Sistema multiagente enfocado en procesos de inteligencia artificial distribuida para la captura y el ruteo de pedidos

Anny Astrid Espitia Cubillos; Robinson Jiménez Moreno; Mateo Andrés Pulido Aponte

doi:10.24054/rcta.v2i46.3530

Autores/as

Anny Astrid Espitia Cubillos Universidad Militar Nueva Granada https://orcid.org/0000-0002-4791-0250
Robinson Jiménez-Moreno Universidad Militar Nueva Granada https://orcid.org/0000-0002-4812-3734
Mateo Andrés Pulido Aponte Universidad Militar Nueva Granada https://orcid.org/0009-0006-5858-7184

DOI:

https://doi.org/10.24054/rcta.v2i46.3530

Palabras clave:

Aplicación, agente de razonamiento y acción, optimización, bases de datos, ruteo, inteligencia artificial, sistema multiagente

Resumen

Este documento presenta el diseño de un sistema multiagente enfocado en procesos de inteligencia artificial distribuida operado por texto que funciona siguiendo un modelo de dialogo, orientado a la gestión eficiente de órdenes de pedido de productos industriales, éste sistema integra cinco agentes de razonamiento y acción: el agente general potenciado con el modelo de lenguaje de inteligencia artificial Gemini de Google que lleva el flujo de la conversación y redirecciona las tareas a los otros agentes, un agente que identifica clientes, un agente que reconoce los productos, un agente que genera los pedidos y un agente que rutea. El sistema multiagente está diseñado para interactuar de manera virtual y conversacional con los usuarios, facilitando la creación y gestión de pedidos mediante un enfoque innovador que integra tecnologías avanzadas de procesamiento natural del lenguaje, bases de datos vectoriales y relacionales, y métodos de optimización. Finalmente, para su validación en un entorno real, se utilizan datos de una empresa de producción y distribución de productos de aseo, lo que permite desarrollar distintas pruebas para la identificación de clientes, productos, cantidades y establecimiento de rutas de entrega de pedidos. Se concluye que el flujo conversacional y técnicas utilizadas permite a los usuarios realizar consultas sobre clientes con una exactitud promedio del 77,38% y de productos con una precisión promedio del 88.57%, aún en escenarios con ambigüedades semánticas, logrando gestionar órdenes de manera intuitiva. Se logra además optimizar el ruteo de los pedidos considerando simultáneamente dos criterios que pueden ponderarse: importancia del cliente y distancia recorrida.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

A. Börold, D. Schweers y M. Freitag, «Towards Multimodal Information Systems for Assisting Humans in Production and Logistics Processes,» Procedia CIRP, vol. 120, pp. 1089-1094, 2023. https://doi.org/10.1016/j.procir.2023.09.130. DOI: https://doi.org/10.1016/j.procir.2023.09.130

A. Dörner, P. Gerald, S. Michal y B. Marek, «Use of Lean Management Methods based on Eye-Tracking Information to make User Interfaces in Production more Human-centered,» vol. 128, pp. 514-519, 2024. https://doi.org/10.1016/j.procir.2024.04.014. DOI: https://doi.org/10.1016/j.procir.2024.04.014

S. Vernim, H. Bauer, E. Rauch, M. T. Ziegler y S. Umbrello, «A value sensitive design approach for designing AI-based worker assistance systems in manufacturing,,» Procedia Computer Science, vol. 200, pp. 505-516, 2022. https://doi.org/10.1016/j.procs.2022.01.248. DOI: https://doi.org/10.1016/j.procs.2022.01.248

M. Pellicelli, «Chapter Two - A long road to maximizing efficiency,» de The Digital Transformation of Supply Chain Management, Elsevier, 2023. https://doi.org/10.1016/B978-0-323-85532-7.00009-8, pp. 37-61. DOI: https://doi.org/10.1016/B978-0-323-85532-7.00009-8

I. Ghannouchi, «Examining the dynamic nexus between industry 4.0 technologies and sustainable economy: New insights from empirical evidence using GMM estimator across 20 OECD nations,» Technology in Society, vol. 75, p. 102408, 2023. https://doi.org/10.1016/j.techsoc.2023.102408 DOI: https://doi.org/10.1016/j.techsoc.2023.102408

A. Salis, A. Marguglio, G. D. Luca, S. Razzetti, W. Quadrini y S. Gusmeroli, «An Edge-Cloud based Reference Architecture to support cognitive solutions in Process Industry,» Procedia Computer Science, vol. 217, pp. 20-30, 2023. https://doi.org/10.1016/j.procs.2022.12.198. DOI: https://doi.org/10.1016/j.procs.2022.12.198

T. A. Aniceski, L. T. Pontes Miranda, O. Canciglieri Junior y G. Brittes Benitez, «The Four Smarts of Industry 4.0 and barriers for technology deployment: A TOE perspective,» Computers & Industrial Engineering, vol. 193, p. 110345, 2024. https://doi.org/10.1016/j.cie.2024.110345. DOI: https://doi.org/10.1016/j.cie.2024.110345

J. S. Dhatterwal, K. S. Kaswan y R. P. Ojha, «Chapter 13. The role of multiagent system in industry 4.0.,» de A Roadmap for Enabling Industry 4.0 by Artificial Intelligence, 2022. https://doi.org/10.1002/9781119905141.ch13, pp. 227-246.. DOI: https://doi.org/10.1002/9781119905141.ch13

B. G. Mark, E. Rauch y D. T. Matt, «Systematic selection methodology for worker assistance systems in manufacturing,» Computers & Industrial Engineering, vol. 166, p. 107982, 2022. https://doi.org/10.1016/j.cie.2022.107982. DOI: https://doi.org/10.1016/j.cie.2022.107982

G. Bitsch, P. Senjic y J. Askin, «Dynamic adaption in cyber-physical production systems based on ontologies,» Procedia Computer Science, vol. 200, pp. 577-584, 2022. https://doi.org/10.1016/j.procs.2022.01.255. DOI: https://doi.org/10.1016/j.procs.2022.01.255

S. Mantravadi, C. Møller, C. LI y R. Schnyder, «Design choices for next-generation IIoT-connected MES/MOM: An empirical study on smart factories,» Robotics and Computer-Integrated Manufacturing, vol. 73, p. 102225, 2022. https://doi.org/10.1016/j.rcim.2021.102225. DOI: https://doi.org/10.1016/j.rcim.2021.102225

X. Sun y Y. Song, «Unlocking the Synergy: Increasing productivity through Human-AI collaboration in the industry 5.0 Era,» Computers & Industrial Engineering, vol. 200, p. 110657, 2025. https://doi.org/10.1016/j.cie.2024.110657. DOI: https://doi.org/10.1016/j.cie.2024.110657

C. Toukmaji y A. Tee, «Retrieval-Augmented Generation and LLM Agents for Biomimicry Design Solutions,» de Proceedings of the AAAI Symposium Series, 2024. https://doi.org/10.1609/aaaiss.v3i1.31210. DOI: https://doi.org/10.1609/aaaiss.v3i1.31210

S. Yao, J. Zhao, D. Yu, N. Du, I. Shafran, K. Narasimhan y Y. Cao, «ReAct: Synergizing Reasoning and Acting in Language Models,» 2023. https://doi.org/10.48550/arXiv.2210.03629.

H. R. Saeidnia, «Welcome to the Gemini era: Google DeepMind and the information industry,» Library Hi Tech News, 2023. https://doi.org/10.1108/LHTN-12-2023-0214. DOI: https://doi.org/10.1108/LHTN-12-2023-0214

Z. Jing, Y. Su y Y. Han, «When large language models meet vector databases: A survey,» 2024. https://doi.org/10.48550/arXiv.2402.01763 . DOI: https://doi.org/10.1109/AIxMM62960.2025.00008

P. N. Singh, S. Talasila y S. V. Banakar, «Analyzing Embedding Models for Embedding Vectors in Vector Databases,» de 2023 IEEE International Conference on ICT in Business Industry & Government (ICTBIG), Indore, India, 2023. https://doi.org/10.1109/ICTBIG59752.2023.10455990. DOI: https://doi.org/10.1109/ICTBIG59752.2023.10455990

A. Makris, K. Tserpes, G. Spiliopoulos, D. Zissis y D. Anagnostopoulos, «MongoDB Vs PostgreSQL: A comparative study on performance aspects,» Geoinformatica, vol. 25, p. 243–268, 2021. https://doi.org/10.1007/s10707-020-00407-w. DOI: https://doi.org/10.1007/s10707-020-00407-w

R. K. Malviya, V. Javalkar y R. Malviya, «Scalability and Performance Benchmarking of LangChain, LlamaIndex, and Haystack for Enterprise AI Customer Support Systems,» de IJGIS Fall of 2024 Conference. The New World Foundation., 2024. https://doi.org/10.21428/e90189c8.43aeb06e. DOI: https://doi.org/10.21428/e90189c8.43aeb06e

Q. Guan, X. Hong, W. Ke, L. Zhang, G. Sun y Y. Gong, «Kohonen Self-Organizing Map based Route Planning: A Revisit,» de 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Prague, Czech Republic, 2021. https://doi.org/10.1109/IROS51168.2021.9636025. DOI: https://doi.org/10.1109/IROS51168.2021.9636025

Y. Akkem, B. S. Kumar y A. Varanasi, «Streamlit Application for Advanced Ensemble Learning Methods in Crop Recommendation Systems – A Review and Implementation,» Indian Journal of Science and Technology, vol. 16, nº 48, pp. 4688-4702, 2023. https://doi.org/10.17485/IJST/v16i48.2850. DOI: https://doi.org/10.17485/IJST/v16i48.2850

G. Schuh, M.-F. Stroh y L. Johanning, «Framework To Design Compliance Rules For Digital Technologies In Manufacturing Companies,» Procedia CIRP, vol. 119, pp. 103-108, 2023. https://doi.org/10.1016/j.procir.2023.04.005. DOI: https://doi.org/10.1016/j.procir.2023.04.005

M. Habib, M. Faris, A. Alomari y H. Faris, «AltibbiVec: A Word Embedding Model for Medical and Health Applications in the Arabic Language,» IEEE Access, vol. 9, pp. 133875-133888, 2021. https://doi.org/10.1109/ACCESS.2021.3115617. DOI: https://doi.org/10.1109/ACCESS.2021.3115617

Y. Matsuo, Y. LeCun, M. Sahani, D. Precup, D. Silver, M. Sugiyama, E. Uchibe y J. Morimoto, «Deep learning, reinforcement learning, and world models,» Neural Networks, vol. 152, pp. 267-275, 2022. https://doi.org/10.1016/j.neunet.2022.03.037. DOI: https://doi.org/10.1016/j.neunet.2022.03.037