00:00:09 Programación diferenciable y su impacto en las cadenas de suministro.
00:01:00 Ineficiencias en las cadenas de suministro y problemas sin resolver en diversas industrias.
00:02:06 Desafíos en la industria de la moda y demanda sensible al precio.
00:04:20 Dificultad para combinar métodos existentes para la optimización conjunta.
00:05:51 Programación diferenciable como descendiente del deep learning para la optimización conjunta.
00:08:00 Aprendizaje y optimización en la gestión de la cadena de suministro.
00:09:24 Programación diferenciable y problemas sin resolver en diversas industrias.
00:10:27 Pronóstico de la demanda y utilización de datos de clientes.
00:13:24 Problemas complejos y consecuencias de segundo orden en promociones.
00:15:52 Adaptarse a las necesidades y expectativas de los clientes.
00:17:03 El papel del deep learning y el progreso en hardware en la resolución de problemas complejos.
00:19:20 Rendimientos decrecientes en el progreso de la IA y la necesidad de expresividad.
00:21:12 La programación diferenciable permite eliminar los silos en la gestión de la cadena de suministro.
00:23:23 Reflexiones finales.
Resumen
En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, fundador de Lokad, discuten el potencial de la programación diferenciable para la optimización de la cadena de suministro. Vermorel explica que los métodos tradicionales para tomar decisiones de almacenamiento, compra y precios a menudo están desconectados, lo que resulta en ineficiencias. La programación diferenciable puede optimizar estas decisiones al considerar múltiples factores simultáneamente. Este enfoque, aún relativamente nuevo, puede abordar problemas sin resolver en diversas industrias, como el pronóstico de la demanda en el comercio minorista y la optimización bajo incertidumbre. Los avances tecnológicos han permitido modelos más complejos, lo que permite abordar problemas a gran escala. La programación diferenciable tiene el potencial de revolucionar la optimización de la cadena de suministro, rompiendo los silos organizativos y mejorando la eficiencia general.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, analiza la programación diferenciable y su impacto en la optimización de la cadena de suministro con Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. Exploran problemas insolubles y cómo se han abordado estos desafíos en diversas industrias.
Vermorel explica que un problema insoluble no necesariamente es aquel que nunca tendrá una solución, sino más bien aquel que aún no tiene una solución satisfactoria. Señala que aunque las cadenas de suministro son funcionales, a menudo operan con ineficiencias significativas. Estas ineficiencias pueden no ser evidentes hasta que se examinen de cerca, y puede haber variables que se pueden ajustar para mejorar la cadena de suministro que tradicionalmente no son consideradas por los gestores de la cadena de suministro, como los precios y la variedad de productos.
Chandler pregunta sobre los desafíos específicos que han sido difíciles de resolver en la industria de la cadena de suministro. Vermorel responde que cada vertical tiene su propio conjunto de problemas mal resueltos, utilizando la moda como ejemplo. La moda rápida, que es altamente sensible al precio, demuestra que la demanda está fuertemente influenciada por los precios. Sin embargo, la mayoría de las soluciones de planificación de la demanda en la moda tratan la demanda como si los precios no existieran, lo que crea una brecha masiva.
Vermorel explica que hay un problema sin resolver de optimización conjunta de la demanda, el stock y los precios, ya que estos factores a menudo se tratan como entidades desconectadas. En respuesta a la pregunta de Chandler sobre si los métodos existentes se pueden combinar para resolver este problema, Vermorel dice que históricamente, la mayoría de las soluciones desarrolladas no se prestaban para ser mezcladas entre sí. El enfoque de Planificación de Ventas y Operaciones (S&OP) intentó abordar este problema a nivel humano facilitando la comunicación entre diferentes departamentos, pero esto no se traduce bien en la automatización del software.
Cuando se trata de automatización de software, Vermorel señala las dificultades que surgen al intentar integrar sistemas separados como la planificación de requisitos de materiales impulsada por la demanda (DDMRP), sistemas de gestión de almacenes (WMS) y complementos de gestión de información de productos (PIM) para la fijación de precios. Estos sistemas a menudo toman decisiones independientes, lo que lleva a un enfoque fragmentado e ineficiencias potenciales.
Vermorel explica que los métodos tradicionales para tomar decisiones de stock, compra y precios a menudo están desconectados, lo que puede llevar a resultados subóptimos. Sugiere que la programación diferenciable puede ayudar a optimizar estas decisiones al considerar múltiples factores simultáneamente.
La programación diferenciable es conceptualmente similar al deep learning, pero se centra en una combinación de aprendizaje y optimización en lugar de reconocimiento de patrones únicamente. Vermorel destaca que el deep learning ha avanzado significativamente en el reconocimiento de imágenes, pero también ha llevado a avances en la optimización numérica. Estos avances han permitido el desarrollo de modelos más complejos con millones de parámetros, lo que a su vez ha mejorado el proceso de optimización.
En el contexto de la gestión de la cadena de suministro, la programación diferenciable se puede aplicar tanto para aprender sobre la demanda futura como para tomar decisiones optimizadas en condiciones de incertidumbre. Por ejemplo, puede ayudar a determinar cuántas unidades comprar a un proveedor o cuándo hacer un descuento en un producto específico. Vermorel señala que los clientes a menudo se ven influenciados por la variedad general de productos, lo que significa que optimizar las decisiones para productos individuales puede no ser suficiente.
Aunque la programación diferenciable es un enfoque relativamente nuevo, Vermorel cree que se puede aplicar a una amplia gama de problemas sin resolver en diversas industrias. Ofrece el ejemplo de la previsión de la demanda en el comercio minorista, donde los programas de fidelidad y los datos de los clientes pueden ofrecer información valiosa sobre los patrones de compra. Actualmente, hay pocas soluciones en el mercado que hagan uso de estos datos, y la programación diferenciable puede ayudar a aprovechar esta información para una mejor toma de decisiones.
Otro desafío que la programación diferenciable puede abordar es la optimización en condiciones de incertidumbre. Los métodos de optimización tradicionales a menudo tienen dificultades con condiciones estocásticas o aleatorias, lo que ha llevado a la adopción de enfoques simplificados, como MRP (Planificación de Requisitos de Materiales) y DDMRP (Planificación de Requisitos de Materiales Impulsada por la Demanda). Vermorel argumenta que estos métodos a menudo son insuficientes y que la programación diferenciable puede proporcionar una forma más efectiva de abordar tales problemas.
La entrevista con Joannes Vermorel destaca el potencial de la programación diferenciable para abordar diversos desafíos en la optimización de la cadena de suministro. Al combinar el aprendizaje y la optimización, este enfoque puede ayudar a las empresas a tomar decisiones más informadas que tengan en cuenta múltiples factores e incertidumbres. Aunque la programación diferenciable todavía es un campo relativamente nuevo, Vermorel cree que tiene un gran potencial para mejorar la gestión de la cadena de suministro y la previsión de la demanda en diferentes industrias.
Discuten el papel de la programación diferenciable en la solución de desafíos de la cadena de suministro y el potencial para resolver problemas complejos previamente insolubles.
Vermorel explica que la programación diferenciable es una herramienta poderosa para abordar desafíos complejos de la cadena de suministro. Los avances en tecnología han permitido la optimización de modelos con millones de parámetros, mientras que antes solo eran posibles unos pocos cientos. Este salto en capacidad ha hecho posible abordar problemas a gran escala, lo cual es particularmente relevante para empresas con numerosos productos y tiendas.
Uno de los principales desafíos que la programación diferenciable ayuda a abordar es el “problema malvado”. Estos problemas surgen cuando hay consecuencias de segundo orden para las acciones, como cuando las promociones en una marca de moda hacen que los clientes solo compren durante las rebajas. Actualmente, no existen algoritmos capaces de abordar estos problemas malvados, pero Vermorel cree que la IA a nivel humano eventualmente podrá enfrentarlos.
El éxito reciente de la programación diferenciable se puede atribuir a una combinación de avances en hardware y software. El rápido progreso en la capacidad de procesamiento, junto con los avances en la eficiencia algorítmica, ha permitido la optimización de modelos con cientos de millones de parámetros. Vermorel cree que hemos alcanzado un punto de rendimientos decrecientes en la capacidad de procesamiento, y el desafío principal ahora radica en mejorar la expresividad y adaptar problemas complejos a un marco optimizable.
Para los profesionales de la cadena de suministro, la programación diferenciable ofrece la posibilidad de romper los silos y optimizar problemas previamente aislados de manera conjunta. Esto podría suponer un gran avance en eficiencia, lo que requeriría que las empresas repiensen sus estructuras organizativas. A medida que las empresas comienzan a adoptar la programación diferenciable, pueden seguir el ejemplo de Amazon al romper estos silos y optimizar en todos los ámbitos.
La programación diferenciable tiene el potencial de revolucionar la optimización de la cadena de suministro al abordar problemas previamente insolubles y romper los silos organizativos. Con los avances en hardware y software, este enfoque ofrece a los profesionales de la cadena de suministro nuevas oportunidades para enfrentar desafíos complejos y mejorar la eficiencia general.
Transcripción completa
Kieran Chandler: Hola, hoy en Lokad TV, vamos a abordar el tema un poco nuevo de la programación diferenciable. Este emocionante nuevo desarrollo es el último descendiente del deep learning y ha desbloqueado una serie de desafíos que antes se pensaba que eran insolubles. Hoy vamos a aprender un poco más sobre este proceso y entender cómo esto ha llevado a un rápido progreso en el mundo de las cadenas de suministro. Entonces, Joannes, hoy estamos hablando de problemas insolubles, lo cual suena bastante desafiante. ¿Qué queremos decir con un problema insoluble?
Joannes Vermorel: Lo que realmente quiero decir es un problema que puede que nunca tenga una solución, pero más bien problemas que aún no tienen una solución satisfactoria. Es interesante porque en las cadenas de suministro, todos los problemas están resueltos, ¿sabes, de alguna manera? Obviamente, las fábricas están produciendo y las personas disfrutan de las cosas que pueden comprar en las tiendas, por lo que la cadena de suministro está funcionando. Pero podría estar funcionando con ineficiencias significativas, y hasta que realmente hayas comprendido completamente, es posible que ni siquiera veas lo ineficiente que es en múltiples niveles. Especialmente cuando comienzas a pensar en variables de ajuste que tal vez puedas usar y que no son tradicionalmente utilizadas por, digamos, los gerentes de cadena de suministro en general, como la fijación de precios, la variedad y todo tipo de formas de doblar y torcer la demanda del mercado para que se acerque a lo que ofreces.
Kieran Chandler: Bueno, ¿qué tipo de desafíos hay con los que hemos estado luchando durante algunos años?
Joannes Vermorel: Depende, ya que cada sector tiene su propio conjunto de problemas difíciles y mal resueltos. Tomemos la moda como ejemplo. En la moda rápida o asequible, la demanda es muy sensible al precio. Es por eso que la gente se apresura a las rebajas porque es el momento en el que puedes encontrar precios súper agresivos. Obviamente, debido a la gran popularidad de las rebajas, hay muchas personas que sienten que vale la pena esperar horas e ir a tiendas súper abarrotadas para beneficiarse de esos precios. Entonces, las personas quieren ropa y cosas que les gusten, pero realmente las quieren a un precio que puedan pagar. Sin embargo, prácticamente todas las soluciones de planificación de la demanda que conozco para la moda, excepto Lokad, tratan la demanda como si el precio no existiera, como si fuera un precio de catálogo y ya está. Mientras que claramente, cuando estás lanzando un producto al mercado, hay toda una estrategia de precios en marcha. Si el producto no se vende lo suficiente, se activarán las rebajas y los descuentos para liquidar el stock y dejar espacio para la próxima colección que vendrá. Entonces, obviamente, si tienes algo que, en términos de organización de procesos y tecnología de software para respaldar todo eso, trata la demanda del cliente y los precios como cosas completamente desconectadas, obviamente hay una brecha enorme. Y claramente es un problema sin resolver que es una optimización conjunta de la demanda, el almacenamiento y los precios al mismo tiempo.
Kieran Chandler: Entonces, ¿cómo se abordan estos problemas con los métodos existentes? Quiero decir, ¿podemos combinar los métodos existentes para obtener algo satisfactorio?
Joannes Vermorel: No, la mayoría de las recetas que se han inventado históricamente no se prestaban para mezclarse entre sí. Eso es más o menos lo que intentó hacer el S&OP, pero a nivel humano. Así que hagamos que las personas hablen entre sí. Con los humanos, puede funcionar porque pueden hablar y su semántica puede alinearse. Pero cuando hablamos de automatizaciones de software, donde DDMRP toma decisiones, WMS toma decisiones de almacenamiento, y luego tienes un complemento en tu PIM (gestión de información de productos) que controla el precio, todos esos sistemas no se mezclan.
Kieran Chandler: Sabes, no tienen nada que los conecte de forma nativa, y incluso si lo tienen, no está muy claro en absoluto. Teniendo en cuenta el tipo de métodos que se utilizan para generar la decisión, como la decisión de almacenamiento o compra por un lado y la decisión de precios por otro lado, ¿hay algo que se pueda construir en el medio para conciliar las decisiones y optimizarlas conjuntamente?
Joannes Vermorel: En el núcleo, estos sistemas están diseñados con una mentalidad de dividir y conquistar, donde lo que no está en el alcance simplemente se ignora por completo. Así es como se pueden tener recetas que también son mucho más simples. La programación diferenciable se trata de una optimización dual que tiene en cuenta muchos problemas diferentes y los une en uno solo.
La programación diferenciable está conceptualmente relacionada con el deep learning, pero no se centra tanto en la precisión de los pronósticos. Es más bien una perspectiva diferente de las cosas. El progreso reciente en el deep learning ha sido principalmente en el lado del aprendizaje, con un tremendo avance en el reconocimiento de patrones en imágenes y la identificación de objetos o personas. Eso es muy interesante, y el progreso ha sido significativo.
Sin embargo, también hubo otro aspecto en el que el deep learning desbloqueó toneladas de grandes resultados, que fue la optimización numérica. La razón por la que logramos reconocer patrones de imágenes complejas con mayor precisión es porque teníamos modelos que eran mucho más complejos, con muchos más parámetros, en decenas de millones. Incluso para entrenar estos modelos y construir un modelo matemático eficiente en tu conjunto de datos, necesitas una receta de optimización numérica que funcione a gran escala, porque estamos hablando de millones de parámetros que se deben optimizar.
El deep learning y la tecnología de inteligencia artificial vinieron con una serie de avances en la optimización a gran escala, lo que hizo posible muchos de los avances en el lado del aprendizaje. La programación diferenciable proviene de una perspectiva diferente. Lo que interesa es tanto el aspecto del aprendizaje como las herramientas numéricas para realizar una optimización a gran escala. A veces, lo que se quiere es una combinación de aprendizaje y optimización.
En la cadena de suministro, no se busca tanto aprender sobre la demanda futura, como tomar la decisión correcta optimizada bajo condiciones futuras inciertas, como cuántas unidades comprar si el proveedor ofrece un determinado precio. Una vez que se han adquirido las unidades, ¿cuándo se debe decidir hacer un descuento en un producto específico? Se trata tanto de aprender sobre la demanda futura como de optimizar variables en las que se tiene mucha libertad.
En el caso de la moda, para un producto, un precio y un stock, la realidad es que los clientes no van a una tienda por un solo producto. Tienen necesidades, deseos y deseos, y en última instancia, están buscando el surtido. Si empiezas a pensar en decisiones para un producto a la vez, te estás perdiendo el punto. Por eso todas esas marcas necesitan colecciones, porque necesitan tener un amplio surtido para que tenga sentido para los clientes.
Kieran Chandler: ¿Dónde funciona realmente bien este enfoque en el mundo real? ¿Cuáles son los desafíos clásicos en los que es muy bueno para resolver?
Joannes Vermorel: La pila tecnológica es bastante nueva, y con la programación diferenciable, no diría que hay una rutina bien establecida de dónde funciona muy bien. Lo que estoy diciendo es que hay muchas oportunidades por explorar en este ámbito.
Kieran Chandler: Muchas áreas de problemas se ven en varias industrias. En una discusión anterior, hablamos sobre las limitaciones de MRP y cómo DDMRP básicamente está parcheando sistemas MRP bastante rotos. Pero, ¿cuál es el problema sin resolver en esta área?
Joannes Vermorel: El problema sin resolver es la optimización bajo incertidumbre. Cuando realizas una optimización como resolver un rompecabezas con un futuro estático y no móvil y aplicas todas tus restricciones, este tipo de cosas se han resuelto desde la década de 1980. Sin embargo, cuando introduces un alto grado de aleatoriedad, es un problema completamente diferente. Todos los optimizadores numéricos que tenemos se desmoronan, y por eso la gente recurre a recetas súper simplistas con puntos de desacoplamiento y artículos desacoplados. El MRP es una consecuencia de la falta de herramientas adecuadas para abordar el problema.
Kieran Chandler: ¿Puedes darnos otro ejemplo donde las industrias no entienden el punto fundamentalmente?
Joannes Vermorel: Claro. Cuando piensas en términos de pronóstico de demanda, cada unidad vendida está conectada a un cliente. Hoy en día, gracias a los programas de lealtad, casi todas las cadenas minoristas y plataformas de comercio electrónico pueden identificar a sus clientes y saber exactamente quién compró qué en qué momento, bajo qué condiciones y qué productos estaban disponibles. Saben que la elección de un cliente se limitó a lo que estaba disponible en ese momento. Hay mucha información aquí, como el surtido en el momento de la decisión de compra y la identidad de los clientes que tienen un historial de compras. Sin embargo, veo que casi no hay soluciones en el mercado que estén utilizando estos datos. Es una clara desconexión y un enorme potencial que no se está utilizando en absoluto.
Kieran Chandler: ¿Cuáles son los desafíos reales en las cadenas de suministro que la programación diferenciable ni siquiera rasca la superficie?
Joannes Vermorel: Hay problemas complejos que probablemente no se resolverán antes de la llegada de la IA fuerte o la inteligencia a nivel humano. Estos problemas complejos implican pensar en las consecuencias de segundo orden de tus acciones. Por ejemplo, cuando haces promociones para una marca de moda, estás haciendo dos cosas: liquidando tu stock, lo cual es bueno y se puede optimizar con programación diferenciable; pero también necesitas pensar en las consecuencias de tus acciones desde el principio cuando realizas un pedido.
Kieran Chandler: Proveedor de tus primeras unidades, bien, bueno. Pero luego, ¿cuáles son las consecuencias de segundo orden? El hecho de que cuando haces promociones, cuando haces ventas, en realidad estás entrenando a tu base de clientes para que solo compren en tu tienda, tus cadenas o tu comercio electrónico solo cuando hay promociones. Y puede haber un cambio que ocurrió durante más de una década, donde pasas de personas que compran muy felizmente todo el tiempo a la mayoría de tus clientes que ahora solo compran en rebajas.
Joannes Vermorel: Es como una profecía autocumplida, y claramente en este momento. Por eso se llama un “problema complejo”. Puedes consultar la página de Wikipedia. Fundamentalmente, el componente es que no estamos tratando con autómatas. Tus clientes no son automatizados; son inteligentes y se adaptan. Entonces, básicamente, necesitas pensar en el hecho de que cuando haces algo, las personas pensarán y se adaptarán a lo que estás haciendo. Eso es lo que llamo esas consecuencias de segundo orden.
Cuando las personas saben que vas a hacer algo, tienen expectativas y basan sus acciones en lo que piensan de ti. Es una recursión y es algo muy humano en lo que los humanos son realmente buenos. Son todas esas consecuencias complejas.
Por ejemplo, supongamos que eres un fabricante de automóviles. Mejoras la cadena de suministro para la distribución de piezas de automóviles y para tu propia red de talleres. Tu taller se vuelve tan bueno que en realidad alienas a tus socios históricos en el mercado. Entonces haces una optimización por un lado y luego molesta a socios importantes que eran tus socios históricos. ¿Deberías renunciar a optimizar tu cadena de suministro solo para mantener contentos a tus socios? Tal vez sí, tal vez no. Nuevamente, ese es un tipo de problema complejo en el que está completamente más allá de las capacidades de cualquier algoritmo que conozco, incluso las cosas de IA más sofisticadas que lees en la prensa están lejos de siquiera rozar este tipo de problema complejo.
Kieran Chandler: Parece que estos problemas complejos probablemente sean un problema para la programación diferenciable del mañana y Skynet, no los Terminators. Entonces, ¿por qué ahora era el momento de volver a analizar algunos de estos problemas insolubles? ¿Qué ha cambiado en el mundo de la tecnología que hizo posible que la programación diferenciable hiciera este progreso?
Joannes Vermorel: Lo que ha cambiado es que hemos pasado de una tecnología donde podíamos optimizar modelos con literalmente unos pocos cientos de parámetros a modelos que pueden tener cien millones de parámetros. Eso es lo que obtienes con las técnicas modernas de deep learning, especialmente para fines de optimización en contextos de programación profunda y diferenciable. Eso cambia el juego porque el desafío con muchos de los clientes de los que estamos hablando es que a menos que sean empresas realmente pequeñas, tienen problemas que son más o menos a gran escala. Incluso si no son Walmart, tan pronto como tienes como 50 tiendas, necesitas resolver problemas a gran escala. Si tienes 10,000 productos por tienda, estamos hablando de medio millón de SKU, por lo que son como medio millón de variables para decisiones de precios y stock todos los días.
Lo que cambió fue cuando pasamos de la capacidad de optimizar problemas con unos pocos cientos de variables a millones. De repente, se hizo visible la resolución de toneladas de problemas que antes eran invisibles. Curiosamente, con el deep learning, fue una combinación de progreso en hardware y progreso en software. La IA todavía está progresando rápidamente, y las mejores CPUs con más núcleos y más potencia de procesamiento bruto siguen progresando relativamente rápido. Pero además de eso, lo que es aún más rápido son una serie de avances donde tenías hardware que te daba 10 unidades de potencia de procesamiento dentro de dos años.
Kieran Chandler: Tal vez tendrás 20 unidades o tal vez eso será dentro de 3 años, está bien, ese es un progreso exponencial a lo largo de un período de digamos tres años o algo así. Pero si cada seis meses tienes avances en software o matemáticas que duplican la eficiencia del algoritmo que tienes, entonces tu progreso es dramáticamente más rápido. Eso es exactamente lo que ha estado sucediendo con el deep learning. Hubo un progreso constante en el hardware, pero fue completamente amplificado por una serie de avances que fueron más del lado algorítmico y matemático, donde literalmente tenías el doble de potencia de procesamiento con el mismo hardware. La aceleración ha estado ocurriendo durante la última década, y el resultado es que pasamos de modelos con unos pocos cientos de variables a cientos de millones en una década. Quiero decir, no exactamente, pero eso te da una especie de marco. Entonces, esto es lo que cambió, diría yo, una gran parte es simplemente poder hacer eso a gran escala con agilidad y de manera económica también. ¿Ese crecimiento va a continuar o es algo que está creciendo tanto como necesita?
Joannes Vermorel: En este punto, creo que hemos alcanzado el punto de rendimientos decrecientes. La mayoría de los problemas a los que nos enfrentamos ahora no se deben a una falta de stock; tenemos un exceso de potencia de procesamiento. No tenemos problemas en los que digamos, si la potencia de procesamiento fuera diez veces más barata, podríamos hacerlo. Es muy raro, y cuando tenemos métodos en los que podríamos invertir mucha más potencia de procesamiento para obtener un pequeño impulso, generalmente es extremadamente marginal. Puedes tener una precisión adicional de solo 0.2 por ciento invirtiendo diez veces más CPU, pero simplemente no vale la pena. Es mejor replantear todo el asunto. Creo que el desafío principal ahora radica en el tipo de expresividad, cómo hacer que esos problemas encajen en un marco. La programación diferenciable no es lo opuesto; está tratando de apuntar a una expresividad máxima para que puedas tener muchas cosas que hasta ahora eran problemas abiertos, simplemente suceden y entran en el ámbito de las cosas que puedes hacer con la programación diferenciable.
Kieran Chandler: Entonces, empecemos a unir las cosas, y en términos de programación diferenciable, ¿qué significa para el profesional de la cadena de suministro? ¿Cuáles son los beneficios que es probable que vean de esto y cómo va a cambiar la forma en que se acercan actualmente?
Joannes Vermorel: La programación diferenciable será un gran avance para eliminar los silos. Hicimos un episodio, creo que fue hace 20 episodios, sobre todos esos silos donde teníamos silos verticales y horizontales. La realidad es que yo decía que deberíamos simplemente deshacernos de esos silos, pero la realidad es que tal vez la gente podría objetar eso. Sí, tiene sentido porque obviamente hay ineficiencias sin explotar que podrían ser eliminadas y optimizadas si somos capaces de hacerlo, pero la tecnología simplemente no está ahí. Entonces, por ahora, estamos atrapados con nuestros silos simplemente por falta de alternativas. Creo que la programación diferenciable concretamente abre la puerta para pensar en precios conjuntos más surtido o procesamiento de surtido o precios de surtido o compras más precios. Puedes ver todo tipo de problemas que resolvimos de forma aislada, y ahora puedes decir, oh, los vamos a resolver conjuntamente. Esto también requerirá reinventar cómo se organizan esas empresas porque esos silos del pasado no sobrevivirán en este nuevo mundo cuando las empresas comiencen a seguir el camino de Amazon de desmantelar esos silos y optimizar cruzadamente esos dominios.
Kieran Chandler: Genial, gracias por tu tiempo hoy. Eso es todo por esta semana. Muchas gracias por sintonizar,
