Resumen Técnico: Pronóstico de Conjunto Federado bajo Volatilidad del Mercado de la Cadena de Suministro (FEF-NCL)

1. Definición del Problema

El artículo aborda el desafío de generar pronósticos de demanda precisos y gobernables en redes de cadena de suministro caracterizadas por tres restricciones específicas:

1. Distribución de Datos: Los datos comerciales (registros de transacciones, términos de proveedores, historial de clientes) están distribuidos en múltiples organizaciones (clientes) que no pueden o no quieren centralizar los datos brutos debido a la exposición contractual y regulatoria.
2. Distribuciones No Idénticas (Heterogeneidad): Los nodos cliente experimentan diferentes regímenes de mercado, condiciones de proveedores y entornos de flete. El promedio federado estándar tiende a diluir el conocimiento de regímenes de "choque" raros pero críticos (por ejemplo, aumentos en los precios de las materias primas, retrasos en el flete) cuando la mayoría de los clientes permanecen estables.
3. Volatilidad del Mercado: La relación entre las características (precio, tiempo de entrega, índices de materias primas) y la demanda cambia rápidamente (deriva de concepto o concept drift). Un único modelo global suele fallar al capturar patrones especializados necesarios para regímenes específicos, como el reabastecimiento estacional estable frente a las respuestas a choques de flete.

La pregunta central es cómo producir pronósticos precisos que respeten los límites de los datos mientras se aprovecha el aprendizaje en toda la red para gestionar choques de mercado de alto impacto y baja frecuencia.

2. Metodología: FEF-NCL

La solución propuesta, Pronóstico de Conjunto Federado con Aprendizaje de Correlación Negativa (FEF-NCL), es un marco distribuido diseñado en torno a cuatro principios:

• Arquitectura de Expertos Locales Múltiples: Cada cliente entrena múltiples modelos "expertos" especializados en lugar de un único modelo monolítico. Estos expertos están diseñados para capturar distintos patrones: tendencias, choques de precios, riesgos de retraso y demanda residual.
• Aprendizaje de Correlación Negativa (NCL): El marco introduce un término de penalización en la función de pérdida que desincentiva que los miembros del conjunto cometan los mismos errores en las mismas observaciones. Esto fuerza la especialización, asegurando que si un experto falla en un régimen específico (por ejemplo, un pico de materias primas), otro experto tenga probabilidades de tener éxito.
• Agregación Consciente de la Deriva y Ponderada por Fiabilidad: En lugar de un promedio simple, el servidor agrega las actualizaciones basándose en la fiabilidad del cliente. Los clientes computan una "puntuación de deriva" basada en la pérdida de validación, la volatilidad y las normas de actualización. Las actualizaciones de clientes inestables o de baja calidad son penalizadas, mientras que las actualizaciones de clientes que experimentan regímenes específicos (incluso si son raros) se preservan si cumplen con los umbrales de calidad.
• Capa de Explicabilidad: El sistema incluye una capa de gobernanza que registra las atribuciones de características (similar a SHAP) para variables de mercado, proveedor y pedido. Esto permite a los planificadores revisar qué impulsores (por ejemplo, el índice de materias primas, la relación de cumplimiento de pedidos de proveedores) influyeron en un pronóstico específico.

Implementación Técnica:

• Modelo: Un modelo de aprendizaje de secuencia multitarea que utiliza un codificador temporal compartido (Unidad Recurrente de Puerta o GRU) y cuatro cabezales de expertos locales por cliente.
• Tareas: Predice simultáneamente la demanda de cuatro semanas (regresión), el riesgo de retraso (clasificación) y el régimen de mercado (clasificación).
• Líneas Base (Baselines): El método se compara contra Seasonal Naive, Temporal Fusion Transformers (TFT) locales, XGBoost centralizado y algoritmos de Aprendizaje Federado estándar (FedAvg, FedProx, SCAFFOLD).

3. Configuración Experimental y Datos

El estudio utiliza un único conjunto de datos sintético construido para asegurar la consistencia interna sin exponer datos propietarios.

• Escala: 124,800 observaciones semanales (enero 2021 – diciembre 2024).
• Entidades: 10 nodos de clientes regionales, 60 familias de productos, 40 proveedores, 5 grupos de materias primas.
• Perfil de Volatilidad: Incluye periodos de calma, periodos de aumento de precios y regímenes explícitos de choque de precios (14.6% de las observaciones).
• División (Split): División basada en el tiempo (Entrenamiento: Semanas 1–146; Validación: 147–177; Prueba: 178–208) para asegurar que el conjunto de prueba contenga cambios de régimen no vistos en el entrenamiento.
• Métricas: WMAPE (Error Porcentual Absoluto Ponderado), RMSE, F1-Macro de Riesgo de Retraso y F1-Macro de Régimen.

4. Resultados Clave

La evaluación demuestra que FEF-NCL supera a las líneas base federadas estándar en el conjunto de datos sintético, particularmente bajo condiciones volátiles:

• Precisión General: FEF-NCL logró un 12.4% de WMAPE, mejorando sobre la mejor línea base federada (SCAFFOLD con 13.9%) y la línea base de XGBoost centralizado (13.6%).
• Predicción de Riesgo y Régimen: Mejoró el F1-Macro de Riesgo de Retraso a 0.801 (frente a 0.755 de SCAFFOLD) y el F1-Macro de Régimen a 0.763.
• Estratificación de Volatilidad: La brecha de rendimiento se amplió en escenarios de alta volatilidad. En el quintil de mayor volatilidad, FEF-NCL registró un WMAPE del 21.3%, comparado con el 23.4% de SCAFFOLD y el 24.5% de FedAvg.
• Estudios de Ablación: Eliminar la penalización de correlación negativa aumentó el WMAPE a 13.1%. Eliminar la agregación ponderada por la deriva aumentó el error de alta volatilidad en 1.2 puntos porcentuales. Esto confirma que las ganancias resultan de la interacción entre diversidad, ponderación de la deriva y aprendizaje multitarea.
• Atribución de Características: El modelo identificó con éxito impulsores plausibles, siendo el índice de materias primas (0.24), el tiempo de entrega (0.19) y la fiabilidad del proveedor (0.16) los principales contribuyentes a la varianza del pronóstico.

5. Significado y Reivindicaciones

El artículo posiciona a FEF-NCL no como un reemplazo universalmente superior para todos los métodos de pronóstico, sino como un candidato arquitectónico especializado para contextos específicos de la cadena de suministro.

• Reivindicación Modesta: El autor establece explícitamente que los resultados son "evidencia controlada de consistencia interna" derivada de datos sintéticos y no constituyen una validación en el mundo real. La línea base centralizada superó a los métodos federados en algunos contextos, resaltando que el valor principal de FEF-NCL es su capacidad para operar bajo restricciones de límites de datos manteniendo la precisión.
• Contribución Principal: El artículo argumenta que en las cadenas de suministro donde los choques raros son operativamente críticos (por ejemplo, causando roturas de stock o costos de flete expedito), la especialización del conjunto es superior al promedio estándar. Al permitir que los expertos locales desarrollen perfiles de error distintos y ponderar las actualizaciones por cobertura de régimen, el sistema preserva el conocimiento de los regímenes minoritarios que el aprendizaje federado estándar suele diluir.
• Gobernanza: El marco integra la gobernanza de riesgos directamente en el bucle del modelo, proporcionando a los planificadores puntuaciones de deriva y atribuciones de características para apoyar la toma de decisiones en entornos volátiles.

6. Limitaciones y Trabajo Futuro

El artículo reconoce varias limitaciones y traza direcciones futuras:

• Datos Sintéticos: Los hallazgos dependen enteramente de un conjunto de datos sintético; se requiere validación con datos reales mediante backtests en vivo.
• Privacidad: Aunque los datos brutos permanecen locales, el artículo señala que los gradientes y las actualizaciones del modelo requieren mayor protección mediante agregación segura y privacidad diferencial.
• Complejidad: El conjunto de cuatro expertos añade una sobrecarga de comunicación (1.38x parámetros) y puede no ser adecuado para clientes con capacidad de cómputo limitada o requisitos de latencia casi en tiempo real.
• Trabajo Futuro: El autor propone trabajos futuros en: (1) probar en conjuntos de datos reales o semi-reales, (2) fortalecer los mecanismos de privacidad, (3) creación de expertos adaptativos (número dinámico de expertos), (4) incorporar métricas económicas (costos, niveles de servicio) más allá del error estadístico, y (5) evaluación centrada en el humano de la confianza del planificador en los resultados de explicabilidad.