Infosys Route Optimizer

Historia del Proyecto: Infosys Route Optimizer — El Repartidor

💡 Inspiración

En el ecosistema actual de last-mile delivery, las plataformas tradicionales asignan pedidos bajo un esquema puramente cronológico o de cercanía geográfica (FIFO: First In, First Out). Este modelo ignora variables críticas en tiempo real como contingencias climáticas, horas pico de tráfico y el costo operativo real por kilómetro recorrido. En áreas urbanas de alta densidad como Monterrey, los repartidores pierden hasta un 40% de su tiempo de trabajo atrapados en embotellamientos por atender entregas de bajo margen, colapsando su tarifa efectiva por minuto.

Nos inspiró la idea de empoderar al conductor: crear un Agente IA de optimización que evalúe cada oferta entrante como una decisión de inversión financiera, maximizando la ganancia neta y reduciendo el desgaste vehicular.

🛠️ Cómo Desarrollamos el Proyecto

El desarrollo se estructuró en una arquitectura modular dividida en cuatro capas principales:

Motor de Simulación y Backend (src/entorno.py, server.py): Construido sobre Python 3.10 y FastAPI, diseñamos un motor que simula la llegada de pedidos en Monterrey, permitiendo inyectar multiplicadores dinámicos de tráfico y tarifa de forma asíncrona.
Algoritmo del Agente IA (src/agente_rutas.py): Implementamos un modelo matemático de filtrado dinámico[cite: 1]. A diferencia del modelo Baseline (FIFO) que acepta el 100% de los pedidos sin filtrar[cite: 1], el Agente IA evalúa la rentabilidad en tiempo real utilizando la siguiente relación:

$$\text{Ratio } (\text{MXN/min}) = \frac{(\text{Pago Pedido} \times \text{Factor Tarifa}) - (\text{Distancia} \times \text{Costo Gasolina})}{(\text{Tiempo Estimado} \times \text{Factor Tráfico})}$$

Si el $\text{Ratio} < \$3.5 \text{ MXN/min}$ durante condiciones desfavorables, el agente rechaza automáticamente la oferta para reservar capacidad operativa hacia entregas de alto valor.

Módulo de Explicabilidad con LLM (src/explicabilidad_llm.py): Integramos Google Gemini LLM para traducir las decisiones cuantitativas del agente en razonamiento intuitivo en lenguaje natural para el usuario.
Dashboard Interactivo (static/index.html / app.py): Diseñamos una interfaz web en modo oscuro (estilo Linear/Vercel) con un mapa interactivo de Monterrey usando Folium y métricas en vivo para comparar el desempeño del Agente IA frente al Baseline.

🛑 Desafíos que Enfrentamos

Estabilidad Gráfica y Renderizado de Mapas: Durante el desarrollo de la interfaz, el re-renderizado frecuente del mapa al procesar datos en tiempo real provocaba errores de desincronización en el DOM (removeChild). Lo resolvimos aislando la capa gráfica en componentes estáticos.
Calibración del Umbral Adaptativo: Ajustar el valor de $\$3.5 \text{ MXN/min}$ requirió múltiples pruebas. Un umbral demasiado alto dejaba al repartidor inactivo, mientras que uno bajo replicaba las deficiencias del modelo FIFO.
Latencia del Modelo Generativo: Optimizamos los prompts de Gemini LLM para obtener explicaciones texto a texto instantáneas sin ralentizar el flujo de la simulación en tiempo real.

📚 Aprendizajes Clave

El Rechazo Estratégico Gana: Validamos matemáticamente que rechazar estratégicamente un porcentaje de pedidos (tasa de aceptación del 65%) genera mayores ingresos netos que una estrategia de aceptación ciega del 100%.
Integración Multimodal de IA: Aprendimos a combinar algoritmos deterministas de optimización con modelos generativos (LLM) para entregar explicabilidad transparente y generar confianza en el usuario final.
Resultados Impactantes: En nuestras simulaciones comparativas, el Agente IA logró un incremento del $+81.25\%$ en ganancia neta, una eficiencia horaria de $\$337.05 \text{ MXN/hr}$ (vs. $\$186.00 \text{ MXN/hr}$ del Baseline) y una reducción del $-26.20\%$ en kilometraje y consumo de combustible.