cuando se combinan con productos analíticos, puede transformarse en herramientas potentes para la optimización de la cadena de suministro.
En la fabricación, el verdadero desafío no es producir productos, sino decidir cuándo y cuánto producir.
Esta cita es de un director de planta que nos contactó para la implementación de un algoritmo para mejorar su Programa de producción maestra (MPS).
El objetivo era generar programas de producción que equilibren las economías de escala con un inventario mínimo.
Nuestra solución inicial fue un aplicación web conectado a los sistemas de fábrica.
Si bien generó planes de producción óptimos, aún requería que los planificadores navegaran por paneles y exporten los resultados.
¿Cómo mejorar la experiencia del usuario con una capa de IA en la parte superior?
Como experimento, empaquetamos el motor de optimización en un microservicio de Fastapi integrado dentro de un Flujo de trabajo AI construido con N8N.
La herramienta se convirtió en un asistente de IA (integrado en el flujo de trabajo de los planificadores) que puede comprender las entradas, ejecutar el algoritmo y entregar planes optimizados con explicaciones en inglés simple.
En este artículo, presento cómo realizamos este experimento de usar Agentes de IA para la optimización de la cadena de suministro con N8N.
Esta será la primera de una larga serie de experimentos que intentan construir un “súper agente” de optimización de suministro equipado con algoritmos empaquetados en microservicios FASTAPI.
Planificación de producción con Python
Guión
Supongamos que estamos apoyando una fábrica de tamaño mediano en Europa.
El cronograma de producción maestra es la principal herramienta de comunicación entre el equipo comercial y la producción.
En la fábrica de nuestros clientes, los clientes envían órdenes de compra (PO) con cantidades y fechas de entrega esperadas a su equipo de planificación.
Por ejemplo,
- Cantidad de entrega esperada en
Month 2es150 boxes
Solución inicial
El objetivo del equipo de planificación es encontrar el plan de producción óptimo para minimizar los costos de producción, considerando:
- Costos de configuración: Costos fijos que tiene cada vez que crea una línea de producción
Ejemplo: 500 $ por lote de producción - Costos de retención: Costo de almacenamiento por unidad por tiempo
Ejemplo: 1 $/unidad/mes
Si Produce solo la cantidad necesaria por mespuede minimizar los costos de retención.
Pero los costos de configuración explotarán a medida que debe configurar la línea de producción 12 veces.
Por el contrario, si produce la cantidad total en el primer mes, solo tendrá una configuración, pero sus costos de tenencia explotarán.
Construyes un inventario de 2,000 cajas en el primer mes, que será consumido lentamente durante los 12 meses.
Hay un escenario óptimo entre estos dos casos de borde.
¿Cómo encontrar el equilibrio correcto?
En otro artículoExplico cómo usar el Algoritmo de Wagner-Within para generar un plan optimizado.
Este es un método de programación dinámica para la planificación de la producción que encuentra el cronograma de costo óptimo durante múltiples períodos.
Encuentra el mejor equilibrio entre la configuración y los costos de retención al evaluar todos los planes de producción factibles.
La salida es un plan óptimo:
- 4 meses (solo) de producciones: mes 1, 6, 9 y 11;
- El inventario se consume entre cada lote de producción.
En el GIF animado a continuación, puede visualizar una demostración de la solución implementada en una aplicación web.
Los usuarios pueden
- Cargue sus pronósticos de demanda por mes, semana o día
- Seleccione los parámetros (costos de configuración, costos de retención, …)
¿Podemos mejorar la experiencia del usuario con el soporte de AI?
Para mejorar la productividad de los planificadores, nuestro objetivo es eliminar la interfaz de usuario e integrar directamente la solución en su flujo de trabajo utilizando IA.
En la siguiente sección, compartiré los experimentos que realizamos utilizando un prototipo de este flujo de trabajo con AI construido con N8N.
👉 Compruebe el video vinculado a continuación para obtener una demostración en vivo del flujo de trabajo
Flujo de trabajo de IA con Fastapi y N8N
A partir de los comentarios recibidos durante las pruebas de aceptación del usuario (UAT), entendimos que necesitarían que la herramienta esté mejor integrada en sus procesos y flujos de trabajo actuales.
Agentes de IA equipados con herramientas
El algoritmo de optimización de planificación ha sido empaquetado en un backend de Fastapi con múltiples puntos finales
- /upload_prod: Este punto final recibe una solicitud de publicación con el conjunto de datos de demanda incluido para cargarlo en el backend
- /Launch_plan: Este punto final recibe una solicitud GET con parámetros como el costo de configuración, el costo de retención y la unidad de tiempo
¿Cómo conectar este backend con un agente de IA?
Utilizaremos un nodo de agente de IA en N8N, equipado con un nodo de herramienta que pueda enviar y recibir solicitudes HTTP.
Para todos los usos, la arquitectura de este nodo de agente de IA será idéntica:
- Modelo de lenguaje grande: en el ejemplo anterior, usamos un modelo Operai
- Nodo de solicitud HTTP con un mensaje del sistema que explica cómo conectarse a la API y qué tipo de datos esperar como salidas
Este nodo se utilizará para generar un resumen del plan de producción óptimo, que se enviará por correo electrónico.
Flujo de trabajo de IA: respuesta automatizada por correo electrónico
Los planificadores de producción generalmente reciben sus solicitudes del equipo comercial por correo electrónico, que incluye detalles en el cuerpo y solicitaron volúmenes por período en el archivo adjunto.
Querían responder automáticamente estas solicitudes sin descargar manualmente el archivo adjunto, cargarlo a la interfaz de usuario y generar un correo electrónico basado en los resultados que se muestran en la interfaz de usuario.
Se ha acordado con ellos que seguirán un formato específico de correos electrónicos para garantizar que se incluya toda la información requerida:
- Adjunto: Demand DataSet en formato (.csv)
- Cuerpo de correo electrónico: todos los parámetros necesarios, como costos de retención, costos de configuración, moneda
El agente de IA presentado anteriormente recibirá datos de otro agente que analizará el correo electrónico para extraer los parámetros relevantes.
Paso 1: recopile el correo electrónico y descargue el archivo adjunto
El nodo de activación de Gmail recopila el cuerpo de correo electrónico y descarga el archivo adjunto.
El archivo (.csv) se convierte en JSON y se envía a través de la solicitud posterior al backend.
Ahora que el conjunto de datos está cargado, podemos proporcionar el cuerpo de correo electrónico al primer nodo del agente de IA.
Paso 2: Generación del plan de producción óptimo
Tenemos dos nodos de agentes de IA en este flujo de trabajo
- El analizador del agente de IA analiza el contenido de correo electrónico para extraer los parámetros que se devuelven en formato JSON.
- La solicitud de API del agente de IA Ingesta estos parámetros y consultas el backend de Fastapi para recuperar las salidas utilizado para generar el análisis escrito.
En la solicitud del sistema del primer nodo de agente de IA, detallamos cómo analizar el correo electrónico para recopilar los parámetros adecuados.
Las salidas de este analizador de agente de IA se envían al segundo agente de IA que consultará el backend.
En un mensaje mínimo del sistema, instruimos el Solicitud de API del agente de IA sobre cómo usar la herramienta.
Proporcionamos una descripción general de los parámetros disponibles:
Enumeramos las salidas del punto final de la API:
Detalamos la tarea esperada:
La salida del segundo agente se envía de regreso al equipo comercial por correo electrónico utilizando el último nodo Gmail.
El resumen incluye el conjunto mínimo de información (costos, lotes de producción) que el comercial necesita para proporcionar una cotización al cliente.
Conclusión
Este flujo de trabajo se ha implementado como un POC con dos usuarios que proporcionaron comentarios alentadores.
Estamos buscando casos de negocios para producir este enfoque y proponer la característica de todos nuestros productos analíticos.
Hasta ahora, se ha decidido que esta característica se utilizaría Para pedidos con artículos no críticos.
Flujos de trabajo de IA como habilitadores
Según mi experiencia en el diseño e implementación de productos de análisis, el obstáculo principal para la rápida adopción de una herramienta es su integración en los procesos y flujos de trabajo existentes.
Para los planificadores de productos que administran más de 100 referencias con docenas de clientes y partes interesadas internas, es preferible evitar aprender una nueva herramienta con una interfaz específica y pasos manuales adicionales.
Por lo tanto, los agentes de IA pueden utilizarse para integrar una herramienta en cualquier flujo de trabajo existente con un impacto mínimo y una carga de trabajo adicional para los usuarios.
Con el soporte de N8N, hemos experimentado con la integración de nuestros productos analíticos con JIRA para la planificación de la fuerza laboral, así como la utilización del telegrama para el enrutamiento de transporte y los módulos ERP utilizados por nuestros clientes.
¿Qué sigue?
Este flujo de trabajo se puede mejorar para aprovechar todo el potencial de los modelos de idiomas grandes (LLM).
Por ejemplo, podemos pedirle a los agentes que simulen múltiples escenarios de volúmenes para informar al cliente sobre si aumentar o reducir su cantidad ordenada para obtener un mejor precio.
Mientras le hayamos explicado al agente cómo usar la herramienta (es decir, nuestro producto analítico, empaquetado en un microservicio de Fastapi), podemos trabajar con ella como si tuviéramos un analista que pueda ejecutar escenarios.
Acerca de mí
Vamos a conectarnos LinkedIn y Gorjeo. Soy un ingeniero de cadena de suministro que utiliza análisis de datos para mejorar las operaciones logísticas y reducir los costos.
Para consultar o asesoramiento sobre análisis y transformación sostenible de la cadena de suministro, no dude en contactarme a través de Consultoría de logigreen.
Si está interesado en el análisis de datos y la cadena de suministro, mire mi sitio web.