00:00:07 Introducción a Kaggle y el invitado Rafael de Rezende.
00:00:39 El rol y el trasfondo de Rafael en Lokad.
00:01:29 Kaggle y sus competencias de aprendizaje automático.
00:04:22 La naturaleza competitiva y colaborativa de Kaggle.
00:06:55 Impacto de la colaboración en la creatividad en competencias de Kaggle.
00:08:02 Competencia M5 y su alcance (pronóstico de ventas para 30,000 SKU en tiendas de Walmart).
00:08:39 Función de pérdida de pinball como métrica de puntuación.
00:10:26 Los miembros del equipo y sus roles específicos en la competencia.
00:12:05 La diferencia entre metodologías de competencia y aplicaciones en la vida real.
00:14:25 Análisis de las 10 mejores soluciones y su similitud en rendimiento.
00:16:00 Discusión sobre costos operativos y mantenibilidad de modelos.
00:17:47 Importancia de la estabilidad numérica en escenarios del mundo real.
00:19:21 Extensibilidad y restricciones del mundo real en modelos de competencia.
00:20:35 Posibles mejoras y enfoque futuro después de la competencia.
00:22:14 Significado de la experiencia en el dominio y comparación de rendimiento con el estado del arte.
Resumen
En una entrevista con Kieran Chandler, Joannes Vermorel y Rafael de Rezende de Lokad discuten su participación en una competencia de Kaggle que involucra el pronóstico de ventas de Walmart. Enfatizan la importancia de que los modelos sean numéricamente estables, mantenibles y extensibles. A pesar de las restricciones, su enfoque condujo a resultados cercanos al estado del arte, validando su enfoque en métodos prácticos, rentables y mantenibles de optimización de la cadena de suministro. La experiencia demostró los beneficios de ser expertos tanto en la cadena de suministro como en la ciencia de datos. El equipo ahora planea implementar las ideas adquiridas para mejorar las soluciones para sus clientes.
Resumen Extendido
En esta entrevista, el presentador Kieran Chandler habla con Joannes Vermorel, fundador de Lokad, y Rafael de Rezende, Jefe de Desarrollo de Productos en Lokad. Ambos invitados tienen experiencia en optimización de la cadena de suministro y aportan su experiencia a la discusión de una reciente competencia de Kaggle que involucra la distribución de incertidumbre de las ventas de Walmart.
Rafael de Rezende se presenta como ingeniero industrial con experiencia en cadena de suministro. Ha estado trabajando en Lokad durante los últimos tres años y su rol ha evolucionado durante ese tiempo. Actualmente, se desempeña como Jefe de Desarrollo de Productos, liderando un equipo que aborda los temas “geeky” en Lokad. Principalmente trabajan en pronóstico de series de tiempo, así como en resolución de imágenes a múltiples escalas y el sistema MOQ, que se ha discutido anteriormente en el programa.
Joannes Vermorel brinda una descripción general de la competencia de Kaggle en cuestión y de Kaggle en sí, describiéndolo como una “subcultura muy específica”. Kaggle, ahora propiedad de Google, es una organización que organiza competencias de aprendizaje automático en las que los participantes deben predecir o pronosticar ciertos resultados. Las empresas suelen proporcionar un conjunto de datos y ofrecen grandes premios en efectivo para incentivar la participación. En el caso de la competencia de ventas de Walmart, había $100,000 en juego.
El entorno en estas competencias es altamente competitivo, atrayendo a cientos de profesionales que están familiarizados con los últimos algoritmos y publicaciones. A pesar de su naturaleza de nicho, Kaggle tiene una presencia global significativa, con más de un millón de participantes registrados. Los competidores no necesariamente son investigadores ellos mismos, pero son hábiles para identificar los algoritmos más avanzados para un problema dado. Luego encuentran mejoras menores para obtener una ligera ventaja sobre los demás y, en última instancia, ganar la competencia.
Según Vermorel, los ganadores de Kaggle suelen ser de América del Norte o Asia, pero cuentan con una comunidad mundial de participantes. La adquisición de la plataforma por parte de Google subraya aún más su creciente popularidad e importancia en el ámbito del aprendizaje automático y la ciencia de datos.
Vermorel y Rezende aprecian la analogía deportiva cuando se trata de la competencia. Destacan el enfoque colaborativo en el evento, con los participantes ayudándose mutuamente a mejorar sus habilidades. Al mismo tiempo, reconocen la feroz competencia que se produce debido a los incentivos monetarios y la participación de grandes organizaciones.
El equipo de Lokad era nuevo en esta competencia, pero tenían experiencia previa en competencias intensas en la gestión de la cadena de suministro. Rezende reconoce que el nivel de competencia en este evento fue mucho más alto que en desafíos anteriores a los que se habían enfrentado.
Algunos críticos argumentan que la naturaleza colaborativa de la competencia puede obstaculizar la creatividad, ya que los participantes pueden abandonar sus propias ideas y seguir el liderazgo de soluciones con altas puntuaciones. Este efecto de rebaño podría limitar el pensamiento innovador.
Desde la perspectiva de la empresa, Vermorel se alegra de que el equipo haya participado en la competencia, aunque ganar no formaba parte de la hoja de ruta estratégica de Lokad. Él cree que este tipo de competencias aclara el estado del arte en el campo sin necesariamente cambiarlo fundamentalmente. En esta competencia específica, el equipo, liderado por Rezende, ocupó el sexto lugar de 909 equipos en un desafío de pronóstico de ventas que involucraba 30,000 SKUs en las tiendas de Walmart durante 28 días.
Vermorel encuentra interesante que esta competencia utilizara una función de pérdida de pinball como métrica de puntuación por primera vez, algo que Lokad había propuesto años antes. Explica que los pronósticos de cuantiles tienen un sesgo intencional para garantizar la disponibilidad de productos en las tiendas, apuntando a un alto nivel de servicio. Esta competencia declaró explícitamente el uso de un pronóstico de cuantiles, lo cual fue una novedad en el campo.
El equipo de Rezende estaba compuesto por cuatro personas, cada una con un rol específico. Trabajaron en el modelo principal, analizaron los datos y construyeron la infraestructura para la competencia. Como líder del equipo, Rezende se enfocó en mantener a todos motivados y trabajando juntos.
La entrevista concluye con Rezende comparando su enfoque con una analogía deportiva, lo que implica que podrían haber tomado un enfoque único o estratégico para la competencia.
La conversación giró en torno a las diferencias entre los modelos de competencia y las aplicaciones del mundo real en la optimización de la cadena de suministro.
Los participantes compararon los modelos de competencia con los autos de Fórmula Uno, que están afinados para pistas específicas pero no son prácticos para el uso diario. Señalaron que los métodos utilizados en las competencias son computacionalmente costosos y no siempre adecuados para escenarios del mundo real. Por ejemplo, los diez mejores ganadores en una competencia reciente tardaron aproximadamente 10 horas en procesar un pequeño subconjunto de los datos de Walmart, lo cual sería impracticable para las operaciones del mundo real.
Vermorel y de Rezende explicaron que Lokad adoptó un enfoque diferente al utilizar un marco teórico similar a sus operaciones diarias, realizando solo ajustes menores con fines de competencia. Enfatizaron la importancia de ser profesionales de la cadena de suministro primero, utilizando su experiencia e intuición para fundamentar sus decisiones.
Los entrevistados también señalaron que las 10 mejores soluciones en la competencia eran numéricamente muy similares, con solo pequeñas diferencias en su rendimiento. Identificaron tres preocupaciones clave que hacen que los modelos de competencia sean diferentes de las soluciones de cadena de suministro del mundo real: costo operativo, mantenibilidad y adaptabilidad a condiciones imperfectas. El enfoque de Lokad, en cambio, se centró en minimizar el costo de cálculo y garantizar la mantenibilidad, al tiempo que también tuvo en cuenta los obstáculos e imperfecciones del mundo real.
En general, la discusión destacó la necesidad de métodos prácticos, rentables y mantenibles de optimización de la cadena de suministro que se puedan aplicar en escenarios del mundo real, en lugar de enfoques puramente teóricos o impulsados por competencias.
Hablan sobre la importancia de tener modelos numéricamente estables, mantenibles y extensibles. La estabilidad numérica garantiza que los modelos puedan manejar datos imperfectos y no producir resultados extremadamente inexactos. La mantenibilidad significa que el modelo puede funcionar bien incluso en condiciones menos que ideales. La extensibilidad permite incorporar factores adicionales, como los niveles de stock y las futuras promociones, en el modelo.
El equipo participó en una competencia de pronósticos que enfatizó la importancia del conocimiento del dominio en la optimización de la cadena de suministro. A pesar de tener restricciones no relacionadas con la precisión del pronóstico, lograron obtener resultados cercanos al estado del arte. El desafío validó su enfoque, demostrando que sus modelos son realmente competitivos al mismo tiempo que son ágiles, mantenibles y extensibles.
Después de la competencia, el enfoque ahora es llevar las ideas y mejoras obtenidas a todo el equipo de Lokad, asegurándose de que se puedan implementar rápidamente para sus clientes. La experiencia también resaltó los beneficios de ser expertos tanto en cadena de suministro como en ciencia de datos en la competencia, en lugar de ser exclusivamente expertos en ciencia de datos.
Transcripción completa
Kieran Chandler: Hoy estamos encantados de contar con uno de nuestros colegas, Rafael de Rezende. Va a hablarnos sobre una reciente competencia M5 que analizó la distribución de incertidumbre de las ventas de Walmart. Así que, Rafael, muchas gracias por hacer el viaje por el pasillo para unirte a nosotros.
Rafael de Rezende: Es genial estar aquí. Tal vez pueda contarte un poco más sobre mí y mi experiencia. He estado trabajando aquí en Lokad durante los últimos tres años. Tengo experiencia en cadena de suministro, soy ingeniero industrial y durante mi tiempo aquí en Lokad, mi rol ha ido cambiando bastante. En este momento, soy el Jefe de Desarrollo de Productos en Lokad, y mi equipo y yo nos ocupamos de los temas muy geek de Lokad. Trabajamos en pronósticos de series temporales, resolución de imágenes y MOQs, que creo que ya se han mencionado aquí en el programa.
Kieran Chandler: Genial, y Joannes, hoy vamos a hablar sobre una reciente competencia de Kaggle que se centró en analizar la distribución de incertidumbre de las ventas de Walmart. Tal vez puedas darnos una visión general del desafío en sí y de Kaggle en general.
Joannes Vermorel: Sí, y tal vez sobre Kaggle en sí. Es un tipo muy específico de subcultura. Kaggle es una organización bastante grande que ha sido adquirida por Google. Lo que organiza Kaggle son competencias de aprendizaje automático donde tienes que predecir algo o hacer un pronóstico. Para configurar una competencia, necesitas un conjunto de datos para predecir algo y necesitas grandes premios. Para la competencia de la que estamos hablando, había $100,000 en premios. Es un entorno muy competitivo, con cientos de personas que son profesionales completos en esto. Es como un deporte de alto nivel de alguna manera.
La comunidad que gana las competencias de Kaggle típicamente no son investigadores, pero son muy buenos para descubrir cuál es el estado del arte. Miran todas las cosas que se publican todo el tiempo y señalan cuál va a ser el estado del arte. Luego, tienen que hacer algo extra para ganar un pequeño porcentaje adicional de precisión que les permita ganar. Necesitan encontrar algo pequeño que les dé una pequeña ventaja y estarán por delante del resto. Es una subcultura muy específica y es enorme. Kaggle tiene más de 1 millón de participantes registrados de todo el mundo, aunque los ganadores suelen ser de América del Norte o Asia.
Kieran Chandler: Quiero decir, fue adquirida por Google, así que definitivamente está en auge. Joannes mencionó la analogía de que es como un evento deportivo, donde los científicos de datos compiten pero también colaboran, lo cual creo que es una analogía muy acertada. Así que hablemos un poco más sobre el desafío en sí. ¿Cuáles fueron los principales desafíos a los que te enfrentaste y contra quiénes competiste?
Joannes Vermorel: Creo que la analogía deportiva es realmente buena. Quiero decir, Kaggle realmente se siente como un deporte. Lo que es bueno en Kaggle es el enfoque muy colaborativo donde las personas se ayudan mutuamente y pasan mucho tiempo ayudando a otros a mejorar. Esto sucede al mismo tiempo que la competencia brutal porque hay dinero involucrado y hay grandes organizaciones que patrocinan o están observando de cerca lo que estás haciendo. Éramos novatos en Kaggle, pero nuestro equipo ya había estado en algún tipo de competencia antes, con clientes desafiando nuestra solución en cadenas de suministro. Sin embargo, no estaba al mismo nivel que Kaggle. En Kaggle, teníamos 900 equipos, mientras que antes podríamos haber competido contra dos o tres equipos. Todos realmente estaban tratando de ayudarse mutuamente aún más que en Kaggle.
Rafael de Rezende: Una cosa interesante sobre el lado colaborativo de Kaggle es que muchas personas lo critican por posiblemente obstaculizar la creatividad. Lo que a menudo sucede es que algunas personas publican una solución que obtiene buenos resultados al principio, y de repente muchos otros equipos comienzan a seguirla, abandonando lo que estaban haciendo antes. Así que hay este efecto de rebaño, y todos van al mismo lado de la esquina. La noción colaborativa es beneficiosa, pero tengo que estar de acuerdo con aquellos que dicen que a veces obstaculiza la creatividad.
Kieran Chandler: ¿Y desde la perspectiva de una empresa? Tienes a estos chicos trabajando en su tiempo libre. ¿Qué opinas de eso?
Joannes Vermorel: Estoy muy contento de que lo hayan hecho. Nunca ha sido la estrategia de Lokad tratar de ganar estas competiciones. Hice algunas con mucho menos éxito durante los primeros años de Lokad, pero me di cuenta de que estas competiciones no modifican necesariamente de manera fundamental el estado del arte. Aclaran cuál es el estado del arte, lo cual es muy bueno. Por ejemplo, esta competencia en la que el equipo de Rafael quedó en sexto lugar de 909 equipos estaba destinada a ser una competencia de pronóstico de demanda, pero resultó ser una competencia de pronóstico de ventas debido a que no se tuvieron en cuenta adecuadamente los faltantes de stock. Así que estaban pronosticando ventas, no demanda. Era una competencia de pronóstico de demanda para 30,000 SKU en tiendas de Walmart durante 28 días. Estas competiciones revelan el estado del arte pero no lo modifican fundamentalmente.
Kieran Chandler: Es muy interesante que en esta competencia, fue la primera vez, que yo sepa, que estaban utilizando una función de pérdida de pinball como la métrica para determinar quién estaba ganando. Eso es muy oscuro, ¿sabes? Esa es literalmente la métrica utilizada para medir la precisión.
Joannes Vermorel: Creo que Lokad fue el primero en proponer, en 2012, que los pronósticos de la cadena de suministro debían pasar a ser pronósticos de cuantiles. De hecho, más adelante dijimos que teníamos que pasar a pronósticos probabilísticos y hacer aún más cosas. Hace ocho años, afirmamos que teníamos que hacer esta transición. Por cierto, estos pronósticos son muy extraños porque vienen con un sesgo a propósito. Para la audiencia que pueda estar un poco confundida, ¿por qué querrías tener sesgo a propósito para un pronóstico de demanda? La respuesta es porque en las tiendas, lo que quieres es asegurar la disponibilidad de los productos. No quieres un pronóstico donde, en promedio, las personas encuentren lo que buscan la mitad del tiempo. Ese no es el objetivo. Quieres que las personas tengan, como, un nivel de servicio del 98% o algo así, donde generalmente lo que están buscando esté presente en la tienda. Por lo tanto, quieres tener un pronóstico con sesgo, y esa técnica se conoce como pronóstico de cuantiles. Esta competencia fue muy interesante porque fue la primera vez que hubo una competencia pública donde se declaró explícitamente como un pronóstico de cuantiles.
Rafael de Rezende: Luego, tienes que construir la tecnología y las herramientas para resolver este problema. Estoy muy contento y orgulloso de que mi equipo haya logrado quedar en sexto lugar en una competencia tan brutal.
Kieran Chandler: Hablemos un poco más sobre tu equipo. Mencionaste que estabas trabajando con un equipo. ¿Cuántos de ustedes estaban en este equipo y quiénes eran las otras personas con las que estabas trabajando?
Rafael de Rezende: Éramos un equipo de cuatro personas. Estaba yo y tres diseñadores de Lokad. Uno ya no trabaja aquí, pero aún vino de aquí. Cada uno tenía un rol muy específico dentro del equipo. Huggy trabajaba conmigo en el modelo principal, enfocándose en los pequeños detalles matemáticos sobre cómo íbamos a abordar el problema. Catarina aportaba su visión empresarial, analizando los datos e identificando los puntos principales que debíamos tener en cuenta para asegurarnos de modelar las cosas correctamente. Por último, estaba Marine, quien hizo aproximadamente el 80% del trabajo duro real. Esta vez trabajaba como ingeniera de datos y construyó nuestra propia infraestructura para la competencia. Mi rol era lograr que todos trabajaran juntos y mantener motivadas a las personas.
Kieran Chandler: ¿Puedes explicar un poco más sobre el enfoque que tomaron? ¿En qué se diferenciaba de otras metodologías existentes? ¿Qué fue diferente?
Rafael de Rezende: Creo que una buena analogía es compararlo con la Fórmula 1. Si comparas un coche de Fórmula 1 con un coche normal, verías que no es exactamente el mismo coche que compras en una tienda. Ambos son coches, pero no son iguales. Cuando se trata de este tipo de competencia, la gente tiende a trabajar más o menos de la misma manera. Construyen métodos que son extremadamente costosos computacionalmente, lo cual es genial para la competencia, pero aún no es exactamente lo que obtendrás si realmente compras el producto al final. Puede que haya que hacer algunos cambios. Por ejemplo, la mayoría de los diez primeros ganadores utilizaron métodos que tardaron mucho tiempo en ejecutarse, incluso para un subconjunto bastante pequeño de datos de Walmart. Era completamente absurdo, como diez horas solo para un subconjunto muy pequeño. Entonces,
Kieran Chandler: Tomamos un enfoque diferente, lo que hicimos y creo que esta idea estuvo presente desde el principio. Queríamos aplicar el mismo marco teórico que usamos aquí a diario y ponerlo en práctica. Entonces, lo que hicimos es que la mayoría de las cosas que usamos no están muy lejos de las cosas que hacemos a diario. Por supuesto, quiero decir que podríamos haber cambiado el coche para poner una especie de configuración de carrera más pequeña, hicimos algunos cambios, quitamos el asiento trasero, etc., para que fuera más orientado al rendimiento. Pero si realmente revisas lo que hicimos y lo que la gente está haciendo aquí, tendrías que ser un experto para identificar cuál es realmente la diferencia.
Rafael de Rezende: Bueno, lo que estás diciendo es que computacionalmente, debido a que solo había alrededor de 30,000 SKU, algunos de esos enfoques funcionaron, pero si estuvieran a gran escala, sería mucho más desafiante que funcionaran en el mundo real. Creo que sí. No estoy diciendo que no funcionarían en el mundo real; creo que sería complicado. Quiero decir, tienes mucho mantenimiento. Utilizamos métodos de baja dimensionalidad que se conocen desde hace mucho tiempo, pero la forma en que resolvimos el problema no fue desde la perspectiva de la ciencia de datos. Realmente éramos profesionales de la cadena de suministro primero. Utilizamos todo lo que sabemos sobre cadenas de suministro y nuestra intuición sobre el problema porque hemos pasado por muchas otras competencias internas antes, por lo que sabemos cómo se comportan las cosas, y eso es realmente lo que pusimos en marcha allí.
Kieran Chandler: ¿Cuáles fueron tus pensamientos sobre este enfoque y tal vez podrías dar una descripción básica de cómo lo viste desde tu perspectiva?
Joannes Vermorel: Es muy interesante porque en el top 10, básicamente hubo 909 equipos que compitieron. No miré todas las soluciones que se proporcionaron, solo miré las 10 mejores. Entonces, había personas que eran mejores que Lokad, peores que Lokad. Lo que fue muy interesante primero es que si miras las 10 mejores soluciones, todas son numéricamente increíblemente cercanas. Básicamente, sabes, del número uno al número diez, no hay casi nada. Creo que estábamos algo así como un 0.01% después del tipo que ocupaba el quinto lugar, y la persona que ocupaba el séptimo lugar estaba como un 0.01% detrás. El equipo que ocupó el primer lugar estaba unos pocos puntos porcentuales por delante, pero en general, aún estaba increíblemente cerca.
Ahora, creo que hay al menos tres aspectos en los que estas competencias no reflejan lo que necesitas tener en el mundo real de la cadena de suministro. Y creo que la diferencia entre tener un Fórmula Uno y un automóvil que simplemente has ajustado para la carrera es muy precisa en este sentido. De hecho, hubo tres preocupaciones principales.
La primera fue el costo operativo solo para obtener resultados. Los métodos en los diez primeros, Lokad fue el único que no tenía costos de cálculo insanos. Y nuevamente, imagina un automóvil que consume algo así como 50 litros por cada 100 kilómetros. Eso sería algo diez veces más caro que cualquier automóvil que consuma tanta gasolina como un camión. Quiero decir, si puedes hacer paradas en boxes cada 20 minutos, está genial, pero de lo contrario, no. Y por cierto, con la computación en la nube, esos costos son muy reales. Si necesitas alquilar mil servidores, eso cuesta mucho dinero.
La segunda cosa es la mantenibilidad. La configuración es simplemente, por ejemplo, si miras esta analogía de la Fórmula Uno, que creo que es excelente, un Fórmula Uno es súper agradable porque funciona en circuitos donde la carretera es perfecta.
Kieran Chandler: Es como si intentaras correr un automóvil de Fórmula Uno en París. Por ejemplo, incluso solo la humedad en las aceras dañaría el automóvil. El automóvil no puede sufrir más que un bache que sea incluso, ya sabes, más de unos pocos centímetros porque el Fórmula Uno está tan cerca del suelo. Está literalmente a un centímetro del suelo. Entonces, si tienes algún obstáculo, en realidad rompería el automóvil. Obviamente, si decides tener un automóvil normal, tienes un poco más de margen y no estás completamente pegado al suelo. No conduces tan rápido, pero adivina qué. Si tu camino es un poco más accidentado, sobrevivirás a los obstáculos.
Joannes Vermorel: Entonces, esos modelos de los que estoy hablando, bueno, en términos de estabilidad numérica, necesitas tener algo donde si tus datos no son perfectos, si tienes cosas que están, ya sabes, un poco corruptas aquí y allá, tu modelo no se vuelva loco y no termines con resultados completamente insanos, lo cual sería como si tu automóvil de Fórmula Uno se saliera completamente de la pista. La mantenibilidad significa que si tienes condiciones que no son ideales, aún es relativamente sano y conservador, lo que nuevamente se traduce en que funcionará.
En esta competencia, puedes tener personas que van a pasar literalmente cientos de horas asegurándose de que todo sea perfecto, al igual que un circuito de carreras. Pero en el mundo real, tienes cosas que suceden todo el tiempo, y es desordenado, y las carreteras no son perfectas. Eso se traduce en el hecho de que la estabilidad numérica es muy importante para tener modelos que sean numéricamente estables, tal vez un poco menos precisos, para que cuando tengas un poco de basura, ya sabes, hay un dicho en la minería de datos: “basura entra, basura sale”. Pero la realidad es que siempre tienes un poco de basura, así que necesitas tener algo que no se vuelva loco cuando hay un poco de basura.
La última cosa, que también está completamente ausente en esta competencia, es la extensibilidad. La realidad es que, por ejemplo, en esta competencia, los niveles de stock estaban ausentes, las promociones futuras estaban ausentes. El equipo tuvo que pronosticar 28 días por adelantado. Tenían el historial de precios pero no tenían los precios futuros para la duración a pronosticar, que eran 28 días. Entonces, básicamente, no sabían las promociones futuras. Si quisiéramos tener una configuración del mundo real, tendríamos que incorporar los niveles de stock, las promociones futuras y probablemente nos gustaría tener restricciones de estantería sobre cuánto stock puedes tener en las estanterías, de verdad. Esas son restricciones que, y luego tendrías, digamos, la pérdida que se utilizó para evaluar la precisión era una pérdida de pinball, pero la realidad es que puedes tener todo tipo de no linealidades que suceden.
Kieran Chandler: Y ¿cuáles son tus pensamientos ahora que la competencia ha terminado? Joannes mencionó que hay líneas muy finas de 0.1%. Debe ser un poco frustrante quedar entre los cinco primeros. ¿Alguna idea de cómo podrías haber mejorado?
Joannes Vermorel: Teníamos muchas cosas que no intentamos durante la competencia. En algún momento, te acercas a la fecha límite y tienes que decir: “Ok, eso va a ser todo. Vamos”. Por supuesto, hay muchas ideas por ahí que podríamos haber mejorado. No creo que eso vaya a ser el próximo enfoque en este momento. El enfoque principal sería tomar las pocas mejoras que hicimos e intentar llevarlas a todo el equipo, a todos los demás científicos, y asegurarnos de que esas ideas se reproduzcan rápidamente para todos nuestros clientes.
Rafael de Rezende: Lo cual Walmart no es, por cierto. Así que vamos a tomar todas las cosas que aprendimos e intentar ponerlas a trabajar lo más rápido posible, especialmente compartiendo el conocimiento con otros para poder ayudar a más clientes.
Kieran Chandler: Genial. ¿Y tú, Joannes? ¿Hay algo que hayas notado que el equipo haya hecho y que creas que podría ser especialmente útil para el futuro?
Joannes Vermorel: Francamente, fue genial. Validó tanto nuestro enfoque. Cuando digo que necesitamos tener un modelo que sea súper liviano, mantenible y extensible, tenemos muchas restricciones que no tienen nada que ver con la precisión del pronóstico. La pregunta es, cuando tienes en cuenta esas restricciones, ¿qué tan lejos estás del estado del arte? Tal vez la conclusión hubiera sido que nuestros modelos tienen buenas propiedades, son mantenibles y extensibles, pero están a años luz de lo que podrías obtener con el estado del arte. La conclusión es exactamente lo contrario: en realidad estamos a solo un grosor de cabello de lo que es el estado del arte.
Rafael de Rezende: Me gustaría agregar que fue una competencia de supply chain. Es bueno saber que tu conocimiento del dominio es realmente útil. Estábamos compitiendo principalmente contra personas que no eran expertas en supply chain, sino expertas en ciencia de datos. Éramos el proveedor de supply chain, que también resultó ser experto en ciencia de datos jugando en el campo, por lo que esto podría habernos diferenciado en la competencia.
Kieran Chandler: Genial. Y, Rafael, ¿qué sigue para ti? ¿Tienes alguna otra competencia en el horizonte?
Rafael de Rezende: No, creo que tuvimos mucho estrés este año, así que lo dejaremos para el próximo año, tomaremos un tiempo para descansar y luego tal vez el próximo año.
Kieran Chandler: Creo que probablemente te mereces un descanso. Eso es todo por hoy, y dejémoslo así. Gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos en el próximo episodio. ¡Hasta luego!
