Always on shelf

Antecedentes e Inspiración

El desarrollo de este proyecto surge tras identificar una ineficiencia crítica en el ciclo de gestión de pedidos de Arca Continental. Mientras que los procesos de backend como la facturación se encuentran completamente automatizados, la fase de recepción y captura de órdenes iniciales sigue dependiendo de la intervención humana. El personal operativo debe ingresar manualmente a los portales de clientes externos, como HEB o Sanborns, extraer la información y transcribirla en el sistema interno de la compañía.

Ante las limitaciones operativas y los altos costos de mantenimiento que representan las integraciones EDI tradicionales o las herramientas rígidas de raspado de datos, se planteó la posibilidad de diseñar un agente de inteligencia artificial capaz de emular el comportamiento humano. El objetivo principal fue crear un sistema adaptable que aprenda a interactuar con cualquier interfaz web mediante una única sesión de observación operativa, eliminando por completo la necesidad de programar reglas específicas o estáticas para cada cliente.

Descripción Funcional del Sistema

La solución desarrollada está estructurada en un ciclo secuencial de tres fases independientes:

En la primera etapa, el sistema registra de manera pasiva las interacciones, secuencias de comandos y pantallas que el operador utiliza al procesar un pedido inicial. Posteriormente, en la fase de aprendizaje, un modelo de lenguaje avanzado procesa dicha traza para inferir el mapa de relaciones entre los campos del origen y el destino, logrando un proceso basado puramente en inferencia y libre de codificación rígida. Finalmente, en la etapa de ejecución, el agente automatizado procesa de forma autónoma los pedidos entrantes extrayendo la información directamente del entorno web y ejecutando el llenado en la plataforma destino.

Una de las capacidades más destacadas de este motor es su componente de resolución semántica, el cual permite asociar productos por su significado contextual en lugar de depender de cadenas de texto exactas. Esto permite que el sistema traduzca descripciones genéricas de los clientes, como "Lima-Limón", hacia las equivalencias correctas del catálogo institucional, como "Sprite", sin requerir reglas preprogramadas en el código.

Arquitectura Técnica y Construcción

La arquitectura del proyecto se diseñó bajo una premisa de desacoplamiento, separando las interfaces dinámicas de los clientes de un entorno de destino estandarizado. Para la automatización del navegador y la captura de datos se seleccionó Python en combinación con la librería Playwright. Esta elección estratégica permitió interactuar directamente con el Modelo de Objetos del Documento (DOM) de las páginas web, evitando el uso de soluciones costosas y propensas a errores basadas en visión computacional por captura de pantalla.

La capa de inteligencia para la deducción de mapas y la resolución semántica se implementó utilizando el modelo Gemini. Por su parte, la persistencia de datos, el resguardo del catálogo y el almacenamiento de los mapas relacionales en formato JSON nativo se gestionaron mediante una base de datos PostgreSQL alojada en Supabase, garantizando la consistencia de la información para todo el equipo de desarrollo. La interfaz de administración y visualización operativa se construyó utilizando Streamlit.

Retos Tecnológicos Enfrentados

Durante el proceso de desarrollo se abordaron desafíos significativos, principalmente derivados de la naturaleza no determinista de los modelos de lenguaje. Para evitar fallos operativos ante variaciones menores en las respuestas de la inteligencia artificial, se diseñó un ejecutor altamente robusto con mecanismos de contingencia capaces de interpretar etiquetas inesperadas y gestionar ventanas emergentes o alertas de inventario sorpresivas que comúnmente interrumpen a los bots de automatización tradicionales.

Asimismo, el compromiso de mantener el sistema completamente libre de mapeos manuales en el código exigió una reestructuración de la base de datos, trasladando los factores de conversión de unidades y equivalencias directamente al catálogo central para que el agente ejecutara los cálculos matemáticos mediante consultas dinámicas.

Principales Logros Obtenidos

El principal hito técnico del proyecto radica en haber consolidado un esquema de trazabilidad absoluta dentro de un entorno inferencial. Aunque el mapeo de datos lo realiza una inteligencia artificial, cada una de las decisiones operativas, justificaciones lógicas y niveles de confianza queda debidamente registrado en auditorías dentro de la base de datos. Esto demuestra que es posible implementar automatizaciones inteligentes y flexibles en la cadena de suministro sin sacrificar la capacidad de auditar y verificar la precisión del sistema.

Aprendizajes y Próximas Líneas de Desarrollo

La experiencia adquirida evidenció que la automatización moderna debe enfocarse en la comprensión del contexto en lugar de la memorización de coordenadas rígidas en una pantalla. Optimizar el uso del modelo de lenguaje únicamente para la fase de configuración inicial permitió estructurar una solución económicamente viable y con alta velocidad de ejecución diaria.

Como líneas de desarrollo futuro, se contempla la maduración del módulo analítico mediante un panel predictivo enfocado en la detección temprana de anomalías en los patrones de consumo de los clientes, lo que permitirá emitir alertas preventivas ante riesgos de abandono comercial, además de incorporar capacidades de procesamiento para órdenes físicas emitidas en formatos de papel.