Haga clic para leer más historias de Automation Week.

Uno de los elementos más importantes de la automatización es la optimización. Los trabajadores de múltiples sectores quieren utilizarla para reducir las tareas administrativas monótonas que pueden ser realizadas por algoritmos inteligentes, dejando a los humanos las tareas que requieren más pensamiento o creatividad.

For those who don’t work directly with algorithms and code, they need some sort of automation tool to achieve this. That is where people like Red Hat’s Geoffrey De Smet come in.

De Smet es el líder y creador de OptaPlanner, un solucionador de restricciones de IA de código abierto que puede utilizarse para resolver problemas de planificación y automatizar programas como la asignación de rutas de vehículos, la elaboración de listas de empleados y la programación del mantenimiento.

«En 2006, trabajaba en un grupo de investigación que se centraba en la metaheurística y otros algoritmos de IA», dijo a SiliconRepublic.com.

«Una presentación en una conferencia local me enseñó los algoritmos de los motores de reglas. Me inspiré para combinarlos. Unas largas vacaciones después, OptaPlanner nació».

Creación de OptaPlanner

De Smet trabajó en OptaPlanner durante muchos años en su tiempo libre. A menudo se unía a retos académicos de investigación operativa para ver si podía resolverlos con OptaPlanner.

«Al fin y al cabo, alguien tenía que ayudar a Papá Noel a encontrar el camino más corto para visitar a todos los niños del planeta», dijo. «Estos concursos me expusieron regularmente a mejores algoritmos y técnicas de implementación, que asimilé rápidamente en OptaPlanner.

«Por ejemplo, en una competición alrededor de 2012, un equipo utilizó el algoritmo de aceptación tardía para superar los resultados de OptaPlanner. Este algoritmo metaheurístico, inventado por Yuri Bykov, suele ser mejor que la búsqueda Tabu y el recocido simulado. Así que lo implementé también para OptaPlanner».

De Smet se unió a Red Hat en 2010 y, en 2013, la empresa de software de código abierto había empezado a producir OptaPlanner y a ofrecerle soporte empresarial. «Mi afición se convirtió en mi trabajo», afirma.

Los casos de uso de esta automatización son ahora de gran alcance. OptaPlanner es capaz de reducir el tiempo de conducción de una flota de vehículos decidiendo qué vehículo va a dónde y en qué orden.

En la programación de empleados por turnos, como enfermeras, médicos y guardias de seguridad, el algoritmo asigna cada turno a un empleado teniendo en cuenta las habilidades, la afinidad, la disponibilidad y otras restricciones.

«Otros casos de uso importantes son la programación del mantenimiento, los horarios escolares, las rutas de recogida de pedidos, la programación de talleres y la programación de audiencias judiciales», explica De Smet.

El futuro de la automatización

Aunque la automatización podrá optimizar una gran cantidad de trabajo en una amplia gama de sectores, De Smet dijo que las empresas tendrán que ser capaces de ajustarse con frecuencia y rapidez para que la automatización sea realmente eficaz.

«Por ejemplo, un modelo de aprendizaje automático entrenado con los datos de los vuelos del año pasado podría no ser relevante hoy, ahora que el turismo está aumentando de nuevo», dijo.

«Otra gran tendencia que veo es la necesidad de medir claramente el retorno de la inversión (ROI) de cualquier implementación de tecnología de IA. Se acabó el tiempo de agitar las manos. Al mismo tiempo, el ROI de muchos proyectos de IA es enorme, pero también lo es el salto que hay que dar para llevarlos a cabo. A menudo, los retornos no se pueden materializar en pequeños pasos incrementales, sino al final, cuando funciona plenamente… o no».

Con este posible resultado de todo o nada, De Smet dijo que la experiencia de pagar por el desarrollo de la IA es algo que debe cambiar.

También dijo que uno de los mayores retos de la industria de la IA en su conjunto es convencer a los usuarios de que esta área de la tecnología es algo más que el aprendizaje automático y que es vital que se utilice la herramienta adecuada para el trabajo correcto.

«El aprendizaje automático, y las redes neuronales de aprendizaje profundo en particular, son geniales para el reconocimiento de patrones: reconocimiento de imágenes, reconocimiento de voz y similares, cosas en las que los humanos son buenos», dijo.

«El aprendizaje automático es sistemáticamente inferior en la planificación y la programación. Utilice la metaheurística y los algoritmos de optimización matemática para estos casos de uso. Martillar un tornillo conduce a resultados subóptimos».

10 cosas que necesitas saber directamente en tu bandeja de entrada cada día de la semana. Inscríbase en el Resumen diario El resumen de Silicon Republic de las noticias esenciales de ciencia y tecnología.