Optimización del algoritmo de ‘slotting’ con IA
“El algoritmo de optimización de ‘slotting’ mejorará la eficiencia en depósitos con alta demanda”
Sobre el proyecto de investigación
En depósitos con una gran rotación de productos, decidir dónde colocar cada artículo y cuándo debe moverse puede marcar la diferencia entre la eficiencia y los cuellos de botella. El Intelligent Logistics Systems Lab del MIT y Mecalux están desarrollando un sistema de asignación de ubicaciones basado en IA para lograr que los depósitos se adapten a la demanda cambiante de forma instantánea.
Las investigadoras Selene Silvestri y Sarah Schaumann, del Center for Transportation and Logistics del MIT, explican cómo este proyecto conjunto ayudará a las empresas a optimizar sus operaciones, disminuir costos y responder mejor a la volatilidad.
-
¿En qué consiste el proyecto en el que están trabajando y cuál es su objetivo principal?
Selene Silvestri: Nuestro objetivo es mejorar la asignación de espacios en el depósito. En pocas palabras, queremos comprender cuándo y dónde conviene reposicionar los productos en la instalación, ya sea por cambios en la demanda o en los parámetros operativos.
El sistema aprende de los datos, respalda la toma de decisiones y proporciona una visión clara sobre por qué los productos se ubican en determinadas posiciones y por qué se mueven
-
¿Qué beneficios puede aportar este sistema basado en IA a la operativa del depósito?
Sarah Schaumann: La finalidad del algoritmo de optimización es rebajar los costos de preparación de pedidos, reducir el plazo de procesamiento de las órdenes y minimizar los recorridos de picking, tanto de humanos como de robots. La tecnología que estamos desarrollando aprende de los datos, respalda la toma de decisiones y proporciona una visión clara sobre por qué los productos se ubican en determinadas posiciones y por qué se mueven.
La adopción de técnicas de machine learning e IA generativa en el proyecto cambiará la gestión y la forma de operar en los depósitos. También influirá en la rentabilidad, ya que una ubicación más inteligente aumenta la productividad, disminuye los niveles de stock y mejora el retorno de la inversión.
-
¿Cómo ayuda el aprendizaje automático a optimizar la ubicación de productos en el depósito?
Nuestra idea es desarrollar un modelo híbrido que combine la investigación operativa con métodos de machine learning para unir el potencial de ambos mundos Selene Silvestri: Una de las aplicaciones clave del aprendizaje automático es la agrupación de productos. A partir del análisis de datos históricos de pedidos, las técnicas de machine learning pueden identificar qué grupos de referencias se solicitan juntos frecuentemente. Así, el algoritmo ubica los productos con alta afinidad más cerca entre sí y acorta las distancias de picking. Además, el sistema tiene en cuenta posibles congestiones en el depósito: las decisiones de slotting que puedan generar aglomeraciones de operarios se penalizan para favorecer un flujo de trabajo más fluido.
-
¿Cómo optimizarán la asignación del espacio para pallets con inteligencia artificial?
Sarah Schaumann: Los métodos tradicionales a menudo no se adaptan bien a los cambios, la estacionalidad y la variabilidad de pedidos. Nuestra idea es desarrollar un modelo híbrido que combine la investigación operativa con métodos de machine learning para unir el potencial de ambos mundos. Estas técnicas permiten identificar patrones en los datos del depósito que resultan difíciles de captar con los métodos de optimización tradicionales. En resumen, el nuevo algoritmo de optimización de slotting mejorará la eficiencia operativa en depósitos con alta demanda.