Nuevos Tópicos de Logística
2022-05-15
1 Análisis de Riesgo
A lo largo de este curso desarollaremos una serie de tópicos que son novedodsos en logística. Muchso de ellos han estado presente en el pasado, tales como los métodos estadísticos. Pero solamente han capturado la atención de gobiernos, academia y empresas cuando las arquitecturas de hardware, más los avances de datos disponibles en la nube han logrado superar las barreras de los estancos que los límites del Modelo de Valor Agregado o Cadena de Valor de Porter propuso en los 80’ y nos ha dejado pasar al complejo entramado del modelo de Supply Chain Management y Supply Chain Network
En estos días hay dos lenguajes de propósito general que se están imponiendo en el terreno de abordar y aplicar los conceptos de Analítica de Datos.
El primero de ellos es Python, que sin dudas veras que ha tenido reperución y éxito, aún cuando no ha llegado a ser parte del Sylabus de todas las carreras de ingeniería industrial.
El otro lengunaje, que a mi leal entender es más rápidamente asimilable con los ingenieros industriales es R-Cran.
R-Cran es un lenguage pensado para “No Programadores” de hecho es un software desarrollado inicialmente por la comunidad de investigadores en estadística. Pero una enorme cantidad de científicos y científicos de datos han desarrollado millares de paquetes (bibliotecas) que se han compartido con Python. Esto es un punto de contacto con los ingenieros, que en general han tenido contacto con estadística muy temprano en las carreras de grado y que tienen algunos conocimientos un poco oxidados.
Quizás hayamos compartido algún curso en muchos de los países que he tenido el honor y la suerte de visitar. También es probable que hayas padecido por voluntad propia algunos de los largos videos de mi canal de youtube en los que he abordado los primeros pasos en R.
Te recomiendo que veas el sitio de Freddy Hernandez y Olg Usuga que tienen más telento que el que tengo yo para ayudarte en estos primeros pasos.
Si por cualquier inconveniente Olga y Freddy puedan tener que impida que accedas al sitio dejo links alternativos para que accedas durante el curso. Si estás en las aulas de la universidad este link alternativo te permitirá acceder con menos latencia al contenido.
Sitio original de Github
Manual de R - Hernandez, Usuga
Copia local en la universidad
Manual de R - Hernandez, Usuga
1.1 Desambiguación de conceptos
Se suele utilizar como sinónimos, pero son diferentes conceptos
- Analítica de Datos
- Machine Learning
- Deep Learning
- Business Intelligence
- Minería de Datos
- Inteligencia Artificial
Todos ellos tienen un factor en común, el uso del hardware y software, pero si bien tienen simulitudes son bastantes distintos.
Veamos una aproximación al problema partiendo de los modelos estadísticos.
Cualquier estadístico que usemos (T-Studen, Distribución Normal, Criterio de máxima verosimilitud, etc) puede ser obordado con el uso de computadora tomando datos etiquetados (que tienen una columna que muestra de que tipo son), luego con un algoritmo apropiado podemos construir un modelo.
En analítica de datos invertimos el proceso. Tomando datos sin etiquetar los sometemos al análisis de un modelo y predecimos que resultado de obtendría en un mundo físico a partir de los datos que son abstracción de ese mundo.
Así:
- Predecir cuando se romperá un eje
- Encontrar en que categoría de la flota sería conveniente incorporar un camíon nuevo
- Determinar antes de cerrar una transacción electrónica virtual la probabilidad de fraude
- Etc.
Son ejemplos de lo que se puede hacer con analítica de datos.
Enfoque de Inteligencia Artificial
En inteligencia artificial el proceso es muy semejante. A diferencia del caso anterior no tenemos un algorítmo que puede crear el modelo en base a las etiquetas de los datos. En este caso se opera en forma no supervisada. para crear un modelo. El resultado de la inteligencia artificial es un modelo que nos entrega datos y a partir de datos que el tomó para entrenarse y nos muestra patrones de semejanza entre los datos de entrenamiento y los de pureba.
Es una práctica habitual crear modelos de IA utilizando un dataset y remuestrear (sampling) usando el 25% de los datos para entrenar y el 75% para predecir y evaluar la calidad del modelo.
Ejemplos de este tipo de modelos son los árboles de decisión y su entrenamiento
Por último tenemos el abordaje de machine learning.
Abordaje Machine Learning
En machine learningn en logad de datos alimentamos un algoritmo con reglas. Se dice que enviamos datos como reglas y con las técnicas de IA obtenemos respuestas. Si a estas respuestas añadimos nuevas evidencias (como en el teorema de bayes) podemos utilizar Machine Learning para automatizar el descubrimiento de nuevos algorítmos. Pero este proceso es recursivo y puede repetirse ad infinutum.
1.2 La recomendación del ipcc para la gestión del Riesgo
Comenzaremos con este análisis de riesgo que fue desarrollado por el ipcc utilizando machine learning sobre una colección de datos de clase mundial. Datos del clima de todos los países del mundo desde 1775 hasta hoy.
Si queres ver más sobre datasets de este tipo recomiendo ir a Google Datasets
Tal como se había anticipado en el quinto y sexto informe del ipcc (Intergovermental Panel on Climate Change) se han emitido pronósticos de los escenarios que la humanidad podría enfrentar de no tomar acciones concretas contra las emisiones de gases de efecto invernadero. Ya desde el quinto informe del 2013 se emitiron recomendaciones para la gestión del riesgo en vista a la creciente importancia y magnitud que los eventos climáticos extremos tienen para los países, las poblaciones y sus infraestructuras críticas.
Lamentablemente la cop XVI de Glasgow dió por tierra respecto a las expectativas que se tenían respecto a poder eliminar las emisiones al menos del uso de carbón mineral para poder cumplir con las metas de emisión del 2030. El efecto de la pandemia y la reciente invasión de Ucrania traer aparejado consecuencias que nos alejan más de los escenarios esperados y nos ponen en la necesidad de tener que contrarestar por la via de accionde de mitigación del reiesgo, en contraposición a la esperanza de incrementar la resiliencia de nuestros sistemas productivos y sociales para enfrentar un futuro que no aparece tan promisorio como antes.
1.3 Consecuencias para la logística
Para reducir el riesgo de desastre, los servicios meteorológicos trabajamos en conjunto con los organismos tomadores de decisión siguiendo los lineamientos del “Plan de la Organización Meteorológica Mundial de reducción de riesgos de desastre”.
La semana pasada finalizó el taller virtual “Meteorología en el marco de la Reducción de Riesgo de Desastre. Interacción entre servicios meteorológicos y tomadores de decisión”, desarrollado por el área de Meteorología y Sociedad, en conjunto con el Centro Regional de Capacitación de la Organización Meteorológica Mundial (OMM).
Participaron meteorólogos, especialistas en reducción de riesgo de desastres y agentes operativos de la protección civil de Argentina, Brasil, Bolivia, Ecuador, Paraguay, Perú, Uruguay y Venezuela. El objetivo principal de esta experiencia innovadora fue favorecer la articulación entre los organismos que elaboran información meteorológica y los que toman decisiones a partir de ella.
Durante cuatro semanas se propusieron consignas que indagaron en torno a las estructuras organizacionales, misiones y competencias de los organismos, productos emitidos por los servicios meteorológicos, canales de difusión de la información y acciones realizadas por los tomadores de decisión. Este Taller se constituye como una interesante propuesta para favorecer el intercambio regional y asistir a las partes interesadas nacionales que se ocupan de la reducción de riesgos de desastre por medio del aprovechamiento de las actividades conexas en los ámbitos nacional, regional e internacional.
Los informes de estos talleres estan disponibles en los sitios web de los servicios meteorológicos de cada país y reflejan las consecuencias y previsiones que hay que tomar en el sector de la logística relativa a la metodología para reducción del riesgo de desastre por un lado , sabiendo que el transporte es junto a la industria uno de los principales emisores. En tanto que por el otro lado es transporte será vital para mitigar las consecuencias de los accidentes climáticos extremos y otras emergencias no climáticas como sismos, guerras, migraciones masivas climáticas, etc.
La figura nos muestra como calcular le vulnerabilidad en una forma genérica para cualquier sistema productivo en incluso extensible a organizaciones.
