La logística de contenedores es un sector complejo y dinámico que requiere una gestión eficiente para garantizar la entrega rápida y segura de mercancías. Sin embargo, la falta de predictibilidad en los movimientos de contenedores puede generar congestión y retrasos en los terminales, lo que afecta directamente a la productividad y la satisfacción del cliente.

En este contexto, un equipo de investigadores ha desarrollado un modelo de inteligencia artificial que predice con precisión los requisitos de servicio y tiempos de permanencia en los contenedores. Este modelo se basa en la análisis de datos históricos operativos y utiliza técnicas de aprendizaje automático para identificar patrones y tendencias en la información. El objetivo es anticipar qué contenedores requerirán servicios de pre-verificación antes de la liberación del cargamento y estimar cuánto tiempo se deben mantener en el terminal.

Para lograr esto, el equipo implementó un sistema de clasificación para descripciones de carga y efectuó una deduplicación de registros de consignatarios para mejorar la consistencia y calidad de los datos. Los resultados muestran que el modelo propuesto supera con claridad a las estrategias basadas en reglas y al azar en cuanto a precisión y recuerdo en múltiples períodos de validación temporal.

La importancia de esta investigación radica en la capacidad de proporcionar input valioso para la planificación estratégica y la asignación de recursos en las operaciones de estiba en los terminales. Al anticipar con precisión los requisitos de servicio y tiempos de permanencia de los contenedores, los operadores pueden optimizar sus recursos y reducir la congestión en los terminales, lo que conduce a una mayor eficiencia operativa y una mejor satisfacción del cliente.

En resumen, la aplicación de la inteligencia artificial en la logística de contenedores ofrece una solución innovadora para reducir movimientos innecesarios y mejorar la eficiencia operativa. Los resultados de esta investigación demuestran la importancia de la utilización de técnicas de aprendizaje automático para apoyar la toma de decisiones en los terminales de contenedores.