Ganancias:
- Capacidad para identificar problemas de diseño de la red de la cadena de suministro, rutas y distribución del almacén.
- Capacidad para utilizar IA en la generación de escenarios, listado de restricciones y construcción de modelos de optimización.
- Capacidad para validar soluciones sugeridas por IA con limitaciones de costo, capacidad y entrega.
La cadena de suministro es todo el flujo de materiales, información y dinero desde las materias primas hasta el cliente final. Cada decisión en esta red (dónde abastecerse, en qué almacén abastecerse, qué ruta enviar) logra un equilibrio entre costo, velocidad y durabilidad. La optimización aquí no es mágica, significa una función objetivo y restricciones bien definidas. La inteligencia artificial es muy poderosa en esta área para estructurar el problema, generar escenarios, enumerar restricciones y redactar el modelo de optimización; Pero las afirmaciones sobre la “mejor solución” siempre deben validarse frente a las limitaciones y los costos reales. En esta unidad, discutiremos el diseño de redes, la optimización de rutas y las decisiones de almacén con soporte de IA.
Mapa de problemas de optimización de la cadena de suministro
Reconocer los problemas de optimización es el primer paso para construir el modelo correcto.
problema
variable de decisión
Propósito típico
diseño de red
¿Qué instalación/almacén debería abrirse?
Costo total fijo + variable mínimo
Asignación/asignación
¿Qué cliente de qué almacén?
Costo de transporte mínimo
Rutas de vehículos (VRP)
¿Qué vehículo hace qué paradas y en qué orden?
Distancia total/tiempo mínimo
disposición del almacén
¿Dónde deben colocarse los productos?
Distancia de recogida mín.
Selección del modo de transporte
Tierra/mar/aire
Equilibrio costo-velocidad
El marco común de todo problema es el mismo: variables de decisión, función objetivo, restricciones. La contribución más valiosa de la IA es que le ayuda a traducir un problema empresarial en estos tres componentes.
Rol: Eres ingeniero industrial especializado en optimización de la cadena de suministro. Tarea: Traducir el siguiente problema empresarial a un modelo de optimización. Especifique: (1) variables de decisión, (2) función objetivo, (3) restricciones (capacidad, satisfacción de la demanda, no negatividad), (4) tipo de problema. Problema: "Tenemos 3 fábricas y 5 centros de distribución. La capacidad de cada fábrica y la demanda de cada centro son ciertas. Los costos unitarios de transporte de la fábrica al centro son diferentes. Minimice el costo total de transporte. Queremos descargarlo". Regla: nombre el tipo de modelo (por ejemplo, problema de transporte), escriba los supuestos claramente.
Este es un problema de transporte clásico. La IA puede reconocer esto y construir el esqueleto matemático correcto; También colocas datos reales de capacidad y demanda.
Optimización de rutas (VRP) y la importancia de las restricciones
Las rutas de vehículos son el problema más frecuente y mal identificado en la práctica. Existe una gran diferencia entre el “camino más corto” (TSP) simple y el VRP verdadero: capacidad del vehículo, ventanas de tiempo (horas en las que el cliente puede recoger), límites de tiempo de conducción, vehículos múltiples.
Precaución: cuando la IA recomienda una ruta, a menudo “olvida” o se aproxima a las limitaciones de capacidad y ventana de tiempo. Una ruta cargada con más carga de la que un vehículo puede transportar puede parecer "corta", pero no es práctica. Verifique cada ruta individualmente para conocer la carga total ≤ capacidad y la hora de llegada ∈ ventana de tiempo.
Aviso débil / Aviso fuerte
Aviso débil:
Indique la ruta más corta para estas 8 paradas.
Si no hay capacidad, ventana de tiempo ni número de vehículos, la IA ofrece una clasificación sencilla; No aguanta en funcionamiento real.
Potente mensaje:
Sugiera un plan de ruta para los siguientes 8 clientes. Son 2 vehículos, la capacidad de cada uno es de 100 unidades. Se adjunta la demanda de cada cliente y la ventana de tiempo. Salida del almacén 08:00. Suponga una velocidad promedio de 40 km/h. Salida: orden de paradas para cada vehículo, carga acumulada (sin exceder la capacidad), tiempos de llegada estimados (para ajustarse a la ventana de tiempo), distancia total. Si hay una violación de una restricción, indíquela claramente y sugiera una alternativa. Datos: {{... }}
El segundo mensaje impone explícitamente restricciones y solicita a la IA que verifique las violaciones. Sin embargo, es fundamental verificar el resultado con un solucionador o manualmente; La IA no garantiza una optimización absoluta.
¿Óptimo o simplemente "bueno"?
Aquí hay un concepto crítico: la solución que encuentra la IA (y la mayoría de los métodos prácticos) es a menudo una buena solución (heurística), no óptima. El verdadero óptimo se encuentra mediante un solucionador matemático (como OR-Tools, Gurobi, PuLP) que resuelve el modelo construido correctamente. El papel de la IA es construir el modelo, no resolverlo.
Escribe un esqueleto modelo para resolver el siguiente problema de transporte con Python PuLP:- Variables de decisión x[i][j] (i fábrica, j centro)- Objetivo: minimización de costos totales- Restricción: oferta de cada fábrica, demanda de cada centro, x >= 0Explica el código con comentarios, pero ingresaré los datos numéricos. Además: enumere las comprobaciones que debo hacer cuando salga la solución.
Consejo: en lugar de decirle a la IA que "escriba el código y lo descubra", dígale "escribe el código y lo ejecutaré". Esto hace que la optimización sea una verdadera solución; No confías en los números inventados (y no verificados) por IA que dicen "aquí está mi solución".
Decisiones de almacén y ubicación
La colocación del producto en el almacén afecta directamente a la distancia de recogida. El principio básico es colocar los artículos que se mueven con frecuencia (alta rotación) cerca del punto de recogida (ubicación ABC). La IA puede producir un esquema de propuesta de diseño con datos de movimiento del producto; Sin embargo, las limitaciones físicas (tamaño de los estantes, peso, separación de materiales peligrosos, cadena de frío) deben ser supervisadas por humanos.
Minicaso: Falta de papel, imposible en el terreno
Una empresa de distribución realiza 40 entregas al día con 3 vehículos. El ingeniero industrial Selin proporciona las paradas, solicitudes y capacidades de los vehículos a la IA y solicita un plan de ruta. La IA produce un disparo que se ve bien y tiene una distancia total baja. Pero cuando Selin verifica, se da cuenta de que la carga acumulada en la ruta de un vehículo excede la capacidad en un 15%; También hay dos paradas donde el cliente puede recoger por la tarde pero está prevista para la mañana. Selin escribe las restricciones más claramente en el mensaje y las reproduce, luego verifica el plan con OR-Tools. El resultado se vuelve factible. Lección: El plan que la IA llamó "el más corto" no era en realidad el más corto e incluso no era válido debido a violaciones de restricciones.
Errores comunes
- No especificar restricciones: Solicitar una ruta sin capacidad, ventana horaria y número de vehículos.
- Confundir la IA con un solucionador: aceptar la solución "óptima" proporcionada por la IA como un resultado real del solucionador.
- No verificar violaciones de restricciones: implementar el plan sin verificar la carga acumulada y los tiempos de llegada.
- Centrándonos en un único objetivo: Optimizar sólo costes y olvidarnos de durabilidad/riesgo (dependencia de un único proveedor).
- No utilizar costos reales: construir un modelo con costos unitarios predeterminados/fabricados y no actualizarlo con datos reales.
En resumen
- Toda optimización de la cadena de suministro se reduce a tres componentes: variables de decisión, función objetivo y restricciones.
- La contribución más valiosa de la IA es traducir el problema empresarial al tipo de modelo correcto (transporte, VRP, asignación).
- Las limitaciones de capacidad y ventana de tiempo son cruciales en VRP; La IA los omite con frecuencia, asegúrese de revisarlos.
- La IA construye, no resuelve; Un solucionador (PuLP, OR-Tools) debería realizar la optimización real.
- Además del costo, el objetivo también debe ser la durabilidad y el riesgo; La dependencia de un único proveedor o de una única ruta es un coste oculto.
Tarea de aplicación
Construya un problema de suministro/distribución (por ejemplo, 3 almacenes, 5-8 clientes, demandas y capacidad de los vehículos). Primero, haga que la IA modele el problema como una variable de decisión, un objetivo y una restricción y nombre el tipo de problema. Luego proporcione un escenario VRP y solicite un plan de ruta; Consulta tú mismo en la salida la carga acumulada y los tiempos de llegada de cada vehículo. Verificación crítica: sume manualmente la carga total de al menos un vehículo y compárela con la capacidad y busque una infracción de restricción. Finalmente, haga que la IA escriba el esqueleto del código del solucionador (PuLP) y diseñe un flujo de trabajo que evite que la IA genere números falsos, con un enfoque de "ejecutaré la solución".