial ofrece ventajas determinantes en el campo de la intralogística

Ambos están de acuerdo: la tecnología basada en IA abre un amplio abanico de posibilidades de mejora, tanto en los procesos del centro de distribución como en toda la cadena de suministro. Ahora bien, no basta con disponer de datos de alta calidad. Del mismo modo, los modelos de datos deben tener en cuenta la experiencia de las personas y las necesidades de los consumidores.

«Y, de la noche a la mañana, todos eran influencers de la IA», bromea Helmut Prieschenk, director general de WITRON, durante la conversación previa a la grabación del pódcast con Franziskos Kyriakopoulos, fundador de 7LYTIX en Linz, a propósito de las redes sociales y el revuelo que se ha montado en torno al gran modelo de lenguaje (LLM) de ChatGPT. Prieschenk quiere hablar con el empresario sobre la IA industrial, la previsión de la demanda y  sobre ChatGPT. Kyriakopoulos y su equipo trabajan en el desarrollo de soluciones de aprendizaje automático para el comercio y la industria. El austriaco es físico, mientras que Prieschenk es matemático. «Se trata de una mezcla explosiva», advierte Prieschenk riéndose. «Evidentemente, en WITRON ya trabajamos con LLM. Pero quisiera hacer un llamamiento a la calma: el mundo no se va a acabar por su uso. Nosotros siempre analizamos la idoneidad de este tipo de herramientas a la hora de ayudar a nuestros clientes y desarrolladores a cubrir diferentes necesidades», explica el director general.

Necesidad de un retorno de la inversión

Franziskos Kyriakopoulos asiente y esboza posibles aplicaciones. «Los LLM son buenos procesando secuencias: pedidos, cobros, ventas o comunicaciones con el cliente. Esto también es útil en el ámbito de la intralogística». Sin embargo, coincide con Prieschenk. «Se le está dando un bombo exagerado y hay muchos influencers que se dedican a propagar medias verdades». En WITRON ya lo han sufrido. Los competidores del sistema OPM proclaman la utilización de IA en sus algoritmos de apilado. «Pero los resultados ni siquiera se aproximan a las prestaciones de la solución OPM de WITRON. Esta no ha sido diseñada con IA, sino con grandes dosis de inteligencia humana y mediante un trabajo de programación impecable, una estrecha comunicación con los usuarios y años de experiencia sobre el terreno. Nuestro enfoque ha de ser siempre práctico. Nuestros clientes no vienen en busca de una nueva “herramienta”, sino que tienen un problema y necesitan una solución que funcione, que optimice el proceso logístico en el centro de distribución o en la cadena de suministro, que ofrezca un funcionamiento estable y que pueda integrarse en una estructura existente».

Pero, ¿es posible que este enfoque práctico nos esté perjudicando en Alemania y en Europa? «Ahora necesitamos un retorno de la inversión», subraya Prieschenk enérgicamente. «Los desarrolladores de LLM tienen una tasa de gasto de 500 millones de dólares al año y precisan otros miles de millones más», señala Kyriakopoulos. «Algo así sería impensable en Alemania o aquí, en Austria».

¿Nos resistimos a correr demasiados riesgos? Prieschenk se muestra escéptico. «No lo creo. Cuando miro las inversiones en Q-Commerce, por ejemplo, me da vértigo. Muchos inversores asumieron grandes riesgos. Pero el mercado ha evolucionado en una dirección completamente distinta. Las previsiones de crecimiento no se han cumplido. Ahora se está produciendo una consolidación. Los inversores se han ido. Nuestros retailers quieren IA y están invirtiendo en la tecnología. Pero tanto nosotros como nuestros clientes necesitamos que las herramientas de IA, como el reconocimiento de patrones o de imágenes, sean transparentes para solucionar problemas que antes era imposible resolver o que sólo se podía hacer con mucho esfuerzo».

Los desarrolladores de 7LYTIX trabajan con LLM, pero se centran en la previsión de la demanda. «Podemos ofrecer valor añadido, pero hay empresas a las que les cuesta entender de entrada cuál es el valor añadido del modelo. ¿Más volumen de negocio gracias a una mejor comunicación con el cliente o ventas perdidas? La mayoría no son capaces de hacer ese cálculo. Para eso necesitan nuestra ayuda», afirma Kyriakopoulos. Prieschenk añade: «Los clientes de WITRON saben muy bien cómo hacer los cálculos y han ido mejorando su negocio a lo largo de las décadas. Pero entiendo lo que quiere decir el Sr. Kyriakopoulos. En primer lugar, es preciso determinar lo que se debe optimizar. El retailer debe preguntarse: ¿quiero mejorar la red de la cadena de suministro, la superficie del almacén, estar más cerca del cliente, minimizar los plazos de entrega, modificar los ciclos de entrega, reducir el desperdicio de alimentos y las roturas de stock o disminuir las existencias en el almacén? Hemos aprendido mucho a este respecto de la mano de nuestros clientes de distintas partes del mundo. También que las necesidades de los días festivos en Finlandia difieren de las de Estados Unidos, o que un lunes tiene una demanda distinta a la de un jueves». Kyriakopoulos está de acuerdo. «Primero debemos saber cuáles son los requisitos y luego desarrollar una herramienta de IA adecuada. Y no necesitamos deep learning en todas partes».

¿Cuál es el grado de precisión necesario?

¿Cómo funciona el sistema de previsión de la demanda? «En primer lugar, necesitamos una visión general de los datos. Esta es una tarea tediosa para muchos retailers. No sólo hay que conocer el stock en el almacén, sino también cuánta mercancía hay en la tienda, cuánto se ha vendido, los factores que están influyendo (como las promociones), cuántas ventas perdidas hay en la tienda y mucho más», explica Franziskos Kyriakopoulos. Además, hay que tener en cuenta las tarjetas de fidelización, la temporada del año, la ubicación de la tienda o las ofertas. Y tenemos que saber qué hay en el centro de distribución, en la trastienda del establecimiento, en los camiones en ruta, porque la optimización no se limita a la tienda». Asimismo, es importante que no haya restricciones entre grupos o departamentos, ni déficit de datos. La mayor parte de los datos que se necesitan son conocidos, pero, lamentablemente, cada departamento persigue intereses distintos». Helmut Prieschenk opina lo mismo: «Incluso con una planificación logística integral, conviene no enfocarse exclusivamente en el centro de distribución o en los intereses de las diferentes áreas logísticas y departamentos que intervienen en el proceso, como Compras o Transporte. Hay que incluir toda la cadena de suministro en el proceso de optimización —a nivel interno y externo— y evitar las soluciones estancas en la medida de lo posible, tanto desde el punto de vista físico como informático».

«Los datos se incorporan a modelos muy sencillos», prosigue Kyriakopoulos. El punto de partida es la experiencia de las personas. Eso aún no es IA. Nos referimos a las regresiones. A continuación, nos debemos preguntar: ¿hemos mejorado? Después vienen los análisis de series temporales, los primeros métodos de aprendizaje automático. Tenemos que examinar siempre el grado de precisión que conseguimos con el siguiente paso frente al valor añadido que supone para el cliente y el usuario».

¿Y WITRON? «Hemos de asegurarnos de que los componentes mecánicos se ajustan al modelo. Porque también tiene que funcionar en el plano físico. ¿Suministro cajas o unidades? ¿O un artículo en ambas modalidades? ¿Con qué frecuencia se debe servir una tienda? ¿Y si cambia el número de referencias?»

Los centros logísticos de WITRON son un ejemplo de flexibilidad tanto para la tienda como para el comercio electrónico. Sin embargo, para que el proyecto se lleve a cabo con éxito, es fundamental plantearse el proceso en sentido inverso en todos los canales: desde el consumidor hasta el centro de distribución y, si fuera necesario, hasta el proveedor. En su opinión, el mayor reto reside en cómo explicar el modelo. «Con nuestros clientes tenemos la experiencia de los sistemas push y pull. Algunos funcionan mejor que otros».

En el futuro, ¿dejará un director de tienda que un modelo de IA le dicte los pedidos? Kyriakopoulos conoce el caso de la industria de la moda. «Es difícil explicarle el valor añadido a alguien que lleva 20 años gestionando las compras o convencerle de que posiblemente el modelo sea mejor. Pero nosotros hacemos el proceso transparente y explicamos los criterios que usamos, cómo los ponderamos y dónde incide cada uno».

Las personas conservan el control absoluto

Los austriacos son capaces de prever el futuro a 18 meses vista. El modelo se acopla a través de interfaces a los sistemas utilizados por el retailer, el productor de acero o la zapatería. «No quiero desmantelarlo todo para implantar un modelo de inteligencia artificial», se ríe Kyriakopoulos. «El camino correcto es integrarlo en las arquitecturas existentes», confirma Prieschenk.

Pero, ¿hasta qué punto se trata de un modelo fiable? La palabra clave aquí es COVID-19. «Eso tampoco lo pudimos ver», explica el austriaco. «En aquel momento, trabajábamos con el modelo aplicado a la logística de congelados. Al principio, la previsión a corto plazo no era buena, pero, al cabo de una semana, el modelo volvió a funcionar. Al cabo de dos semanas, era estable. Pero la previsión por sí sola no es suficiente. El cliente debe trabajar con los datos, por ejemplo, reforzando los canales de comercialización, realizando promociones o ajustando los precios si fuera necesario».

Esto es fundamental, añade Prieschenk. «La persona toma entonces el relevo. No hay que subestimar nunca el instinto de un director de logística, un técnico de servicio o el encargado de una tienda. La experiencia de las personas y un modelo de datos eficaz son la base para tomar decisiones inteligentes, es decir, correctas, a largo plazo. En el centro de distribución, esto también es válido a la hora de aplicar estrategias de mantenimiento o para el «correcto funcionamiento» del sistema. Lo importante es que los modelos, herramientas y soluciones sean fiables y demuestren su eficacia en la práctica, aportando un valor añadido real a la operativa diaria de la empresa».

La IA proporciona información, el responsable decide y sigue teniendo el control absoluto del proceso. «Hace más de 20 años revolucionamos los sistemas físicos en el centro logístico. Con la solución OPM, conseguimos que las máquinas pudieran preparar palets y roll-containers sin errores y según las necesidades de las tiendas. Ahora damos el siguiente paso y nos apoyamos en los datos y en modelos logísticos integrales. Y estoy convencido de que en el futuro habrá un modelo de IA integral de WITRON para el almacén», augura Prieschenk.

Kyriakopoulos y Prieschenk conversan en el pódcast sobre cómo los modelos de IA están cambiando la logística, en qué puntos no están de acuerdo y hacia dónde se dirige la tecnología.