OptiMind lleva el razonamiento de IA a la planificación industrial

Microsoft Research ha desarrollado OptiMind, un modelo de lenguaje especializado en optimización y toma de decisiones bajo restricciones operativas. Su objetivo no es producir respuestas generales, sino traducir problemas empresariales expresados en lenguaje natural a formulaciones matemáticas que puedan utilizarse con sistemas de resolución.

El modelo fue publicado como sistema experimental en Foundry y se puso a prueba en una planta embotelladora del Medio Oeste de Estados Unidos. En ese entorno, modificaciones de apenas unos minutos en los turnos pueden generar pérdidas económicas relevantes. La planificación debe adaptarse continuamente a averías, retrasos en la llegada de materias primas, pedidos urgentes o cambios en el ritmo de una línea de producción.

En muchas fábricas, el sistema empresarial genera un plan inicial que después se exporta a una hoja de cálculo para incorporar manualmente los imprevistos. Microsoft Research describe esta dinámica como una tensión constante entre la planificación crítica y la improvisación. Aunque el puesto se denomine planificador, en la práctica el trabajo consiste con frecuencia en rehacer el calendario de producción.

La aplicación industrial surgió a partir del trabajo de Saumil Shrivastava, principal product manager de Microsoft y responsable de Foundry Labs. Su función incluye identificar proyectos de investigación que puedan integrarse en flujos de trabajo reales. En el caso de OptiMind, el interés se centró en su capacidad para abordar problemas de optimización, en lugar de limitarse a generar texto o responder consultas generales.

Shrivastava encontró un posible entorno de prueba en Sight Machine, una empresa dedicada a aplicar inteligencia artificial a operaciones industriales. La conexión se produjo a través de Kurt DeMaagd, cofundador y chief AI officer de Sight Machine, que mantenía una relación de trabajo con una compañía importante de alimentación y bebidas. Durante una conversación surgió la posibilidad de aplicar OptiMind a la planificación de una planta embotelladora.

El proyecto se organizó alrededor de escenarios recurrentes. El equipo construyó una formulación central del funcionamiento de la planta y la utilizó para estudiar situaciones como variaciones de la demanda, la parada de una máquina y pequeños cambios capaces de propagarse por todo el calendario. De este modo, las distintas situaciones partían del mismo modelo subyacente, en lugar de exigir un sistema independiente para cada caso.

DeMaagd abordó inicialmente la prueba con cautela, ya que muchos sistemas de inteligencia artificial funcionan bien ante consultas conocidas y pierden rendimiento cuando se enfrentan a situaciones distintas. Sin embargo, según su evaluación, OptiMind ofreció respuestas más rápidas y fiables que los modelos de propósito general cuando la tarea exigía realizar la optimización matemática. Las respuestas solían llegar en un plazo de entre 30 y 90 segundos, un intervalo que el equipo consideró compatible con las decisiones habituales de planificación.

La comparación también puso de relieve una diferencia en el comportamiento de los modelos generales. DeMaagd señaló que, aproximadamente en la mitad de los casos, estos sistemas se desviaban y no resultaba claro qué heurísticas estaban aplicando. OptiMind, al estar ajustado específicamente para tareas de optimización, se mantuvo más cerca del problema matemático planteado.

La prueba mostró además que la planificación industrial no funciona como una operación aislada. Aunque en teoría el calendario podría resolverse una sola vez, en una planta las condiciones cambian continuamente y obligan a revisar las decisiones. Sirui Li, investigadora sénior del grupo de Machine Learning and Optimization de Microsoft Research, explicó que la optimización a escala no puede plantearse como una experiencia de una sola consulta. Los usuarios necesitan formular preguntas iterativas sobre cómo cambiaría el resultado ante nuevas condiciones.

El caso de OptiMind refleja el paso de un modelo de investigación a un flujo de trabajo operativo. La propuesta combina datos de fábrica proporcionados por Sight Machine con el sistema de optimización de Microsoft para generar calendarios de producción actualizados. La prueba se desarrolló en un contexto donde las restricciones cambian con frecuencia y donde las decisiones tienen consecuencias económicas directas.

Fuente: Microsoft Research.