La ciencia de las decisiones óptimas y cómo la aplican las organizaciones líderes.
Toda empresa se enfrenta a decisiones que son demasiado complejas para la intuición o la toma de decisiones manual únicamente. ¿Qué rutas de entrega minimizan los costos y cumplen con las promesas del día siguiente? ¿Cómo deberían secuenciar cientos de robots sus movimientos a lo largo de una fábrica sin colisionar? ¿Cómo se puede dotar de personal a una operación de atención médica las 24 horas del día, los 7 días de la semana de manera justa, conforme y eficiente?
Se trata de problemas en los que hay mucho en juego, las opciones son casi infinitas y la elección equivocada resulta costosa. También comparten un rasgo común: la cantidad de soluciones posibles es tan amplia que ningún ser humano (y ninguna regla simple) puede encontrar de manera confiable la mejor.
Las empresas necesitan una IA que decida con certeza matemática.
Las organizaciones líderes recurren cada vez más a la optimización matemática, un subcampo especializado de la IA complementario al aprendizaje automático, para navegar esa complejidad y encontrar respuestas que superen considerablemente el status quo. Aplicarlo bien requiere una profunda experiencia científica y una infraestructura que pueda ampliarse.
Un equipo de científicos especializados del Centro de innovación de IA generativa de AWS hace exactamente este trabajo: resolver los problemas más desafiantes y de alto impacto de los clientes a través de la innovación científica. Trabajando en retrospectiva a partir de las necesidades de los clientes, el equipo combina experiencia en IA, modelado matemático, optimización, computación cuántica e informática de alto rendimiento para ofrecer resultados comerciales mensurables, todo ello impulsado por los servicios en la nube de AWS.
En esta publicación, presentamos la optimización matemática, explicamos cómo encaja en el panorama más amplio de la IA y mostramos historias de éxito del mundo real en las que el Centro de Innovación se ha asociado con clientes para ofrecer resultados concretos.
Dónde encaja la optimización en el panorama de la IA
La optimización matemática es la ciencia de encontrar la mejor decisión posible a partir de un amplio conjunto de alternativas, sujeta a restricciones del mundo real. En esencia, es un análisis prescriptivo: no solo le dice lo que sucedió (descriptivo) o lo que podría suceder (predictivo). Le indica lo que debe hacer para lograr sus metas, dadas sus limitaciones y objetivos.
Si el aprendizaje automático es IA inductiva (aprender patrones de muchos ejemplos para hacer predicciones probabilísticas), la optimización matemática es IA deductiva. Aplica principios matemáticos a problemas comerciales específicos y ofrece decisiones definitivas y demostrablemente óptimas.
Optimización matemática Enfoque de aprendizaje automático IA deductiva: aplica principios generales a problemas específicos IA inductiva: aprende patrones de muchos ejemplos específicos Salida Decisiones óptimas definitivas Predicciones probabilísticas Fortaleza Razonamiento exacto sobre restricciones estrictas y horizontes largos Reconocimiento de patrones en datos no estructurados
La mayor parte de la IA empresarial es probabilística: aprende patrones y le brinda una respuesta probable. Para tareas de reconocimiento de patrones, eso funciona. Pero las decisiones operativas con restricciones estrictas (cumplimiento normativo, límites de capacidad física, ventanas de tiempo) necesitan respuestas definitivas, no aproximaciones seguras.
La optimización encuentra la mejor solución matemática dentro de esas limitaciones. “Esta ruta es probablemente eficiente” se convierte en “esta es la ruta óptima dadas todas las restricciones de su sistema”.
El Centro Fidelity de Tecnología Aplicada (FCAT®) vio esta brecha de primera mano. Los modelos de ML del equipo ya ofrecían un sólido rendimiento predictivo para las decisiones de inversión y la gestión de riesgos, pero querían asegurarse de que estos modelos fueran interpretables además de su precisión subyacente. FCAT colaboró con el Centro de Innovación para crear técnicas de optimización que incorporen la explicabilidad directamente en la construcción del modelo, en lugar de intentar explicar una caja negra a posteriori. El resultado: IA compatible sin sacrificar el rendimiento predictivo, además de marcos reutilizables para el desarrollo continuo.
En lugar de competir, la optimización matemática y el ML forman potentes procesos de predicción y optimización: los modelos de aprendizaje automático pronostican la demanda o predicen fallas, y la optimización utiliza esas predicciones para tomar las mejores decisiones posibles. Así como el razonamiento automatizado en Amazon Bedrock Guardrails limita la IA generativa a resultados factuales, la optimización limita la toma de decisiones a resultados demostrablemente válidos.
Consideremos la red logística de Amazon en la UE: 90 almacenes, 34 centros de clasificación, 242 estaciones de distribución y más de 11.000 rutas. Los modelos de ML predicen patrones de demanda en esta red. Pero decidir cuándo deben partir los camiones (y al mismo tiempo satisfacer las limitaciones de turnos, capacidad y espacio) requiere optimización. El Centro de Innovación desarrolló dos enfoques de optimización complementarios que generaron mejoras de +20 a +50 puntos básicos en la cobertura al día siguiente, lo que se tradujo en decenas de millones de dólares en valor comercial.
Tanto la optimización matemática como el ML se ejecutan a partir de datos, se benefician de los avances en hardware y computación en la nube y están arraigados en matemáticas profundas. Juntos, representan cómo la ciencia, los datos y la infraestructura de la nube resuelven problemas comerciales complejos a escala.
como funciona
El Centro de Innovación aborda cada desafío de optimización con un marco consistente de cuatro pasos:
Descubra: trabaje con el cliente para identificar oportunidades de optimización de alto impacto, examinar los enfoques existentes y los métodos de última generación, y definir objetivos claros y criterios de éxito mensurables. Modelo: cree una representación matemática del problema empresarial, capturando objetivos (qué optimizar), variables de decisión (qué se puede controlar) y restricciones (qué límites existen). Un modelo bien construido transforma un desafío empresarial vago en una formulación precisa y con solución. Resolver: diseñar o configurar el enfoque algorítmico adecuado para el tamaño y la estructura del problema, desde métodos exactos como programación de restricciones y programación de enteros mixtos hasta metaheurísticas como algoritmos genéticos y heurísticas personalizadas adaptadas al problema específico. Arquitecto: aproveche los servicios de AWS para diseñar una infraestructura en la nube que escale, se integre con los sistemas existentes y ofrezca resultados dentro de los plazos operativos.
Figura 1: El flujo de trabajo de optimización
Para ver cómo se ve esto en la práctica: BMW Group, una gran empresa automotriz con sede en Alemania, utiliza cientos de robots por planta para aplicar sellador a las uniones del chasis de los automóviles para impermeabilizarlos y protegerlos contra la corrosión. Averiguar la secuencia óptima para la trayectoria de cada robot (qué costura golpear a continuación, en qué dirección, con qué herramienta) tiene más combinaciones posibles que las que cualquier regla humana o simple puede evaluar.
El Centro de Innovación siguió este marco para descubrir el cuello de botella de la secuenciación, modelar el problema como una optimización combinatoria sobre rutas de robots y cambios de herramientas, resolverlo con algoritmos personalizados adaptados a la estructura del problema y diseñar una solución reutilizable que BMW ahora puede aplicar a cualquier desafío de secuenciación en sus operaciones de fabricación. El resultado: hasta un 10% de mejora en el tiempo de ciclo del robot por carrocería.
De problemas resueltos a soluciones reutilizables
Las mejores soluciones producen una metodología reutilizable, no sólo resultados únicos. Dos desafíos de los clientes ilustran cómo resolver bien un problema específico puede generar algo más amplio.
Delivery Hero: logística de media milla. Delivery Hero, líder en entrega de alimentos y comercio rápido, mueve entre 50 y 150 paletas de comestibles diariamente desde los centros de distribución a los centros logísticos de los vecindarios en entornos urbanos densos, con destinos cambiantes y plazos estrictos. Esto se planificó manualmente. El Centro de Innovación creó una solución automatizada de rutas de vehículos en AWS que demostró el potencial de ahorrar hasta un 24 % en los costos de planificación de media milla en múltiples sectores, al tiempo que mejoraba la confiabilidad del reabastecimiento y reducía los retrasos en las entregas.
Lifeblood de la Cruz Roja Australiana: programación de la fuerza laboral. La Cruz Roja Australiana Lifeblood (Lifeblood) es una organización australiana sin fines de lucro que recaudó más de 1,6 millones de donaciones de sangre en 2023 (600.000 más que en 2022). La recolección de donaciones de sangre no sería posible sin las miles de enfermeras de Lifeblood en aproximadamente 100 centros de donación. Sin embargo, garantizar que los centros de donantes cuenten con el número adecuado de enfermeras con el nivel adecuado de experiencia y al mismo tiempo considerar otros factores del mundo real es un difícil problema de optimización combinatoria. El Centro de Innovación formuló el problema de optimización total a escala industrial como un modelo de programación de restricciones y luego utilizó el solucionador CP-SAT de última generación y, utilizando datos sintéticos, demostró una reducción de costos teórica del 7 % y una reducción de costos del 46 % al duplicar el suministro.
Las metodologías probadas en estos proyectos ahora están disponibles como soluciones aceleradas para nuevos clientes:
Solución de optimización y despacho de rutas (ROaDS): nacida del trabajo de Delivery Hero: un marco configurable para rutas de vehículos, optimización logística y planificación de servicios de campo. Codifica patrones de soluciones probados en componentes que aceleran el tiempo de obtención de valor. Workforce Intelligence and Scheduling Engine (WISE): Basado en la metodología Lifeblood, una base configurable para la programación y la asignación de personal en todas las industrias. Proporciona un punto de partida sólido que puede adaptarse a las limitaciones únicas de cada organización.
Ambos brindan a los clientes propiedad total y flexibilidad para personalizar, reduciendo el camino hacia la producción y al mismo tiempo abordando los objetivos específicos de cada organización.
Asóciese con el Centro de innovación de IA generativa de AWS
La optimización matemática convierte decisiones operativas complejas en ventajas competitivas: 10 % de aumento en la eficiencia de la producción, 24 % de reducción de costos logísticos y decenas de millones en ingresos incrementales gracias a una mejor cobertura de entrega. Desde el enrutamiento hasta la programación y el diseño de la red, el equipo aporta la profundidad científica y la experiencia de AWS para lograrlo. Si está explorando su primer caso de uso de optimización o escalando una capacidad en toda la empresa, comuníquese con su equipo de cuenta de AWS para iniciar una conversación sobre sus flujos de trabajo, sus datos y sus resultados comerciales.
Sobre los autores
Sri Elaprolu
Sri Elaprolu es un líder tecnológico con más de 28 años de experiencia que abarca inteligencia artificial, aprendizaje automático e ingeniería de software. Como director del Centro de innovación de IA generativa de AWS, Sri trabaja con un equipo global de científicos, estrategas e ingenieros de IA que aplican los últimos avances en IA generativa y agencia para resolver desafíos complejos para empresas comerciales y organizaciones del sector público. Actualmente, Sri lidera equipos dentro del Centro de Innovación enfocados en acelerar áreas emergentes dentro del dominio de la IA, incluida la personalización de FM, la gobernanza de la IA, la seguridad GenAI, el escalado de la IA agente, la IA física y las tecnologías de punta.
Martín Schuetz
Martin Schuetz es gerente senior de investigación del Centro de innovación de IA generativa de AWS y líder global del Laboratorio de soluciones avanzadas de Amazon, un equipo interdisciplinario de científicos dedicado a acelerar la comprensión y la adopción de tecnologías avanzadas por parte de nuestros clientes. Martin tiene un doctorado en física cuántica y una maestría. en Ingeniería Industrial. Fue becario Fulbright y asociado de Física de Harvard, y trabajó durante varios años como investigador académico centrado en simulación cuántica y óptica cuántica, en ETH Zurich, el Instituto Max Planck de Óptica Cuántica y la Universidad de Harvard. Hoy, Martin trabaja con los clientes para ayudarlos a resolver algunos de sus problemas más difíciles a través de la innovación científica, diseñando y construyendo soluciones de vanguardia en AWS.