El problema es la distribución eficiente de las tareas que surgen en un proyecto gestionado con el método ágil. A medida que avanza el sprint, las personas empleadas reciben tareas asignadas en función de su disponibilidad y conocimientos.
Objetivos
Buscar la programación óptima de manera automatizada para minimizar los costos totales, considerando la interdependencia de las tareas y las restricciones de los recursos. Esto permite optimizar la planificación y asignación de recursos, reduciendo los costos y aumentando la eficiencia en la gestión de proyectos.
Use case
Se ha realizado un estudio de los algoritmos de ML y optimización más adecuados para abordar la problemática del reparto de tareas con calendario. En este estudio se implementó un algoritmo de optimización con condiciones tradicional y un algoritmo genético con restricciones.
Infraestructura
Cloud
Tecnologías utilizadas
Aprendizaje Automático o Profundo
Datos utilizados
Datos sintéticos generados con la librería PSPlib e Imopse. Se ajustan a cualquier problema de organización y son de formato estándar.
Recursos utilizados
Personal: 4 personas científicas de datos, 1 ingeniera MLOps. Infraestructura: Databricks workspace, clúster de procesado de 12 núcleos.
Dificultades y aprendizaje
Estudiar y aplicar el estado del arte relativo a procesos de optimización con restricciones aplicado a reparto de tareas con calendario.
KPIs (impacto en el negocio y métricas del modelo)
Son distribuidas 1500 tareas en 3 minutos cumpliendo las restricciones de calendario. Se puede escalar para procesar en paralelo múltiples proyectos. Ejecutar cuando hay algún cambio de calendario o personal.