Por Alejandro Bernal Escobar | Analytics Team
Los modelos de lenguaje natural (NLP) como ChatGPT han tenido un gran impacto en diversas profesiones, desde la escritura de artículos hasta la innovación culinaria, permitiendo aplicaciones profesionales en la generación de contenido y ampliando la creatividad en campos como desarrollo, marketing, servicio al cliente entre otros.
En Merqueo, hemos realizado pruebas para comparar el desempeño de una tecnología de este estilo en campos de logística y el transporte, específicamente en el ruteo de vehículos, teniendo como comparación nuestro propio modelo de ruteo de vehículos. El ruteo de vehículos tiene como objetivo planear la flota y el secuenciamiento de las rutas para poder realizar la entrega de los pedidos de los usuarios Este proceso es crucial dado que representa aproximadamente un 7% de los costos operativos en el comercio electrónico. Por lo tanto, utilizar nuevos enfoques y modelos de solución puede ser beneficioso para las empresas al reducir sus costos.
El resultado de las pruebas nos muestran limitaciones en el uso de estos modelos de lenguaje natural para la resolución de problemas operativos como:
- Las restricciones operativas y de negocio en el problema de ruteo de vehículos, como la capacidad de la flota, las franjas de entrega y las restricciones geográficas, dificultan su solución. Aunque se le solicite a ChatGPT incluir este tipo de restricciones con Prompts bastante claras y detalladas es fácil que el modelo las ignore o las exceda para dar una solución.
- Alucinaciones de información: Una alucinación en ChatGPT implica que el modelo genera respuestas o información que pueden parecer reales o verídicas, pero que en realidad no tienen fundamento. En el contexto del problema puede que la respuesta del modelo rutee pedidos inexistentes, modifique la ubicación de los pedidos, omita el contexto dado, o estime de manera equivocada el rendimiento de su solución.
Con lo anterior, queremos ejemplificar algunas limitaciones que conllevan a que aunque los modelos de lenguaje natural están evolucionando en solucionar tareas y problemas en determinadas áreas, aún estamos en una edad temprana para resolver problemas de analítica y optimización avanzada. Actualmente estas herramientas ayudan de manera indirecta en el desarrollo de soluciones para el ruteo de vehículos, con la generación automática de modelos de optimización. No obstante, estamos seguros que la mayor adopción y evolución de estas tecnologías representan un cambio de paradigma a largo plazo, y que será cuestión de tiempo para que estos modelos puedan plantear, formular y resolver problemas de mayor complejidad como el ruteo de vehículos.