Inspiration
La planificación de la producción y la gestión de inventario siempre ha sido un reto para empresas de todos los tamaños. La mayoría de los métodos tradicionales de predicción no capturan bien la variabilidad de la demanda, lo que provoca sobrestock o faltantes. Nos inspiramos en crear un sistema que ayude a las empresas a predecir la demanda de manera más precisa y confiable, utilizando inteligencia artificial y técnicas de machine learning avanzadas.
What it does
Nuestro modelo predice la demanda total de productos para un periodo determinado, penalizando más los errores de subestimación (cuando la demanda real es mayor que la predicha). Esto permite a las empresas planificar su producción y logística de manera más eficiente, reduciendo costes por exceso de inventario y evitando quiebres de stock.
How we built it
Usamos Python, TensorFlow/Keras y scikit-learn para procesar datos y construir la red neuronal.
Preprocesamos los datos con normalización, imputación de valores faltantes y codificación de variables categóricas.
La arquitectura del modelo es una fully connected neural network con capas densas, dropout y regularización L2 para mejorar la generalización.
Entrenamos el modelo usando Quantile Loss para priorizar la precisión en la subestimación de demanda y early stopping para evitar sobreajuste.
Validamos el modelo con un conjunto de prueba y generamos predicciones listas para usar.
Challenges we ran into
La demanda tiene alta variabilidad y ruido, lo que hacía difícil entrenar un modelo estable.
Encontrar la arquitectura adecuada sin sobreajustar los datos fue un reto, ya que los datasets tabulares suelen sobreajustar fácilmente con redes densas.
Ajustar el quantile loss para que penalizara correctamente la subestimación sin sacrificar la precisión general requirió varias iteraciones.
Accomplishments that we're proud of
Logramos construir un modelo que predice la demanda con precisión robusta y que prioriza los errores críticos (subestimación).
Implementamos técnicas de regularización y early stopping, reduciendo significativamente el overfitting.
Creamos un pipeline completo que procesa datos, entrena la red, evalúa el modelo y genera predicciones listas para la producción.
What we learned
Los datasets tabulares requieren modelos y técnicas de regularización cuidadosas para evitar sobreajuste.
La Quantile Loss es muy útil para problemas de planificación donde ciertos errores tienen mayor impacto.
La validación cruzada y el monitoreo con early stopping son clave para obtener modelos estables.
La combinación de buenas prácticas de preprocesamiento y arquitectura ligera mejora la generalización de las redes densas.
What's next for Untitled
Explorar predicciones para múltiples quantiles y generar intervalos de confianza de demanda.
Integrar el modelo en un dashboard interactivo para visualización de predicciones y toma de decisiones.
Experimentar con feature engineering avanzado, incluyendo variables temporales y factores externos (como clima o eventos especiales).
Evaluar otros modelos tabulares (Gradient Boosting, XGBoost, LightGBM) para comparar rendimiento frente a la red neuronal.
Log in or sign up for Devpost to join the conversation.