Projectes

Disruptive

LLMs

Model de detecció i classificació de disrupcions.

Client

Finançat pel Govern d’Espanya

Partners

El problema

Les xarxes logístiques són altament vulnerables a disrupcions, la mida i el nombre de les quals augmenten progressivament tant a nivell local com global.

Tot i els esforços recents per millorar la comprensió de les xarxes logístiques i dels seus possibles contratemps, així com els avenços tecnològics i la digitalització en aquest àmbit, continua existint la necessitat d’un nou enfocament o mètode per monitorar les xarxes logístiques capaç d’oferir una anàlisi més completa i exhaustiva.

La nostra solució havia de tenir en compte els diferents tipus de factors que poden afectar la logística, incloent-hi:

- Factors relacionats amb les operacions
- Patrons meteorològics
- Fenòmens naturals o condicions extremes
- Inestabilitat política
- Inestabilitat dels mercats i altres

La solució havia de ser prou escalable per cobrir xarxes logístiques senceres i incorporar tots els components principals d’aquestes xarxes.

La solució

La solució del projecte és un sistema capaç de recollir notícies, detectar i classificar disrupcions en les xarxes logístiques, incorporar tota aquesta informació en un data lake i, finalment, visualitzar tant les notícies com les disrupcions identificades mitjançant diferents filtres segons les necessitats del client.

L’arquitectura general del sistema es mostra en la figura següent:

El sistema està compost per diversos components interconnectats que treballen conjuntament per recopilar, processar i analitzar dades (notícies), de la manera següent:

Fonts de dades: Són la base per a la generació de disrupcions.

- Bing News Search: Principal font de notícies durant la fase inicial.
- Rastreig web (scraping): Previst per a la segona fase, que permetrà obtenir notícies d’altres portals rellevants i aprofundir en la seva anàlisi.

Sistema de disrupcions: Sistema principal encarregat d’identificar, generar i classificar disrupcions a partir de les notícies obtingudes de les fonts de dades.

- Recollida de dades: Les notícies es recopilen diàriament mitjançant l’API de Bing News Search, tal com s’explica a la secció anterior.
- Detecció de disrupcions: El model d’intel·ligència artificial ChatGPT analitza les notícies per detectar i catalogar disrupcions. Aquesta integració també es realitza mitjançant una API.
- Fusió de dades: Integració de noves disrupcions amb les registrades prèviament per millorar la cohesió i la fiabilitat del sistema, ajudant l’usuari final a tenir una visió i comprensió més àmplia.
- Identificació d’entitats: Identificació d’ubicacions, infraestructures i actors rellevants que poden ajudar a detectar quines disrupcions estan relacionades amb nodes o operadors d’interès per al client final.

Model d’intel·ligència artificial:

- ChatGPT: Responsable de detectar disrupcions, classificar-les segons el seu tipus i temàtiques associades, i vincular-les amb disrupcions prèvies.

Data Lake:

- Base de dades: Repositori central per emmagatzemar dades abans i després del processament. Inclou tant les notícies com les disrupcions generades.

Frontend:

- Retriever: Interfície gràfica que es connecta amb la base de dades a través d’una API i és responsable de mostrar les disrupcions, les notícies relacionades i les entitats associades. També permet ordenar i filtrar les notícies per tipus, dates de primera i última detecció, estat i per les diferents entitats vinculades a la disrupció.

Data

El data lake s’ha dissenyat com un repositori per recopilar notícies digitals potencialment rellevants de qualsevol font, amb l’objectiu de processar-les i analitzar-les per detectar disrupcions. Durant aquesta fase inicial, s’ha utilitzat Bing News Search com a font de dades. A continuació es mostren els diferents atributs que existeixen al data lake, diferenciant entre dades en brut —és a dir, les dades inicials obtingudes a través de Bing News Search— i les dades processades pel model de detecció i classificació de disrupcions.