Inteligencia Artificial en la Planificación: Cuando la IA Generativa no es la respuesta
La Inteligencia Artificial (IA) ha avanzado a un ritmo acelerado recientemente. Particularmente, la IA generativa y los modelos de lenguaje grandes (LLMs) están en el centro del debate público y se han consolidado como herramientas de gran valor para tareas como la generación de ideas o imágenes, la corrección de textos o su reescritura para diferentes públicos. Sus recientes avances han sido tan notables que es fácil caer en la tentación de considerarlos la solución a todos nuestros problemas.
Vemos ejemplos creativos y, a menudo, divertidos generados por estos modelos, como la imagen de un gato con galera presentando un espectáculo o un felino tocando el banjo sobre un cocodrilo. Son excelentes para el entretenimiento y la inspiración. Sin embargo, cuando se trata de resolver problemas prácticos y complejos del mundo real, como la planificación y la optimización, debemos ser claros: aún no están a la altura del desafío.
Los desafíos cotidianos requieren más que creatividad
Pensemos en escenarios concretos: una jefa de enfermeras que invierte horas en la creación de un complejo cronograma de trabajo, lidiando con disponibilidades, tipos de contrato y preferencias del personal. O un plomero con una agenda completa que pierde tiempo valioso en la ruta porque sus visitas no están organizadas de la manera más eficiente. Una planificación más inteligente le permitiría asistir a más clientes y reducir significativamente sus tiempos de viaje.
Con todo el poder que se les atribuye a herramientas como los LLMs, uno podría suponer que crear este tipo de horarios complejos o rutas optimizadas sería una tarea sencilla. La realidad es muy diferente. Los LLMs no gestionan bien estas tareas, en gran parte debido al enorme tamaño del "espacio del problema": la cantidad total de combinaciones posibles de los parámetros de entrada. Incluso algo aparentemente simple como asignar turnos a 10 empleados durante una semana tiene un espacio de problema de 10⁶³ combinaciones.
Resolverlo requiere una capacidad de procesamiento monumental, incluso con algoritmos especializados; es inviable intentarlo con un modelo de lenguaje de propósito general.
Si bien a veces los LLMs encuentran una solución factible, especialmente los modelos más nuevos con capacidades de razonamiento, al enfrentarse a conjuntos de datos de tamaño medio, colisionan con el problema del tamaño del espacio y las limitaciones de su ventana de contexto. Y aunque esta última podría ser una barrera temporal, el desafío del espacio del problema será mucho más difícil de superar sin ayuda externa.
Por su propia naturaleza, los LLMs se limitan a predecir el siguiente "token". Y, francamente, "el siguiente token" no es lo que buscamos al resolver problemas de planificación y optimización.
Recurriendo a la experiencia: La IA especialista en planificación
Afortunadamente, para cubrir estas brechas en las capacidades de los LLMs, podemos recurrir a formas de IA más consolidadas y diseñadas específicamente para estos fines.
El Deep Learning y el Machine Learning son excelentes para el reconocimiento de patrones, pero a menudo requieren enormes volúmenes de datos de alta calidad para su entrenamiento. Los problemas de planificación del mundo real suelen tener particularidades únicas y, con frecuencia, aún se resuelven manualmente, lo que se traduce en una ausencia de datos de entrenamiento de calidad. Sin datos, no hay modelo de Machine Learning.
Aquí es donde entra en escena un área de la IA con una trayectoria más extensa: la Optimización Matemática. Este conjunto de técnicas, que incluye la programación lineal y las metaheurísticas, ha demostrado ser un método probado y robusto para resolver problemas de planificación durante los últimos 30 años.
Estos algoritmos no necesitan un gran conjunto de datos inicial. Sus modelos son programados caso a caso por expertos en el dominio, funcionan con enormes conjuntos de datos y encuentran soluciones óptimas (o casi óptimas) para problemas de planificación y optimización. Resulta sorprendente que estas técnicas, de probada eficacia, a menudo queden opacadas por la popularidad de la IA generativa, cuando se estima que el 95% de los problemas de planificación y optimización siguen sin resolverse, a pesar de que la respuesta existe desde hace décadas. Seria justo averiguar el por qué de su baja implementación.
A esta área de la inteligencia artificial, enfocada en gestionar tareas complejas de planificación y programación satisfaciendo todas sus restricciones, podemos denominarla IA de Planificación (Planning AI). Ayuda a tomar mejores decisiones al analizar innumerables posibilidades para encontrar las soluciones más eficientes. Soluciones que ahorran tiempo, reducen costos y mejoran la productividad. Por ejemplo, generar el horario de turnos para el personal de un hospital o calcular una ruta optimizada para una flota de vehículos.
Diferencias fundamentales: IA de Planificación vs. IA Generativa
Existen diferencias cruciales entre ambas tecnologías:
Caja Negra vs. Explicable: La IA generativa opera sobre redes neuronales complejas cuyos mecanismos internos son una "caja negra". La IA de Planificación, en cambio, utiliza métodos transparentes basados en algoritmos establecidos, fáciles de rastrear. La explicabilidad es crítica en industrias donde la justificación de las decisiones es primordial.
No Determinista vs. Determinista: La IA generativa es no determinista (produce resultados diferentes con la misma entrada), útil para la creatividad. La IA de Planificación es determinista: con las mismas entradas, siempre obtendrá el mismo resultado. Esta consistencia es vital para los negocios.
Tecnología Emergente vs. Probada: La IA generativa es relativamente nueva. La IA de Planificación cuenta con décadas de aplicación y refinamiento en incontables escenarios reales, ofreciendo una fiabilidad difícil de igualar.
Generar Contenido Nuevo vs. Optimizar lo Existente: La IA generativa crea. La IA de Planificación optimiza recursos y procesos existentes. Si su desafío es agilizar operaciones, la indicada es la IA de Planificación.
Grandes Datasets vs. Algoritmos Programados: La IA generativa requiere datos masivos. La IA de Planificación utiliza algoritmos de optimización preprogramados por expertos, basados en restricciones lógicas, lo cual es más práctico ante la ausencia de grandes datasets.
Impacto Ambiental: Entrenar modelos generativos consume enormes cantidades de energía. La IA de Planificación es computacionalmente más eficiente. Además, al optimizar rutas de vehículos, por ejemplo, contribuye activamente a reducir emisiones de CO₂.
Conclusión: La sinergia es la clave
Aunque los LLMs no gestionan eficientemente los problemas de planificación por sí solos, son un habilitador increíble. En lugar de verlas como tecnologías opuestas, debemos considerarlas complementarias. La IA de Planificación puede ser potenciada por los LLMs, que pueden funcionar como una interfaz intuitiva para que los usuarios interactúen con algoritmos de optimización complejos. A su vez, los LLMs pueden ayudar a los expertos a construir mejores modelos y a explicar sus resultados.
La fusión de diferentes tecnologías de IA está reconfigurando el modo en que abordamos los problemas. Ambas son "IA", pero resuelven desafíos de naturaleza muy distinta. La IA generativa brilla creando contenido, mientras que la IA de Planificación sobresale optimizando procesos complejos a escala, brindando resultados predecibles y consistentes.
Si para sus desafíos operacionales necesita transparencia, consistencia, fiabilidad probada y un menor impacto ambiental, la IA de Planificación es, sin lugar a dudas, la mejor opción.
Y es aquí donde, con la experiencia que nos caracteriza, entramos nosotros. En Softplanner, nos especializamos en desarrollar soluciones de IA de Planificación a medida para resolver los complejos desafíos logísticos y de optimización de su empresa. Si los escenarios descritos le resultan familiares, lo invitamos a conversar. Podemos ser la solución estratégica que está buscando.