top of page
vista-aerea-buque-carga-contenedor-carga-puerto.jpg

Revolucionando Cadenas de Suministro: El Poder de la IA Generativa y la Computación Cuántica 

 

 

 

Por favor, descargar el White Paper

COURSE OBJECTIVE

​

Curso avanzado de inteligencia artificial (AI) generativa, inteligencia artificial clásica y computación cuántica aplicada a la gestión de las cadenas de suministro,  gestión del almacén e inventarios, logística, demanda y clientes.

 

La AI puede utilizarse en la gestión de la cadena de suministro para gestionar enormes volúmenes de datos, comprender las relaciones entre la demanda y la oferta, optimizar los beneficios antes de intereses, impuestos, depreciación y amortización, EBITDA, para mejorar la toma de decisiones en una organización como una cadena de suministro integrada de extremo a extremo. Las herramientas basadas en la AI pueden proporcionar información valiosa para el inventario, la logística, la eficiencia del almacén, la entrega a tiempo y la previsión de la oferta y la demanda. La evaluación y la estrategias agnósticas basadas en soluciones de IAI ayudan a las empresas a mejorar la alineación y el control del inventario, así como a crear una hoja de ruta estratégica inteligente para la cadena de suministro y la logística.

​

La IA generativa se ha convertido en una valiosa herramienta en diversos sectores y ha permitido el éxito de numerosos proyectos.   


Una de las principales ventajas de la IA generativa es su capacidad para clasificar y categorizar información a partir de datos visuales o textuales. Esta función permite organizar y gestionar eficazmente grandes conjuntos de datos, ahorrando tiempo y recursos que de otro modo se dedicarían al análisis manual.  


Además, la IA generativa puede analizar y modificar rápidamente estrategias, planes y asignaciones de recursos basándose en datos en tiempo real. Este análisis en tiempo real permite tomar decisiones rápidas y eficaces y adaptarse a los cambios del mercado o del sector.  


Otra ventaja de la IA generativa es su capacidad para generar contenidos de diversas formas automáticamente. Esta función permite tiempos de respuesta más rápidos y reduce el tiempo y los recursos necesarios para la creación de contenidos. El contenido generado puede ser texto, imágenes, vídeos o audio, en función de las necesidades del proyecto.

 

Acerca del ML, se expone un módulo sobre procesamiento avanzado de datos, explicando entre otros temas: muestreo, análisis exploratorio, detección de valores atípicos, técnicas avanzadas de segmentación, ingeniería de características y algoritmos de clasificación.

​

Durante el curso se muestran modelos predictivos de ML y Deep Learning como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo ensemble, etc. Y en cuanto a redes neuronales, se exponen las arquitecturas feed forward, RNN recurrente, CNN convolucionada y Generativa adversarial. Además, se han incluido modelos probabilísticos de aprendizaje automático como los procesos gaussianos y las redes neuronales bayesianas.

​

La visión por ordenador es una forma de inteligencia artificial (IA) y aprendizaje automático que permite a los ordenadores extraer información significativa de las imágenes y automatizar acciones basadas en esa información, rápidamente y a gran escala.

 

La visión por ordenador tiene la capacidad de reconocer patrones y realizar diagnósticos en imágenes médicas con mucha mayor precisión y rapidez y menos errores. Tiene el potencial de extraer información de imágenes médicas que no son visibles para el ojo humano. Por lo anterior se expone en el curso modelos de visión por ordenador para la clasificación de imágenes usando potentes modelos de ML.

​

Durante el curso se abordan casos reales entre otros la detección temprana de la obesidad usando modelos de ML clásico y Quantum Machine Learning (QLM), la identificación y categorización de la retinopatía diabética empleando redes neuronales convolucionadas, descubrimientos de fármacos usando redes neuronales generativas y adversarias GAN.​ 

​

Los responsables de la cadena de suministro y la logística deben equilibrar constantemente muchas variables, a veces contradictorias, para alcanzar los objetivos empresariales (por ejemplo, unos inventarios abundantes son buenos para cumplir los pedidos y satisfacer a los clientes, pero el coste puede perjudicar a la cuenta de resultados). Para ser eficiente  es necesario optimizar los parámetros de la cadena de suministro y la logística de salida y equilibrarlos con la demanda cambiante de los clientes. Todo debe funcionar como una máquina afinada. Para minimizar el gasto en exceso de existencias, hay que prever con precisión la demanda, garantizar los niveles de suministro adecuados y mover el suministro hacia dentro y el producto hacia fuera de forma ágil y racionalizada.

​

La optimización restringida puede aportar información de gran valor a partir de datos complejos que los responsables de la toma de decisiones logísticas utilizan a diario. Los ordenadores clásicos se enfrentan a problemas difíciles con este método para generar estimaciones y aproximaciones. Pero a medida que los volúmenes de datos aumentan geométricamente, chocan contra un muro.

​

QUANTUM COMPUTING

​

El Aprendizaje Automático Cuántico es la integración de algoritmos cuánticos dentro de programas de Aprendizaje Automático. Los algoritmos de aprendizaje automático se utilizan para calcular grandes cantidades de datos, el aprendizaje automático cuántico utiliza qubits y operaciones cuánticas o sistemas cuánticos especializados para mejorar la velocidad de cálculo y almacenamiento de datos que realizan los algoritmos de un programa. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica son aplicables al aprendizaje profundo clásico. Una red neuronal cuántica tiene capacidades computacionales para disminuir el número de pasos, los qubits utilizados y el tiempo de computación.

​

El objetivo importante del curso es mostrar el uso de la computación cuántica y las redes tensoriales para mejorar el cálculo de algoritmos de aprendizaje automático.

​

Además, en el curso se explica la computación cuántica, los circuitos cuánticos, importantes algoritmos cuánticos, la mecánica cuántica, el error y la corrección cuánticos, y el aprendizaje automático cuántico.

​

Pero los ordenadores cuánticos pueden ofrecer algo más que soluciones muy precisas. También pueden ofrecer una diversidad de soluciones, cualquiera de las cuales cumpla los objetivos de su optimización. Puede obtener más soluciones que sean más precisas, utilizando todos los datos que tanto le ha costado recopilar y almacenar. En cambio, los ordenadores clásicos tienen dificultades para dar respuestas precisas y de calidad a las solicitudes de optimización. Si no fallan por completo, a menudo sólo dan una única respuesta probable, que puede ser exacta o no.

​

Aunque aún faltan años para que los ordenadores cuánticos alcancen su plena capacidad, las soluciones de software emergentes pretenden tender un puente entre los mundos de la computación clásica y cuántica utilizando técnicas preparadas para la cuántica que produzcan mejores resultados para la optimización con restricciones, utilizando conjuntos de datos más grandes en ordenadores clásicos y, con el tiempo, para sistemas cuánticos. Comprender y aplicar hoy las técnicas de computación cuántica puede ayudar a las empresas dependientes de la cadena de suministro y la logística (por ejemplo, las de comercio electrónico, fabricación, transporte, distribución, etc.) a situarse por delante de la competencia.

​

IMPORTANTE

​

La necesidad tan grande de aplicar correctamente la inteligencia artificial tradicional y cuántica en las cadenas de suministro, nos ha obligado a incluir un modulo muy avanzado de validación y potentes técnicas de riesgo de modelo así como metodologías probabilísticas de machine learning con la finalidad de conocer la incertidumbre que hay en los resultados. Además hemos incluido un módulo del llamado XAI para evitar que los modelos sean cajas negras y sean interpretables.

 

¿QUIÉN DEBE ASISTIR?

 

El Curso está dirigido a profesionales del Supply Chain Management interesados en desarrollar potentes de de modelos de inteligencia artificial generativa y computación cuántica aplicados al Supply Chain.

 

Para una mejor comprensión de los temas es necesario que el participante tenga conocimientos de estadística y matemáticas.​

 

sistema-inteligente-gestion-almacenes-tecnologia-innovadora-internet-cosas.jpg
Time.png

Schedules:

​

​

  • Europe: Mon-Fri, CEST 16-20 h

 

  • America: Mon-Fri, CDT 18-21 h

​

  • Asia: Mon-Fri, IST 18-21 h

 

 

 

 

Price.png

Price: 7.900 €

 

Level.png

Level: Advanced

Duration.png

Duration: 39 h

 

Material.png

     Material: 

​

  • Presentations PDF

  • Exercises in Excel, R, Python, Jupyterlab y Tensorflow

Download.png

Download: Course brochure in PDF

 

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA
 Revolucionando Cadenas de Suministro:

El Poder de la IA Generativa y la Computación Cuántica 

 

Anchor 10

Machine Learning

​

Module 1: Machine Learning in Supply Chain

​

Machine learning in supply chain involves using algorithms and statistical models to analyze and interpret data, optimize processes, and make predictions. It can be applied in various ways, such as demand forecasting, inventory management, route optimization, and anomaly detection. By leveraging machine learning, organizations aim to enhance efficiency, reduce costs, and make more informed decisions throughout the supply chain.

​

 

  • Definition of Machine Learning

  • Machine Learning Methodology

    • Data Storage

    • Abstraction

    • Generalization

    • Assessment

  • Supervised Learning

  • Unsupervised Learning

  • Reinforcement Learning

  • deep learning

  • Typology of Machine Learning algorithms

  • Steps to Implement an Algorithm

    • information collection

    • Exploratory Analysis

    • Model Training

    • Model Evaluation

    • Model improvements

    • Machine Learning in consumer credit risk

  • Machine Learning in credit scoring models

  • Quantum Machine Learning

​

Module 2: EDA Exploratory Analysis

​

  • Data typology

  • transactional data

  • Unstructured data embedded in text documents

  • Social Media Data

  • data sources

  • Data review

  • Target definition

  • Time horizon of the target variable

  • Sampling

    • Random Sampling

    • Stratified Sampling

    • Rebalanced Sampling

  • Exploratory Analysis:

    • histograms

    • Q Q Plot

    • Moment analysis

    • boxplot

  • Treatment of Missing values

    • Multivariate Imputation Model

  • Advanced Outlier detection and treatment techniques

    • Univariate technique: winsorized and trimming

    • Multivariate Technique: Mahalanobis Distance

  • ​Exercise 1: EDA Exploratory Analysis​

​

Module 3: Feature Engineering​

  • Data Standardization

  • Variable categorization

    • Equal Interval Binning

    • Equal Frequency Binning

    • Chi-Square Test

  • binary coding

  • Binning

    • Kind of transformation

    • Univariate Analysis with Target variable

    • Variable Selection

    • Treatment of Continuous Variables

    • Treatment of Categorical Variables

    • Gini

    • Information Value

    • Optimization of continuous variables

    • Optimization of categorical variables

  • Exercise 2: Detection and treatment of Advanced Outliers

  • Exercise 3: Stratified and Random Sampling in R

  • Exercise 4: Multivariate imputation model

  • Exercise 5: Univariate analysis in percentiles in R

  • Exercise 6: Continuous variable optimal univariate analysis in Excel

  • Exercise 7: Estimation of the KS, Gini and IV of each variable in Excel

  • Exercise 8: Feature Engineering of variables

​

Unsupervised Learning

​

Module 4: Unsupervised models

​

  • Hierarchical Clusters

  • K Means

  • standard algorithm

  • Euclidean distance

  • Principal Component Analysis (PCA)

  • Advanced PCA Visualization

  • Eigenvectors and Eigenvalues

  • Exercise 9: Segmentation of the data with K-Means R

 

Supervised Learning

​

Module 5: Logistic Regression and LASSO Regression

 

  • Econometric Models

    • Logit regression

    • probit regression

    • Piecewise Regression

    • survival models

  • Machine Learning Models

    • Lasso Regression

    • Ridge Regression

  • Model Risk in Logistic Regression

  • Exercise 10: Lasso Logistic Regression in R

  • Exercise 11: Ridge Regression in R

​

Module 6: Trees, KNN and Naive Bayes

 

  • Decision Trees

    • modeling

    • Advantages and disadvantages

    • Recursion and Partitioning Processes

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • tree display

    • Measurement of decision tree prediction

    • CHAID model

    • Model C5.0

  • K-Nearest Neighbors KNN

    • modeling

    • Advantages and disadvantages

    • Euclidean distance

    • Distance Manhattan

    • K value selection

  • Probabilistic Model: Naive Bayes

    • Naive bayes

    • Bayes' theorem

    • Laplace estimator

    • Classification with Naive Bayes

    • Advantages and disadvantages

  • Exercise 12: KNN and PCA

​

Module 7: Support Vector Machine SVM

​

  • Support Vector Classification

  • Support Vector Regression

  • optimal hyperplane

  • Support Vectors

  • add costs

  • Advantages and disadvantages

  • SVM visualization

  • Tuning SVM

  • kernel trick

  • Exercise 14: Support Vector Machine in R

​

Module 8: Ensemble Learning

​

  • Classification and regression ensemble models

  • bagging

  • bagging trees

  • Random Forest

  • Boosting

  • adaboost

  • Gradient Boosting Trees

  • xgboost

  • Advantages and disadvantages

  • Exercise 15:  Boosting in R

  • Exercise 16: Bagging in R

  • Exercise 17: Random Forest, R and Python

  • Exercise 18:  Gradient Boosting Trees

​

​Deep Learning

​

Module 9: Introduction to Deep Learning

​

  • Definition and concept of deep learning

  • Why now the use of deep learning?

  • Neural network architectures

  • feedforward network

  • R deep learning

  • Python deep learning

  • Convolutional Neural Networks

  • Use of deep learning in image classification

  • cost function

  • Gradient descending optimization

  • Use of deep learning

    • How many hidden layers?

    • How many neurons, 100, 1000?

    • How many times and size of the batch size?

    • What is the best activation function?

  • Hardware, CPU, GPU and cloud environments

  • Advantages and disadvantages of deep learning

 

Module 10: Deep Learning Feed Forward Neural Networks

​

  • Single Layer Perceptron

  • Multiple Layer Perceptron

  • Neural network architectures

  • activation function

    • sigmoidal

    • Rectified linear unit (Relu)

    • The U

    • Selu

    • hyperbolic hypertangent

    • Softmax

    • other

  • Back propagation

    • Directional derivatives

    • gradients

    • Jacobians

    • Chain rule

    • Optimization and local and global minima

  • Exercise 19: Deep Learning Feed Forward

​

Module 11: Deep Learning Convolutional Neural Networks CNN

​

  • CNN for pictures

  • Design and architectures

  • convolution operation

  • descending gradient

  • filters

  • strider

  • padding

  • Subsampling

  • pooling

  • fully connected

  • Exercise 20: deep learning CNN

​

Module 12: Deep Learning Recurrent Neural Networks RNN

​

  • Natural Language Processing

  • Natural Language Processing (NLP) text classification

  • Long Term Short Term Memory (LSTM)

  • Hopfield

  • Bidirectional associative memory

  • descending gradient

  • Global optimization methods

  • One-way and two-way models

  • Deep Bidirectional Transformers for Language Understanding ​

  • Exercise 21: Deep Learning LSTM

​

Module 14: Generative Adversarial Networks (GANs)

 

  • Generative Adversarial Networks (GANs)

  • Fundamental components of the GANs

  • GAN architectures

  • Bidirectional GAN

  • Training generative models

  • Exercise 22: Deep Learning GANs

​

Module 15: Tuning Hyperparameters

​

  • Hyperparameterization

  • Grid search

  • Random search

  • Bayesian Optimization

  • Train test split ratio

  • Learning rate in optimization algorithms (e.g. gradient descent)

  • Selection of optimization algorithm (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

  • Activation function selection in a (nn) layer neural network (e.g. Sigmoid, ReLU, Tanh)

  • Selection of loss, cost and custom function

  • Number of hidden layers in an NN

  • Number of activation units in each layer

  • The drop-out rate in nn (dropout probability)

  • Number of iterations (epochs) in training a nn

  • Number of clusters in a clustering task

  • Kernel or filter size in convolutional layers

  • Pooling size

  • Batch size

  • Exercise 23: Optimization Xboosting, Random forest and SVM

  • Exercise 24: Optimized Deep Learning

​

Probabilistic Machine Learning 

 

Module 16: Probabilistic Machine Learning

​​

  • Introduction to probabilistic machine learning

  • Gaussian models

  • Bayesian Statistics

  • Bayesian logistic regression

  • Kernel family

  • Gaussian processes

    • Gaussian processes for regression

  • Hidden Markov Model

  • Markov chain Monte Carlo (MCMC)

    • Metropolis Hastings algorithm

  • Machine Learning Probabilistic Model

  • Bayesian Boosting

  • Bayesian Neural Networks

  • Exercise 25: Gaussian process for regression

  • Exercise 26: Bayesian Neural Networks

​

Model Validation

​

Module 17: Validation of traditional and Machine Learning models

​

  • Model validation

  • Validation of machine learning models

  • Regulatory validation of machine learning models in Europe

  • Out of Sample and Out of time validation

  • Checking p-values in regressions

  • R squared, MSE, MAD

  • Waste diagnosis

  • Goodness of Fit Test

  • multicollinearity

  • Binary case confusion matrix

  • K-Fold Cross Validation

  • Diagnostico del modelo

  • Exercise 27: Validación avanzada de la regression

  • Exercise 28: Diagnostico de la regresión

  • Exercise 29: K-Fold Cross Validation in R

​

Module 18: Validación Avanzada de modelos de AI

 

  • Integración de métodos de última generación en aprendizaje automático interpretable y diagnóstico de modelos.

  • Data Pipeline

  • Feature Selection

  • Black-box Models

  • Post-hoc Explainability

  •  Global Explainability

  • Local Explainability

  • Interpretabilidad de Modelos

  • Diagnóstico: Accuracy, WeakSpot, Overfit, Reliability, Robustness, Resilience, Fairness

  • Comparativo de modelos

    • Comparativo para la Regresión y Clasificación

    • Fairness Comparison

  • Ejercicio 30: Validación y diagnóstico de modelos avanzados de credit scoring

​​

Auto Machine Learning and XAI

​

Module 19: Automation of ML

 

  • What is modeling automation?

  • that is automated

  • Automation of machine learning processes

  • Optimizers and Evaluators

  • Modeling Automation Workflow Components​

  • Hyperparameter optimization

  • Global evaluation of modeling automation

  • Implementation of modeling automation in banking

  • Technological requirements

  • available tools

  • Benefits and possible ROI estimation

  • Main Issues

  • Genetic algorithms

  • Exercise 31: Automation of the modeling, optimization and validation of pricing models

​

Explainable Artificial Intelligence

​

Module 20: Explainable Artificial Intelligence XAI

 

  • interpretability problem

  • Machine learning models

    • 1. The challenge of interpreting the results,

    • 2. The challenge of ensuring that management functions adequately understand the models, and

    • 3. The challenge of justifying the results to supervisors

  • ​Black Box Models vs. Transparent and Interpretable Algorithms

  • interpretability tools

  • Shap, Shapley Additive explanations

    • Global Explanations

    • Dependency Plot

    • Decision Plot

    • Local Explanations Waterfall Plot

  • Lime, agnostic explanations of the local interpretable model

  • Explainer Dashboard

  • Other advanced tools

  • Exercise 32: XAI interpretability of pricing

 

Module 21: Generative AI

​

Generative artificial intelligence  is artificial intelligence capable of generating text, images, or other media, using generative models. Generative AI models learn the patterns and structure of their input training data and generate new data that has similar characteristics. Generative AI differs from other types of AI as it is about creating something new that is not modified or copied from its training data. Generative AI is a general-purpose technology used for multiple purposes across many industries. There are many types of multimodal generative AI tasks such as text summarization that produce a shorter version of a piece of text while retaining the main ideas, creating source code from natural language code comments, reasoning through a problem to discover potential new solutions or latent details and assigning a category to a given piece of content such as a document, image, video, or audio clip among other applications.

​

  • Introducing generative AI

  • What is Generative AI?

  • Generative AI Models

    • Generative Pre- trained Transformer (GPT)

    • Llama 2

    • PaLM2

    • DALL-E

  • Text generation

  • Image generation

  • Music generation

  • Video generation

  • Generating text

  • Generating Code

  • Ability to solve logic problems

  • Generating Music

  • Enterprise Use Cases for Generative AI

  • Overview of Large Language Models (LLMs)

    • Transformer Architecture

    • Types of LLMs

    • Open-Source vs. Commercial LLMs

    • Key Concepts of LLMs

  • Prompts

  • Tokens

  • Embeddings

  • Model configuration

  • Prompt Engineering

  • Model adaptation

  • Emergent Behavior

  • Specifying multiple Dataframes to ChatGPT

  • Debugging ChatGPT’s code
    Human errors

  •  Exercise 33: Embeddings for words, sentences, question answers

  • Exercise 34: Embedding Visualization

  • Exercise 35: First let's prepare the data for visualization

  • Exercise 36: PCA (Principal Component Analysis)

  • Exercise 37: Embeddings on Large Dataset

  • Exercise 38: Prompt engineering

  • Exercise 39: Advanced Prompting Techniques

  • Exercise 40: Large Language Models (LLMs)

  • Exercise 41: Retrieval Augmented Generation

  • Exercise 42: Traditional KMeans to LLM powered KMeans

  • Exercise 43: Cluster Visualization

  • Exercise 44: Semantic Search

  • Exercise 45: Tokens and Words

  • Exercise 46: Tokenization in Programming Languages

​

​

Quantum Computing

​

Module 22: Quantum computing and algorithms

  ​

Objective: Quantum computing applies quantum mechanical phenomena. On a small scale, physical matter exhibits properties of both particles and waves, and quantum computing takes advantage of this behavior using specialized hardware. The basic unit of information in quantum computing is the qubit, similar to the bit in traditional digital electronics. Unlike a classical bit, a qubit can exist in a superposition of its two "basic" states, meaning that it is in both states simultaneously.

​

  • Future of quantum computing in insurance

  • Is it necessary to know quantum mechanics?

  • QIS Hardware and Apps

  • quantum operations

  • Qubit representation

  • Measurement

  • Overlap

  • matrix multiplication

  • Qubit operations

  • Multiple Quantum Circuits

  • Entanglement

  • Deutsch Algorithm

  • Quantum Fourier transform and search algorithms

  • Hybrid quantum-classical algorithms

  • Quantum annealing, simulation and optimization of algorithms

  • Quantum machine learning algorithms

  • Exercise 47: Quantum operations multi-exercises

​

Module 23: Introduction to quantum mechanics

​

  • Quantum mechanical theory

  • wave function

  • Schrodinger's equation

  • statistical interpretation

  • Probability

  • Standardization

  • Impulse

  • The uncertainty principle

  • Mathematical Tools of Quantum Mechanics

  • Hilbert space and wave functions

  • The linear vector space

  • Hilbert's space

  • Dimension and bases of a Vector Space

  • Integrable square functions: wave functions

  • Dirac notation

  • operators

  • General definitions

  • hermitian adjunct

  • projection operators

  • commutator algebra

  • Uncertainty relationship between two operators

  • Operator Functions

  • Inverse and Unitary Operators

  • Eigenvalues and Eigenvectors of an operator

  • Infinitesimal and finite unit transformations

  • Matrices and Wave Mechanics

  • matrix mechanics

  • Wave Mechanics

  • Exercise 48: Quantum mechanics multi-exercises

​

Module 24: Introduction to quantum error correction

​

  • Error correction

  • From reversible classical error correction to simple quantum error correction

  • The quantum error correction criterion

  • The distance of a quantum error correction code

  • Content of the quantum error correction criterion and the quantum Hamming bound criterion

  • Digitization of quantum noise

  • Classic linear codes

  • Calderbank, Shor and Steane codes

  • Stabilizer Quantum Error Correction Codes

  • Exercise 49: Noise Model, Repetition Code and quantum circuit

​

​Module 25: Quantum Computing II

 

  • Quantum programming

  • Solution Providers

    • IBM Quantum Qiskit

    • Amazon Braket

    • PennyLane

    • cirq

    • Quantum Development Kit (QDK)

    • Quantum clouds

    • Microsoft Quantum

    • Qiskit

  • Main Algorithms

    • Grover's algorithm

    • Deutsch–Jozsa algorithm

    • Fourier transform algorithm

    • Shor's algorithm

  • Quantum annealers

  • D-Wave implementation

  • Qiskit Implementation

  • Exercise 50: Quantum Circuits, Grover Algorithm Simulation, Fourier Transform and Shor​

​

Module 26: Quantum Machine Learning

​

  • Quantum Machine Learning

  • hybrid models

  • Quantum Principal Component Analysis

  • Q means vs. K means

  • Variational Quantum Classifiers

  • Variational quantum classifiers

  • Quantum Neural Network

    • Quantum Convolutional Neural Network

    • Quantum Long Short Memory LSTM

  • Quantum Support Vector Machine (QSVC)

  • Exercise 51: Quantum Support Vector Machine​

 

​Module 27: Tensor Networks for Machine Learning

 

  • What are tensor networks?

  • Quantum Entanglement

  • Tensor networks in machine learning

  • Tensor networks in unsupervised models

  • Tensor networks in SVM

  • Tensor networks in NN

  • NN tensioning

  • Application of tensor networks in credit scoring models

  • Exercise 52: Neural Network using tensor networks

 

Supply Chain Analytics using AI

​

Module 28: Machine Learning for Supply Chain

​

El término cadena de suministro se ha generalizado en la actualidad para representar las complejas redes y vínculos de entidades empresariales para fabricar y suministrar productos y/o servicios a los clientes. El análisis de la cadena de suministro se define sencillamente como la aplicación de técnicas de aprendizaje automático y análisis de datos en distintas fases de una cadena de suministro para mejorar el rendimiento global de la gestión de la cadena de suministro y satisfacer o superar las expectativas de los clientes. El uso eficaz de la analítica de la cadena de suministro se considera una capacidad fundamental de la cadena de suministro, con la que una empresa puede lograr un rendimiento superior y ventajas competitivas sostenidas relacionadas con la cadena de suministro.

 

  • Gestión de clientes                                       

    • Los clientes en las cadenas de suministro                                

    • Entender a los clientes                                  

    • Cadena de suministro centrada en el cliente                          

    • Definir a los clientes                          

    • Necesidades reales de los clientes            

    • Traducir las necesidades en características del producto         

    • Diseñar los procesos de la cadena de suministro             

    • Construir sistemas logísticos eficientes             

    • Análisis de cohortes                       

    • Pasos para el análisis de cohortes         

    • Análisis RFM                       

    • ¿Qué es el RFM?                 

    • Pasos para el análisis de RFM

  • Gestión de suministros                                          

    • Adquisiciones en las cadenas de suministro                              

    • Integración vertical                                 

    • Subcontratación                                       

    • Selección de proveedores                                        

    • Evaluación de proveedores                                       

    • Evaluación de la capacidad de los proveedores                       

    • Gestión de las relaciones con los proveedores                          

    • Gestión de la red de suministro por niveles                     

    • Identificación de riesgos                         

    • Evaluación de riesgos                           

    • Desarrollo de estrategias de respuesta al riesgo            

    • Supervisión continua y revisión periódica    

  • Gestión de almacenes e inventarios                         

    • Sistema de gestión de almacenes                       

    • Medición del rendimiento de la gestión de almacenes       

    • Gestión de Inventarios

    • Métodos de Gestión de Inventarios                       

    • Optimización de Almacenes                                   

    • Introducción a PuLP  

  • Gestión de la Demanda  

    • Previsión de la Demanda                                      

    • Previsión de Series Temporales                                   

    • Componentes de las series temporales                             

    • Métodos tradicionales de previsión de series temporales          

    • Métodos de aprendizaje automático                                 

    • Series temporales univariantes frente a multivariantes              

    • Regresión Random Forest

    • XGBoost  

  • Gestión Logística            

    • Principales actividades de gestión logística                  

    • Modos de transporte en logística

    • Peso Imponible

    • Densidad del Valor del Producto  

    • Proveedores de servicios logísticos    

    • Empresas de carga    

    • Transportistas       

    • Transitarios    

    • Terceros proveedores logísticos                   

    • Empresas de logística de cuarta parte                

    • Diseño de redes logísticas                                  

    • Decisiones de localización                                 

    • Centralización y descentralización

  • Exercise 53: Análisis de cohortes de gestión de clientes

  • Exercise 54: Análisis de Selección de proveedores 

  • Exercise 55: Selección de proveedores usando Modelos de regresión

  • Exercise 56: Selección de proveedores usando Support Vector Machine, Árboles de decisión y Random forest   

  • Exercise 57: Análisis RFM 

  • Exercise 58: Segmentación de Clientes con K-Means      

  • Exercise 59: Gaussian Mixture Model  para segmentación de Clientes          

  • Exercise 60: Optimización de almacenes con PuLP                    

  • Exercise 61: Diseño de redes logísticas con PuLP

​

​Module 29: Cadenas de suministro usando AI y Quantum AI 

​​

El término cadena de suministro se ha generalizado en la actualidad para representar las complejas redes y vínculos de entidades empresariales para fabricar y suministrar productos y/o servicios a los clientes.  El el módulo se muestra la predicción de la duración de los envíos de productos de comercio electrónico y estimación del riesgo de entrega tardía. 
La Identificación del riesgo de entrega tardía de mercancías de comercio electrónico permite predecir la duración más rápida y normal del envío de mercancías para los clientes que pudieran ser compradores nacionales y extranjeros. Se usa modelos de machine learning de regresión para  determinar el intervalo máximo de tiempo de envío, mediante la predicción de la duración más rápida y normal del envío de mercancías para clientes nacionales e internacionales. Y modelos de clasificación de machine learning para clasificar los pedidos con alta probabilidad de entrega tardía (analizador de riesgo de entrega tardía).

​

  • Introducción                              

  •  ¿Qué es una cadena de suministro?                 

  • ¿Por qué necesitamos una cadena de suministro?  

  • Estructura de una cadena de suministro        

  • Procesos de la cadena de suministro            

  • Flujos de la cadena de suministro              

  • Gestión de la Cadena de Suministro               

  • Análisis de negocio                      

  •  Análisis de la cadena de suministro                  

  • Gestión de suministros                                         

  • Adquisiciones en las cadenas de suministro                             

  •  Integración vertical                                

  • Subcontratación                                      

  • Selección de proveedores                                       

  • Evaluación de proveedores                                      

  • Evaluación de la capacidad de los proveedores                      

  • Gestión de las relaciones con los proveedores                         

  • Gestión de la red de suministro por niveles                     

  • Gestión del riesgo de suministro                                 

  • Primer paso: Identificación de riesgos                        

  • Segundo paso Evaluación de riesgos                          

  • Tercer paso: Desarrollo de estrategias de respuesta a los riesgos

  • Cuarto paso: Supervisión continua y revisión periódica   

  • Modelos de Machine Learning de Regresión

    • Support Vector Machine Regression

    • Random Forests Regression

  • Modelos de Clasificación de Quantum Machine Algorithms

    • Qubit and Quantum States

    • Quantum circuits

    • Support Vector Quantum Machine

    • Quantum Neural Network

    • Variational quantum classifier

  • Exercise 62: Random Forest regression y OLS para predicción de duración de envío de mercancía

  • Exercise 63: Quantum Support Vector Machine  and classical SVM para predicción de duración de envío de mercancía

  • Exercise 64: Support Vector Quantum Machine y SVM  para probabilidad de entrega tardía 

  • Exercise 65: Quantum Neural Networks y NN para probabilidad de entrega tardía 

​​

Módulo 30: Machine Learning and Quantum Machine Learning for Retail Sales Forecasting

​

En el contexto de la cadena de suministro, la demanda se refiere a los pedidos reales realizados por los clientes. La demanda es una información esencial para planificar y gestionar eficazmente la cadena de suministro. Sin información precisa sobre la demanda, las empresas pueden tener dificultades para planificar y controlar la producción. Por ejemplo, si una información inexacta sobre la demanda se transmite a lo largo de la cadena de suministro, de abajo a arriba, pueden producirse distorsiones significativas en la planificación de la producción y la preparación de pedidos, lo que provocaría efectos de arrastre adversos.
Se aplican modelos de forecasting avanzados de inteligencia artificial y computación cuántica con el objetivo de la gestión de la demanda en las cadenas de suministro es mejorar la visibilidad, previsibilidad y fiabilidad de la demanda para que las empresas puedan diseñar y suministrar productos y servicios que satisfagan las necesidades de los clientes de la forma más eficaz y eficiente.

​

  • ​Estrategias de Retail Sales Forecasting con modelos de forecasting

  • Modelos Multivariantes

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Multivariante Copulas

    • Modelo de Vector de Corrección de Error VEC

    • Método de Johansen

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

    • ​Multivariate Adaptive Regression Splines

    • Base de desarrollo y validación 

  • Deep Learning

    • Redes Neuronales Recurrentes RNN

    • Red Neuroal de Elman

    • Red Neuronal de Jordan

    • Estructura básica de RNN

    • Long short term memory LSTM

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Modelización de la secuencia

  • Deep Learning Bayesiano

    • Bayesian Long short term memory LSTM

  • Machine Learning Cuántico 

    • Quantum Long short term memory LSTM

  • Machine Learning y Quantum Computing

    • Ejercicio 66: Forecasting Econométrico ARIMA y SARIMA

    • Ejercicio 67: Forecasting  usando Redes Neuronales Recurrentes LSTM 

    • Ejercicio 68: Forecasting  usando Quantum LSTM 

  • Probabilistic Machine Learning​​​

    • Ejercicio 69: PD Forecasting  usando Redes Neuronales Bayesianas

  • Ejercicio 70: Modelo de forecasting multivariante con VAR

  • Ejercicio 71: Modelo de forecasting multivariante con LSTM

​​

 

Quantum Computing and Machine Learning for Supply Chain Optimization

​

Module 31: Supply Chain Optimization

​

La gestión de la cadena de suministro incluye entre otras funciones: la gestión de la demanda, las compras y el aprovisionamiento, la producción, la gestión de inventarios, el almacenamiento y el transporte. Las decisiones de optimización de la cadena de suministro a nivel estratégico son las que tienen un impacto a largo plazo, normalmente más de tres años, por ejemplo, el diseño de la red de la cadena de suministro o la planificación de la capacidad. A nivel táctico, se encuentran las decisiones a medio plazo, que suelen tener un alcance de uno a dos años, como la selección de proveedores y vendedores, la colocación de existencias de seguridad, la planificación de la producción y el inventario, entre otras. Las decisiones a nivel operativo pueden ser tan frecuentes como semanales o diarias, como la programación de la maquinaria, la ruta de transporte, etc.

Para resolver los problemas de optimización se han empleado modelos clásicos tales como la programación lineal, programación entera y programación no lineal.

 No obstante, a medida que el número de transacciones se expande debido a la globalización, la exigencia será la de resolver miles de variables en un tiempo razonable. El incremento del número de variables tiende a aumentar exponencialmente el tiempo necesario para resolver estos problemas en los ordenadores clásicos. Mientras que los ordenadores cuánticos pueden superar, codificando grandes problemas en un tiempo razonable y resolviéndolos mucho más rápido con algoritmos cuánticos.

 En los próximos años los ordenadores cuánticos reducirán los costes asociados al almacenamiento y el transporte gracias al uso de Quantum Machine Learning para el forecasting de pedidos y los algoritmos cuánticos en la optimización de rutas.

​​

  • Linear Programming

  • Constraint Programming

  • Integer Programming

  • Network Optimization

  • Nonlinear problems

  • Scalar functions optimization

    • Local optimization

    • Global optimization

  • Genetic Algorithms for optimization

  • Quantum Computing

  • Quadratic Unconstrained Binary Optimization (QUBO) Modeling

  • The Max-Cut problem and the Ising model

  • Adiabatic Quantum Computing and Quantum Annealing

  • The Leap annealers

  • Solving optimization problems on quantum annealers with Leap

  • QAOA: Quantum Approximate Optimization Algorithm

  • VQE: Variational Quantum Eigensolver

  • Hamiltonians

  • Diseño de redes de cadenas de suministro

  • Problema de localización de instalaciones con capacidad

  • Planificación de la producción

  • Configuración de la cadena de suministro

  • Machine Scheduling

  • Problema del Traveling Salesman

  • Problema de rutas de vehículos

  • Optimización de la sostenibilidad de la cadena de suministro 

  • Sostenibilidad medioambiental, social y económica

  • Ejercicio 73: Transportation Network Analysis with Graph Theory

  • Ejercicio 74: Vehicle routing problem Solution in QUBO

  • Ejercicio 75: Containers Loading Optimization

  • Ejercicio 76: The Wagner-Whitin algorithm

  • Ejercicio 77: Simulation Model to Test the Robustness of Supply Chains

  • Ejercicio 78: Non-linear programming for Procurement management

  • Ejercicio 79 : Algorithms to calculate the optimal sales volume

  • Ejercicio 80: CBC Linear Programming

  • Ejercicio 81: SLSQP Non-linear Programming

  • Ejercicio 82: Trust region constraint Non-linear Programming

  • Ejercicio 83: BFGS Non-linear Programming

  • Ejercicio 84: Genetic algorithm

​​

Generative AI for Supply Chain

​

Module 32: Inteligencia Artificial generativa aplicada en la gestión de la cadena de suministro

​​​

La gestión de las cadena de suministro emplea conjuntos de datos dispares y múltiples ERPs, por lo que a gestores como analistas les resulta cada vez más más complejo y lento clasificar grandes volúmenes de datos en los sistemas de información empresariales  y obtener información relevante. La AI generativa podría mejorar la visibilidad de la cadena de suministro y la productividad del equipo obteniendo información más expedita. Los usuarios podrían hacer preguntas en lenguaje natural y recibir respuestas
respuestas precisas sobre el rendimiento de los proveedores, la actividad de abastecimiento, los riesgos de cumplimiento, calendarios de fabricación, planes de demanda y costes de transporte. 

​

  • Análisis de inventario 

  • Comparar el rendimiento de las entregas de los proveedores

  • Análisis de órdenes de venta, estado de fabricación y gestión de solicitudes de los clientes

  •  Programas de fabricación, capacidad de producción y utilización de recursos

  • Forecasting de la demanda y variaciones en las previsiones y los pedidos

  • Analizar los costes de abastecimiento 

  • Selección de ubicaciones óptimas para la entrega

  •  Información crítica de la red

  • Exercise 85: IA Generativa en el Análisis de Datos en las cadenas de suministro

  • Exercise 86:  IA Generativa para garantizar calidad de datos 

  • Exercise 87: Análisis estadístico usando IA Generativa en los gestión de suministros

  • Exercise 88: Utilización de la IA Generativa para la interpretación de resultados y formulación de recomendaciones en las cadenas de sumistto

  • Exercise 89: Minería de textos básica con IA Generativa para la gestión de la cadena de suministros

  • Exercise 90: Minería de textos avanzada con IA generativa para cadena de suministros

  • Exercise 91: Optimización del rendimiento en la gestión logística 

  • Exercise 92: Gestión de Riesgos y mitigacón en el Supply Chain

​

​

​

bottom of page