El Portal de las Tecnologías para la Innovación

Aprendizaje automático basado en inteligencia artificial para optimizar las estrategias de costos en el negocio de la logística

Chairote Yaiprasert a,Achmad Nizar Hidayanto b

aFacultad de Ciencias, Universidad de Walailak, Thasala, Nakhon Si Thammarat, Tailandia

bFacultad de Ciencias de la Computación, Universitas Indonesia, Kampus UI Depok, Depok, Jawa Barat, Indonesia

Reflejos

Abstracto

Esta investigación investiga las ventajas potenciales de utilizar inteligencia artificial (IA) para impulsar el aprendizaje automático (ML) de conjunto para mejorar las estrategias de costos y maximizar las ganancias. Este estudio tiene como objetivo explorar la capacidad del ML de conjunto impulsado por IA para optimizar las estrategias de costos mediante la simulación de datos de costos umbral de negocios para determinar 

estrategias de mitigación óptimas . El conjunto de datos comprende 6561 tuplas potenciales, y se emplean tres métodos de ML de conjunto como algoritmos de ML para identificar patrones y relaciones en los datos de costos para decisiones estratégicas. La originalidad de este proyecto radica en su demostración de la capacidad de los datos simulados para mejorar las estrategias de ahorro de costos para las empresas. Esta investigación contribuye a la literatura existente sobre aplicaciones de IA y ML en las empresas al revelar el potencial de las aplicaciones de ML para los propietarios de empresas y el personal involucrado en la producción y el marketing. Los hallazgos de esta investigación tienen implicaciones significativas para una amplia gama de industrias, incluido el transporte, la logística y el comercio minorista.

Palabras clave

Inteligencia artificial (IA)

Aprendizaje automático (ML)

Costo

Negocio de logística

Estrategias

1. Introducción​

Se espera que el mercado global de entrega logística crezca a una tasa de crecimiento anual compuesta del 8,5% entre 2022 y 2027 ( Melton, 2022 ). El aumento de las ventas de comercio electrónico impulsa el mercado, la creciente demanda de servicios de entrega exprés y la creciente adopción de la entrega sin contacto ( 

Al-Adwan y Yaseen, 2023 ; 

Chen y Yang, 2022 ; 

Jiang et al., 2023 ). El crecimiento del comercio electrónico es uno de los impulsores clave del mercado de entrega logística ( 

Morganti et al., 2014 ). A medida que más y más personas compran en línea, aumenta la demanda de servicios de entrega logística inteligente ( 

Spadafora et al., 2022 ). La creciente demanda de servicios de entrega exprés es otra tendencia clave en el mercado de entrega logística ( 

Martin et al., 2021 ). Los clientes exigen cada vez más tiempos de entrega más rápidos, lo que impulsa la demanda de servicios de entrega exprés ( 

Pereira Marcilio Nogueira et al., 2022 ). Los servicios de entrega exprés generalmente ofrecen tiempos de entrega garantizados, lo que es esencial para las empresas que necesitan hacer llegar sus productos a los clientes rápidamente.La creciente adopción de la entrega sin contacto es una nueva tendencia que ha surgido a raíz de la pandemia de COVID-19 ( 

Wang et al., 2021 ). La pandemia ha aumentado las preocupaciones sobre la propagación de gérmenes, lo que ha llevado a la adopción de servicios de entrega sin contacto ( 

Milewski y Milewska, 2021 ). Los servicios de entrega sin contacto permiten a los clientes recibir sus paquetes sin tener que entrar en contacto con el personal de entrega. Se espera que el mercado global de entrega logística alcance los $ 622,69 mil millones en ingresos para 2029 ( 

Investigación, 2023 ). Este crecimiento está impulsado por los factores mencionados anteriormente y la creciente demanda de servicios de entrega logística por parte de empresas y consumidores ( 

Fehn et al., 2023 ). El mercado de entrega logística es altamente competitivo y los actores clave están innovando constantemente para mantenerse por delante de la competencia ( 

Kulkarni et al., 2022 ).

Sin embargo, este crecimiento también presiona a los transportistas logísticos para optimizar sus estructuras de costos para seguir siendo competitivos. Los métodos tradicionales de optimización de costos, como la planificación manual de rutas y los modelos de precios estáticos , son necesarios para satisfacer las demandas de las empresas modernas ( Schmitt, 2023 ). Estos métodos suelen ser lentos, inflexibles e incapaces de adaptarse a la naturaleza dinámica de la industria . Existe la necesidad de enfoques nuevos e innovadores para la optimización de costos en el negocio de la logística. La inteligencia artificial (IA) y el aprendizaje automático (ML) conjunto pueden revolucionar la industria al proporcionar una forma más eficiente, flexible y adaptable de optimizar las estrategias de costos ( Verma et al., 2021 ). Los métodos actuales de optimización de costos utilizados por los transportistas logísticos son ineficientes, inflexibles e incapaces de adaptarse a la naturaleza dinámica de la industria. Esto está generando un aumento de los costos y una disminución de la rentabilidad.El negocio de la logística es una industria que utiliza muchos datos y que cuenta con una gran cantidad de información, incluidos detalles de rutas, patrones de demanda de clientes y métricas de consumo de combustible (Khan Md. 

Hasib et al., 2023 ). Los métodos tradicionales de optimización de costos a menudo necesitan capturar las relaciones complejas y los patrones ocultos de estos datos ( 

Sundari y Subaji, 2020 ). Para abordar este desafío, el aprendizaje automático de conjunto impulsado por IA puede analizar eficazmente estos datos e identificar estos patrones ocultos, lo que proporciona información valiosa para optimizar las estrategias de costos. Esta metodología puede adaptarse a las condiciones dinámicas del mercado, que a menudo incluyen cambios impredecibles como fluctuaciones en la demanda, precios del combustible y patrones climáticos ( 

Schmitt, 2023 ). El aprendizaje automático de conjunto impulsado por IA puede monitorear continuamente estos cambios y ajustar las estrategias de costos en tiempo real, lo que garantiza que los transportistas logísticos sigan siendo competitivos y rentables en un entorno dinámico ( 

Wang et al., 2023 ). Además, la previsión precisa de la demanda es crucial para la asignación eficiente de recursos y la optimización de costos en logística.

La integración de la IA y el ML en la industria de la logística tiene el potencial de generar cambios transformadores en nuestra vida diaria. El impacto de estas tecnologías de vanguardia será tangible, ya que permitirá realizar entregas más rápidas, reducir los costos de envío y brindar una selección más completa de productos a precios competitivos ( Chen y Yang, 2022 ; 

Wang et al., 2023 ). El uso de la IA y el ML en la logística también promete mejorar la eficiencia de las empresas, reducir sus costos y mejorar la satisfacción del cliente, lo que en última instancia conduce a una empresa más rentable ( 

Yaiprasert y Hidayanto, 2023 ). Los beneficios de la IA y el ML no se limitan solo a los consumidores y las empresas. La integración de estas tecnologías en la industria de la logística también tendrá un profundo impacto en la economía ( 

Bughin et al., 2018 ). Creará nuevas oportunidades laborales que requieren habilidades especializadas e impulsará el crecimiento de otras industrias que respaldan al sector logístico. Además, la implementación de la IA y el ML en la logística ayudará a reducir la huella de carbono asociada con el transporte, lo que lo convierte en una opción ecológica.

A pesar de su simplicidad en la implementación, los enfoques de ML de un solo método a menudo necesitan ayuda con múltiples inconvenientes que limitan su efectividad y generalización ( Verma et al., 2021 ). Estas limitaciones incluyen sobreajuste, subajuste y sensibilidad a los hiperparámetros ( 

Beltrán-Royo et al., 2023 ). El sobreajuste ocurre cuando un solo modelo de ML aprende las idiosincrasias de los datos de entrenamiento demasiado de cerca, lo que lleva a un bajo rendimiento en datos no vistos ( Aceña et al., 2022 ). Por el contrario, el subajuste ocurre cuando un solo modelo de ML no logra capturar las complejidades de los datos, lo que resulta en un poder predictivo insuficiente . El rendimiento de los modelos de ML individuales a menudo es susceptible a la selección de hiperparámetros, lo que puede degradar significativamente el rendimiento del modelo. Para abordar estas limitaciones, las metodologías de ML de conjunto que utilizan múltiples modelos de ML ofrecen un enfoque prometedor.

El aprendizaje automático de conjuntos impulsado por IA puede analizar con precisión datos históricos , tendencias actuales y factores externos para predecir fluctuaciones de la demanda ( Khan Md. Hasib et al., 2023 ; 

Rosário & Dias, 2023 ). Esto permite a los transportistas logísticos ajustar de forma proactiva sus operaciones, como la dotación de personal, la gestión de la flota y la optimización del almacén, para satisfacer la demanda de manera eficiente ( 

Dumas et al., 2018 ). Además, la planificación de rutas y la asignación de recursos son componentes críticos de la optimización de costos en el negocio de la logística. El aprendizaje automático de conjuntos impulsado por IA puede analizar redes de carreteras , patrones de tráfico y ubicaciones de los clientes para generar rutas optimizadas que minimicen el consumo de combustible, los tiempos de entrega y los costos generales ( Schmitt, 2023 ). Además, los algoritmos de IA pueden optimizar la asignación de recursos en toda la red de entrega logística, asegurando que los vehículos, el personal y las instalaciones se utilicen de manera eficiente ( Kumar et al., 2021 ). Finalmente, el aprendizaje automático de conjuntos impulsado por IA proporciona a los transportistas logísticos una poderosa herramienta para tomar decisiones informadas basadas en datos. Al analizar grandes cantidades de datos e identificar patrones ocultos, los algoritmos de IA pueden proporcionar información útil que mejore la toma de decisiones en todas las operaciones de entrega logística.El negocio de la logística de entregas es una industria compleja y desafiante. Las empresas de esta industria enfrentan varios problemas, incluidos la logística perdida o dañada, las entregas tardías, los altos costos, la competencia, las regulaciones y la tecnología ( 

Ouyang et al., 2022 ; 

Zhang et al., 2022 ). Estos desafíos pueden dificultar que las empresas operen y se mantengan competitivas. Sin embargo, al comprender estos desafíos, las empresas pueden tomar decisiones informadas sobre la gestión de sus negocios y el éxito ( 

Leyerer et al., 2019 ; 

Tavakoli et al., 2022 ).Los costos empresariales son esenciales para el seguimiento porque ayudan a las empresas a determinar su rentabilidad. Al comprender sus costos, las empresas pueden decidir cómo fijar el precio de sus productos y servicios, asignar recursos y mejorar su rentabilidad ( 

Bilal y Oyedele, 2020 ; 

Ding et al., 2022 ; 

Dumas et al., 2018 ). Por lo tanto, la tecnología de seguimiento es una herramienta esencial para las empresas que buscan controlar sus costos y mejorar sus resultados ( 

Wang et al., 2023 ; 

Zhao et al., 2020 ). El seguimiento del gasto empresarial es esencial por varias razones. Puede ayudar a las empresas a ver a dónde va su dinero e identificar áreas en las que pueden recortar.La IA puede cerrar estas brechas problemáticas en el gasto empresarial de varias formas ( 

Dondapati et al., 2021 ; 

Yaiprasert & Hidayanto, 2023 ). La IA puede automatizar el seguimiento del gasto, liberando tiempo para centrarse en otras tareas. Esto puede ayudar a garantizar que el gasto se rastree de forma precisa y eficiente. La IA puede identificar anomalías y patrones en el gasto, lo que puede ayudar a identificar áreas de gasto excesivo o problemas potenciales ( 

Rosário & Dias, 2023 ). La IA puede recomendar mejorar los gastos, como reducir los gastos innecesarios o reasignar el gasto a áreas más productivas ( 

Sharma et al., 2021 ). Algunos ejemplos específicos de cómo la IA puede cerrar brechas problemáticas en el gasto empresarial. Una empresa que vende en línea podría rastrear su gasto en campañas de marketing ( 

Cuzzocrea et al., 2020 ). La IA podría usarse para identificar qué campañas son las más efectivas y recomendar cómo mejorar el rendimiento de las campañas menos efectivas. Una empresa de fabricación podría rastrear su gasto en materias primas ( 

Zheng et al., 2022 ). La IA podría utilizarse para identificar tendencias en el costo de las materias primas y hacer recomendaciones sobre cómo negociar mejores precios con los proveedores. La IA puede automatizar la gestión de inventarios y el control de calidad ( Praveen et al., 2019 ). Una empresa minorista podría realizar un seguimiento de sus gastos en inventario ( 

Zhang et al., 2018 ). La IA podría utilizarse para identificar inventarios de lento movimiento y hacer recomendaciones sobre cómo reducir la cantidad de existencias que se encuentran en los estantes ( 

Wang et al., 2023 ; 

Xiong et al., 2021 ).Este estudio fue motivado por la necesidad de adaptabilidad y resiliencia para competir en un mercado altamente competitivo. Proporciona un enfoque alternativo a la estrategia de costos en la industria de entrega logística. La industria de entrega logística es altamente competitiva y las empresas buscan constantemente formas de reducir costos y mejorar la rentabilidad. Las estrategias de costos tradicionales, como el trabajo manual y las hojas de cálculo, a menudo son ineficientes y consumen mucho tiempo, lo que genera oportunidades perdidas y pérdida de ganancias. La IA de colaboración ofrece un nuevo enfoque prometedor para la estrategia de costos para las empresas. La IA de conjunto puede automatizar tareas, analizar datos y hacer predicciones ( 

Khanday et al., 2022 ). Esto puede ayudar a las empresas a cerrar la brecha en las estrategias de costos tradicionales y lograr ahorros de costos significativos.

Este estudio identifica lagunas de investigación en el uso de ML y datos simulados en contextos comerciales , con un enfoque específico en la subutilización del ML de conjunto para optimizar las estrategias de costos. La investigación investiga el impacto potencial de este enfoque en la operación comercial de una empresa de entrega logística, destacando los riesgos y desafíos potenciales. Proporciona información y tácticas valiosas para abordar eficazmente el desafío y desarrollar una comprensión profunda del mismo. La investigación analiza el impacto de diferentes estrategias para resolver el desafío, guiando la toma de decisiones. Los resultados esperados de este proyecto de investigación son identificar cómo la tecnología de IA puede aumentar los ingresos y brindar recomendaciones sobre cómo las empresas pueden usar la tecnología de IA para seguir siendo competitivas en un mercado cada vez más concurrido. El estudio tiene como objetivo proporcionar a los lectores una mejor comprensión de cómo se pueden combinar la IA y el ML para crear herramientas de marketing digital más sólidas y maximizar los ingresos.

Por otra parte, este artículo se centra en demostrar la eficacia del aprendizaje automático por conjuntos basado en IA para reducir los costes y mejorar la rentabilidad en el sector logístico. Una contribución fundamental de este estudio radica en el desarrollo de un enfoque novedoso que aprovecha las técnicas de aprendizaje automático por conjuntos para optimizar las estrategias de costes en el ámbito de la logística. Este enfoque integra a la perfección múltiples modelos de aprendizaje automático, lo que permite al sistema aprender de diversas fuentes de datos y realizar predicciones más precisas. Se ha demostrado rigurosamente que el aprendizaje automático por conjuntos mejora la precisión de las predicciones y mitiga el riesgo de errores en el proceso de toma de decisiones. Se espera que este esfuerzo de investigación proporcione información valiosa sobre la eficacia del aprendizaje automático por conjuntos basado en IA como herramienta para optimizar las estrategias de costes en el sector logístico. El presente estudio tiene como objetivo realizar contribuciones significativas a la comunidad investigadora de las siguientes formas:

  • (i)El estudio explora meticulosamente la optimización de las estrategias de costos en escenarios de negocios logísticos mediante el empleo de ML de conjunto impulsado por IA.
  • (ii)Se propone desarrollar un modelo de seguimiento dinámico y un mecanismo de toma de decisiones para las operaciones de entrega logística.

Este estudio aprovecha la IA para simular datos de costos umbral de negocios para lograr los objetivos anteriores e identificar estrategias de mitigación óptimas . Los algoritmos de ML empleados en este estudio, incluidos los árboles de decisión , la regresión logística y los métodos del vecino más cercano, extraen de manera efectiva patrones y relaciones dentro de los datos de costos, lo que permite una toma de decisiones estratégica informada. El resto de este documento está estructurado de la siguiente manera: la Sección 2 presenta el proceso de desarrollo de hipótesis . La Sección 3 detalla la metodología para el algoritmo de ML y el desarrollo de la programación. Los resultados y el análisis de este estudio se presentan en

 la Sección 4. La

 Sección 5 analiza la contribución del estudio a la literatura existente y sus implicaciones prácticas, y

 la Sección 6 proporciona la conclusión del estudio.

2. Desarrollo de hipótesis

Los avances tecnológicos han cambiado significativamente la industria de la entrega logística en los últimos años. La creciente demanda de comercio electrónico ha impulsado un tremendo crecimiento en la industria, lo que lleva a las empresas a buscar formas de optimizar sus operaciones y reducir los costos a medida que crece la competencia. Una tendencia emergente es el uso de algoritmos de aprendizaje automático de conjunto impulsados ​​por IA para optimizar las estrategias de costos. Esta tecnología está causando revuelo en la industria, ya que puede aumentar las ganancias del negocio de la logística. Por lo tanto, este documento tiene como objetivo desarrollar hipótesis relacionadas con el aprendizaje automático de conjunto impulsado por IA para optimizar las estrategias de costos en el caso de negocios de logística. El objetivo principal del estudio es explorar los beneficios potenciales del uso de algoritmos de aprendizaje automático de conjunto impulsados ​​por IA para optimizar las estrategias de costos en la industria de la entrega logística. El estudio busca contribuir a la literatura existente mediante el desarrollo de hipótesis para guiar la investigación futura.

H1 : Una estrategia de reducción de costos precisa y eficiente genera ganancias más significativas.La maximización de las ganancias es crucial para el éxito a largo plazo en la competitiva industria de la logística. Este estudio propone que la implementación de una estrategia de reducción de costos precisa y eficiente puede mejorar significativamente los márgenes de ganancia de las empresas de logística. La suposición subyacente es que las empresas pueden aumentar su rentabilidad minimizando los gastos innecesarios ( 

Reyes y Hargreaves, 2022 ). El aprendizaje automático en conjunto impulsado por IA ofrece una herramienta poderosa para identificar áreas en las que se pueden reducir los costos. Al analizar grandes cantidades de datos relacionados con los costos de transporte, mano de obra y embalaje, los algoritmos de IA pueden identificar oportunidades para la optimización de costos ( César Pérez López, 2021 ). Al implementar estrategias efectivas de reducción de costos informadas por información impulsada por IA, las empresas de logística pueden agilizar las operaciones, mejorar la eficiencia y lograr una mayor rentabilidad. La hipótesis central de esta investigación es que una estrategia de reducción de costos precisa y eficiente, impulsada por análisis impulsados ​​por IA, genera ganancias más significativas para las empresas de logística. Las empresas que puedan optimizar las rutas de entrega, minimizar el consumo de combustible y reducir el desperdicio a través de información impulsada por IA obtendrán una ventaja competitiva en el mercado.

H2 : La IA es una herramienta eficaz que se puede utilizar para gestionar los costes.

En la dinámica y sensible a los costos de la industria logística , la gestión eficiente de los costos es esencial para mantener la rentabilidad y la ventaja competitiva. Este estudio propone que el aprendizaje automático de conjunto impulsado por IA es una herramienta poderosa para una gestión eficaz de los costos. La suposición subyacente es que los algoritmos de IA pueden analizar grandes cantidades de datos para descubrir patrones y tendencias ocultos que pueden pasar desapercibidos con los métodos tradicionales ( Sundari y Subaji, 2020 ). Al aprovechar el aprendizaje automático de conjunto impulsado por IA, las empresas de logística pueden obtener información valiosa sobre sus operaciones y procesos de toma de decisiones, lo que les permite identificar y abordar áreas de ineficiencia de costos ( 

Rawat et al., 2021 ). Por ejemplo, los algoritmos de IA pueden señalar rutas específicas o procedimientos operativos que conducen a un consumo excesivo de combustible o al desgaste del vehículo, lo que permite a las empresas optimizar las operaciones y minimizar los gastos innecesarios. Además, la IA puede revelar costos ocultos que a menudo se pasan por alto en las estrategias tradicionales de reducción de costos, como el embalaje ineficiente o los recursos infrautilizados. Al analizar datos de diversas fuentes, incluidos sensores, rutas de entrega y comportamiento de los clientes, los algoritmos de IA pueden identificar estos costos ocultos y brindar a las empresas información útil para optimizar los costos. En consecuencia, el aprendizaje automático basado en IA surge como una herramienta transformadora para la gestión eficaz de los costos en el negocio de la logística, lo que permite a las empresas lograr una mayor rentabilidad y eficiencia operativa.

H3 : La colaboración de IA para rastrear los costos de producción producirá resultados más precisos, lo que conduce a ajustes de estrategia inteligentes.La gestión de costos sigue siendo fundamental para mantener la competitividad y la rentabilidad en la industria de la logística en constante evolución ( 

Wang et al., 2023 ). Este estudio propone que el aprendizaje automático en conjunto impulsado por IA, cuando se aprovecha de forma colaborativa, puede revolucionar el seguimiento de costos y la optimización de la estrategia . Al colaborar con algoritmos de IA, la suposición subyacente es que las empresas pueden obtener conocimientos más profundos sobre sus costos de producción, lo que les permite realizar ajustes inteligentes y oportunos en sus estrategias de gestión de costos. Por ejemplo, los algoritmos de IA pueden analizar continuamente los datos de producción para identificar dónde aumentan los costos o se desvían de los patrones esperados ( Singh et al., 2022 ). Esta información en tiempo real permite a las empresas realizar ajustes estratégicos en sus procesos de producción, como optimizar la asignación de recursos , minimizar el desperdicio y negociar mejores tarifas con los proveedores, lo que en última instancia reduce los costos. Además, el aprendizaje automático en conjunto impulsado por IA puede dotar a las empresas de la agilidad necesaria para adaptarse a las condiciones dinámicas del mercado ( Rosário y Dias, 2023 ). Al analizar la demanda de los clientes, los patrones climáticos, los precios del combustible y otros factores relevantes, estos algoritmos pueden brindar información en tiempo real que permite a las empresas ajustar de manera proactiva sus operaciones, modelos de precios y rutas de entrega. Esta adaptación en tiempo real a las fluctuaciones del mercado puede mejorar significativamente la ventaja competitiva de una empresa en un entorno que cambia rápidamente.

3 . Metodología

Los requisitos de las empresas de entrega logística determinaron el diseño del estudio. Se consideraron los datos sobre los costos de producción y de los clientes para crear un modelo, asignando diferentes resultados para la toma de decisiones. Se utilizó una regla de asociación para determinar los datos clave y de valor y luego se envió al proceso de entrenamiento de ML. La verificación del sistema se diseñó para que fuera al menos un 85% precisa como estándar, mientras que la adición de un método de ML más para la iteración aumentó aún más la confianza en la usabilidad del sistema de toma de decisiones. El marco de investigación se describe en la Figura 1 .

Figura 1

La generación 

de datos simulados es un paso crucial en el ciclo de flujo de trabajo de la IA, que permite a los investigadores crear datos reales para medir la precisión del modelo mediante el diseño de conjuntos de datos generados por computadora personalizados para la aplicación específica del sistema de IA. Esto garantiza que el sistema de IA aprenda las características correctas y haga las predicciones correctas. Los datos simulados son una herramienta valiosa para el desarrollo de la IA para mejorar la precisión, la escalabilidad, la privacidad, la seguridad y la rentabilidad del sistema de IA. Los datos simulados suelen ser la única opción para entrenar sistemas de IA, especialmente cuando no hay datos reales disponibles, son demasiado costosos o requieren mucho tiempo para recopilarlos. En otros casos, los datos simulados se pueden utilizar junto con datos reales para mejorar la precisión y el rendimiento de los sistemas de IA.La regla de asociación es un método de ML basado en reglas para descubrir relaciones interesantes entre variables en grandes conjuntos de datos. Identifica reglas sólidas ubicadas en bases de datos utilizando algunas 

medidas de interés . La regla de asociación se utiliza para encontrar las reglas que determinan cómo o por qué ciertos elementos están conectados en cualquier transacción dada con una variedad de elementos. Después de crear una regla de asociación para un conjunto de datos, los investigadores deben usar el entrenamiento de ML para enseñar a sus modelos de IA cómo reconocer estos patrones. El entrenamiento de ML implica introducir datos en un modelo para que pueda aprender de los ejemplos proporcionados por el usuario. Cuantos más datos se utilicen para entrenar el modelo, más preciso será. Sin embargo, es esencial utilizar datos simulados de alta calidad que sean representativos del problema del mundo real que el modelo está tratando de resolver.La validación de ML es un paso esencial en el 

proceso de ML que ayuda a garantizar que el modelo sea preciso y se pueda utilizar para hacer predicciones confiables. Después de entrenar un modelo de ML, es esencial validar su precisión utilizando un conjunto de datos separado que el modelo no haya visto antes. Las predicciones del modelo sobre estos nuevos datos se pueden comparar con los resultados reales para ver qué tan preciso es el modelo. El ML de conjunto es una técnica que combina las predicciones de múltiples modelos de ML para producir una predicción más precisa. Se basa en el principio de que un grupo diverso de modelos tiene más probabilidades de ser preciso que cualquier modelo individual.Finalmente, después de que un modelo de ML se haya entrenado, validado y revalidado, está listo para usarse en un sistema de decisión que utiliza un modelo de ML para tomar decisiones. El sistema de decisión generalmente toma datos y luego utiliza el modelo de ML para hacer una predicción o tomar una decisión.

2.1 . Método de aprendizaje automático

Una combinación de árboles de decisión , regresión logística y vecinos más cercanos se puede utilizar como un método eficaz para agrupar y confirmar los resultados de las tareas de clasificación de ML . El árbol de decisión se utiliza primero para construir un modelo de clasificación con la regresión logística y luego se aplica el modelo de vecinos más cercanos para repetir los resultados de la clasificación . Al combinar estos tres métodos, se puede mitigar el sesgo o los errores en cada modelo, haciéndolos más precisos y confiables. Además, algunas técnicas avanzadas de ML , como los métodos de conjunto (por ejemplo, bagging y boosting), también se pueden utilizar para combinar los resultados para mejorar el resultado general.

2.1.1 . Árbol de decisión

Los árboles de decisión son una técnica poderosa y popular que se utiliza en la IA para resolver problemas complejos. Proporcionan una forma de determinar la mejor acción para una situación dada de forma sistemática. Los árboles de decisión están estructurados como diagramas de flujo, con ramas que representan posibles decisiones y resultados. El árbol de decisión busca la decisión más «correcta» en cada rama en función de criterios predefinidos. Cada rama tiene un peso asociado a ella, en función de la probabilidad de que una decisión particular conduzca al resultado deseado ( 

Sheppard, 2017 ). Por ejemplo, el árbol de decisión sopesaría la probabilidad de éxito de cada opción si existen dos posibilidades: «Ir a la izquierda» o «Ir a la derecha». Los árboles de decisión se construyen utilizando una función de puntuación en el nivel más básico. Esta función toma entradas sobre el estado actual del problema y asigna una puntuación a cada acción posible. La acción con la puntuación más alta es la que se debe tomar. Una función de puntuación típica

F(incógnita)Podría tomar la siguiente forma

F(incógnita)=el1incógnita1+el2incógnita2+…+elnorteincógnitanorte, donde 

1 , X 2 , …, X n son variables que describen el estado actual del problema, y 

​​w 1 , w 2 , …, w n son pesos asignados a las variables que indican su importancia relativa .

2.1.2 . Regresión logística

La regresión logística es un algoritmo de aprendizaje automático que se utiliza para abordar problemas de clasificación, como predecir si un cliente comprará o no un producto o si vale la pena la inversión. Es una técnica estadística que modela la relación entre un conjunto de variables independientes y una variable dependiente . La variable dependiente suele ser un resultado binario, como «sí» o «no», por lo que el resultado se puede modelar como una probabilidad. La regresión logística estima la probabilidad de la variable dependiente dados los valores de la variable independiente .La regresión logística utiliza una ecuación para estimar probabilidades conocida como función logit. Tiene la forma pag=1/(1+mi−el), dónde pages la probabilidad de la variable dependiente ,mies la base de los logaritmos naturales (aproximadamente 2,718), yeles la diferencia entre la función predictora lineal y el valor umbral. La función predictora lineal es una combinación de las variables independientes multiplicadas por sus coeficientes,θ0+θ1incógnita1+θ2incógnita2+…+θnorteincógnitanorteEl resultado de la función logit varía de 0 a 1, y las probabilidades más altas indican un mejor ajuste a los datos. Los coeficientes deben estimarse para predecir la probabilidad de la variable dependiente. Esto se hace normalmente mediante la estimación de máxima verosimilitud , que busca los valores de los coeficientes que maximizan la verosimilitud logarítmica de los datos.

2.1.3 . Vecinos más cercanos

El vecino más cercano es un método de ML que clasifica puntos de datos u objetos. Compara un punto de datos u objeto determinado con sus vecinos más cercanos y lo asigna a la categoría a la que pertenecen la mayoría de sus vecinos. El principio detrás del algoritmo del vecino más cercano es que los objetos similares están cerca unos de otros. Esto significa que los vecinos más cercanos de un objeto en particular se pueden usar para identificar su clase o etiqueta. El vecino más cercano es un algoritmo simple e intuitivo, pero su efectividad depende de la métrica de distancia. Dos métricas de distancia estándar utilizadas en el algoritmo del vecino más cercano son la distancia euclidiana y la distancia de Manhattan.

2.2 . Lenguaje de programación

Mathematica es un potente lenguaje de programación utilizado en IA y ML ( 

Bernard, 2021 ). Proporciona una interfaz y funciones para desarrollar algoritmos, escribir código y gestionar datos. La implementación de IA y ML con Mathematica puede analizar grandes conjuntos de datos, comprender correlaciones complejas y crear modelos predictivos precisos en minutos. Las capacidades de IA/ML de Mathematica están impulsadas por su biblioteca avanzada de cálculo simbólico, que permite a los usuarios manipular expresiones simbólicas para resolver problemas. Este estudio utilizó la versión de prueba 13.0.1 de Mathematica del lenguaje Wolfram , ejecutada en una MacBook Pro con un procesador M1 y 8 GB de RAM .

2.3 . Modelo

2.3.1 . Compensaciones y sesgos

Como parte de esta investigación, se exploró el uso de datos simulados. Los datos simulados pueden proporcionar un entorno de aprendizaje realista para un sistema de IA al presentar múltiples conjuntos de datos de diferentes fuentes, que pueden incluir entornos del mundo real o simulaciones. Los datos simulados también pueden ayudar al sistema de IA a comprender las correlaciones y los patrones entre las fuentes de datos . Además, el rendimiento del sistema de IA se puede evaluar utilizando datos de simulación, lo que puede ayudar aún más en su desarrollo y modificaciones.

El uso de datos simulados en la investigación de IA puede ser muy ventajoso, pero es fundamental conocer las posibles desventajas y sesgos que surgen de su uso. Una de las preocupaciones importantes a este respecto es la representación de los datos , ya que los datos simulados pueden reflejar solo parcialmente las complejidades del mundo real. Esto, a su vez, puede conducir a modelos menos generalizables para los datos del mundo real. Además, la calidad de los datos simulados es primordial, ya que los datos inexactos o no representativos pueden dar lugar a modelos sesgados. Por último, el rendimiento de los modelos puede verse afectado por la cantidad y la calidad de los datos de entrenamiento . Si los datos de entrenamiento son limitados o sesgados, podrían dar lugar a modelos menos robustos y generalizables. Por lo tanto, es imperativo considerar cuidadosamente estos factores al utilizar datos simulados en la investigación de IA.

2.3.2 . Preparar los datos

En este estudio, se generaron datos para simular las demandas de una empresa en función de sus datos históricos de costos de producción primarios . Esto permitió la creación de conjuntos de datos que se asemejan mucho a los datos del mundo real. El aprendizaje automático también puede utilizar datos simulados para crear modelos realistas y hacer predicciones. La simulación permitirá a los investigadores estudiar el comportamiento de un sistema mediante la creación de un modelo que consta de una estructura y reglas que rigen esta estructura para producir diversos resultados. La técnica presentada en este estudio se utiliza para explorar la posible aplicación del valor umbral de costo comercial (BTVC) para determinar un conjunto de datos simulados para el aprendizaje automático. Este conocimiento puede ayudar a optimizar la precisión de los modelos de aprendizaje automático y reducir los costos asociados.

Esta investigación busca evaluar la viabilidad de utilizar el BTVC para evaluar o simular datos para proyectos de ML y analizar los resultados. Específicamente, explora cómo las variables seleccionadas, como la posibilidad de costo, afectan los resultados e informan el equilibrio entre costo y riesgo. Finalmente, explora las posibles aplicaciones de la simulación basada en BTVC de varias tuplas de costos posibles. Una declaración inicial del BTVC se muestra en la Tabla 1 .

Tabla 1. Declaración inicial del BTVC.

Materias primasMano de obraEnergíaTecnologíaEmbalajeDistribuciónMarketingProducto premiumClasificación
-1-1-1-1-1-1-1-1Extremadamente riesgoso
00000000Neutral
11111111Superlativo

El BTVC consta de aproximadamente 6.561 tuplas posibles, como {-1, -1, -1, -1, -1, -1, -1, -1}, {0, 0, 0, 0, 0, 0, 0, 0} y {1, 1, 1, 1, 1, 1, 1, 1}, etc., con escalas de calificación que van de -8 a 8, como extremadamente riesgoso, alto riesgo, riesgo, pobre, algo pobre, regular, moderado, pasable, neutral, aceptable, satisfactorio, bueno, muy bueno, excelente, sobresaliente, excepcional y superlativo, respectivamente. Este estudio mezcló la cantidad de tuplas BTVC posibles en la escala decimal para proporcionar suficientes datos de aprendizaje para ML, lo que dio como resultado una mayor precisión del modelo, como {1, 0,01, 1, 0,02, 1, 0,03, 1, 0,04}, {-1,0, -0,8, -0,6, -0,4, 0,4, 0,6, 0,8, 1}, etc. Las tuplas totales posibles de BTVC se utilizan para 14 211 casos. Esto significa que el valor umbral se puede establecer en el nivel decimal. Este proceso demuestra que la empresa puede establecer el valor BTVC en decimales de -1 a 1 o aplicar cualquier rango de valores umbral según sea necesario. Además, la empresa puede determinar cada tipo de costo en otras cantidades según sea necesario.

2.3.3 . Dividir los datos en conjuntos de entrenamiento

Una vez que se han preparado los datos, se deben dividir en conjuntos de entrenamiento y de prueba. El conjunto de datos de entrenamiento se utilizará para desarrollar el modelo y el conjunto de datos de prueba se utilizará para medir su rendimiento (Aggarwal, 2016). Se emplea un algoritmo de aprendizaje de reglas de asociación , una técnica de ML supervisada, para el conjunto de datos de entrenamiento. Este algoritmo se utiliza para identificar relaciones entre elementos en grandes conjuntos de datos, a menudo para el análisis de costos . Se caracteriza por dos medidas: «apoyo» y «confianza» para determinar la frecuencia de los elementos de inversión y la probabilidad de que se compren juntos, respectivamente. El objetivo del aprendizaje de reglas de asociación es identificar y generar reglas que expliquen las correlaciones y los patrones en los datos. En el fragmento de código 1 se presenta un ejemplo de algoritmo para generar datos de entrenamiento con reglas de asociación en procesos de ML. El proceso tiene como objetivo definir las relaciones entre diferentes conjuntos de datos o variables mediante la minería de bases de datos en busca de patrones, que luego se pueden utilizar para crear algoritmos o modelos prácticos para pronosticar resultados a partir de cualquier conjunto de variables.

Entrada1:casos = Tuplas[{-1, 0, 1}, 8];
Entrada2:trainSet = Table[Which[ Total[casos[[i]]] == -8, Total[casos[[i]]] -> “01-Extremadamente riesgoso”, Total[casos[[i]]] == 8, Total[casos[[i]]] -> “17-Superlativo”], {i, 1, Length[casos]}];

El fragmento de código 1 “trainSet” es un ejemplo de datos de entrenamiento. La regla de asociación muestra una correlación entre el BTVC y la calificación considerada.

2.3.4 . Elegir y entrenar un modelo de ML

Existen varias técnicas para ajustar un modelo de ML a un conjunto de datos determinado y optimizarlo a través de su función de pérdida. Este estudio utiliza árboles de decisión, regresión logística y algoritmos de ML del vecino más cercano. Luego, los datos deben procesarse previamente en conjuntos de datos de entrenamiento, validación y prueba. Finalmente, el modelo de ML debe entrenarse introduciendo el conjunto de datos de entrenamiento en el modelo y proporcionándole las etiquetas correctas para cada ejemplo para predecir con precisión las etiquetas de los datos no vistos. Esto generalmente implica evaluar varios parámetros ( Josephine Isabella y Srinivasan, 2018 ).

La selección y el entrenamiento de un modelo de ML adecuado son esenciales para lograr el máximo poder predictivo y evitar el sobreajuste. No se puede esperar una precisión perfecta desde el principio, por lo que es necesario probar y validar el algoritmo después de cada ciclo de entrenamiento para verificar su precisión. El entrenamiento de ML es un proceso iterativo y debe pasar por múltiples ciclos de entrenamiento y validación antes de que su rendimiento pueda considerarse efectivo. Las características y los hiperparámetros del modelo se pueden modificar para mejorar el rendimiento, por ejemplo, ajustando la complejidad del modelo mientras se prueban diferentes algoritmos para aumentar la precisión. En este estudio, el método de entrenamiento utilizado se describe en el fragmento de código 2.

Entrada1:decisionTree = Classify[trainSet, Método ->“DecisionTree”];
Entrada2:Regresión logística = Clasificar[conjunto de entrenamiento, Método->“Regresión logística”];
Entrada3:vecinosmás cercanos = Clasificar[conjuntoDeTren, Método ->“VecinosMásCercanos”];

Fragmento de código 2 “trainSet” es un conjunto de datos para entrenar cada método ML.

2.3.5 . Probar el modelo

Después de entrenar un modelo de ML, es esencial evaluar su precisión. El enfoque más eficaz para lograrlo es probar el rendimiento del modelo en datos no vistos, lo que proporciona una evaluación más precisa. Este estudio utiliza un conjunto de datos creado a partir de anidamiento aleatorio para probar el modelo de ML. El anidamiento aleatorio es un concepto ampliamente utilizado en IA, principalmente en redes neuronales . Implica organizar aleatoriamente la estructura de un sistema o algoritmo, lo que le permite manejar tareas que requieren un mayor grado de complejidad. Esto se hace agrupando puntos de datos e incorporándolos en un sistema más extenso, que se puede manipular fácilmente para producir el resultado deseado. Uno de los beneficios significativos de usar anidamiento aleatorio para aplicaciones de IA es que reduce la cantidad de datos de prueba que requiere el sistema. Permite que la IA elija un subconjunto de datos de un conjunto de datos más grande y construya un conjunto de prueba más pequeño pero igualmente efectivo. El fragmento de código 3 muestra un conjunto de datos generado aleatoriamente para probar el modelo ML, con un BTVC que varía aleatoriamente entre -1,00 y 1,00 y un total de 1000 BTVC.

Entrada1:n  = 1000;
Entrada2:testSet = Tabla[Si[i>n, Nada, Tabla[Si[i>8, Nada, RandomChoice[{RandomInteger[{-1, 1}], RandomReal[{-1, 1}]}]], {i, 1, 8}]], {i, 1, 1000}];

Fragmento de código 3 El valor BTVC es un nido generado aleatoriamente para probar modelos.

2.3.6 . Enfoque de validez y confiabilidad

Para garantizar la validez y la fiabilidad de la investigación realizada, se tomaron una serie de medidas para abordar estos desafíos. El primer paso implicó recopilar datos simulados a partir de un conocimiento integral del negocio de la logística y sus fuentes de datos asociadas. Esto implicó elaborar cuidadosamente los datos para representar escenarios del mundo real y capturar la complejidad del proceso de entrega logística. El siguiente paso fue validar exhaustivamente los datos simulados para garantizar su precisión y coherencia. Este proceso incluyó verificaciones de la calidad, la integridad y la representatividad de los datos . A continuación, se evaluó el rendimiento del modelo de IA utilizando varias métricas, incluidas la exactitud, la precisión, la recuperación y la puntuación F1. Los modelos también se evaluaron con datos no vistos para evaluar su generalización . Por último, para garantizar la relevancia y la aplicabilidad práctica de los hallazgos, los expertos en el ámbito del negocio de la logística revisaron las conclusiones del estudio. Este enfoque multifacético para abordar los desafíos de validez y fiabilidad garantiza que la investigación sea de alta calidad y proporcione información práctica para el negocio de la logística.

2.3.7 . Conjunto ML

El uso de la IA en diversas áreas se ha vuelto cada vez más popular en los últimos años debido a su potencial para mejorar drásticamente la eficiencia ( Yaiprasert, 2021 ; Yaiprasert y Yusakul, 2022 ). Uno de los aspectos críticos de la IA es que puede agrupar los resultados obtenidos al aplicar algoritmos de ML. Como resultado, la IA se utiliza con frecuencia como una segunda y tercera capa de comprobaciones de los resultados obtenidos a partir de técnicas de ML para garantizar la precisión y la fiabilidad. Al ejecutar un algoritmo de IA después de que el sistema de ML haya producido una respuesta, la precisión de la respuesta puede mejorarse significativamente. Al repetir un algoritmo de IA diferente para validar las respuestas del primero, se pueden aumentar aún más las posibilidades de detectar errores o inexactitudes.

4. Resultados​

4.1 . Aprendizaje automático

La curva de aprendizaje en el aprendizaje automático proporciona una representación gráfica de la capacidad de un algoritmo de IA para aprender de los datos a lo largo del tiempo. Traza el cambio de la precisión o la puntuación de pérdida en relación con el número de iteraciones en un conjunto de datos de entrenamiento. La precisión mide qué tan bien el algoritmo predijo los resultados, mientras que la puntuación de pérdida indica qué tan bien se ajusta a los datos. Una curva de aprendizaje automático precisa es una curva inversa de la puntuación de pérdida en relación con el número de iteraciones. Las puntuaciones de precisión y pérdida disminuyen a medida que el algoritmo aprende más de los datos. La figura 2 muestra la curva de aprendizaje y la curva de precisión del aprendizaje. Ambos gráficos sugieren que el aprendizaje temprano genera puntuaciones de pérdida altas y baja precisión. Sin embargo, el aprendizaje con alrededor de 500 elementos de datos arrojó una puntuación de pérdida de menos de 1, con una precisión cercana al 90%. Las puntuaciones de pérdida disminuyeron a menos de 0,1, lo que indica un entrenamiento exitoso del modelo y excelentes resultados.

Figura 2

Los resultados del entrenamiento de ML revelaron que el método de árboles de decisión tuvo una alta precisión de 99,46% ± 0,20% y una baja puntuación de pérdida de 0,0755 ± 0,0100. El método de regresión logística tuvo la precisión más alta de 99,90% ± 0,08%, con la puntuación de pérdida más baja de 0,0159 ± 0,0014. El método de vecinos más cercanos también fue muy preciso, logrando una precisión de 99,07% ± 0,34% con una baja puntuación de pérdida de 0,0966 ± 0,0170, lo que indica una aplicación exitosa del modelo y excelentes resultados.La curva de calibración representa la confiabilidad de la probabilidad predicha de un modelo, lo que permite comparar los puntos de datos observados con sus probabilidades predichas. La matriz de confusión proporciona una descripción tabular del desempeño del algoritmo de clasificación , lo que permite a los usuarios evaluar la precisión y la recuperación de su modelo e identificar qué clases se clasificaron incorrectamente.

Las figuras 3 y  4 muestran la curva de calibración y la matriz de confusión ajustadas con una línea diagonal perfecta, lo que demuestra que el modelo funciona y proporciona una precisión excelente. Los resultados del gráfico de la matriz de precisión de ML revelaron que los árboles de decisión, la regresión logística y los algoritmos del vecino más cercano lograron una matriz de precisión general del 100 % con entropías cruzadas medias correspondientes de 0,00143, 0,00103 y 0,00979, respectivamente. Estos resultados demuestran que el modelo pudo identificar con precisión las etiquetas correctas en todas las clases.

Figura 3
Figura 4

4.2 . Validación del modelo

La validez del modelo representa el grado en el que el comportamiento calculado se aproxima a la solución. La validación del modelo evalúa el rendimiento de un modelo de ML en nuevos datos, determinando la precisión, sensibilidad, especificidad, exactitud y otras métricas del modelo. Esta investigación utiliza la validación cruzada, una técnica que implica dividir el conjunto de datos original en uno o más conjuntos de datos más pequeños para probar y entrenar el modelo de ML. La validación cruzada es esencial para evaluar los modelos predictivos , ya que ayuda a prevenir el sobreajuste al evitar la contaminación de la prueba de entrenamiento. La exactitud, la precisión, la recuperación, la puntuación F y el AUC son métricas comúnmente utilizadas para evaluar los modelos de ML. Los valores generales de estas métricas por encima de 0,85 son indicadores cruciales del rendimiento de un modelo. La matriz de confusión en la Figura 5 y la Tabla 2 demuestra que los modelos en este estudio tuvieron un buen rendimiento y alcanzaron la excelencia con medidas de rendimiento cuantitativas por encima de 0,95.

Figura 5

Tabla 2. Resumen de los parámetros de validación del modelo basados ​​en más de 1000 pruebas aleatorias .

Método MLExactitudPrecisiónRecordarPuntuación FAUC
Árbol de decisiones0,9710,950 a 1,0000,949 a 1,0000,959 a 0,9850,964 a 1,000
Regresión logística0,9950,984 a 1,0000,977 a 1,0000,988 a 0,9980,999 a 1,000
Vecinos más cercanos0,9970,990 a 1,0000,993 a 1,0000,994 a 0,9980,999 a 1,000

4.3 . Conjunto ML

El aprendizaje automático por conjuntos se utiliza para combinar varios modelos y mejorar el rendimiento general de un modelo predictivo. El método de aprendizaje automático por conjuntos utilizado en este estudio combinó tres métodos de aprendizaje automático, lo que dio como resultado precisiones de validación que oscilaron entre el 97 y el 99 %, lo que demostró resultados excelentes. Este estudio sugiere que un conjunto es una forma más precisa de resumir los tres resultados de aprendizaje automático que confiar únicamente en un resultado de aprendizaje automático. Este método puede considerar múltiples opiniones seleccionando la opción con la mayor probabilidad compartida por dos o más de los resultados de aprendizaje automático, con una probabilidad mayor que 0,95. Se utiliza una declaración nula si no se comparte ninguna opción con una probabilidad mayor que 0,95 entre los resultados de aprendizaje automático. Las probabilidades de los resultados de aprendizaje automático con valores superiores a 0,95 se muestran en la figura 6 .

Figura 6

Las empresas utilizan la IA para agrupar los resultados del aprendizaje automático y obtener una evaluación de datos más precisa, lo que mejora la eficiencia, la precisión y la rentabilidad. Este enfoque ayuda a reducir el riesgo de errores al tomar decisiones basadas en el aprendizaje automático y proporciona una capa adicional de seguridad y garantía. Una forma sencilla de implementar un conjunto se demuestra utilizando el fragmento de código 4. Por ejemplo, el BTVC arrojó un resultado de probabilidad superior a 0,99, clasificándolo con una calificación de «Bueno» para {0,785162, 0,962727, -1, -0,509768, 1, 0, 0,36571, 1}.

Entrada1:muestra = {0,785162, 0,962727, -1, -0,509768, 1, 0, 0,36571, 1};
Entrada2:Conjunto = Flatten[{árbolDecisión[muestra, {“ProbabilidadesPrincipales”, 1}], RegresiónLogística[muestra, {“ProbabilidadesPrincipales”, 1}], VecinosMásCercanos[muestra, {“ProbabilidadesPrincipales”, 1}]}];

Fragmento de código 4 Un conjunto de métodos de aprendizaje automático que consta de árboles de decisión, regresión logística y vecinos más cercanos.

Los métodos de conjunto son potentes y permiten lograr una gran precisión y generalización en el aprendizaje automático. Al combinar varios modelos de datos, estos métodos pueden producir predicciones muy fiables y precisas. Además, también pueden reducir la varianza y el sesgo en los datos, lo que los hace adecuados para conjuntos de datos complejos. Este estudio utiliza juicios de aprendizaje automático de conjunto con una probabilidad superior al 95 %, como se muestra en el fragmento de código 5.

Entrada1:prob95 = Tabla[Si[Valores[Conjunto] [[i]] > 0,95, Conjunto [[i]], Nada], {i, 1, Longitud[Conjunto]}]
Salida1:{12 – Bueno -> 0,999, 12 – Bueno -> 0,9901, 12 – Bueno -> 0,998}

Fragmento de código 5 Probabilidad de identificación de Ensemble ML superior a 0,95.

4.4 . Identificación de costos

La clasificación ML permite a las empresas automatizar los procesos de gestión de costos, ahorrando así tiempo y recursos. Esta tecnología utiliza algoritmos predictivos para determinar patrones y tendencias relacionados con los costos, lo que permite a las empresas pronosticar costos y presupuestos futuros de manera mejor y más precisa. La clasificación ML puede identificar diferentes tipos de costos al analizar patrones de gastos históricos, lo que puede ser útil para las empresas que desean obtener información sobre sus hábitos de gasto para reducir gastos innecesarios. Al analizar datos históricos , la clasificación ML proporciona una descripción detallada del gasto de la empresa e identifica áreas potenciales para realizar recortes o aumentar la eficiencia. Este estudio propone una combinación de BTVC para la clasificación ML. Los resultados del conjunto ML se utilizan para identificar todos los costos, como se muestra en el fragmento de código 6. Los resultados de la prueba BTVC de muestra para {0,785162, 0,962727, -1, -0,509768, 1, 0, 0,36571, 1} mostraron que el modelo fue calificado como «Bueno», lo que significa que la estrategia de la empresa logró buenos resultados. Se confirmó de manera concluyente que el modelo aplicado a los datos históricos del BTVC arrojó resultados de muy alta precisión y también podría utilizarse con diversas simulaciones de costos para predecir de manera óptima la planificación estratégica de los costos de la empresa.

Entrada1:talTyp = Tally[Keys[prob95]/.{“01-Extremadamente riesgoso”->“Costo identificado: Extremadamente riesgoso”, “17-Superlativo”->“Costo identificado: Superlativo”}];
Entrada2:maxT = Máx[#[[2]]&/@talTyp];
Entrada3:CostoIdentificado = ElecciónAleatoria[Seleccionar[talTyp, #[[2]] === maxT &]][[1]]
Salida1:Costo identificado: Bueno

Fragmento de código 6 Los resultados finales de ML en la identificación de todos los costos del negocio.

5 . Discusión

5.1 . Contribuciones a la investigación

Este proyecto de investigación tiene como objetivo evaluar la viabilidad de utilizar IA y datos simulados para desarrollar estrategias de costos para la industria de entregas logísticas. Se emplearon métodos de aprendizaje automático en conjunto para lograr este objetivo, y la validez y confiabilidad de las técnicas de análisis de costos ilustraron su desempeño. Los resultados del estudio indican que el enfoque propuesto es viable y puede ayudar a mejorar las estrategias de costos en el sector de entregas logísticas. El estudio también tuvo como objetivo desarrollar un modelo de seguimiento dinámico y un mecanismo de toma de decisiones para las operaciones de entrega logística, optimizando así las estrategias de costos en logística mediante el empleo de aprendizaje automático en conjunto impulsado por IA.Los hallazgos del estudio sugieren que el aprendizaje automático en conjunto impulsado por IA tiene un potencial significativo para optimizar las estrategias de costos dentro de la industria de la logística. El estudio exploró tres hipótesis para respaldar esta afirmación, arrojando luz sobre cómo la IA puede revolucionar las prácticas de gestión de costos. La primera hipótesis destacó la capacidad de la IA para identificar oportunidades de reducción de costos a través del análisis de datos, lo que conduce a márgenes de ganancia mejorados. La segunda hipótesis enfatizó el papel de la IA en el descubrimiento de costos ocultos que a menudo pasan desapercibidos en los métodos tradicionales de reducción de costos. La tercera hipótesis subrayó la contribución de la IA a la adaptación en tiempo real a las fluctuaciones del mercado, lo que permite ajustes inteligentes de la estrategia. En general, los resultados de este estudio demuestran que el método de aprendizaje automático en conjunto impulsado por IA es más preciso y proporciona mejores estimaciones de costos que los métodos individuales. Estos hallazgos tienen implicaciones significativas para la industria de entrega logística, que puede beneficiarse de la adopción de este enfoque para optimizar sus estrategias de costos.Al probar rigurosamente estas hipótesis, los investigadores pueden comprender mejor la eficacia de la IA en la optimización de costos, allanando el camino para su adopción generalizada en la logística. Las implicaciones de esta investigación son profundas. Las empresas de logística con conocimientos impulsados ​​por IA pueden lograr ahorros de costos significativos, mejorar la eficiencia operativa y aumentar la rentabilidad. Esto, a su vez, se traduce en menores costos de entrega para los consumidores, lo que fomenta un ecosistema de entrega logística más competitivo y rentable. A medida que la IA continúa evolucionando, su papel en la optimización de las estrategias de costos está a punto de volverse aún más crítico, impulsando la industria de la logística hacia un futuro de mayor eficiencia, rentabilidad y satisfacción del cliente. Estos hallazgos brindan información valiosa sobre el potencial del aprendizaje automático en conjunto impulsado por IA para optimizar las estrategias de costos en la industria empresarial de la logística.

Esta investigación contribuye significativamente a la literatura sobre el aprendizaje automático en conjunto impulsado por IA (AEML) en logística. En primer lugar, el estudio establece un nuevo marco basado en AEML para optimizar las estrategias de costos en las operaciones logísticas . Este marco integra múltiples modelos de ML, aprovechando sus fortalezas colectivas para superar las limitaciones de los enfoques de método único. El marco abarca la optimización de rutas , la fijación dinámica de precios y los módulos de previsión de la demanda, lo que permite una optimización holística de los costos en todo el ecosistema logístico. En segundo lugar, el estudio proporciona evidencia empírica de la eficacia de AEML para reducir los costos y mejorar la rentabilidad en el negocio de la logística. Las simulaciones integrales y los estudios de casos demuestran que AEML puede reducir significativamente los costos de entrega, optimizar la asignación de recursos y mejorar la eficiencia, aumentando la rentabilidad del proveedor de logística. En tercer lugar, el estudio contribuye a los avances metodológicos en las aplicaciones de AEML para la optimización logística. La metodología de investigación emplea rigurosas técnicas de recopilación de datos, desarrollo de modelos y evaluación, lo que garantiza la validez y confiabilidad de los hallazgos. El estudio también aborda posibles sesgos y compensaciones asociadas con los datos simulados, lo que mejora la generalización de los resultados.

El estudio ofrece información valiosa y recomendaciones prácticas para adoptar AEML en logística. La investigación describe consideraciones para la preparación de datos, el entrenamiento de modelos y las estrategias de implementación para garantizar la integración exitosa de AEML en las operaciones logísticas. Finalmente, el estudio amplía el alcance de las aplicaciones de AEML más allá de los problemas tradicionales de optimización logística . La investigación demuestra el potencial de AEML para abordar desafíos complejos en la gestión logística , como precios dinámicos, pronóstico de la demanda y toma de decisiones en tiempo real.Para mejorar aún más las capacidades de optimización de costos y abordar desafíos logísticos complejos, las investigaciones futuras deberían explorar la integración de AEML con otras técnicas de optimización, como la simulaciónla metaheurística . Generar confianza y comprensión en los procesos de toma de decisiones del modelo AEML es crucial, y la investigación debería centrarse en el desarrollo de modelos AEML interpretables que brinden información sobre su fundamento. La dependencia de AEML de grandes cantidades de datos hace que sea imperativo garantizar la privacidad y la seguridad de los datos. Las investigaciones futuras deberían investigar prácticas sólidas de gestión de datos y técnicas de cifrado para salvaguardar los datos logísticos confidenciales.

El potencial de AEML se extiende más allá del dominio de la logística, y las investigaciones futuras deberían investigar su aplicabilidad para optimizar las estrategias de costos en otras industrias, como el transporte, la atención médica y la fabricación. Para garantizar una colaboración eficaz entre los expertos humanos y los modelos AEML, las investigaciones futuras deberían centrarse en el desarrollo de interfaces inteligentes y sistemas de apoyo a la toma de decisiones . El seguimiento y la mejora continuos de los modelos AEML son necesarios para adaptarse a las condiciones cambiantes del mercado y las preferencias de los clientes . Las investigaciones futuras deberían desarrollar mecanismos para la evaluación, el reentrenamiento y la adaptación de modelos en tiempo real para garantizar la eficacia a largo plazo de AEML en la optimización de los costos logísticos.Este estudio tiene algunas limitaciones. En primer lugar, las restricciones de decisión son un factor clave a tener en cuenta a la hora de determinar el BTVC, ya que las restricciones de decisión impuestas a la empresa pueden influir significativamente en los costes en los que se incurre al producir o proporcionar productos y servicios. Estas restricciones pueden determinar la cantidad de recursos disponibles y la velocidad con la que se deben tomar las decisiones, lo que en última instancia se traduce en costes. En segundo lugar, debido a la naturaleza del conjunto de datos, no se pudo evaluar el impacto de otros factores, como la dinámica del mercado y las preferencias de los clientes. La dinámica del mercado y la demanda de los clientes también pueden desempeñar un papel esencial a la hora de establecer el valor umbral de los costes de la empresa. Las empresas deben tener en cuenta cómo sus competidores fijan los precios y entregan sus productos o servicios para seguir siendo competitivas y rentables. Además, la demanda y las expectativas de los clientes pueden influir en los costes de cumplir esas expectativas. Por último, este estudio no incluye una comparación de la evaluación de la estrategia de costes impulsada por IA con otros métodos de IA, lo que significa que se necesita más investigación para evaluar la eficacia de estos modelos frente a las nuevas técnicas avanzadas de análisis de costes de IA .

5.2 . Conjunto ML

La validación doble de ML es un enfoque de validación robusto que implica dos conjuntos de validación separados. El primer conjunto de validación evalúa el rendimiento del modelo en un conjunto de datos «reservados» que no se utiliza para fines de entrenamiento o validación. El segundo conjunto de validación evalúa el rendimiento del modelo en un conjunto de datos de «validación cruzada» creado al dividir aleatoriamente el conjunto de entrenamiento en dos partes. Esta técnica se considera más confiable que la validación simple, ya que proporciona dos estimaciones independientes del rendimiento del modelo, lo que reduce las posibilidades de sobreestimación debido al azar. La validación de ML generalmente se considera una buena práctica para evaluar el rendimiento de cualquier modelo de ML, principalmente si se utilizará en producción, ya que garantiza que el modelo sea confiable y pueda hacer predicciones precisas. Además, se emplean métodos de conjunto para disminuir la probabilidad de falsos positivos al considerar solo más efectos excelentes que el 95% de cada método. No obstante, es esencial tener en cuenta que la validación doble no es infalible, ya que dos métodos diferentes aún pueden producir falsos positivos, principalmente si los datos no son representativos del mundo natural o los modelos no están ajustados correctamente.Este proyecto de investigación ayuda a llenar un vacío de conocimiento existente al evaluar de manera integral las estrategias de costos impulsadas por IA. También ofrece información sobre cómo los datos simulados pueden ayudar a mejorar las estrategias de costos en la industria de entregas logísticas. Estos resultados respaldan el conocimiento existente sobre el potencial de la IA para ayudar a mejorar el análisis de costos. Otra forma de utilizar la clasificación ML es predecir cuánto le costará a la empresa producir un producto o servicio específico. El algoritmo utiliza datos como los puntos de precio y los costos de producción para estimar los costos asociados con el producto o servicio. Esta información se puede utilizar para fundamentar las decisiones de precios y garantizar que la empresa siga siendo competitiva.Los datos simulados facilitan el estudio de sistemas más complejos porque crean observaciones al avanzar hacia el futuro y examinar la historia para determinar qué sucedió. Esta investigación tiene posibles implicaciones para una variedad de industrias y negocios. Además, puede ayudar a las empresas a comprender el costo de entrenar modelos de ML, lo que les permite tomar mejores decisiones sobre cuándo usar ML y cuándo confiar en métodos tradicionales. Además, se puede utilizar para optimizar la precisión de los modelos de ML, haciéndolos más rentables.

5.3 . Implicaciones

La aplicación de AEML para la optimización de costos en logística tiene implicaciones de largo alcance para la implementación práctica. AEML permite a los proveedores de logística reducir significativamente los costos mediante la optimización de los costos de planificación de rutas, precios dinámicos y pronósticos de la demanda, lo que da como resultado una mayor eficiencia, menores costos operativos y una mayor rentabilidad. La toma de decisiones basada en datos en tiempo real, habilitada por AEML, permite a los proveedores de logística adaptarse a las condiciones dinámicas del mercado, como la demanda fluctuante, los precios del combustible y los patrones climáticos. Esta adaptabilidad garantiza 

una utilización óptima de los recursos y la gestión de costos. Además, al optimizar las rutas y los cronogramas de entrega, los proveedores de logística pueden entregar las mercancías más rápido, de manera más confiable y a menores costos, lo que mejora la experiencia y la retención del cliente. La adopción de AEML brinda a los proveedores de logística una ventaja competitiva en el panorama logístico cada vez más complejo y sensible a los costos, lo que les permite ofrecer precios competitivos, mantener los márgenes de ganancia y atraer nuevos clientes.Las empresas pueden aplicar la metodología y los hallazgos de este estudio para asumir riesgos calculados que ayuden a aumentar las ganancias y mitigar las pérdidas. Al simular varios escenarios de costos, las empresas pueden predecir el resultado del uso de ML y su potencial de éxito, lo que reduce el riesgo de que las inversiones en el mundo real no brinden los resultados deseados. A través de esta simulación, la empresa puede evaluar el impacto de dicha inversión en su rentabilidad y retorno, lo que le permite comprender en qué áreas enfocarse al usar tecnologías de IA o ML . Las empresas también pueden probar escenarios que simulen condiciones de mercado turbulentas y ajustar sus estrategias para cumplir con sus objetivos.Además de los beneficios financieros, la IA y el ML brindan oportunidades para operaciones más efectivas y eficientes. Las empresas pueden usar IA y ML para automatizar tareas y procesos específicos, ahorrando dinero y agilizando las operaciones. Además, el análisis impulsado por IA puede analizar los datos de los clientes y brindar una mejor perspectiva de sus preferencias, lo que permite a las empresas desarrollar productos y servicios que satisfagan mejor las necesidades de los consumidores. Este estudio también revela que la mayoría de los propietarios de empresas y empleados involucrados en la producción y el marketing pueden implementar rápidamente IA y ML y sus respectivas aplicaciones , lo que indica una manera fácil de generar conciencia sobre el potencial de la IA y el ML en los negocios. Los resultados de este proyecto de investigación deberían inspirar más investigaciones sobre el potencial de la IA y los datos simulados para mejorar el análisis de costos en todas las industrias.La investigación identificó varias implicaciones teóricas y prácticas para el uso de IA y datos simulados en estrategias de optimización de costos . Señaló el potencial de aumentar la lealtad del cliente, mejorar la satisfacción del cliente y aumentar la eficiencia debido al uso de ML impulsado por IA para mejorar las estrategias de costos en la empresa. Además, analizó los riesgos potenciales de este enfoque, como la falta de participación y supervisión humanas y los posibles riesgos legales debido a las regulaciones de privacidad. Con respecto a las implicaciones prácticas, la investigación destacó varias mejoras potenciales al usar IA y ML en estrategias de optimización de costos . Estas incluyen la necesidad de validación externa de resultados, pruebas continuas del sistema y verificación cruzada automatizada de datos. Además, la investigación recomendó que las organizaciones consideren implementar estrategias de optimización de costos impulsadas por IA de manera gradual y bien monitoreada y garantizar que el personal esté adecuadamente capacitado en el uso de IA y datos simulados.Los beneficios del enfoque propuesto en términos económicos son dobles. En primer lugar, la precisión y confiabilidad mejoradas del modelo ML pueden llevar a una toma de decisiones más eficiente y rentable en el negocio de entrega logística. Por ejemplo, el marco ML podría optimizar las rutas de entrega logística, identificar entregas fraudulentas y predecir la demanda de los clientes. En segundo lugar, el enfoque propuesto podría ayudar a reducir los costos asociados con ML, como la recopilación y el etiquetado de datos. Los beneficios económicos del enfoque propuesto pueden ser significativos. Un estudio del McKinsey Global Institute encontró que la IA podría agregar $ 13 billones a la economía global para 2030, equivalente a un aumento del 16% en el PIB acumulado. Esto se traduciría en un crecimiento adicional del PIB del 1,2% anual ( Bughin et al., 2018 ). El enfoque propuesto podría ayudar a lograr estos ahorros al mejorar la precisión y la confiabilidad de los modelos ML, lo que lleva a una toma de decisiones más eficiente y rentable.La adopción de AEML para la optimización de costos en logística tiene implicaciones sociales de largo alcance que requieren una consideración cuidadosa. Este documento describe las posibles implicaciones sociales positivas y negativas de AEML en las operaciones logísticas. AEML puede aumentar las capacidades humanas en operaciones logísticas, lo que lleva a un cambio hacia empleos más calificados e intensivos en conocimiento. Esto puede mejorar la satisfacción laboral, el potencial de ingresos y el avance profesional de los profesionales de la logística . Además, la optimización de rutas, asignación de recursos y cronogramas de entrega impulsada por AEML puede reducir el consumo de combustible, las emisiones y el impacto ambiental general de las operaciones logísticas, alineándose con los objetivos de sostenibilidad global y contribuyendo a un ecosistema logístico más ecológico. Además, la optimización de costos impulsada por AEML puede permitir a los proveedores de logística ofrecer precios más bajos y servicios de entrega mejorados, particularmente en áreas remotas o desatendidas. Esto puede ampliar el acceso a bienes y servicios esenciales para individuos y comunidades, promoviendo la inclusión económica y el bienestar social.La automatización de determinadas tareas logísticas mediante AEML puede provocar la pérdida de puestos de trabajo, en particular de los trabajadores menos cualificados. Por lo tanto, se hacen necesarios programas integrales de actualización y perfeccionamiento de las competencias para preparar a los trabajadores para las nuevas oportunidades que ofrece la industria logística y la economía en general. Además, los modelos AEML deben diseñarse y evaluarse cuidadosamente para garantizar que no tengan sesgos que puedan dar lugar a resultados injustos o discriminatorios. Esto requiere pruebas rigurosas, seguimiento y transparencia en el desarrollo y la implementación de los sistemas AEML. Por último, si bien los AEML pueden mejorar la toma de decisiones, es fundamental mantener la supervisión humana y las consideraciones éticas en las operaciones logísticas. El criterio humano y los principios éticos deben guiar el uso de los AEML para garantizar resultados responsables y socialmente beneficiosos.

6. Conclusión​

Este estudio proporciona un enfoque novedoso para mejorar las estrategias de costos en el negocio de entregas logísticas. Un método de ML de conjunto, que incluye árboles de decisión, regresión logística y vecinos más cercanos, ha demostrado que puede proporcionar precisiones de validación que van del 97 al 99%. La investigación concluye que el uso de datos simulados introduce capas adicionales de precisión en los modelos de ML, mejorando así las estrategias de costos en la industria de entregas logísticas. A través de sus hallazgos, el estudio presenta una solución de IA viable que se puede implementar fácilmente en la estrategia de costos existente de la industria. Los resultados del experimento confirman la eficacia de este enfoque, mostrando que la IA y el ML se pueden implementar con éxito para brindar recomendaciones sobre cómo las empresas pueden usar la tecnología de IA para seguir siendo competitivas en un mercado cada vez más concurrido. La IA y el ML pueden predecir mejor los escenarios futuros y tomar decisiones más informadas. Los hallazgos de esta investigación son aplicables en la práctica, ya que ayudan a identificar patrones de costos comerciales para predecir ganancias y ahorros de costos con precisión. Las preguntas originales planteadas por la investigación se han respondido principalmente a través del desarrollo del marco propuesto por el estudio. Este marco puede proporcionar estrategias de costos mejoradas en el negocio al considerar los patrones de predicciones de costos comerciales basadas en el BTVC.

Declaración de contribución de autoría de CRediT

Chairote Yaiprasert: Conceptualización, Metodología, Curación de datos , Investigación, Supervisión, Software, Visualización, Validación, Redacción (borrador original), Redacción (revisión y edición). Achmad Nizar Hidayanto: Supervisión, Redacción (revisión y edición).

Declaración de intereses en conflicto

Los autores declaran que no tienen ningún interés financiero en competencia ni relaciones personales conocidas que pudieran haber parecido influir en el trabajo presentado en este artículo.

Reconocimiento

El autor desea agradecer a la Universidad de Walailak por proporcionar los recursos y el apoyo necesarios para llevar a cabo esta investigación. El autor también agradece el estímulo y la orientación de los colegas y mentores del autor, quienes ayudaron al autor a desarrollarse como investigador. El autor también desea agradecer al editor, editor asociado y revisores anónimos por brindar excelentes comentarios y una orientación invaluable sobre este manuscrito. Sus comentarios han ayudado al autor a mejorar la calidad de esta investigación y hacerla más relevante para el campo. 

Universitas Indonesia apoya esta investigación a través de PUTI Q1 [número de subvención 

NKB-293/UN2.RST/HKP.05.00/2023 ].

Referencias

Citado por (14)

Artículos relacionados

Scroll al inicio