Personalizar las preferencias

Las cookies son pequeños archivos de texto que pueden ser usados por las webs para hacer más eficiente la experiencia del usuario. La ley establece que podemos almacenar cookies en tu dispositivo si son estrictamente necesarias para el funcionamiento de este sitio. Para todos los demás tipos de cookies, necesitamos tu permiso. Este sitio utiliza diferentes tipos de cookies. Algunas cookies son colocadas por los servicios de terceros que aparecen en nuestras páginas.

Siempre activas

Se requieren las cookies necesarias para habilitar las funciones básicas de este sitio, como proporcionar un inicio de sesión seguro o ajustar sus preferencias de consentimiento. Estas cookies no almacenan ningún dato de identificación personal.

No hay cookies que mostrar

Las cookies funcionales ayudan a realizar ciertas funciones, como compartir el contenido del sitio web en plataformas de redes sociales, recopilar comentarios y otras funciones de terceros.

Las cookies analíticas se utilizan para comprender cómo interactúan los visitantes con el sitio web. Estas cookies ayudan a proporcionar información sobre métricas como el número de visitantes, la tasa de rebote, la fuente de tráfico, etc.

Las cookies de rendimiento se utilizan para comprender y analizar los índices clave de rendimiento del sitio web, lo que ayuda a ofrecer una mejor experiencia de usuario a los visitantes.

No hay cookies que mostrar

Las cookies publicitarias se utilizan para proporcionar a los visitantes anuncios personalizados basados ​​en las páginas que visitó anteriormente y para analizar la efectividad de las campañas publicitarias.

Logo

Mondragon Innovation | Humanity at work – ALVINLOGIS: Investigación y prototipado de un nuevo asistente virtual logístico inteligente conversacional

Mondragon Innovation | Humanity at work 

Sector: Logística

Business Case

La gestión de una red de transporte de mercancías depende en un alto porcentaje de la labor del auxiliar de tráfico, encargado de realizar la recepción de órdenes y la planificación del envío. Es una labor altamente exigente de la que depende la rentabilidad de la empresa, la huella de carbono y los costos de mantenimiento, y que actualmente se lleva a cabo de forma manual sin ayuda que pueda minimizar la presión sobre los auxiliares. De este contexto surge la idea que podría ser disruptiva en el sector del transporte y la logística: la virtualidad de la figura del auxiliar de tráfico por un asistente virtual logístico inteligente conversacional (ALVINLOGIS).

Objetivos

El objetivo principal de este proyecto es la investigación y desarrollo de un nuevo y especializado prototipo de asistente virtual que sustituya las capacidades y funciones de un asistente de tráfico humano. Este nuevo asistente virtual estará inmerso en el complejo ecosistema multidisciplinar que conforma el procesamiento natural del lenguaje, el aprendizaje profundo, la inteligencia artificial, la computación de alta demanda, la minería de datos, etcétera.

Use case

El proyecto incluye dos investigaciones: en un primer bloque de trabajo se ha generado un modelo de lenguaje instruccional (Intruction Tuned LLM) que mantenga una conversación con el usuario y extraiga las variables principales del transporte a ejecutar para, en un segundo bloque de trabajo optimizar medios y trayectos para lo que se ha construido una IA predictiva con tecnologías deep learning sobre redes neuronales.

Infraestructura

Hibrida

Tecnologías utilizadas

Minería de textos Tecnologías de IA que generan lenguaje escrito o hablado, imágenes o videos (IA generativa)

Datos utilizados

Para el entrenamiento de los modelos se han utilizado datasets propios de negocio compuestos por datos georreferenciados de explotación de redes de redes de transporte y cadena de suministro end to end.

Recursos utilizados

En el proyecto ha participado tanto personal como medios internos de SmartDataServices facilitando la asimilación de las nuevas tecnologías de datos en el know-how de la cooperativa. En el proyecto han participado 16 personas (8 Ing. Superiores y 8 Ing. Técnicos) y se ha desarrollado en cloud propio.

Dificultades y aprendizaje

Entre las principales dificultades encontradas y que han supuesto un reto ha sido: La gran dificultad que supone la interpretación sintáctico-semántica en entornos multicontextuales del transporte para la elaboración de corpus para el algoritmo PNL. Limitaciones del hardware de procesado de redes neuronales lo que obligó a modificar la arquitectura.

KPIs (impacto en el negocio y métricas del modelo)

Se han conseguido tiempos de respuesta del sistema desarrollado por debajo de sistemas convencionales (8%). Se ha mejorado el cálculo de los ETAs en un 12%.

Financiación

Privada

Colaboradores

SmartMonkey Tecnalia