Print Friendly, PDF & Email

Por Omar Alejandro Vilchis
Ciencia Amateur

La optimización ha estado siempre presente en la historia del ser humano. Desde un inicio, el ser humano desarrolló las herramientas enfocadas a reducir el esfuerzo físico, como la palanca y la rueda. Pero conforme la especie ha evolucionado, se comenzó a buscar la optimización mediante las matemáticas, y la programación lineal ha sido uno de los pasos más grandes, ya que en palabras de Dantzig (2016) permite trazar un camino de decisiones detalladas a tomar para cumplir de mejor manera nuestros objetivos cuando nos enfrentamos a situaciones prácticas de gran complejidad.

La visión de la optimización debe considerar no solo el factor de tener un solo proceso de maximización o minimización, sino que debe de incluir un proceso continuo e incluyente, por lo que en este artículo hacemos un análisis de estos factores claves para el futuro.

De la calculadora a la IA

Para entender el enfoque de la optimización hoy en día, es necesario retomar la historia de la evolución del procesamiento de datos por las computadoras. De acuerdo con Alpaydin (2016) las computadoras en un inicio servían meramente como calculadoras, pero la fuerza que impulsó el desarrollo de las mismas fue el entender que toda forma de información puede ser representada como números; con la llegada del internet, la conectividad permitía acceder a datos desde cualquier punto, lo que permite que hoy en día más que un teléfono, se fabriquen computadoras a escala. La cantidad de datos a procesar es increíblemente mayor de lo que la mente humana podría imaginar, de ahí nace la necesidad de optimizar la mayor cantidad de procesos para tener un desempeño eficiente por parte de distintos sectores interesados en ello, entre estos se encuentra el sector empresarial.

La implementación de machine learning llegó a innovar la planeación de producción

El sector empresarial busca la optimización para mejorar la producción y el manejo de inventarios. Tecnologías como la implementación de machine learning llegan cuando más allá de ordenar una lista de números o buscar una solución que arroje un solo resultado, se necesita un sistema que funcione en un ambiente que cambia constantemente y que no requiera la intervención de un ser humano para encontrar nuevas soluciones. La implementación de machine learning llegó a innovar la planeación de producción, ya que de acuerdo con Caicedo et al. (2019) desde la época de los setenta no ha habido publicaciones con un enfoque esencialmente nuevo para resolver modelos matemáticos de programación lineal aplicada a la planificación industrial, por lo que la llegada de machine learning implica una mejora al manejo de recursos con los que se cuenta en las empresas.

El gran dilema

La implementación de machine learning en las grandes compañías representa un beneficio para la optimización, pero supone también que la brecha de oportunidades que existe entre las pequeñas y medianas empresas y las grandes compañías se agrande. Tomando como punto de partida que es importante que las empresas comiencen el camino hacia una mejora continua mediante un buen sistema de programación de la producción, Ortiz y Caicedo (2015) mencionan que muchos productores tienen sistemas de programación de producción inefectivos, usando el caso de una PYME que produce al 95.79% de la capacidad disponible, lo que genera a la larga una importante pérdida de productividad, competitividad y tiempo.

La mejor forma de evitar la ampliación de la brecha es trabajar colaborativamente entre las pequeñas y grandes empresas en un sistema complejo en el que la técnica machine learning incluya la optimización desde el productor hasta el cliente final. De acuerdo a la firma Deloitte (2019), si se optimiza un inventario solo considerando la situación actual de la empresa, el efecto que se tendría sería una eliminación de excesos disminuyendo la cantidad de productos lentos, optimizando el objetivo de inventario y los acuerdos de nivel de servicio para clientes; mientras que, si se optimiza también a los contribuyentes del inventario, se optimizaría la planeación de operación y mantenimiento, se reduciría la variabilidad de la cadena de suministro, el tiempo de entrega y se podría contar con un inventario virtual actualizado en tiempo real.

La inclusión del suministro

Una de las propuestas a considerar es la que presentan Bas y Ozkok (2020) que incluye la minimización de costos totales, maximización del grado de importancia de los productos, y minimización de emisiones de CO2 mediante un modelo de programación lineal entera mixta que lleva los productos desde el proveedor hasta los centros de reciclado en donde se decide si se pueden reusar o se envían a un centro de eliminación de desechos.

Es importante considerar aportaciones como la de Ji y Luo (2019) que combina el Internet Físico, un modelo de cadena de suministro que emula al internet buscando la ruta óptima entre hubs con la optimización de producción e inventarios, pues de esta manera no solo se permitirá facilitar la implementación de machine learning en las industrias para que aprendan de las distintas opciones disponibles y se busque el camino más rápido, barato y menos contaminante, sino que también considere un crecimiento sostenible de todo tipo de empresas e industrias asegurando que todos los sectores sociales se puedan beneficiar por la aplicación de programación lineal en un futuro.

Datos del autor

Omar Alejandro Vilchis Argüelles es alumno de 5to. semestre de la Licenciatura en Mercadotecnia, de Escuela de Negocios del Tecnológico de Monterrey, Campus Estado de México (CEM). A01747085@itesm.mx

Asesor                                                        

Dr. Jaime Eduardo Martínez Sánchez, es profesor-investigador en el Departamento de Mercadotecnia y Análisis, de la Escuela de Negocios del Tecnológico de Monterrey, Campus Estado de México. Es miembro del Sistema Nacional de Investigadores. meduardo@tec.mx

Referencias

  • Alpaydin, E. (2016). Machine Learning: The New AI. The MIT Press.
  • Bas, S. A., & Ozkok, B. A. (2020). A Fuzzy Approach to Multi-Objective Mixed-Integer Linear Programming Model for Multi-Echelon Closed-Loop Supply Chain with Multi-Product Multi-Time Period. Operations Research & Decisions, 30(1), 25–46. https://0-doi-org.biblioteca-ils.tec.mx/10.37190/ord200102
  • Caicedo-Rolón, A. J., Criado-Alvarado, A. M., & Morales-Ramón, K. J. (2019). Modelo matemático para la planeación de la producción en una industria metalmecánica. Scientia et Technica, 24(3), 408–419. https://0-doi-org.biblioteca-ils.tec.mx/10.22517/23447214.16031
  • Dantzig, G. (2016). Linear Programming and Extensions. Princeton University Press.
  • Deloitte. (2019). Making the case for inventory optimization. Deloitte.
  • Ji, S., Peng, X., & Luo, R. (2019). An integrated model for the production-inventory-distribution problem in the Physical Internet. International Journal of Production Research, 57(4), 1000–1017. https://0-doi-org.biblioteca-ils.tec.mx/10.1080/00207543.2018.1497818
  • Ortiz-Triana, V. K., & Caicedo-Rolón, Á., Jr. (2015). Procedimiento Para La Programación Y Control De La Producción De Una Pequeña Empresa. Revista Ingeniería Industrial, 14(1), 49–104.

DEJA UN COMENTARIO

Por favor agrega un comentario!
Favor de ingresar tu nombre