La promesa de la IA de tomar decisiones mejores y m\u00e1s r\u00e1pidas basadas en una comprensi\u00f3n profunda de los datos es cada vez m\u00e1s clara. <\/p>\n\n
Pero en la cadena de suministro y la log\u00edstica, incluso los errores peque\u00f1os pueden convertirse en crisis importantes y costosas. Como CTO de project44, creo firmemente que el avance en la IA debe ir de la mano de un enfoque implacable en la responsabilidad. Nuestras decisiones \u2014m\u00e1s bien, las decisiones que toma la IA en funci\u00f3n de c\u00f3mo la activamos\u2014 pueden afectar la vida y los medios de subsistencia; la IA responsable es el \u00fanico camino viable. <\/p>\n\n
Dado que la innovaci\u00f3n responsable es el \u00fanico camino viable, nuestro enfoque del desarrollo de IA en project44 se centra en dos principios cr\u00edticos: <\/strong> <\/p>\n\n Generar confianza, tanto en los usuarios finales como en el liderazgo de la cadena de suministro, es fundamental para lograr una adopci\u00f3n m\u00e1s amplia y un mayor valor de la IA. Al adherirnos a estos principios, nuestro objetivo es implementar una IA que no solo sea potente, sino que tambi\u00e9n sea fiable para las operaciones de la cadena de suministro mundial. <\/p>\n\n La salida interpretable<\/strong> simplemente significa que los usuarios siempre pueden entender lo que hace un agente de IA y por qu\u00e9 lo hace. En la pr\u00e1ctica, este principio se traduce en la creaci\u00f3n de sistemas de IA cuyas decisiones y recomendaciones se puedan explicar f\u00e1cilmente en t\u00e9rminos humanos. <\/p>\n\n Si una IA sugiere mantener un env\u00edo en un centro de distribuci\u00f3n o redirigir un cami\u00f3n de entrega, nuestros usuarios no deber\u00edan quedarse adivinando la raz\u00f3n. Deben ver de inmediato los factores que influyeron en esa decisi\u00f3n, ya sea un retraso en el tr\u00e1fico, un ping del sensor perdido, una alerta meteorol\u00f3gica o alg\u00fan otro desencadenante. <\/p>\n\n Al dise\u00f1ar un resultado interpretable, nos aseguramos de que nuestra IA se comporte menos como una \u00abcaja negra\u00bb misteriosa y m\u00e1s como un colega bien entrenado que puede articular su razonamiento.<\/strong> <\/p>\n\n Veamos dos ejemplos de c\u00f3mo esto toma forma en la plataforma project44: <\/p>\n\n Los clientes a menudo buscan claridad sobre los datos que utilizamos para las predicciones de la ETA: los eventos que consideramos y los que ignoramos. Para solucionar este problema, hacemos visibles los \u00abingredientes\u00bb de cada ETA. <\/p>\n\n Categorizamos los factores clave que determinan una ETA en grupos distintivos: tiempos de permanencia en las paradas, estado de finalizaci\u00f3n de hitos, calidad del ping del GPS, desviaciones de la ruta e incluso patrones de tr\u00e1fico a la hora del d\u00eda. Nuestra plataforma realiza un seguimiento de estos factores en tiempo real e implementa un per\u00edodo de tiempo variable para marcar cualquier desviaci\u00f3n importante en la ETA, lo que garantiza que se registren y expliquen los cambios significativos. <\/p>\n\n Por ejemplo, si un evento de permanencia no programado causa un retraso (digamos que la ETA se mueve de las 2 a las 6 pm), un usuario ve la actualizaci\u00f3n y una explicaci\u00f3n como: \u00abETA ajustada debido a una parada no planificada en la instalaci\u00f3n X\u00bb. Adem\u00e1s, implementaremos una ventana temporal m\u00f3vil para realizar un seguimiento de las principales desviaciones, lo que nos permitir\u00e1 realizar un seguimiento y notificar los cambios significativos en las estimaciones de la ETA. Esto evita al usuario actualizaciones sorpresa de la ETA y le da una raz\u00f3n espec\u00edfica para el cambio. <\/p>\n\n Al rastrear sistem\u00e1ticamente las desviaciones y proporcionar estas explicaciones contextuales, generamos confianza en nuestras predicciones de tiempo de llegada: los usuarios pueden tomar decisiones informadas porque entienden el por qu\u00e9 <\/em>detr\u00e1s de los tiempos de llegada que se pronostican. <\/p>\n\n Aplicamos el mismo principio de transparencia a los asistentes digitales que funcionan con IA en nuestra plataforma. <\/p>\n\n Considere a MO, nuestro asistente de la cadena de suministro dise\u00f1ado para responder preguntas espec\u00edficas de la cadena de suministro de forma r\u00e1pida y precisa (por ejemplo: recuperar informaci\u00f3n del env\u00edo). Hemos creado un m\u00f3dulo de explicabilidad que, por as\u00ed decirlo, \u00abecha un vistazo\u00bb a la mente del chatbot y expone el proceso de razonamiento al usuario. El m\u00f3dulo: <\/p>\n\n Por ejemplo: si un usuario pregunta: \u00ab\u00bfCu\u00e1les son mis env\u00edos retrasados hoy?\u00bb MO no se limita a escupir una respuesta y dejar que el usuario se pregunte c\u00f3mo se determin\u00f3. Entre bastidores, el asistente de IA traduce esa pregunta en lenguaje natural en una consulta a la base de datos, y nuestro sistema mostrar\u00e1 al usuario una descripci\u00f3n de esa consulta en lenguaje sencillo. En este caso, el asistente puede buscar env\u00edos cuya hora de llegada real sea posterior a la hora de llegada prevista. Luego, el m\u00f3dulo de explicabilidad muestra algo como: \u00abPara determinar los env\u00edos retrasados, he consultado la base de datos de env\u00edos que tenga env\u00edos de llegada_real<\/em> que sean posteriores a la llegada_prevista<\/em>\u00bb. <\/p>\n\n Este nivel de interpretabilidad es invaluable en un contexto empresarial: los usuarios pueden estar seguros de que la IA no hace saltos de fe, sino que sigue las reglas del negocio y los datos como lo har\u00eda un analista bien capacitado. <\/p>\n\n El segundo pilar de la IA responsable en project44 es la Redundancia del sistema<\/strong>. Este principio reconoce que la IA solo es tan buena como los datos y los sistemas en los que se basa. <\/p>\n\n Para minimizar el riesgo, incorporamos m\u00faltiples capas de validaci\u00f3n y copias de seguridad en nuestros flujos de trabajo de IA. En otras palabras, nunca queremos un \u00fanico punto de fallo o una \u00fanica fuente verdadera que, si es incorrecta, pueda llevar a una mala decisi\u00f3n que pase desapercibida. Cada acci\u00f3n impulsada por IA debe basarse en la informaci\u00f3n m\u00e1s precisa y actualizada disponible. Siempre que sea posible, debe cotejarse con otro modelo, conjunto de datos o conjunto de reglas antes de que afecte al mundo f\u00edsico de los env\u00edos y el inventario. <\/p>\n\n Nuestra plataforma integra una amplitud sin precedentes de datos de la cadena de suministros en tiempo real. No, de verdad, project44 tiene el mayor conjunto de datos de la cadena de suministros del mundo,\u00a0que aprovechamos al m\u00e1ximo antes de que un agente de IA act\u00fae. <\/p>\n\n Con m\u00e1s de 255 millones de env\u00edos gestionados y dos millones de transportistas en nuestra red, project44 tiene el mayor conjunto de datos de cadena de suministro del mundo. El sistema de project44 procesa alrededor de 3,3 millones de pings de ubicaci\u00f3n de env\u00edos por carretera por d\u00eda en Am\u00e9rica del Norte y alrededor de 66 millones de actualizaciones de la posici\u00f3n de los buques por d\u00eda para el transporte mar\u00edtimo global. Estos millones de puntos de datos (que van desde las coordenadas de GPS de los camiones hasta los eventos de salida de los puertos y las fuentes meteorol\u00f3gicas) sirven como una base de datos en vivo y robusta para nuestra IA. Con este volumen y diversidad de informaci\u00f3n entrante, podemos verificar constantemente los resultados de la IA con la realidad en tiempo real. Si una se\u00f1al es inexacta o se retrasa, es probable que otra se\u00f1al la detecte. Esta redundancia de datos garantiza que nuestros algoritmos basan sus decisiones en una imagen coherente y correcta del entorno de la cadena de suministros. <\/p>\n\n Por ejemplo: si nuestro modelo predictivo pronostica un retraso, lo corroboramos con actualizaciones del mundo real sobre el terreno. \u00bfHay realmente un atasco de tr\u00e1fico en esa ruta? \u00bfEl \u00faltimo ping del cami\u00f3n confirm\u00f3 que est\u00e1 detenido? Verificamos a trav\u00e9s de estos canales de datos redundantes antes de que la decisi\u00f3n de la IA (como el reencaminamiento de un env\u00edo) sea de plena confianza. <\/p>\n\n Tambi\u00e9n integramos redundancia en el nivel algor\u00edtmico. En lugar de basarse en los resultados de un \u00fanico modelo, nuestra arquitectura a menudo utiliza enfoques de conjunto o reglas alternativas. Si el Modelo A indica una anomal\u00eda que podr\u00eda desencadenar una acci\u00f3n dr\u00e1stica, hacemos que el Modelo B (o un conjunto de reglas operativas) verifique autom\u00e1ticamente esa anomal\u00eda. <\/p>\n\n En los escenarios en los que una acci\u00f3n de IA pueda tener graves consecuencias (por ejemplo, la reordenaci\u00f3n autom\u00e1tica del inventario o el redireccionamiento de mercanc\u00edas de alto valor), nos aseguramos de que haya una salvaguardia: podr\u00eda tratarse de otro modelo que valide la decisi\u00f3n, o incluso de una aprobaci\u00f3n humana en el proceso para las decisiones m\u00e1s cr\u00edticas. El objetivo es que nunca se conf\u00ede ciegamente en las interpretaciones de IA sin verificaci\u00f3n. <\/p>\n\n Para fortalecer a\u00fan m\u00e1s la fiabilidad de los datos (una parte fundamental de la redundancia), hemos introducido agentes de calidad de datos basados en IA en nuestra plataforma. <\/p>\n\n Estos agentes trabajan continuamente para identificar y solucionar problemas con los datos para que nuestra IA no funcione con informaci\u00f3n defectuosa o que falte. Por ejemplo, si el feed de seguimiento de un transportista en particular se queda en silencio o una parte de la informaci\u00f3n de un env\u00edo parece inconsistente, un agente de calidad de datos de IA resolver\u00e1 esa brecha de manera aut\u00f3noma, a menudo antes de que alguien siquiera se d\u00e9 cuenta del problema. Esto ha permitido mejorar significativamente la utilidad de los datos de nuestros clientes, lo que ha reducido las lagunas de datos en hasta un 50 % y ha eliminado muchas tareas de seguimiento manual a los transportistas. Al garantizar de forma proactiva la integridad y la precisi\u00f3n de los datos, reducimos el riesgo de que la IA tome una decisi\u00f3n err\u00f3nea debido a datos incompletos. <\/p>\n\n En resumen, la redundancia del sistema consiste en garantizar la robustez: tener varios \u00abojos\u00bb en el problema para que, incluso si falla un elemento del sistema de IA, otro lo compense y las decisiones sean correctas y fiables.<\/strong> <\/p>\n\n Al emplear las t\u00e9cnicas mencionadas anteriormente, mejoramos en gran medida la explicabilidad y la transparencia de nuestros sistemas de IA, desde el an\u00e1lisis de los prompts hasta los datos redundantes. Pero la IA explicable no es solo una sutileza acad\u00e9mica; es un imperativo estrat\u00e9gico para industrias como la cadena de suministro y la log\u00edstica. <\/p>\n\n A medida que la IA est\u00e1 cada vez m\u00e1s integrada en la toma de decisiones, los jefes deben asegurarse de que estos sistemas sean transparentes y responsables. Estas son algunas de las razones por las que: <\/p>\n\n\n
\n
Salida interpretable: claridad en las Acciones basadas en IA <\/h2>\n\n
Predicciones transparentes de la hora estimada de llegada (ETA) <\/h2>\n\n
Asistentes de IA explicables <\/h2>\n\n
\n
\n
\n
Redundancia del sistema: garantizar la precisi\u00f3n y la fiabilidad <\/h2>\n\n
Profundidad y redundancia de los datos <\/h3>\n\n
Amplitud algor\u00edtmica y redundancia <\/h3>\n\n
Un ojo para la calidad de los datos <\/h3>\n\n
Por qu\u00e9 la IA transparente y responsable es importante para los l\u00edderes de la cadena de suministros <\/h2>\n\n