Los computadores pueden ser utilizados para procesar y analizar grandes volúmenes de datos en configuraciones complejas. Máquinas de inteligencia artificial pueden reconocer y recordar padrones y de esta manera reaccionar como nosotros lo haríamos cuando nuevas situaciones con padrones similares se presentan, probando que hemos definido el resultado ideal. Esto es faciliitado por el aprendizaje supervisado. Las máquinas también son capaces de aprender sin resultados predefinidos determinando las conclusiones. En este caso, las máquinas muestran los resultados deseados e incluso sorprendentes.
Con la ayuda de los asistentes digitales, el sistema puede trabajar a través de sugerencias que son adoptadas, ajustadas o rechazadas en el centro de control. Aquellos que creen en la capacidad del sistema pueden dejar encargado al sistema automatizado, mientras las personas controlan la situación, con la opción de intervenir a cualquier momento. Es importante decir que las intervenciones frecuentes perjudicarán al sistema que se autorregula y podría retirarlo de su camino. Muchas veces nos damos cuenta de que los sistemas automatizados que están en control con muy pocas intervenciones, son los que entregan los mejores resultados.
Los algoritmos personalizados o procesos de aprendizaje general de máquinas via conexiones neurales pueden ser utilizados para optimizar un almacén.
Dentro del almacén automatizado, se crea una réplica utilizando una copia digital. El sistema puede utilizar esta réplica para aprender sin el impacto de ciclos negativos. La copia digital es utilizada para calcular parametros de sistemas variables. El sistema puede ser entrenado con la copia digital y alimentar a las variaciones de pedidos; además, el sistema aprende con operaciones en vivo. Esto permite que la gestión del almacén y el flujo de materiales se adapten de acuerdo con el cambio de los requisitos en el almacén.
La asignación del almacén es una buena práctica. Nosotros hemos comparado almacenes manuales y automáticos y nos enfocamos en una manera diferente para agrupar a los bienes por categorias. En un almacén manual, lo importante es mantener a los grupos juntos, mientras que en un almacén automático lo importante es la distribución idéntica, para evitar tensión en el momento de colocar los elementos a un plazo, provocando situaciones de embotellamiento.
Una manera de asegurar que hay mucho espacio para optimizar es usando diferentes máquinas y tipos de almacenamiento (ej. Pallets y bolsas) o dispositivos de transportes – transportadores continuos (ej. Cintas transportadoras) o transportadores descontinuados (ej. Vehículos guiados automaticamente) en un local.
El aprendizaje de máquinas o prueba de algoritmos puede ser utilizado para trabajar en los grupos de pedidos más apropriados desde um amplio alcance de variaciones potenciales de pedidos, como también su excelente secuencia y punto de inicio. Todo el sistema puede diseñar en su potencia total, aspecto que lo pone por encima de la mente humana cuando hablamos de cálculos incontables de piezas de datos definidos. Por otro lado, las personas son buenas para interpretar grandes volúmenes de datos borrosos y llegar a conclusiones sobre esto.
Si se aplica una aproximación descentralizada, los objetos individuales en un almacén pueden cubrir las tareas asignadas a ellos automaticamente. El sistema como un todo es responsable por las tareas asignadas, mientras que los objetos físicos individuales cubren automaticamente las tareas asignadas a ellos. De esta manera, objetos similares se agrúpan.
La interacción es comparable a la internet de las Cosas, con objetos individuales siendo proyectados de una manera en la cual se caracterizan como una inteligencia on-board. De manera alternativa, los objetos dentro del sistema son identificados y pueden llamar a sus “agentes”, los cuales son responsables por las tareas dentro del sistema. Los agentes son réplicas virtuales de objetos dentro de un sistema que tiene un cierto grado de autonomia y una máquina inteligente en la cual pueden ser implantados.
Peter Totz es el Director de Consultoría de Negocios en SSI SCHAEFER.
Su carrera comenzó como ingeniero de proyectos, analista de datos y especialista en simulación en Graz. Actuando como planificador de producción y consultor logístico, trabajó como consultor senior y gerente de proyectos durante muchos años. Tiempo después, fue responsable del desarrollo de negocios en América Latina antes de convertirse en el líder de las actividades de Global Business Consulting Group.