Inteligencia artificial para calcular cuántos billetes se deben imprimir

UNAL/DICYT Durante su pasantía realizada el año pasado en la Imprenta, el matemático Marco Fidel Caro Durán, de la Universidad Nacional de Colombia (UNAL), diseñó un modelo que permite pronosticar la demanda de dos de los productos que fabrica la planta, según las características específicas: mucha demanda y mayor deterioro, y la información histórica de la producción: entre 1994 y 2020.

Cada cierto tiempo se pone en circulación una cantidad de billetes de algunas denominaciones, los cuales se van desgastando y por lo tanto se deben renovar, por lo que la Imprenta cuenta con un historial de cómo es este proceso. Sin embargo, hoy quieren anticiparse a esas renovaciones.

El profesor Jorge Mauricio Ruiz Vera, del Departamento de Matemáticas de la UNAL y director del trabajo del matemático Caro, menciona que ahí es donde entra en juego el aprendizaje de máquina o automático.

Explica que “se trata de aprovechar toda la información histórica para crear un ente artificial, diseñado con algoritmos, que aprenda a partir de la experiencia y encuentre soluciones; después, con la práctica que adquiere, el sistema predice situaciones que no han sido sorteadas. En este caso sirve, por ejemplo, para establecer horarios de empleados, mejorar la logística de la imprenta o el envío de billetes a diferentes ciudades del país”.

Por temas de confidencialidad no se puede conocer la denominación de los billetes analizados; en el trabajo de investigación se conocen como productos A y B. El A hace referencia a un producto más antiguo que ha cambiado tres veces de presentación, mientras el B es más reciente y apenas ha tenido un cambio de presentación.

Diseño del modelo

Para desarrollar el modelo se utiliza el histórico de la demanda de cada producto, con el fin de generar un pronóstico de lo que se presentará un año después. El profesor Ruiz explica que los datos se obtienen a partir de la relación: Demanda = (Salidas - Entradas) + Producto deteriorado.

El término entre paréntesis se conoce como “variación en el circulante”. Dicha relación se da por el hecho de que en algún momento los productos que se fabrican en la planta retornan a esta y se clasifican para determinar su estado.

Los datos suministrados tienen diferente información de los productos; por lo que mediante el uso de Python (lenguaje de programación de acceso libre, que cuenta con muchas utilidades hechas por la comunidad académica que se pueden reutilizar) se realiza un filtrado de manera que solo quedan los datos de interés: fecha o índice y demanda mensual del producto.

Con las series de tiempo se configura la base de datos para entrenamiento de los modelos. El objetivo del algoritmo es pronosticar los siguientes valores de la serie utilizando el modelo supervisado de regresión lineal, mediante el que se relacionan dos variables.

También se revisan las series de tiempo, que hacen referencia a los conjuntos de datos estadísticos que se registran en intervalos de tiempo regulares (semanal, semestral, anual, etc.).

A partir de dicha información se implementaron dos modelos de machine learning. En el producto A, por ser más antiguo y presentar varios cambios, se dificultó que el modelo estableciera un patrón que permitiera modelar mejor su comportamiento. Con respecto al producto B, por ser un producto más reciente, la validación indicó que los modelos 1 y 2 son adecuados, ya que el porcentaje de precisión se mantuvo entre el 80 y 90 %.

Otra conclusión del trabajo es que además de las series de tiempo también es necesario incluir variables como la manera en la que se está moviendo la economía del país, o las crisis que se hayan presentado, como la actual pandemia por COVID-19.

Al respecto, el docente menciona que “el consumo se frenó, y en consecuencia la circulación de billetes, por lo que estos se desgastaron menos; seguramente no será necesario renovarlos al ritmo que se venía haciendo antes de la crisis sanitaria. Esta situación implicaría tomar los datos de entre marzo de 2020 y 2021, y retroalimentar el sistema para predecir, por ejemplo, cuántos billetes se imprimirán este o el próximo año”.