Las cadenas de suministro modernas enfrentan presiones constantes debido a la demanda fluctuante, costos volátiles y decisiones interdependientes. Tradicionalmente, equipos especializados en investigación operativa resolvían estos problemas mediante la creación de modelos matemáticos, un proceso que podía llevar semanas y que, a menudo, resultaba en soluciones frágiles.
La inteligencia artificial agente está transformando este paradigma. Al combinar las capacidades de razonamiento de Modelos de Lenguaje Grande (LLMs) con la potencia de los solucionadores acelerados por GPU, los agentes de IA pueden interpretar problemas empresariales expresados en lenguaje natural y convertirlos en decisiones optimizadas en segundos.
Habilidades de Agente de NVIDIA cuOpt
El núcleo de este enfoque son las habilidades de agente, un formato abierto para extender los agentes con conocimientos y flujos de trabajo especializados. Estas habilidades actúan como un mecanismo de empaquetado, mejorando el rendimiento del agente en tareas específicas.
Este artículo describe las principales habilidades de agente de NVIDIA cuOpt, su importancia y cómo se integran para acelerar un caso de planificación de cadena de suministro multi-período mediante la conversión de problemas empresariales en modelos matemáticos, resolviéndolos con el solucionador de optimización de decisiones NVIDIA cuOpt.
Uso de las habilidades de agente NVIDIA cuOpt
NVIDIA cuOpt es un motor de optimización de decisiones acelerado por GPU que resuelve problemas de programación lineal (LP), programación entera mixta (MIP) y ruteo de manera significativamente más rápida que los solucionadores basados en CPU. Al hacer que cuOpt esté disponible como una habilidad de agente, el LLM puede delegar la carga matemática al GPU, concentrándose en entender el problema empresarial y devolver resultados accionables.
Los pasos siguientes describen cómo configurar y usar el flujo de trabajo de referencia de agente de cadena de suministro NVIDIA cuOpt, que utiliza habilidades de agente cuOpt para realizar optimización de cadena de suministro acelerada por GPU.
Paso 1: Configurar el entorno
Proveer un sistema con una GPU NVIDIA e instalar el NVIDIA Container Toolkit, que permite el acceso a GPU dentro de cargas de trabajo en contenedores. Esto se puede realizar en su propia infraestructura o desplegar un Brev Launchable para un entorno de GPU preconfigurado en la nube con NVIDIA CUDA y Docker ya instalados.
Luego, instale el paquete de agente cuOpt junto con sus dependencias. La aplicación de demostración ya está contenida, lo que garantiza la reproducibilidad y simplifica el despliegue en entornos de desarrollo, prueba y producción.
Paso 2: Inicializar el agente
El agente utiliza MiniMax M2.5 como su modelo de razonamiento. Utilice los puntos finales públicos o, para un mejor rendimiento, implemente el NVIDIA NIM localmente.
El resto del proceso de implementación es sencillo. Dado que la aplicación está contenida, un simple comando de Docker Compose lanza la interfaz de usuario y la trazabilidad de Phoenix en sus puertos específicos.
Paso 3: Proveer datos de la cadena de suministro
Proporcione al agente los datos específicos del dominio que se requieren para la optimización. Para un problema de planificación multi-período, esto generalmente incluye:
- Pronósticos de demanda por producto, región y período de tiempo.
- Capacidad de producción y costos unitarios en las instalaciones.
- Costos de almacenamiento y límites de inventario.
- Costos de transporte y plazos de entrega.
- Restricciones empresariales como acuerdos de nivel de servicio o mínimos de producción.
En una implementación de producción, estos datos se extraen directamente de los sistemas de planificación. Para fines de demostración, el flujo de trabajo de referencia utiliza conjuntos de datos simulados que imitan la estructura del mundo real.
Paso 4: Invocar las habilidades del agente
Indique al agente un objetivo operativo en lenguaje natural, como “Generar un plan de producción e inventario para 12 semanas que minimice el costo total mientras cumple con la demanda pronosticada en todos los centros de distribución.”
El flujo de trabajo utiliza LangChain Deep Agents para crear una jerarquía de sub-agentes, cada uno responsable de una parte del flujo de trabajo. Un sub-agente puede extraer y validar datos de entrada, otro puede formular el modelo matemático y otro puede invocar la habilidad cuOpt.
Paso 5: Recuperar y actuar sobre la solución
cuOpt ejecuta la optimización en la GPU utilizando un gran paralelismo para evaluar el espacio de soluciones más rápido que los solucionadores tradicionales basados en CPU. Una vez que se encuentra una solución, el agente recibe las variables de decisión optimizadas y las traduce en un resumen comprensible para los humanos.
El resultado es un plan accionable que los tomadores de decisiones pueden revisar y refinar o enviar directamente a los sistemas de ejecución posteriores.
Vea el siguiente tutorial para aprender más sobre cómo configurar y ejecutar el flujo de trabajo de referencia del agente de cadena de suministro cuOpt utilizando el NVIDIA Brev launchable.
Arquitectura agente extensible
El flujo de trabajo de referencia de agente de cadena de suministro cuOpt es un punto de partida simplificado. Se puede extender con habilidades adicionales y patrones de orquestación para adaptarse mejor a las cargas de trabajo de su empresa. El diagrama de arquitectura a continuación muestra un patrón extensible para agregar coordinación, gobernanza, fiabilidad y robustez alrededor del flujo de trabajo central del agente.
Enlaces rápidos al conjunto de datos y repositorio de GitHub
Comience con este flujo de trabajo de agente cuOpt en GitHub. Siga la guía de inicio rápido para ejecutar el ejemplo localmente o use un NVIDIA Brev Launchable para iniciar una instancia de GPU en la nube con un Jupyter Notebook pre-cargado que lo guiará a través del despliegue de este ejemplo.
Requisitos técnicos:
Comenzar
Despliegue el flujo de trabajo de referencia del agente NVIDIA cuOpt utilizando el NVIDIA NeMo Agent Toolkit y utilice habilidades de optimización integradas o cree las suyas propias. Realice consultas estructuradas e integre restricciones específicas del dominio en los flujos de trabajo, y extienda las habilidades cuOpt para evaluar métricas y optimizar sus propios casos de uso específicos del dominio.
Manténgase al día sobre NVIDIA cuOpt suscribiéndose a noticias de NVIDIA y siguiendo a NVIDIA AI en LinkedIn, X, Discord y YouTube.
Visite la página de inicio de cuOpt para recursos sobre Google Colab, Catálogo de API de NVIDIA, GitHub y NVIDIA AI Enterprise.
Participe en la comunidad de desarrolladores en el foro de NVIDIA y en Discord.
