00:00:07 Introducción y antecedentes de Cédric Hervet en Kardinal.
00:02:07 El enfoque de Kardinal para la optimización de rutas en tiempo real con aportación humana.
00:03:41 El impacto de la optimización de rutas en tiempo real en la supply chain y la gestión de inventarios.
00:05:32 Desarrollo de algoritmos de optimización de rutas y la importancia de los datos.
00:06:22 Evolución de la optimización de rutas y la importancia de contar con datos precisos.
00:08:00 Empresas y actores clave en la optimización de rutas.
00:09:58 Cómo las innovaciones de Google han inspirado a otras empresas.
00:10:51 Principales fuentes de datos para la optimización de rutas de Kardinal.
00:12:55 Desafíos técnicos de las soluciones en línea en tiempo real.
00:15:38 Usuarios ganando control sobre los datos y su impacto en la optimización.
00:18:00 Desafíos para equilibrar el control de datos y la experticia humana.
00:19:30 El impacto de grandes empresas como Amazon, Google y Microsoft en la dependencia de datos.
00:21:00 La concentración del mercado de datos de mapas.
00:22:17 Investigaciones y desarrollos emocionantes en IA y sus posibles aplicaciones.
Resumen
En esta entrevista, Kieran Chandler conversa con Joannes Vermorel y Cédric Hervet, fundadores de Lokad y Kardinal, respectivamente. Discuten los desafíos de la optimización de rutas en tiempo real y la importancia de la intervención humana en conjunto con la tecnología avanzada. Hervet también comparte su entusiasmo por los avances en IA, incluyendo aprendizaje por refuerzo y las potenciales implicaciones de la computación cuántica. La conversación aborda la idea de los datos de mapas como un bien común y la dependencia en las grandes empresas tecnológicas para los datos, así como la necesidad de mantenerse a la vanguardia de las tecnologías emergentes.
Resumen Ampliado
Kieran Chandler conduce una discusión con Joannes Vermorel, fundador de Lokad, una empresa de software de optimización de supply chain y Cédric Hervet, cofundador y jefe de I+D en Kardinal, una empresa de software de optimización de rutas. Discuten los recientes avances en datos crowd-sourced, computación cuántica, optimización de rutas en tiempo real y el papel de los humanos en estos procesos.
Cédric Hervet explica que Kardinal se especializa en la optimización de rutas en tiempo real con un enfoque en la conciencia del contexto. La planificación tradicional de rutas generalmente se realiza de forma manual, lo cual es subóptimo. Sin embargo, los humanos tienen la capacidad de manejar emergencias y tomar decisiones basadas en un alcance global de prioridades. El software actual de optimización de rutas en el mercado ofrece soluciones estáticas, que se vuelven problemáticas cuando ocurren eventos inesperados, como la congestión de tráfico o la reprogramación.
El enfoque de Kardinal es optimizar continuamente las rutas, permitiendo una mayor capacidad para manejar los problemas a medida que surgen. También enfatizan en no eliminar a los humanos de la ecuación, ya que poseen conocimientos y una visión estratégica que no se pueden encontrar ni modelar en bases de datos.
Joannes Vermorel coincide en que utilizar la inteligencia humana junto con la potencia de la computación moderna es esencial para la optimización de supply chain. La estrategia de Lokad es aprovechar al máximo a las personas inteligentes que están muy conscientes de los problemas que tratan de abordar.
La conversación se centra en las diferencias de escala temporal entre los enfoques de Kardinal y Lokad. Kardinal se enfoca en la optimización de rutas en tiempo real, con decisiones que se reevalúan cada minuto o así. Esto no es lo mismo que las decisiones a nivel de microsegundos requeridas para tareas como pilotar robots en un almacén. Por otro lado, las decisiones de Lokad se centran en el día siguiente o hasta con un año de antelación.
La conversación luego se desplaza hacia el desarrollo de la optimización de rutas a lo largo de los años. Hervet diferencia entre los problemas de encontrar la mejor ruta de un punto a otro, para lo cual Google Maps está diseñado, y el problema más complejo de determinar el orden óptimo para visitar múltiples paradas. Este último problema requiere algoritmos sofisticados y datos de tráfico precisos para proporcionar rutas factibles y eficientes. Kardinal se centra en transformar las matemáticas teóricas en soluciones prácticas, asegurando que las rutas optimizadas sean realistas y manejables para los conductores.
Vermorel resalta a Google como una empresa que ha impulsado una innovación significativa en soluciones en línea, particularmente en los motores de búsqueda, al proporcionar información más actualizada en comparación con sus competidores en ese momento. Aunque no utilizan directamente los algoritmos de Google, el enfoque sirve de inspiración para empresas como Lokad y Kardinal, mientras trabajan en soluciones en línea escalables para problemas complejos.
Al discutir las restricciones y no linealidades en la optimización de rutas, Vermorel señala que factores como las regulaciones laborales y las restricciones específicas de cada conductor aumentan la complejidad del problema. Hervet añade que existen dos fuentes principales de datos para Kardinal. La primera es de los clientes, quienes proporcionan información de pedidos, restricciones, disponibilidad de conductores, capacidades de los vehículos y otros detalles relevantes. La segunda fuente es de socios tecnológicos como HERE Technologies, que suministran datos de distancias, patrones de tráfico y actualizaciones en tiempo real necesarias para la optimización de rutas.
Discuten los desafíos del procesamiento de datos en tiempo real, la importancia de la entrada humana y la dependencia de grandes compañías tecnológicas para los datos.
Vermorel explica que trabajar con datos en tiempo real presenta múltiples desafíos. Para empezar, la velocidad de la luz es finita, lo que significa que, aunque los datos pueden transmitirse rápidamente, aún puede tomar segundos procesarlos cuando hay múltiples centros de datos y miles de viajes de ida y vuelta involucrados. Además, hay muchos factores que pueden ralentizar los sistemas informáticos, como actualizaciones de software u otros procesos en segundo plano. Asegurar que los sistemas en tiempo real operen de manera eficiente a escala global requiere una experiencia significativa.
Otro desafío es la dependencia de los socios, lo que puede afectar la disponibilidad y confiabilidad de los servicios de enterprise software. Cuantas más dependencias haya, mayor será la cantidad de problemas potenciales y los tiempos de inactividad que pueden surgir. Esto significa que el tiempo de actividad del servicio será tan bueno como sus dependencias, lo que a menudo resulta en una menor disponibilidad y confiabilidad.
Hervet destaca la importancia de mantener la entrada humana en los sistemas de optimización de rutas. Comparte una historia sobre cómo las rutas generadas inicialmente por algoritmos eran matemáticamente óptimas, pero los conductores pudieron identificar problemas que el algoritmo no podía ver. Por ejemplo, un conductor podría saber que estacionar sería imposible durante un momento específico debido a que los padres recogen a sus hijos de la escuela. Hervet enfatiza la necesidad de un equilibrio entre las rutas generadas por algoritmos y la experiencia humana para tomar las mejores decisiones posibles.
También cree que tener control sobre los datos es crucial. Los usuarios necesitan poder entender e interactuar con los datos para tomar decisiones informadas. Kardinal tiene como objetivo aumentar la toma de decisiones humana con conocimientos computacionales, permitiendo una combinación de la experiencia humana y la optimización basada en datos.
Al discutir el tema de depender de grandes compañías como Amazon, Google y Microsoft para obtener datos, Hervet está de acuerdo en que podría haber una dependencia excesiva de ellas. Sin embargo, también reconoce que la tecnología evoluciona rápidamente y no hay muchos proveedores de datos de mapas a nivel mundial.
La conversación comienza con una pregunta sobre si los datos de mapas deberían ser un bien común. Vermorel reconoce la importancia de los mapas abiertos y sugiere que los avances tecnológicos podrían acercar el mapeo a ser un bien común. Sin embargo, también señala que la industria de la cartografía está altamente concentrada, con solo unos pocos actores clave. Aunque existe competencia, esta sigue siendo limitada.
Hervet luego discute su entusiasmo por los desarrollos en investigación operativa y inteligencia artificial. En Kardinal, tienen estudiantes de doctorado trabajando en la solución de problemas de optimización en línea, ampliando el alcance del campo matemático. También consideran otros avances en IA, como el aprendizaje por refuerzo, que enseña a los algoritmos a tomar decisiones sin definir explícitamente la mejor opción. Hervet señala que este enfoque es filosóficamente diferente a los métodos actuales de Kardinal, los cuales implican definir un espacio de soluciones y clasificar las soluciones dentro de ese espacio.
Aunque el aprendizaje por refuerzo ha mostrado potencial en varias aplicaciones, Hervet admite que tiene limitaciones al enfrentarse al rango de restricciones que encuentran en Kardinal. Sin embargo, continúan monitoreando su progreso, ya que podría volverse más adecuado para la toma de decisiones en tiempo real en el futuro.
La conversación luego se dirige a las posibles implicaciones de la computación cuántica. Hervet menciona la reciente afirmación de Google de haber alcanzado la supremacía cuántica, lo que significa que las computadoras cuánticas pueden resolver problemas en un tiempo significativamente menor que las computadoras clásicas. Los algoritmos cuánticos podrían usarse para resolver problemas complejos como el problema del viajante, que es central en el trabajo de Kardinal.
Aunque la computación cuántica sigue siendo una perspectiva a largo plazo, Hervet reconoce su potencial para democratizar la resolución de problemas al hacer que los problemas difíciles sean más fáciles de resolver. Si esto ocurre, empresas como Kardinal tendrían que mantenerse a la vanguardia de la tecnología para ayudar a sus clientes a desempeñarse mejor.
Transcripción Completa
Kieran Chandler: Esta semana en Lokad TV, estamos encantados de tener con nosotros a Cédric Hervet, quien va a discutir con nosotros cómo el aumento en la computación cuántica y la capacidad de optimizar rutas en tiempo real ha llevado a que las empresas de entrega cambien la forma en que operan. Así que, Cédric, muchas gracias por acompañarnos hoy.
Cédric Hervet: Gracias por recibirme. Kardinal es una empresa que se especializa en la optimización de rutas en tiempo real con un gran nivel de conciencia contextual. Normalmente, las rutas son optimizadas manualmente por humanos, de modo que planifican los horarios para sus conductores o técnicos. Esto es claramente subóptimo, pero, por otro lado, los humanos tienen una gran capacidad para manejar emergencias, eventos imprevistos y problemas. Pueden visualizar el alcance global de sus prioridades y tomar decisiones. Sin embargo, los algoritmos no están totalmente equipados para eso, especialmente los algoritmos de optimización. Existen programas de software en el mercado que ofrecen optimización de rutas, pero lo hacen de una manera muy estática. Obtienen datos, los mezclan de alguna forma y proporcionan una solución optimizada para los horarios. Pero esto es problemático porque el primer evento que se encuentre destruirá la calidad de las rutas. Una vez que los camiones están en la carretera, surgen problemas como congestión de tráfico, clientes que llegan tarde o que están ausentes, y la reprogramación de citas. Todos estos eventos pueden dañar el rendimiento. En Kardinal, creemos que la forma correcta de optimizar las rutas es nunca dejar de optimizarlas. De esta manera, se tiene una mayor capacidad para manejar los problemas a medida que surgen. Otro aspecto clave de lo que hacemos es que tenemos un fuerte enfoque en no eliminar a los humanos de la ecuación, porque ellos conocen su trabajo y saben cosas que no se pueden encontrar o modelar en ninguna base de datos. Es importante no eliminarlos del proceso porque tienen una visión estratégica de su actividad general.
Kieran Chandler: Esta idea de usar el cerebro humano y aprovecharlo al máximo, particularmente en esos escenarios de emergencia, es realmente interesante. Creo que es algo con lo que probablemente estarías de acuerdo también, Joannes, en cuanto a aprovechar al máximo el cerebro humano como un complemento a la optimización.
Joannes Vermorel: Absolutamente, la idea de aprovechar al máximo a las personas inteligentes que son muy conscientes de los problemas que están tratando de abordar con su supply chain, y usar lo mejor que la computación moderna tiene para ofrecer, es, a un nivel muy alto, también la estrategia de Lokad.
Kieran Chandler: Genial. Hoy, estamos hablando un poco sobre la optimización de rutas en tiempo real. ¿Por qué es eso de interés para ti desde una perspectiva de supply chain?
Joannes Vermorel: Obviamente, en Lokad, cuando pensamos en la optimización de supply chain, no pensamos exactamente en la misma escala de tiempo. Si comparo lo que Kardinal y Lokad, que son ambos proveedores de enterprise software, están haciendo: Kardinal se dedica a la optimización de rutas, es decir, decisiones que pueden ser replanteadas cada minuto aproximadamente. No es exactamente a nivel de microsegundos, ya que no estás pilotando robots en tiempo real haciendo picking en un almacén. Tiene que ser ágil, pero no al nivel de microsegundos. Por el contrario, Lokad se enfoca en decisiones para el día siguiente o hasta un año por delante, así que ese es el rango de tiempo. El hecho de que Lokad pueda optimizar supply chains implica típicamente tomar decisiones para períodos de tiempo más largos.
Kieran Chandler: Estamos discutiendo el reequilibrio de inventario entre ubicaciones, como tiendas o almacenes. Esto depende en gran medida de la agilidad de herramientas como la optimización de rutas, tal como la proporcionan empresas como Kardinal. Cuanta más agilidad tengas con tus rutas, más fácil es reequilibrar el stock entre las tiendas, lo que reduce el costo de optimización. ¿Cómo se ha desarrollado la optimización de rutas en los últimos años, especialmente dado nuestro creciente dependencia de smartphones y sistemas GPS?
Cédric Hervet: La optimización de rutas tiene dos problemas principales. El primero es ir de un punto a otro y encontrar el camino correcto, para lo cual están diseñadas herramientas como Google Maps. El segundo, y más complicado, es tener n paradas para visitar y determinar el orden en que se visitarán todas estas paradas, teniendo en cuenta factores como el tráfico. Nuestro enfoque está en este segundo problema. Para resolverlo de manera eficiente, se necesitan algoritmos más inteligentes que simplemente enumerar todas las combinaciones posibles, que es donde entra la matemática.
La capacidad de modelar este problema y desarrollar algoritmos existe desde los años 60. Sin embargo, la implementación real de estos algoritmos depende en gran medida de la disponibilidad de datos precisos, como los datos de tráfico. Si los datos proporcionados al algoritmo son incorrectos o inexactos, producirá rutas inviables. En Kardinal, nuestro enfoque es ofrecer rutas que sean viables y prácticas para que los conductores las sigan.
Kieran Chandler: Hablando de la disponibilidad de datos, ¿quiénes son los actores clave que han impulsado el crecimiento y la experiencia en la optimización de rutas?
Joannes Vermorel: Ha habido un desarrollo intenso en soluciones en línea para varios problemas. Históricamente, una compañía que tuvo un impacto significativo en este ámbito fue Google. Antes de Google, motores de búsqueda como Yahoo y AltaVista actualizaban sus índices una vez por trimestre, lo que daba lugar a resultados de búsqueda desactualizados. Google fue innovador en muchos sentidos, incluida su capacidad para proporcionar resultados de búsqueda más actualizados.
Kieran Chandler: Entonces, Joannes, ¿puedes contarnos sobre la transición que realizaste de ser una compañía de optimización de motores de búsqueda a una compañía de optimización de supply chain?
Joannes Vermorel: Inicialmente comenzamos con soluciones en línea para proporcionar los mejores resultados para las consultas. Sin embargo, la realidad es que se agregan nuevas páginas al índice constantemente, y al principio, solo hacíamos una actualización semanal. Pero ya era 20 veces más rápido que la mayoría de nuestra competencia. Así que hubo una transición hacia un problema en el que queríamos resultados siempre actualizados bajo condiciones cambiantes. Low Cad y Kardinal no usan algoritmos de Google específicamente diseñados para motores de búsqueda, pero nos sirvieron de inspiración para ver lo que se puede hacer a escala con la prueba de que realmente funciona.
Cédric Hervet: Y, muchos otros actores comenzaron a hacer cosas similares en diferentes tipos de problemas. Creo que surgió una nueva ola de personas que pensaban en cómo tener la versión en línea de un problema que es mucho más inteligente y también muy diferente de lo que Kardinal está haciendo ahora, en comparación a lo que la gente hacía en los 50. Todas esas limitaciones y no linealidades hacen que la optimización sea difícil de representar. Tienes restricciones no lineales, como el hecho de que tal vez tu conductor no pueda manejar más de X horas debido a una regulación laboral que lo establece.
Kieran Chandler: Cédric, ¿puedes contarnos acerca de los datos que son realmente de interés para Kardinal y de dónde los obtienes?
Cédric Hervet: Claro. Existen dos fuentes principales de datos. La primera es, obviamente, de nuestros clientes, quienes nos proporcionan las órdenes que tenemos que optimizar. Nos dan la descripción más precisa de su actividad, como restricciones legales para las horas de trabajo de los conductores, la disponibilidad de los conductores, dónde comienzan, dónde toman el servicio, qué tipo de vehículo conducen, qué tipo de capacidad se necesita, y si pueden transportar mercancías peligrosas o realizar intervenciones técnicas específicas que requieren un conjunto particular de habilidades. Todos estos datos definen restricciones para su actividad, y necesitamos comprenderlos. La segunda fuente es la información que proviene del cliente, describiendo las órdenes en sí, tales como paquetes para entregar o intervenciones como la reparación de equipos de IT. Dependemos de socios tecnológicos como HERE Technology, que es nuestro socio para obtener los datos de distancia que necesitamos para comprender cuánto tiempo se tarda en ir de una parada a otra, y cómo cambia el tráfico con el tiempo. También necesitamos obtener actualizaciones de tráfico en tiempo real para adaptarnos según sea necesario. HERE nos proporciona estos datos, y usamos nuestros algoritmos para brindar soluciones actualizadas.
Kieran Chandler: Cédric, mencionaste el creciente auge de las soluciones en línea. Desde una perspectiva técnica, ¿qué desafíos introduce eso en términos de poder trabajar en tiempo real?
Cédric Hervet: El tiempo real introduce muchas complicaciones. En primer lugar, no existe algo como lo “tiempo real” porque la velocidad de la luz es finita. Aunque es increíblemente rápida, aún toma tiempo. El problema surge cuando tienes sistemas informáticos distribuidos y necesitas ir y venir de múltiples centros de datos. Si realizas miles de viajes de ida y vuelta, se necesitan segundos para obtener resultados.
Kieran Chandler: Lograr sistemas en tiempo real puede ser bastante desafiante cuando operas a nivel global. ¿Cuáles son algunas de las dificultades que enfrentas?
Joannes Vermorel: Bueno, hay muchas cosas que pueden impedir que tengas un buen sistema en tiempo real. Por ejemplo, nuestras computadoras pueden parecer súper rápidas en promedio, pero hay momentos en los que se quedan atascadas debido a actualizaciones u otras razones. Entonces, la realidad es que las computadoras pueden ser bastante lentas en el peor de los casos. Además, la velocidad de tu sistema típicamente será la de la máquina más lenta que tengas. Esto significa que si tienes muchas máquinas, la más lenta puede ser muy lenta. El tiempo real en sí mismo es un conjunto de desafíos muy complicados. Otra complicación es que introducir dependencia de socios significa que tienes que hacer que tu servicio sea muy disponible y confiable, incluso si tus socios no lo son. Cuanta más dependencia tengas, más problemas potenciales hay con los tiempos de inactividad. Tu servicio es tan bueno como tus dependencias, lo que significa que cada vez que bajas en la cadena, obtienes algo con menor disponibilidad, menor tiempo de actividad y todo inferior. Así que, el tiempo real es un gran desafío.
Cédric Hervet: Sí, estoy de acuerdo. Y ahora estamos entrando en una era en la que realmente podemos tener control sobre esos datos. Por ejemplo, con Waze, ahora puedes decir si hay alguna cámara de velocidad policial en algún lugar. ¿Crees que eso tiene un impacto positivo? El hecho de que ahora podamos controlar estos fragmentos de datos es, obviamente, muy importante para tener esa capacidad, especialmente en el contexto que describí antes. En Kardinal, estamos prestando mucha atención a mantener a los humanos a bordo del sistema porque, una vez que pierden el control y todo está demasiado automatizado, realmente no pueden verificar que el algoritmo esté haciendo algo. Pierden tanto entendimiento de lo que sucede que no pueden aportar realmente su experiencia. Y siempre tienen una experiencia. Tengo esta breve historia: cuando comenzamos a hacer lo que estamos haciendo, tratábamos de desafiar las rutas de los conductores y propusimos nuestros propios recorridos optimizados. Siempre había un ejemplo de algo que el algoritmo no podía ver. Un ejemplo curioso es que teníamos esta ruta muy bellamente optimizada, que obviamente era la manera perfecta de visitar todas esas paradas. Pero cuando el conductor vio esto, no se concentró en el aspecto general de la ruta, que era algo mejor de lo que habría hecho de todos modos. Realmente se concentró en algunas paradas específicas. Nos decía, “De acuerdo, así que me estás diciendo que entregaré a esta persona aquí a las 4:45 p.m., y aquí hay una escuela, y sé que cada padre estará estacionando en esa calle, y no podré estacionar yo mismo para hacer esa entrega.” Esto es, obviamente, matemáticamente óptimo, pero sé que esta entrega a esa hora específica significa que es solo 15 minutos, y es imposible entregar a alguien en esos 15 minutos. Y esto es realmente algo. Para quienes trabajan con datos, el costo de saber esto de antemano para evitar ese vacío, programarlo 50 minutos antes anticipando ese hecho, es muy costoso para nosotros. Es inútil, porque ya tenemos a alguien en el camión que lo sabe. La interacción clave que estamos tratando de implementar con ellos es: de acuerdo, tú sabes cosas que nosotros nunca sabremos y que nunca intentaremos conocer realmente porque el costo es demasiado alto para nosotros, así que simplemente danos esa información. De acuerdo, puedes desafiar a los algoritmos incluso cuando estás en la carretera. Y lo que estamos tratando de hacer es que pueden suceder muchos eventos. Pueden ser problemas de los…
Kieran Chandler: ¿Podrías explicar a nuestros oyentes cómo combinas la entrada del usuario y los datos para tomar decisiones informadas?
Joannes Vermorel: Los clientes no son la única fuente de datos. La entrada del usuario también es un evento para nosotros, y si crees que algo es realmente mejor, puedes optar por hacer lo contrario. Lo que sugerimos es simplemente una recomendación, y tú puedes tomar una decisión informada. Realmente serás el dueño de tu dominio porque probablemente sepas cosas que nosotros no. Para responder realmente a tu pregunta, es esencial tener control sobre los datos, porque los datos, por sí mismos, no tienen sentido si no cuentas con algo que te indique lo que realmente significan. Pero una vez que puedes proporcionar una visión de lo que significan los datos y cuáles son las decisiones que planteas, los humanos no quedan excluidos, sino que se ven potenciados. Pueden tomar mejores decisiones porque tienen información sobre el impacto de nuestros cálculos, y con las otras cosas que tienen en mente, pueden tomar la mejor decisión posible. Esto es lo que estamos tratando de lograr: la combinación adecuada entre ambos.
Cédric Hervet: Otro ejemplo de esto son los incendios forestales en los EE. UU. Cuando la gente introducía sus rutas para tratar de escapar de estos incendios, obviamente las carreteras donde había fuego se mostraban como despejadas, y en realidad las dirigían en esa dirección. Tener una forma de ajustar eso y tener en cuenta factores fuera de contexto es esencial cuando haces lo que nosotros hacemos.
Kieran Chandler: ¿Dirías, desde una perspectiva de datos, que dependemos demasiado de algunas de las grandes compañías como Amazon, Google y Microsoft?
Joannes Vermorel: Diría que probablemente sí, pero también el hecho de que la tecnología se mueve realmente rápido. Si miras los datos de mapas, no hay tantos proveedores a nivel mundial. La pregunta es si los datos de mapas deberían ser un bien común. Hay algunas personas que están intentando hacer eso con mapas abiertos y demás. La realidad es que, cuando tienes tecnología que se mueve súper rápido, es difícil para muchas compañías competir. Generalmente, cuando se dice “el ganador se lleva todo”, lo que se olvida en tecnología es que, con frecuencia, las cosas rotan rápidamente. Así que sí, en este momento, mientras haya alguna competencia alfa, creo que hay competencia. Para los mapas, probablemente haya como cuatro o cinco jugadores, y eso califica, pero de hecho, sigue siendo un mercado bastante concentrado.
Kieran Chandler: Y si no se trata de concluir las cosas hoy, estás muy involucrado en investigación y desarrollo. ¿Qué avances reales desde la perspectiva de la investigación y desarrollo te entusiasman para los próximos años?
Cédric Hervet: Bueno, primero, está lo que estamos haciendo en Kardinal.
Kieran Chandler: Entonces, Joannes, ¿qué avances recientes en optimización te entusiasman más?
Joannes Vermorel: Somos estudiantes de doctorado trabajando en resolver la versión en línea de la optimización, ampliando el alcance de la investigación operativa como campo matemático para abordar los problemas de la manera adecuada. También hemos observado otras novedades en la comunidad de IA en general. El aprendizaje por refuerzo es un enfoque diferente al que estamos aplicando en la investigación operativa. Se trata de enseñar a los algoritmos a identificar la mejor decisión sin indicarle explícitamente cuál opción es la correcta, lo cual es muy diferente, filosóficamente, de lo que hacemos en Kardinal. Indicamos al algoritmo el alcance global de las soluciones posibles para un problema y cuál es una solución mejor que otra, para que podamos centrarnos en encontrar la solución dentro de un sobre cerrado de opciones posibles. El aprendizaje por refuerzo ofrece otra manera de abordarlo y probablemente sea muy adecuado para la toma de decisiones en tiempo real.
Cédric Hervet: La limitación de este enfoque hoy es que no puede manejar la variedad de restricciones con la que terminamos lidiando en nuestras técnicas. Pero quién sabe, nos ha sorprendido bastante lo que el aprendizaje por refuerzo puede hacer en Pingo o incluso en videojuegos. Ahora, pueden vencer a jugadores muy fuertes. Esto es algo que estamos siguiendo, y es realmente prospectivo. Pero vimos que Google anunció que hay supremacía cuántica, lo que significa tener computadoras cuánticas resolviendo problemas en períodos cortos de tiempo que son inaccesibles para las computadoras normales. Tuvieron que enumerar todas las soluciones, y sabemos que existen algoritmos cuánticos adecuados para resolver el problema del viajante, por ejemplo, que es uno de nuestros problemas principales. Pueden resolverlo en segundos, mientras que a las computadoras individuales les tomaría miles de años solo para enumerar. Esto es algo que debemos seguir. Obviamente, esto es muy a largo plazo, y con nuestros algoritmos siendo inteligentes en su concepción, ya podemos igualar la velocidad de los algoritmos de enigmas cuánticos. Pero la computación cuántica produce una especie de democratización al hacer que todos estos problemas, que por naturaleza son difíciles, sean fáciles de resolver, lo cual es bastante interesante para nosotros. Si nuestros problemas se vuelven fáciles de resolver mañana, tendremos que estar a la vanguardia en el manejo de esta tecnología para ayudar a nuestros clientes a rendir mucho mejor que hoy.
Kieran Chandler: Brillante. Bueno, gracias por tu tiempo hoy de todas maneras. Es realmente interesante. Muchas gracias. Algo para esta semana. Muchas gracias por sintonizar, y nos veremos de nuevo la próxima vez. Adiós por ahora.
