00:00:07 Introducción y antecedentes de Cédric Hervet en Kardinal.
00:02:07 Enfoque de Kardinal para la optimización de rutas en tiempo real con aportes humanos.
00:03:41 Impacto de la optimización de rutas en tiempo real en la cadena de suministro y la gestión de inventario.
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 los 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 Los usuarios ganan control sobre los datos y su impacto en la optimización.
00:18:00 Desafíos para equilibrar el control de datos y la experiencia 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 habla 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 contribución humana en conjunto con la tecnología avanzada. Hervet también comparte su entusiasmo por los avances en IA, incluido el aprendizaje por refuerzo y las posibles implicaciones de la computación cuántica. La conversación aborda la idea de los datos de mapas como un bien común y la dependencia de grandes empresas tecnológicas para obtener datos, así como la necesidad de mantenerse a la vanguardia de las tecnologías emergentes.
Resumen Extendido
Kieran Chandler presenta una discusión con Joannes Vermorel, fundador de Lokad, una empresa de software de optimización de la cadena de suministro, y Cédric Hervet, cofundador y jefe de I+D de Kardinal, una empresa de software de optimización de rutas. Discuten los avances recientes en datos de crowdsourcing, 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 de rutas tradicionalmente se realiza de forma manual, lo cual es subóptimo. Sin embargo, los humanos tienen la capacidad de manejar emergencias y tomar decisiones basadas en una visión global de prioridades. El software de optimización de rutas actual en el mercado proporciona soluciones estáticas, lo cual se vuelve problemático cuando ocurren eventos inesperados, como la congestión del tráfico o la reprogramación.
El enfoque de Kardinal es optimizar continuamente las rutas, lo que permite una mayor capacidad para manejar problemas a medida que surgen. También enfatizan la importancia de no eliminar a los humanos de la ecuación, ya que poseen conocimientos y visión estratégica que no se pueden encontrar ni modelar en bases de datos.
Joannes Vermorel coincide en que utilizar la inteligencia humana en conjunto con el poder de cómputo moderno es esencial para la optimización de la cadena de suministro. La estrategia de Lokad es aprovechar al máximo a personas inteligentes que son muy conscientes de los problemas que están tratando de resolver.
La conversación se centra en las diferencias en la escala de tiempo 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 aproximadamente. 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 un año en el futuro.
Luego, la conversación pasa al 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 está diseñado Google Maps, 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 enfoca en transformar las matemáticas teóricas en soluciones prácticas, asegurando que las rutas optimizadas sean realistas y manejables para los conductores.
Vermorel destaca a Google como una empresa que ha impulsado una innovación significativa en soluciones en línea, especialmente en motores de búsqueda, al proporcionar información más actualizada en comparación con los competidores de la época. Si bien no utilizan directamente los algoritmos de Google, el enfoque sirve de inspiración para empresas como Lokad y Kardinal, ya que 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 los conductores añaden complejidad al problema. Hervet agrega que hay dos fuentes principales de datos para Kardinal. La primera proviene de los clientes, quienes proporcionan información de pedidos, restricciones, disponibilidad de conductores, capacidades de vehículos y otros detalles relevantes. La segunda fuente proviene de socios tecnológicos como HERE Technologies, que suministra datos de distancia, patrones de tráfico y actualizaciones en tiempo real necesarios para la optimización de rutas.
Discuten los desafíos del procesamiento de datos en tiempo real, la importancia de la aportación humana y la dependencia de grandes empresas de tecnología para obtener datos.
Vermorel explica que trabajar con datos en tiempo real presenta múltiples desafíos. Por un lado, la velocidad de la luz es finita, lo que significa que aunque los datos se puedan transmitir rápidamente, aún pueden tardar segundos en procesarse 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 las actualizaciones de software u otros procesos en segundo plano. Asegurar que los sistemas en tiempo real funcionen eficientemente a escala global requiere un conocimiento especializado significativo.
Otro desafío es la dependencia de los socios, lo cual puede afectar la disponibilidad y confiabilidad de los servicios de software empresarial. Cuantas más dependencias haya, más problemas y tiempo de inactividad pueden surgir. Esto significa que el tiempo de actividad del servicio solo será tan bueno como sus dependencias, lo que a menudo resulta en una disponibilidad y confiabilidad más bajas.
Hervet destaca la importancia de mantener la aportación humana en los sistemas de optimización de rutas. Comparte una historia sobre cómo sus 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 sería imposible estacionar en 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 deben poder comprender e interactuar con los datos para tomar decisiones informadas. Kardinal tiene como objetivo complementar la toma de decisiones humanas con conocimientos computacionales, lo que permite combinar la experiencia humana y la optimización basada en datos.
Al discutir el problema de depender de grandes empresas como Amazon, Google y Microsoft para obtener datos, Hervet está de acuerdo en que puede haber demasiada dependencia de ellos. Sin embargo, también reconoce que la tecnología avanza rápidamente y no hay muchos proveedores de datos de mapas en todo el mundo.
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 la cartografía a ser un bien común. Sin embargo, también señala que la industria de la cartografía está altamente concentrada, con solo unos pocos actores clave. Si bien existe competencia, sigue siendo limitada.
Luego, Hervet habla sobre su entusiasmo por los avances en la investigación de operaciones e inteligencia artificial. En Kardinal, tienen estudiantes de doctorado trabajando en la resolución 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 de los métodos actuales de Kardinal, que implican definir un espacio de soluciones y clasificar las soluciones dentro de ese espacio.
Aunque el aprendizaje por refuerzo ha mostrado promesa en diversas aplicaciones, Hervet admite que tiene limitaciones al enfrentarse a la variedad de restricciones que enfrentan 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.
Luego, la conversación se centra en las posibles implicaciones de la computación cuántica. Hervet menciona la reciente afirmación de Google de haber logrado la supremacía cuántica, lo que significa que las computadoras cuánticas pueden resolver problemas en significativamente menos tiempo que las computadoras clásicas. Los algoritmos cuánticos podrían usarse para resolver problemas complejos como el problema del vendedor viajero, que es fundamental para el trabajo de Kardinal.
Si bien la computación cuántica sigue siendo una perspectiva a largo plazo, Hervet reconoce su potencial para democratizar la resolución de problemas al facilitar la solución de problemas difíciles. Si esto sucede, empresas como Kardinal deberán mantenerse a la vanguardia de la tecnología para ayudar a sus clientes a mejorar su rendimiento.
Transcripción completa
Kieran Chandler: Esta semana en Lokad TV, nos complace contar con la presencia de Cédric Hervet, quien va a discutir con nosotros cómo el aumento de la computación cuántica y la capacidad de optimizar las rutas en tiempo real ha llevado a las empresas de entrega a cambiar la forma en que operan. Entonces, Cedric, muchas gracias por unirte a nosotros hoy.
Cédric Hervet: Gracias por recibirme. Kardinal es una empresa especializada en la optimización de rutas en tiempo real con un gran conocimiento del contexto. Por lo general, las rutas se optimizan manualmente por humanos, por lo que planifican horarios para sus conductores o técnicos. Esto claramente no es óptimo, 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 completamente equipados para eso, especialmente los algoritmos de optimización. Hay programas de software en el mercado que proporcionan optimización de rutas, pero lo hacen de una manera muy estática. Obtienen datos, los mezclan de alguna manera y proporcionan una solución optimizada para los horarios. Pero esto es problemático porque el primer evento encontrado destruirá la calidad de las rutas. Una vez que los camiones están en la carretera, hay problemas como la congestión del tráfico, clientes tardíos o ausentes y 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, tienes una mayor capacidad para manejar problemas a medida que surgen. Otro aspecto clave de lo que hacemos es que nos enfocamos en no eliminar a los humanos de la ecuación porque 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 utilizar el cerebro humano y aprovechar al máximo eso, especialmente en esos escenarios de emergencia, es realmente interesante. Creo que es algo con lo que probablemente también estarías de acuerdo, Joannes, aprovechar al máximo el cerebro humano en términos de ser una adición a la optimización.
Joannes Vermorel: Absolutamente, la idea de aprovechar al máximo a personas inteligentes que son muy conscientes de los problemas que están tratando de abordar con su cadena de suministro y utilizar lo mejor de lo que la potencia informática 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 de interés para ti desde una perspectiva de cadena de suministro?
Joannes Vermorel: Obviamente, Lokad, cuando pensamos en la optimización de la cadena de suministro, no pensamos exactamente en la misma escala de tiempo. Si comparo lo que Kardinal y Lokad, que son ambos proveedores de software empresarial, están haciendo: Kardinal está haciendo optimización de rutas, por lo que son decisiones que se pueden volver a desafiar cada minuto aproximadamente. No es exactamente como microsegundos, ya que no estás pilotando robots en tiempo real que hacen picking en un almacén. Debe ser rápido, pero no a nivel de microsegundos. Por el contrario, Lokad se enfoca en decisiones para mañana o hasta un año en el futuro, ese es el rango de tiempo. El hecho de que Lokad pueda optimizar las cadenas de suministro generalmente implica 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, como la que ofrecen empresas como Kardinal. Cuanta más agilidad tengas con tus rutas, más fácil será reequilibrar el stock entre tiendas, lo que reduce el costo de la optimización. ¿Cómo ha evolucionado la optimización de rutas en los últimos años, especialmente dada nuestra creciente dependencia de los teléfonos inteligentes y los sistemas de 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 se utilizan herramientas como Google Maps. El segundo problema, más difícil, es tener n paradas que visitar y determinar el orden en el que se visitarán todas estas paradas, teniendo en cuenta factores como el tráfico. Nuestro enfoque se centra en este segundo problema. Para resolverlo de manera eficiente, se necesitan algoritmos más inteligentes que simplemente enumerar todas las combinaciones posibles, es ahí donde entra en juego las matemáticas.
La capacidad de modelar este problema y desarrollar algoritmos existe desde la década de 1960. Sin embargo, la implementación real de estos algoritmos depende en gran medida de la disponibilidad de datos precisos, como datos de tráfico. Si los datos proporcionados al algoritmo son incorrectos o inexactos, se generarán rutas inviables. En Kardinal, nuestro enfoque se centra en proporcionar rutas factibles 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 intenso desarrollo de soluciones en línea para diversos problemas. Históricamente, una empresa que tuvo un impacto significativo en esta área fue Google. Antes de Google, los motores de búsqueda como Yahoo y AltaVista actualizaban sus índices una vez por trimestre, lo que resultaba en resultados de búsqueda desactualizados. Google fue innovador en muchos aspectos, incluida su capacidad para proporcionar resultados de búsqueda más actualizados.
Kieran Chandler: Entonces, Joannes, ¿puedes contarnos sobre la transición que hiciste de ser una empresa de optimización de motores de búsqueda a una empresa de optimización de la cadena de suministro?
Joannes Vermorel: Inicialmente comenzamos con soluciones en línea para proporcionar los mejores resultados para las consultas. Sin embargo, la realidad es que constantemente se agregan nuevas páginas al índice y, al principio, solo actualizábamos semanalmente. 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 utilizan algoritmos de Google diseñados específicamente para motores de búsqueda, pero fue una fuente de inspiración para nosotros, para ver lo que se puede hacer a gran escala con la prueba de que realmente puede funcionar.
Cédric Hervet: Y muchos otros actores comenzaron a hacer cosas similares en diferentes tipos de problemas. Creo que hubo una nueva ola de personas que estaban pensando 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 en este momento en comparación con lo que las personas estaban haciendo en la década de 1950. Todas esas restricciones 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 conducir más de X horas porque hay una regulación laboral que lo indica.
Kieran Chandler: Cédric, ¿puedes hablarnos sobre los datos que realmente interesan a Kardinal y de dónde los obtienen?
Cédric Hervet: Claro. Hay dos fuentes principales de datos. La primera es obviamente de nuestros clientes, quienes nos proporcionan los pedidos que debemos optimizar. Nos brindan la descripción más precisa de su actividad, como las restricciones legales para las horas de trabajo de los conductores, la disponibilidad de los conductores, dónde comienzan, dónde realizan el servicio, qué tipo de vehículo conducen, qué capacidad se necesita y si pueden transportar mercancías peligrosas o realizar intervenciones técnicas específicas que requieren un conjunto de habilidades particular. Todos estos datos definen restricciones sobre su actividad y necesitamos entenderlo. La segunda fuente es los datos que provienen del cliente, describiendo los propios pedidos, como paquetes para entregar o intervenciones como reparar equipos de TI. 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 utilizamos nuestros algoritmos para proporcionar soluciones actualizadas.
Kieran Chandler: Cédric, mencionaste el crecimiento creciente 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 tal cosa como el tiempo real porque la velocidad de la luz es finita. Aunque es increíblemente rápida, aún lleva tiempo. El problema surge cuando tienes sistemas informáticos distribuidos y necesitas ir y venir entre múltiples centros de datos. Si haces miles de viajes de ida y vuelta, lleva segundos obtener resultados.
Kieran Chandler: Lograr sistemas en tiempo real puede ser bastante desafiante cuando operas a nivel global. ¿Cuáles son algunas de las dificultades a las que te enfrentas?
Joannes Vermorel: Bueno, hay muchas cosas que pueden evitar 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 generalmente será la 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 debes hacer que tu servicio sea muy disponible y confiable, incluso si tus socios no lo son. Cuanta más dependencia tengas, más problemas potenciales hay para los tiempos de inactividad. Tu servicio es tan bueno como tus dependencias, lo que significa que cada vez que avanzas en la cadena, obtienes algo con menor disponibilidad, menor tiempo de actividad y menor todo. Entonces, el tiempo real es todo un 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 una cámara de velocidad de la policía en algún lugar. ¿Crees que eso tiene un impacto positivo? El hecho de que ahora podamos controlar estas piezas de datos es obviamente muy importante para tener esa capacidad, especialmente en el contexto que describí antes. En Kardinal, prestamos mucha atención a mantener a los humanos a bordo del sistema porque una vez que pierden el control sobre él y todo está demasiado automatizado, realmente no pueden verificar que el algoritmo esté haciendo algo. Pierden tanto entendimiento de lo que está sucediendo que realmente no pueden brindar su experiencia. Y siempre tienen experiencia. Tengo esta pequeña historia de cuando comenzamos a hacer lo que estamos haciendo, estábamos tratando de desafiar las rutas de los conductores y estábamos proponiendo nuestras propias rutas optimizadas. Siempre tenían un ejemplo de algo que el algoritmo no podía ver. Un ejemplo divertido es que teníamos esta ruta muy bien optimizada, que obviamente era la forma perfecta de visitar todas esas paradas. Pero cuando el conductor vio esto, no se estaba enfocando en el aspecto general de la ruta, que era un poco mejor de lo que hubiera hecho de todos modos. Se estaba enfocando realmente 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 todos los padres estarán estacionando en esa calle, y no podré estacionar yo mismo para hacer esa entrega”. Esto es obviamente matemáticamente óptimo, pero sé que esta entrega en este momento específico significa que son solo 15 minutos, pero es imposible entregar a alguien en estos 15 minutos. Y esto es realmente algo. Para aquellos que trabajan con datos, el costo de saber eso de antemano para evitar ese espacio, arreglarse con 50 minutos de anticipación anticipando ese hecho es muy costoso para nosotros. No tiene sentido porque tenemos a alguien en el camión que lo sabe. La interacción clave que estamos tratando de implementar con ellos es: está bien. Sabes cosas que nunca sabremos, y nunca intentaremos realmente saber eso porque tiene un costo demasiado alto para nosotros, así que solo danos esa información. De acuerdo, puedes desafiar los algoritmos incluso cuando estás en la carretera. Y lo que estamos tratando de hacer es que pueden suceder muchos eventos. Pueden ser problemas desde…
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 solo una recomendación, y puedes tomar una decisión informada. Realmente serás el dueño de tu dominio porque probablemente sabes cosas que nosotros no sabemos. Para responder realmente a tu pregunta, es esencial tener control sobre los datos porque los datos, en sí mismos, no tienen sentido si no tienes algo que te diga lo que realmente significan estos datos. Pero una vez que puedas proporcionar información sobre lo que significan los datos y las decisiones que estás proporcionando, los humanos no son eliminados, sino que se potencian. 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 correcta entre los dos.
Cédric Hervet: Otro ejemplo de esto son los incendios forestales en los Estados Unidos. Cuando las personas ingresaban sus rutas para tratar de escapar de estos incendios, obviamente las carreteras donde había incendios les mostraban como despejadas y en realidad las estaban dirigiendo a ir por ese camino. Tener una forma de ajustar eso y tener en cuenta factores fuera de contexto es esencial cuando estás haciendo lo que estamos haciendo.
Kieran Chandler: ¿Dirías desde una perspectiva de datos que dependemos demasiado de algunas de las grandes empresas como Amazon, Google y Microsoft?
Joannes Vermorel: Diría que probablemente sí, pero también el hecho de que la tecnología se mueve muy rápido. Si miras los datos de mapas, no hay tantos proveedores en todo el mundo. La pregunta es si los datos de mapas deberían ser un bien común. Hay personas que están tratando de hacer eso con mapas abiertos y demás. La realidad es que cuando tienes una tecnología que se mueve súper rápido, es difícil para muchas empresas competir. Por lo general, cuando las personas dicen “el ganador se lleva todo”, lo que olvidan en la tecnología es que con frecuencia las cosas rotan rápidamente. Entonces sí, no hay muchos jugadores en el mercado de los mapas en este momento, pero veo muchos cambios donde cosas que se consideraban muy difíciles de acceder ahora se están acercando más a ser bienes comunes con mapas abiertos y demás. Tomará mucho tiempo, pero lo que sospecho es que la mayor parte del tiempo, esas cosas se convierten en productos básicos y el problema se habrá trasladado a algo completamente diferente. Entonces, en resumen, probablemente 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, todavía es un mercado bastante concentrado.
Kieran Chandler: Y si no es para cerrar las cosas hoy, estás muy involucrado en investigación y desarrollo. ¿Qué cosas reales desde una perspectiva de investigación y desarrollo te emocionan en los próximos años?
Cédric Hervet: Bueno, primero, está lo que estamos haciendo en Kardinal.
Kieran Chandler: Entonces, Joannes, ¿qué avances recientes en optimización te emocionan más?
Joannes Vermorel: Somos estudiantes de doctorado que trabajan en resolver la versión en línea de la optimización, ampliando el alcance de la investigación de operaciones como un campo matemático para manejar problemas de la manera adecuada. También hemos visto otras cosas sucediendo en la comunidad de IA en general. El aprendizaje por refuerzo es un enfoque diferente de lo que estamos haciendo con la investigación de operaciones. Enseña a los algoritmos a conocer la mejor decisión sin decirles explícitamente cuál es la decisión posible correcta, lo cual es muy diferente filosóficamente de lo que estamos haciendo en Kardinal. Le decimos al algoritmo el alcance global de las posibles soluciones a un problema y cuál es una mejor solución que otra, para que podamos centrarnos en encontrar la solución dentro de un sobre cerrado de posibles soluciones. El aprendizaje por refuerzo proporciona otra forma de hacerlo y probablemente sea muy adecuado para la toma de decisiones en tiempo real.
Cédric Hervet: La limitación de este enfoque hoy en día es que no puede manejar la variedad de restricciones con las que terminamos con nuestras técnicas. Pero quién sabe, nos hemos sorprendido mucho con lo que el aprendizaje por refuerzo podría hacer en Pingo o incluso en videojuegos. Ahora, pueden vencer a jugadores muy fuertes. Esto es algo que estamos siguiendo y es realmente prometedor. Pero hemos visto que Google anunció que hay supremacía cuántica, lo que significa que los ordenadores cuánticos pueden resolver problemas en poco tiempo que no están disponibles para los ordenadores normales. Tuvieron que enumerar todas las soluciones, y sabemos que hay 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 lleva miles de años solo enumerar. Esto es algo que debemos seguir. Obviamente, esto es a largo plazo, y con nuestros algoritmos siendo inteligentes en su concepción, ya podemos igualar la velocidad de los algoritmos cuánticos de conundrum. Pero la computación cuántica ofrece una especie de democratización de hacer que todos estos problemas que son difíciles por naturaleza sean fáciles de resolver, lo cual es algo interesante para nosotros. Si nuestros problemas se vuelven fáciles de resolver mañana, tendremos que estar a la vanguardia de manejar esta tecnología para ayudar a nuestros clientes a rendir mucho mejor que hoy en día.
Kieran Chandler: Genial. Bueno, gracias por su tiempo hoy de todos modos. Es realmente interesante. Muchas gracias. Entonces, algo para esta semana. Muchas gracias por sintonizar, y nos vemos la próxima vez. Hasta luego por ahora.
