se convertirán en nuestros asistentes digitales, ayudándonos a navegar las complejidades del mundo moderno. Harán nuestras vidas más fáciles y más eficientes “. Declaración inspiradora y completamente imparcial de alguien que ya invirtió miles de millones en esta nueva tecnología.
La exageración es real para los agentes de IA, y miles de millones están llegando para construir modelos que nos hagan más productivos y más creativos. Es difícil estar en desacuerdo cuando disfruto felizmente de mi café de la mañana mientras el cursor está codificando mis pruebas unitarias. Sin embargo, preguntándole a las personas en mi red cómo usan la IA en su día a día, sus respuestas a menudo mencionan casos de uso anecdótico, en cualquier lugar, desde “lo uso para contarles historias a mi hijo” (supongo que ni siquiera sería un caso de uso si tuviera más imaginación) para “lo uso para optimizar mi horario” (Modifle, por favor, por favor deje de apuntarme por el amor de Dios).
Como científico de datos, mi mente va y viene entre dos conclusiones. La parte de mí que no quiere llegar tarde al Robot Revolution Party, y la cínica que piensa que todavía hay un largo camino por recorrer antes de que la inteligencia artificial se vuelva inteligente. Para averiguar de qué lado de mi personalidad esquizofrénica debo apostar, voy a utilizar un marco simple pero poderoso: revisar todos los proyectos en los que he trabajado desde el comienzo de mi carrera y evaluar cómo podrían haber ayudado los modelos de IA de vanguardia 2025.
Hoy volvemos a 2018. Soy un sincero pasante de verano en una de las nuevas empresas más disruptivas de Estados Unidos: alquilar la pista.
De qué se trataba el proyecto
El Centro de cumplimiento de la pista de alquiler en Secaucus, NJ, solía ser la mayor instalación de limpieza en seco en los Estados Unidos.
En el verano de 2018, como pasante de analista de operaciones, me dieron un problema bastante difícil de pensar: todos los días, el centro de cumplimiento estaba recibiendo miles de unidades de todo el país. Todos los artículos tuvieron que ser inspeccionados primero, luego pasarían por un proceso de limpieza exhaustivo, antes de secarse o recibir algunos tratamientos especiales. Esto podría ser:
- Manchando si la prenda fue manchada durante el alquiler
- Presionando si estaba demasiado arrugado y tenía que ser planchado
- Reparar si se había dañado
La mayoría de estas tareas fueron realizadas manualmente por diferentes departamentos, y requirieron que los trabajadores especializados estuvieran disponibles tan pronto como el primer lote de unidades llegó a su departamento. Ser capaz de predecir días por delante de qué volumen de unidades tendrían que procesarse (y cuándo) fue crucial para el equipo de planificación del centro de cumplimiento, a fin de asegurarse de que cada equipo de operaciones fuera personalizado adecuadamente.
La complejidad del flujo lo hizo aún más complicado. No se trataba solo de predecir el volumen entrante, sino también evaluar qué parte de este volumen entrante requeriría tratamientos especiales, dónde y cuándo podrían aparecer los cuellos de botella, y comprender cómo el trabajo realizado en un departamento afectaría a los otros departamentos.
La solución 2018
En este punto, puede preguntarse: dada la complejidad y las apuestas del proyecto, ¿por qué estaba en manos de un joven pasante inexperto? Para ser justos, durante mi pasantía de verano de 10 semanas, solo arañé la superficie y escribí un guión de Pyomo increíblemente complicado que luego fue refinado por un científico de datos más senior, que pasó dos años solo en este proyecto.
Pero como puede imaginar, la solución fue que este gran modelo de optimización tomó como entrada el pronóstico de volumen entrante para cada día de la semana, el UPH promedio (unidades por hora, es decir, el número de unidades que se pueden procesar en una hora) en cada departamento, y algunas suposiciones sobre las proporciones de unidades que requerirían tratamientos específicos. Las principales limitaciones estaban en el momento y la regularidad de los turnos, y el número de contratos a tiempo completo. Luego, el modelo generaría una planificación laboral optimizada para la semana.
Cómo la IA podría haber ayudado
Veamos las cosas primero: no verá palabras como “Ai-Dentusiast” o “LLM Believer” en mi biografía de LinkedIn. Soy bastante escéptico de que AI resolverá mágicamente todos nuestros problemas, pero estoy interesado en ver si con la tecnología actual, sería posible otro enfoque.
Debido a que nuestro enfoque era, se podría decir, una vieja escuela, y requirió meses y meses de refinamientos y pruebas.
El límite principal es el aspecto estático de la solución. Si algo inesperado ocurre durante la semana (por ejemplo, una tormenta de nieve que paraliza la logística en algunas partes del país, retrasando parte del volumen entrante), se deben cambiar muchos supuestos del modelo y sus resultados se están volviendo obsoletos.
Esta es una solución que requiere que los científicos de datos se profundicen en las malas hierbas, en lugar de confiar en un marco listos para usar, para confiar en muchos supuestos y pasar tiempo manteniendo y actualizando estos supuestos.
¿Podría AI encontrar un enfoque completamente diferente? No.
Para este problema en particular, claramente necesita un modelo de optimización, y aún no tengo que leer sobre un LLM que pueda manejar un modelo con tanta complejidad. Se podría proponer un marco con un agente de IA que actúe como gerente general y confiar en los subcibentes para manejar la planificación de cada departamento. Pero ese marco aún requeriría que los agentes tengan herramientas que les permitan resolver un modelo de optimización complejo, y los subcibentes necesitarían comunicarse ya que la situación de un departamento puede afectar a todos los demás.
¿Podría AI mejorar significativamente la solución “generada por humanos”? Posible.
Es en este momento bastante obvio para mí que LLM no haría que el problema sea trivial, pero podrían ayudar a mejorar la solución en múltiples áreas:
- En primer lugar, podrían ayudar a informar y tomar decisiones. El resultado del modelo de optimización podría tener un sentido comercial, pero tomar una decisión podría ser difícil para alguien sin una sólida comprensión de la programación lineal. Un LLM podría ayudar a interpretar los resultados y sugerir decisiones comerciales concretas.
- En segundo lugar, un LLM podría ayudar a reaccionar más rápido a ciertas situaciones inesperadas. Podría, por ejemplo, resumir información sobre eventos que podrían tener un impacto en las operaciones, como el mal tiempo en algunas partes del país u otros problemas con los proveedores y, como tal, recomiendan cuándo volver a ejecutar el modelo de planificación. Eso supone que tiene acceso a datos de buena calidad sobre estos eventos externos.
- Finalmente, es posible que la IA también haya ayudado a hacer ajustes en tiempo real a la planificación. Por ejemplo, generalmente es predecible en función de las características de la prenda si requerirían un cuidado especial (por ejemplo, una camisa de algodón siempre tendrá que ser planchada manualmente). Tener un VLM escaneando cada prenda en la estación receptora podría ayudar a los departamentos aguas abajo a comprender cuánto volumen deberían esperar con horas de anticipación.
¿Podría AI permitir a los científicos de datos mantener y actualizar el modelo? ¡Sí!
Es realmente difícil negar que con herramientas como el copilot o la codificación del cursor y el mantenimiento de este modelo hubieran sido más fáciles. No habría pedido ciegamente a Claude que codifique cada restricción del programa lineal desde cero, pero con los editores de código de IA más inteligentes que nunca, modificar y probar limitaciones específicas (¡y atrapar errores humanos!) Sería más fácil.
Mi conclusión es que una LLM en 2018 no habría trivializado el proyecto, aunque podría haber mejorado la solución final. Pero no es imposible creer que unos años (¿meses?) A partir de ahora, los agentes con capacidades de razonamiento mejoradas serán lo suficientemente sofisticados como para comenzar a romper este tipo de problemas. Mientras tanto, si bien la IA podría acelerar las iteraciones y ajustes del modelo, el juicio humano en el núcleo sigue siendo insustituible. Esto sirve como un recordatorio valioso de que ser un científico de datos no se trata solo de resolver problemas matemáticos o informáticos, se trata de diseñar soluciones prácticas que cumplan con las limitaciones en evolución, a menudo ambiguas y no tan bien definidas.
Artículo 100% Generado