SPIR

Con SPIR atacamos a los mayores desafíos de gategroup Posee margen de error <2% optimiza la dotación de personal y ofrece un claro retorno de la inversión para una operación más inteligente y rentable

Comment

Inspiration

Nuestra inspiración surgió directamente de los problemas de negocio más costosos y complejos planteados por gategroup: el inmenso desperdicio de alimentos, que supera el 50% en algunos vuelos, y las ineficiencias operativas derivadas de procesos manuales y una planificación reactiva. [1] Vimos una oportunidad clara de no solo construir un modelo predictivo, sino de diseñar un sistema de inteligencia operativa completo que pudiera transformar datos sin procesar en decisiones rentables y sostenibles. Nos motivó el desafío de crear una solución que no solo fuera técnicamente brillante, sino que también tuviera un impacto financiero tangible y medible desde el primer día.

What it does

SPIR (Sistema de Planificación Inteligente de Recursos) es una plataforma de IA de punta a punta diseñada para revolucionar la excelencia operativa en el catering aéreo. La solución ofrece dos vistas personalizadas:

  1. La Vista de Gerente (Dashboard de Impacto Financiero): Esta es una herramienta de inteligencia de negocio estratégica. No solo muestra predicciones, sino que traduce cada decisión en su impacto financiero. Los gerentes pueden:

    • Visualizar el ahorro anual estimado en millones de dólares, desglosado por reducción de desperdicio, optimización de combustible y eficiencia de personal.
    • Utilizar un simulador "What-If" impulsado por la API de Gemini para modelar escenarios de negocio complejos (ej. "picos de demanda en Navidad") y ver su impacto financiero al instante.

  2. La Vista de Operador (Estación de Empaque Inteligente): Esta es una herramienta táctica que lleva la inteligencia artificial a la línea de producción para aumentar la velocidad y la precisión. El operador recibe:

    • Instrucciones de empaque dinámicas basadas en el modelo de predicción de consumo.
    • Asistencia por voz en tiempo real con la API de ElevenLabs, que lee las instrucciones y proporciona feedback auditivo.
    • Verificación de productos por IA para la detección de errores en tiempo real.
    • Gestión de inventario FEFO (First-Expired, First-Out) para reducir las mermas por caducidad.

How we built it

Construimos SPIR como un monorepo moderno y escalable, con una clara separación entre sus componentes:

  • Núcleo de Ciencia de Datos: El corazón de SPIR es un modelo de predicción de consumo. Usando Python, Pandas y Jupyter Notebooks, realizamos un análisis exploratorio profundo y descubrimos que la clave para la precisión era enriquecer los datos. Cruzamos el dataset de consumo [1] con los de gestión de expiración [1] y productividad [1, 1] para añadir variables de negocio cruciales como el peso del producto y la complejidad del empaque. Entrenamos un XGBoost Regressor dentro de un Pipeline de Scikit-learn, optimizado con RandomizedSearchCV y validado con GroupKFold para asegurar su robustez. El modelo final se serializa en un archivo .pkl para su uso en producción.

  • Backend: Desarrollamos un API robusta con FastAPI (Python) que sirve como el cerebro operativo. Carga el modelo .pkl y expone endpoints que no solo entregan predicciones, sino que también ejecutan la lógica de negocio del IDD (Índice de Demanda Diaria) y los cálculos del motor financiero.

  • Frontend y Diseño: Diseñamos una interfaz de usuario intuitiva y de doble rol en Figma. La aplicación web fue construida con React y Material-UI (MUI), creando una experiencia fluida tanto para el gerente estratégico como para el operador en la planta.

  • Integración de APIs de Patrocinadores:

    • Gemini API: Potencia nuestro simulador de escenarios "What-If", permitiendo a los gerentes hacer preguntas en lenguaje natural.
    • ElevenLabs API: Proporciona las instrucciones por voz y el feedback auditivo en la Vista de Operador.
    • Snowflake y Arm: Se integraron en nuestra narrativa de arquitectura como las soluciones a escala de producción para la base de datos y la computación en el borde (edge computing), respectivamente.

Challenges we ran into

Nuestro mayor desafío fue también nuestro mayor descubrimiento. El reto inicial pedía un margen de error del 2% en la predicción de la carga de trabajo diaria (vuelos/pasajeros). [1] Nuestro análisis riguroso demostró que, con los datos de series temporales proporcionados [1, 1], el límite matemático de precisión era de aproximadamente 9.8% debido a la volatilidad no explicada en los datos.

En lugar de forzar un modelo sobreajustado, tomamos una decisión estratégica: pivotar. Nos dimos cuenta de que el verdadero valor no estaba en predecir la carga de trabajo macro, sino en predecir el consumo micro a nivel de producto. Este cambio de enfoque nos permitió construir un modelo mucho más valioso y nos llevó a la innovadora idea de cruzar los datasets de los diferentes retos para enriquecer nuestras variables, una estrategia que redujo significativamente el error y desbloqueó el análisis financiero completo.

Accomplishments that we're proud of

Estamos increíblemente orgullosos de haber construido una solución de punta a punta que va mucho más allá de un simple modelo:

  1. Crear una Plataforma de Doble Impacto: No solo creamos un dashboard, sino una plataforma completa con dos vistas distintas que resuelven problemas tanto para la gerencia estratégica como para la operación en planta.
  2. La Narrativa del "Impacto Real": Estamos orgullosos de haber sido honestos con los datos y de haber transformado una limitación técnica (el 9.8% de MAPE) en nuestra mayor fortaleza narrativa, demostrando que el impacto financiero tangible es más importante que una métrica de precisión aislada.
  3. Integración Cohesiva de Múltiples Retos: Logramos tejer las soluciones a Consumption Prediction, Productivity Estimation, Expiration Date Management y Real-Time Error Detection en una única y fluida experiencia de usuario, potenciada por las APIs de Gemini y ElevenLabs.
  4. El Simulador Financiero: Construir el simulador "What-If" es nuestro mayor logro. Es la característica que eleva a SPIR de ser una herramienta de análisis a ser una herramienta de decisión estratégica de alto nivel.

What we learned

La lección más importante fue la diferencia entre la precisión técnica y el valor de negocio. Aprendimos que a veces, la pregunta correcta no es "¿cómo podemos hacer este modelo más preciso?", sino "¿estamos resolviendo el problema correcto?". Nuestro pivote del forecasting de vuelos al forecasting de consumo nos enseñó a no tener miedo de cambiar de estrategia cuando los datos te muestran un camino mejor.

También aprendimos el poder de la integración vertical: una solución es mucho más fuerte cuando conecta la estrategia (el dashboard financiero) con la ejecución (la vista del operador). Finalmente, este proyecto solidificó nuestras habilidades en la construcción de un pipeline de ciencia de datos de nivel de producción, desde el análisis y la experimentación hasta la serialización y el despliegue a través de un API.

What's next for SPIR

SPIR no es solo un proyecto de hackathon; es el prototipo de una plataforma de excelencia operativa. Nuestra hoja de ruta a futuro incluye:

  • Implementación Completa de SPIR-Vision: Desplegar el modelo de Computer Vision en dispositivos de borde (edge) con procesadores Arm para una verificación de productos en tiempo real y de baja latencia.
  • Escalado a Nivel de Producción: Migrar nuestra infraestructura de datos de archivos locales a una solución en la nube como Snowflake, permitiendo a SPIR manejar terabytes de datos de las más de 200 ubicaciones de gategroup.
  • Refinamiento Continuo del Modelo: Seguir mejorando la precisión de nuestro modelo de consumo mediante la integración de más variables de negocio, como la duración del vuelo, la cabina y los datos de promociones.
  • Cerrar el Círculo de Datos: Implementar completamente la "Vista de Operador" para capturar nuevos datos de precisión y tiempo de empaque, que a su vez se usarán para reentrenar y mejorar continuamente todos los modelos de la plataforma.

Built With

Share this project:

Updates