Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

Imagina que diriges un puesto de limonada gigante y de alta tecnología, pero en lugar de limones, fabricas máquinas complejas, y en lugar de un día soleado, tu mayor desafío es el clima. En el mundo de las fábricas modernas, existe un constante tira y afloja entre dos cosas muy impredecibles: cuántas personas quieren comprar tu producto (la demanda) y cuánto cuesta encender las máquinas (la energía). Durante mucho tiempo, los gerentes de fábricas intentaron resolver esto adivinando el futuro con un único número, una "mejor suposición". Decían: "Mañana necesitaremos 100 limones, y la electricidad costará 5 centavos". Pero en el mundo real, el futuro es caótico. A veces, nadie quiere limonada, y otras veces, el sol brilla tanto que la electricidad cuesta dinero negativo (¡lo que significa que la compañía eléctrica te paga por usarla!). Este artículo vive en un rincón de la ciencia llamado Investigación de Operaciones, que es básicamente el arte de tomar las mejores decisiones posibles cuando no sabes qué pasará después. Se basa en la idea de que si tratas el futuro como un hecho fijo, te quedarás atrapado en un atasco de malas decisiones. En su lugar, los autores sugieren que debemos tratar el futuro como una baraja de cartas: no sabemos qué carta nos tocará, pero podemos barajar la baraja y planificar para cada mano posible.

Este estudio, titulado "Eco-Conscious Master Production Scheduling Under Dual Uncertainty" (Programación Maestra de Producción Eco-Consciente bajo Incertidumbre Dual), propone una nueva y astuta forma de dirigir una fábrica que sea lo suficientemente inteligente como para manejar tanto la pregunta de "¿comprará alguien esto?" como la de "¿cuánto está costando la energía ahora mismo?" al mismo tiempo. Los autores sugieren un enfoque "híbrido" que mezcla dos herramientas poderosas: Aprendizaje Automático (computadoras que aprenden de datos pasados) y Optimización Estocástica (matemáticas que planifican para muchos futuros diferentes).

Así es como funciona su "truco de magia". Primero, utilizan un cerebro de computadora súper inteligente llamado LightGBM para adivinar cuántos productos podría querer la gente. En lugar de dar solo un número, dibuja una "nube" de posibilidades, diciendo: "Podríamos necesitar 100, o tal vez 150, o tal vez solo 50". Al mismo tiempo, utilizan otro cerebro de computadora llamado LSTM (que es como un banco de memoria para el tiempo) para observar los precios de la electricidad. Este cerebro es excelente detectando patrones, como cuando los precios caen cuando brilla el sol o se disparan cuando todo el mundo llega a casa después del trabajo.

Una vez que estos dos cerebros han hecho sus suposiciones, los autores no solo eligen un escenario. En su lugar, crean un "árbol" de cientos de futuros posibles (escenarios). Luego, utilizan un filtro matemático especial para reducir este enorme árbol a las ramas más importantes, para que la computadora no se vea abrumada. Finalmente, introducen este árbol en un Modelo Estocástico de Dos Etapas. Piensa en este modelo como un baile de dos pasos:

1. El paso de "Aquí y Ahora": La fábrica hace un plan antes de que ocurra el futuro. Deciden qué máquinas encender y cuánto producir, sabiendo que podrían tener que hacer ajustes más tarde.
2. El paso de "Esperar y Ver": Una vez que llega el día real y se revelan la demanda real y los precios reales de la electricidad, la fábrica realiza ajustes rápidos. Si la electricidad es barata, ponen las máquinas a trabajar duro. Si es cara, hacen una pausa y utilizan el inventario que acumularon anteriormente.

El artículo argumenta fuertemente contra la forma antigua de hacer las cosas, llamada Just-in-Time (JIT). La vieja forma dice: "Fabrica exactamente lo que necesitas, exactamente cuando lo necesites, y mantén cero existencias adicionales". Los autores demuestran que en un mundo donde los precios de la electricidad fluctúan salvajemente, este enfoque rígido es un desastre. Obliga a las fábricas a hacer funcionar sus máquinas durante las horas pico más caras solo para evitar almacenar artículos adicionales. Su nuevo método sugiere que, en realidad, es más inteligente "sobreabastecerse" un poco de forma intencionada. Al fabricar productos extra cuando la electricidad es barata (¡o incluso gratuita!), la fábrica puede detener la producción durante las horas caras, ahorrando una cantidad masiva de dinero.

Cuando los autores probaron esta idea en una fábrica simulada que comercia electricidad en el mercado europeo (específicamente el mercado EPEX SPOT), los resultados fueron bastante impactantes. En sus simulaciones, el nuevo método de "predecir y optimizar" ahorró un 34.3% en los costos operativos totales en comparación con los métodos de planificación antiguos y rígidos. Esto se mide mediante algo llamado Valor de la Solución Estocástica (VSS), que fue de $10,570 durante un período de 30 días en su prueba. El modelo no solo ahorró dinero; también ayudó naturalmente al medio ambiente. Debido a que la fábrica desplazó su trabajo hacia los momentos en que la red tenía mucha energía eólica y solar (que es a menudo cuando la electricidad es barata o negativa), las emisiones de carbono de la fábrica disminuyeron sin que siquiera intentaran "ser ecológicos" de forma explícita. El impulso económico para ahorrar dinero se convirtió accidentalmente en un impulso para salvar el planeta.

Los autores también descubrieron que el modelo era muy bueno detectando "precios negativos", esos momentos raros en los que la red eléctrica está tan llena de energía renovable que las empresas pagan por usarla. El modelo desplazaría proactivamente la producción hacia esos momentos, convirtiendo efectivamente un costo de energía en un pequeño ingreso. Sin embargo, el artículo advierte cuidadosamente que estos resultados provienen de simulaciones y experimentos computacionales en un tipo específico de fábrica, no de una fábrica real que haya estado funcionando de esta manera durante años. Los autores sugieren que, si bien las matemáticas parecen sólidas y los ahorros son significativos en la simulación, la implementación en el mundo real requeriría más pruebas. También calcularon que si una empresa quisiera conocer el futuro absolutamente perfecto, valdría la pena gastar hasta $4,800 (el Valor Esperado de la Información Perfecta) para obtener predicciones aún mejores, pero dado que la predicción perfecta es imposible, su método actual es una alternativa muy sólida.

En resumen, este artículo sugiere que el futuro de la gestión de fábricas no consiste en adivinar el futuro perfectamente, sino en construir un plan flexible que pueda bailar con el futuro, sin importar cuán salvaje sea la música. Al usar la IA para predecir el caos y las matemáticas para planificarlo, las fábricas pueden ahorrar dinero, evitar quedarse sin existencias y ayudar accidentalmente al medio ambiente, todo al mismo tiempo.