Almacenamiento y Bodegaje
Desarrollan simulador con IA para optimizar inventarios entre almacenes
Desarrollado por el MIT Center for Transportation & Logistics y la empresa Mecalux, el sistema Genetic Evaluation & Simulation for Inventory Strategy (GENESIS) permite simular miles de escenarios para definir niveles óptimos de stock, mejorar la distribución entre almacenes y reducir costos operacionales en la red logística.
Publicado
El Massachusetts Institute of Technology, a través de su MIT Center for Transportation & Logistics, desarrolló junto a Mecalux un simulador basado en inteligencia artificial capaz de optimizar la distribución de inventario entre distintos almacenes dentro de una misma red logística. La plataforma, denominada Genetic Evaluation & Simulation for Inventory Strategy (GENESIS), utiliza modelos avanzados de machine learning para analizar miles de escenarios y determinar cuál es el nivel óptimo de stock en cada instalación y cuándo conviene reponerlo.
El sistema considera variables clave para la planificación logística, como la demanda proyectada por región, los costos de transporte y la capacidad operativa de cada almacén. Con estos datos, la herramienta permite simular distintas políticas de reposición de inventario sin afectar la operación real de las empresas.
Según explicó Matthias Winkenbach, director de investigación del MIT Center for Transportation & Logistics y del Intelligent Logistics Systems Lab, el algoritmo genético ejecuta múltiples simulaciones con distintos parámetros hasta identificar la estrategia logística más eficiente. De esta forma, las compañías pueden comparar distintos escenarios operacionales y seleccionar el que mejor se ajusta a sus necesidades.
Una vez ingresados los datos en el sistema, GENESIS genera una solución óptima acompañada de paneles estadísticos avanzados. Estos permiten analizar indicadores como patrones de consumo, regiones con alta variabilidad de demanda, productos con mayor riesgo de quiebre de stock o almacenes que presentan problemas recurrentes de abastecimiento.
Una de las funcionalidades más relevantes de la plataforma es su capacidad para redistribuir inventario entre centros logísticos. En lugar de generar automáticamente nuevos pedidos a proveedores, el sistema evalúa si resulta más eficiente transferir productos desde otro almacén de la red que cuente con excedentes, lo que permite reducir costos y aprovechar mejor el stock disponible.
La herramienta también entrega recomendaciones sobre la organización del transporte, evaluando si conviene consolidar envíos para optimizar la utilización de camiones o despachar determinados pedidos desde ubicaciones específicas para reducir tiempos de entrega y costos logísticos.
De acuerdo con Rodrigo Hermosilla, investigador del MIT Intelligent Logistics Systems Lab, el principal desafío del proyecto fue lograr que el algoritmo funcionara con la velocidad necesaria para ser útil en la operación real. Gracias al desarrollo de una arquitectura capaz de evaluar miles de escenarios en paralelo, procesos que antes podían tardar días ahora se resuelven en minutos.
La herramienta fue diseñada para ser utilizada no solo por perfiles técnicos, sino también por responsables de negocio. Según explicó Javier Carrillo, CEO de Mecalux, el objetivo es ayudar a las empresas a minimizar el costo total de sus redes logísticas y mantener altos niveles de servicio al cliente.
El simulador constituye uno de los primeros resultados concretos de la colaboración entre Mecalux y el MIT Center for Transportation & Logistics. La alianza entra ahora en una nueva fase orientada a ampliar el uso de inteligencia artificial en procesos logísticos como la reposición interna, el desarrollo de gemelos digitales para sistemas automáticos de almacenamiento de alta densidad y la optimización de ubicaciones de producto dentro de los almacenes.
