Este proyecto forma parte de la propuesta para el Genius Arena Hackathon 2025 de Talent Land, en el track "Production Planning: Linear Programming and automation through Python" presentado por Micron. La propuesta consiste en:
System in Python that automates the necessary calculations to balance production with demand, allowing more precise and efficient planning and reducing costs, using linear programming modeling.
Esta propuesta consta de un sistema en Python que automatizara los cálculos necesarios para equilibrar la producción con la demanda mediante programación lineal, y Machine Learning, lo que permitira automatizar la planificación de producción. Se estructuraria en tres áreas clave: Data, BackEnd, y FrontEnd.
El área de Data consta de la limpieza, preprocesamiento, y generacion de Data Sets, mediante EDA. El área de BackEnd consta de algoritmos en Python de Machine Learning como Random Forest para estimar la demanda futura, y programación lineal para para optimizar la planificación de la producción. Mientras que el área de FrontEnd consta de un Dashboard interactivo con Next.js, React, Shadcn/ui, Tailwind CSS, y Plotly, con un diseño elegante y minimalista, que permite una visualización interactiva y dinámica de los resultados.
Para garantizar un desarrollo modular, iterativo, y eficiente, utilizaremos como metodología principal SCRUM para la gestión del equipo, y CRISP-DM para estructurar el análisis de datos, Machine Learning, y optimización, asegurando una integración efectiva entre las áreas técnicas y analíticas del proyecto.
Dado que el proyecto abarca desde la planificación de producción, hasta la optimización con programación lineal y machine learning, SCRUM + CRISP-DM es la mejor opción. Ya que permite manejar un desarrollo modular con SCRUM, y estructurar la parte de Data Science de manera iterativa y adaptable con CRISP-DM.
-
SCRUM
-
CRISP-DM
El área de Data se encargara de la limpieza, el preprocesamiento, y la generación de Data Sets, que alimentarán los modelos analíticos y de optimización, mediante EDA (Análisis Exploratorio de Datos). Dado que aún no se definen las fuentes de datos, se plantea trabajar con al menos una de estas fuentes de datos:
-
Bases de Datos SQL
-
Archivos JSON
-
Archivos CSV
El BackEnd se desarrollaria en Python y estaría enfocado principalmente en programación lineal. Se contempla el uso de otras tecnicas de Data Science y Machine Learning en caso de ser posible y necesario:
-
Random Forest : Con los datos ya depurados y comprendidos, se entrena y valida un modelo para estimar la demanda futura.
-
Programación Lineal: Utilizando los datos depurados y comprendidos, y las predicciones de demanda, se aplica programación lineal para automatizar los cálculos necesarios para equilibrar la producción conforme la demanda.
-
Bootstrapping (Opcional): Medición de la estabilidad del modelo.
El modelo de programación lineal propuesto estaría desarrollado en Python, utilizando las librerías SciPy, PuLP, y Scikit-Learn, entre otras. El modelo buscara equilibrar la producción con la demanda, respetando todas las restricciones, necesidades, y objetivos, que se planteen. Por ejemplo:
-
Restricciones de recursos (silicio, mano de obra, energía, equipamiento y logística).
-
Costos de producción asociados a cada tipo de semiconductor.
-
Beneficios por unidad producida.
-
Demanda máxima por producto.
Interfaz moderna, elegante, e interactiva, para la visualización de resultados:
-
React y Next.js: Estructura y funcionalidad del FrontEnd.
-
Tailwind CSS: Diseño y estilo visual.
-
Shadcn/ui: Componentes de interfaz modernos.
-
Plotly.js: Creación de visualizaciones interactivas.
-
Planificación Estratégica: Permitiría comparar la demanda con la capacidad productiva, mejorando la toma de decisiones a largo plazo.
-
Decisiones Informadas: Mostraría el impacto de diferentes estrategias de optimización de forma clara.
-
Optimización de Recursos: Se podria identificar la mejor distribución de recursos en la producción.
-
Visualización Intuitiva: Facilitaría la comprensión y análisis de datos complejos.
