La “Predictabilidad” el elemento que va a ser clave en la IA aplicada a la Logística
La Inteligencia Artificial (IA) continúa su escalada en el terreno de la logística con más preguntas que respuestas por parte de los operadores y usuarios finales. Uno de los mayores interrogantes que despierta este tipo de tecnología en el sector es la fiabilidad en las predicciones de demanda que realiza en base a los datos que proporciona cada compañía.
Según señala la firma tecnológica Zebra Tecnhologies, “las empresas podrían tener dudas con la fiabilidad de las predicciones que lleva a cabo la IA”. No en vano, la predictibilidad requiere nutrirse de una gran cantidad de fuentes de información digital que, a día de hoy, aún no está plenamente desplegada en el sector logístico y de transporte. Y esto pone en entredicho la credibilidad de las predicciones de la IA.
“Si los datos que tienen son incorrectos, da igual la IA que utilices o los modelos que utilices”
Leticia Álvarez ictabilidad”Directora de Cuentas Estratégicas de Energía y Logística de Google Cloud Iberia
En general, este tipo de tecnología funciona siempre y cuando el histórico de datos con el que entrenar al algorimo sea fiable, apunta la consejera delegada de Usyncro, Cristina Martín. “En el caso de la predicción de la demanda, dependemos del ‘track record’ (es decir, del conjunto de operaciones llevadas a cabo por el gestor), y de la suma de variables que afectan”. Y ello sólo depende de los potenciales clientes interesados en emplear la IA. Por norma general, las compañías tecnológicas tienden a defender que esta herramienta ha funcionado en bastantes casos en el sector logístico y de transporte, pero reconocen que todo depende de varios factores que pueden considerarse limitaciones: la calidad de los datos, los modelos utilizados y la implementación específica según la empresa.
“La IA necesita grandes volúmenes de datos de alta calidad para generar predicciones precisas. Si los datos son incompletos, desactualizados o incorrectos, las predicciones serán poco fiables”, explica la directora de ESG, Proyectos Estratégicos y Finanzas de Aiuken Cybersecurity, Isabel Rodríguez. Por eso, las tecnológicas tratan de sentar cátedra sobre este extremo: cualquier dato inexacto o sesgado puede dar al traste con las expectativas de fiabilidad predictiva de la IA, y eso depende de la tarea del operador logístico que entregue la información. “Estos datos son siempre los que una empresa te da. Siempre hay que empezar por aquí, así que si los datos que tienen son incorrectos, da igual la IA que utilices o los modelos que utilices”, razona la directora de Cuentas Estratégicas de Energía y Logística de Google Cloud Iberia, Leticia Álvarez.
“La IA necesita grandes volúmenes de datos de alta calidad para generar predicciones precisas”
Isabel RodríguezDirectora de ESG, Proyectos Estratégicos y Finanzas de Aiuken Cybersecurity
Ello se suma al hecho de que, como ha venido afirmando el sector logístico en numerosas ocasiones, el desarrollo digital no es lo suficientemente potente aún. “Aunque la precisión logística es clave, sí partimos de una digitalización todavía algo rudimentaria y en cuanto al registro de mercancías, los datos no siempre cuentan con estándares internacionales. Es lo mismo que ocurre con los actores en la gestión de la cadena de suministro o los eDocs”, señala Cristina Martín (Usyncro). Aunque coinciden muchos campos imprescindibles, su contenido no responde a una estandarización semántica. Esto complica el reconocimiento del dato y multiplica exponencialmente las posibilidades de error. Más cuando la adaptabilidad de los datos a los cambios rápidos, la integración de factores externos o la propia intervención humana ya suponen alteraciones para la información digitalizada de cada compañía.
“Partimos de una digitalización rudimentaria y los datos no cuentan con estándares internacionales”
Cristina MartínConsejera delegada de Usyncro
Así, tanto las tecnológicas desarrolladoras de este tipo de herramientas como el sector como cliente asumen que la revolución de la IA va a tardar en llegar, en tanto que la fase embrionaria en la que la esta tecnología en logística está aún inmersa requiere de tiempo y madurez para obtener un nivel técnico suficiente para proporcionar los datos que se necesitan para ejecutar correctamente sus predicciones. “No tanto porque la IA falle, sino porque desde hace años, nuestra labor es gestionar continuamente el cambio, los imprevistos y la incertidumbre”, sostiene el presidente de la patronal logística UNO, Francisco Aranda. “Las crisis geopolíticas, la inestable situación económica o los contratiempos en el transporte nos complican ser plenamente certeros en una predicción”.
La fiabilidad y precisión en las predicciones de esta tecnología son una de las principales preocupaciones que más dudas genera en el sector logístico, según las compañías desarrolladoras consultadas. Por lo general la primera suele el coste de implementación y mantenimiento, el cambio cultural necesario para asumir el empleo de una nueva herramienta como ésta, la falta de conocimiento, la privacidad y seguridad, y por último, la confiabilidad de sus previsiones. Para superar estas dudas, apuntan las expertas, la IA necesita mostrar “una mejora continua de algoritmos, avances en los modelos que aumenten la precisión y la fiabilidad, y éxitos documentados”, según Isabel Rodríguez (Aiuken Cybersecurity). “La demostración de casos de éxito en empresas logísticas que hayan implementado IA para la predicción de demanda y hayan obtenido resultados positivos es fundamental para generar confianza en la tecnología”, admite Leticia Álvarez (Google Cloud).
“La diferencia entre la IA y el big data se puede resumir en madurez y aplicabilidad”
Francisco ArandaPresidente de UNO
La adaptación a la realidad empresarial particular es otro escollo pendiente. “Esto implica considerar factores específicos del sector, como la estacionalidad, la volatilidad de la demanda y las restricciones operativas”, incide la experta. El grado de adopción de la IA en las empresas de logística y transporte en España es del 9,6% respecto al grado de adopción de otras tecnologías como el big data, del 25%, según las cifras de UNO. Visto así, explica Francisco Aranda, parece evidente que “la diferencia entre ambas se puede resumir en madurez y aplicabilidad real sobre el negocio”. La clave, según Usyncro, es seguir entrenando al algoritmo hasta que se logre la plena fiabilidad, pese a que sigan existiendo los fallos, dado que dicho entrenamiento depende de la parte humana. “Cuanto más trabajemos con nuestras redes neuronales y las alimentemos con datos de calidad, mayor fiabilidad y por lo tanto menos dudas de su aplicación”, concluye Cristina Martín.
