Inteligencia Artificial con Open AI Gym y Ray RLlib para el Aprendizaje Interactivo de la Planificación de Requerimiento de Materiales

Abstract

[EN] Material requirements planning (MRP) is a process whose purpose is to guarantee the flow of materials into production, ensuring that each of the necessary materials is received in the required quantity and on the required date. As a problem, MRP involves products, bills of materials and components, inventory, purchase orders, and production orders, among other input variables. All this abundant dataset intervening in the solution configures a combinatorial optimisation problem of great complexity. Indeed, the MRP belongs to the group of NP-hard problems, since the time required to calculate the optimal solution, in terms of computability, is of non-polynomial order so that it increases exponentially as the volume of data increases. In real-world environments, the problem reaches such a magnitude that it usually becomes intractable for exact approximation methods. This paper proposes the use of Open AI Gym y RLlib, two well-known frameworks for deep reinforcement learning (DRL), to carry out MRP simulation practices based on the project-based learning (PBL) teaching technique, in the educational context of the Master's Degree in Industrial Organisation and Logistics (MUIOL) currently taught at the Alcoy Campus of the Universitat Politècnica de València (UPV). The contribution of this study is twofold: i) it brings artificial intelligence closer to the teaching context, and ii) it provides a reference for developing teaching materials for the study of MRP.

[ES] La planificación de requerimiento de materiales, actividad conocida como MRP por sus siglas en inglés, es un proceso cuyo propósito es garantizar el flujo de materiales en la producción, asegurando que cada uno de los materiales necesarios sea recibido en la cantidad y fecha requeridas. Como problema, el MRP involucra productos, listas de materiales y componentes, inventario, pedidos de compra, y ordenes de producción, entre otras variables de entrada. Todo este abundante conjunto de datos interviniendo en la solución configura un problema de optimización combinatoria de gran complejidad. En efecto, el MRP pertenece al grupo de los problemas NP-hard, ya que el tiempo requerido para calcular la solución óptima, en términos de computabilidad, es de orden no polinomial, de modo que aumenta de forma exponencial frente a incrementos en el volumen de datos. En entornos reales el problema alcanza tal dimensión que, por lo general, se vuelve intratable para los métodos exactos de aproximación. Este artículo propone el empleo de Open AI Gym y Ray RLlib, dos conocidos marcos de trabajo de aprendizaje por refuerzo profundo (ARP), para la realización de prácticas de simulación del MRP sobre la base de la técnica docente del aprendizaje basado en proyectos (ABP), en el contexto educativo del Máster Universitario en Ingeniería de Organización y Logística (MUIOL) que, actualmente, se imparte en el Campus de Alcoy de la Universitat Politècnica de València (UPV). La contribución de este estudio es doble: i) aproxima la inteligencia artificial al contexto de la enseñanza; y ii) proporciona una referencia para desarrollar materiales didácticos para el estudio del MRP.