El machine learning (aprenentatge automàtic) fa referència al conjunt de tècniques que gira entorn de l’estudi i la pràctica d’algoritmes que tenen la capacitat d’aprendre de les dades. Es tracta de crear programes capaços de generalitzar comportaments a partir del reconeixement de patrons. Dit d’una altra manera, consisteix que les màquines aprenguin sense haver de programar-les específicament.
El procés d’aprenentatge de la màquina és similar al de la mineria de dades (data mining). Tots dos sistemes utilitzen les dades per buscar patrons. No obstant això, en lloc d’extreure dades per a la comprensió humana – com és el cas de les aplicacions de mineria de dades – l’aprenentatge automàtic utilitza aquestes dades per detectar patrons en elles i modifica, de forma automàtica, els paràmetres del programari en conseqüència. Els algoritmes d’aprenentatge automàtic es classifiquen entre supervisats i no supervisats. Els algoritmes supervisats poden aplicar el que s’ha après en el passat amb les noves dades i utilitzen el que anomenem dades d’entrenament. Els algoritmes no supervisats poden treure conclusions a partir de conjunts de dades, sense coneixements a priori.
No es tracta de cap novetat, l’aprenentatge automàtic té molt que veure amb la idea original d’intel·ligència artificial, de fet, és un tipus d’AI (artificial intelligence).
Les noves tecnologies de la informació i les telecomunicacions han marcat un abans i un després en les empreses, encara que en alguns sectors més que en altres. La logística és un d’aquests sectors en què ha impactat amb gran força. La possibilitat d’utilitzar i analitzar quantitats massives de dades generades de forma contínua ha donat lloc a moltes millores, per exemple, en processos continuats i en l’optimització de rutes.
Tot i que, com deia al principi, no parlem de res de nou, la novetat és la gran quantitat de dades que avui les empreses són capaces de recopilar, les dades són la matèria prima bàsica que utilitza l’aprenentatge automàtic. En ocasions, porten a les empreses al conflicte de què fer amb elles, i és que les dades per si soles no són útils. Quan parlem de quantitats massives esdevé imprescindible una correcta administració i anàlisi de les mateixes per convertir-les en una eina útil. Davant d’aquesta realitat tenim dues possibilitats: podem simplement emmagatzemar-les, el que suposa una gran pèrdua d’oportunitats i informació molt valuosa per a l’empresa. O bé podem utilitzar-les per aprendre i créixer.
Gràcies a l’avanç i desenvolupament de les noves tecnologies informàtiques, el machine learning d’avui dia, poc o gairebé res té a veure amb les solucions d’aprenentatge automàtic que coneixem del passat. Avui, podem aplicar i utilitzar algoritmes en quantitats o volums de dades que varien de manera constant i creixen a gran velocitat. Es tracta d’algoritmes flexibles i amb la capacitat d’adaptar-se de manera independent, donant lloc a una infinitat de solucions que van des de programaris de recomanacions online fins, per exemple, com parlàvem fa alguns mesos, al desenvolupament de vehicles que condueixen de forma autònoma, sense conductor.
Aplicacions de l’aprenentatge automàtic a l’empresa logística
Les aplicacions són gairebé infinites; de fet, podem adaptar l’aprenentatge automàtic a tantes situacions com dades tinguem. Moltes són les activitats habituals en la nostra vida i rutina diària que es veuen impulsades per l’aprenentatge automàtic. Aquests són només alguns exemples: motors de cerca, filtrat de correus electrònics, reconeixement facial, diagnòstics mèdics, etc.
Però, quines aplicacions pot tenir l’aprenentatge automàtic a l’empresa logística? Aquests són algunes de les aplicacions en la gestió de la cadena de subministrament:
- Reconeixement facial, de veu o d’objectes aplicable, especialment, en magatzems.
- Prediccions i pronòstics. Molt útil en la fase de transport, per exemple, per obtenir dades sobre condicions meteorològiques o de trànsit; o fins i tot per evitar errors tecnològics en equips.
- Per crear mètodes d’optimització més ràpids i efectius, avaluant, per exemple, quin és el moment més adequat per a executar una tasca concreta.
- Anàlisi de comportament de consum i productivitat. És possible, a través de l’aprenentatge automàtic detectar clients potencials, preveure quins empleats poden ser més productius i rendibles, adaptar serveis a les necessitats dels clients, etc.
- Els famosos vehicles i camions sense conductor …
Aplicar l’aprenentatge automàtic a l’empresa logística no és fàcil, requereix, a més d’un programador professional, també un perfil especialitzat en probabilitat i estadística. No obstant això, és una opció a tenir en compte, sobretot, per a la resolució de problemes de naturalesa complexa en què els algoritmes són de gran ajuda per trobar solucions precises en el menor temps possible.
La clau de l’aprenentatge automàtic és la seva capacitat de construir i adaptar un arbre de decisions en funció de dades conegudes. Així, les seves aplicacions són tan àmplies com la capacitat creativa de cada un; això sí, totes aquestes aplicacions tenen com a objectiu detectar patrons en les dades, o bé respondre a determinades preguntes de forma predictiva, estalviant-nos temps en l’estudi de dades i la definició de casuístiques que podria portar-nos setmanes, mesos i fins i tot anys.
Finalment, un aspecte important que cal posar sobre la taula és que les aplicacions de les que estem parlant ens donaran resposta a què passarà?, però no a per què passa?, aquest fet es transcendental i xoca frontalment amb la nostra formació empirista. Serem capaços de detectar que una cosa passarà, però si volem saber el per què, caldrà un anàlisi posterior. La realitat és que moltes vegades ens és suficient saber que passarà, ja que així podrem actuar en conseqüència i posar remei. Per exemple, si gràcies a aquestes eines som capaços de predir que hi haurà un terratrèmol, podrem preparar-nos, desplaçant persones, etc., amb això en tindrem prou, no es necessari saber que això és degut a que tal placa tectònica s’ha desplaçat o a que s’ha produït un tsunami en tal lloc que ho ha provocat.
Del que no queda cap dubte és que estem només a l’inici de la revolució que representarà l’ús de les dates massives (big data) i de les eines d’aprenentatge automàtic en tots els camps de la nostra vida i especialment en la logística. En aquest sentit, la recomanació que us faig és que cal tornar a ser com els avis i guardar-ho tot, sobretot les dades, ja que les dades no estructurades d’avui, excels, powerpoints, correus electrònics, documents de tot tipus, etc., són la matèria prima que necessita el Machine learning per treballar i ajudar-nos a gestionar millor les nostres empreses.
