Proyecto Inventario con IA

Este repositorio contiene una prueba de concepto para la gestión predictiva de inventarios usando IA:

Descripción del Proyecto

La Inteligencia Artificial (IA) es una disciplina de la informática dedicada a desarrollar sistemas capaces de ejecutar tareas que tradicionalmente requieren intervención humana, tales como la automatización de procesos, la optimización de recursos y el soporte a la toma de decisiones estratégicas basadas en datos.

Objetivo

El objetivo de este proyecto es diseñar y planificar una solución basada en IA que optimice significativamente el proceso de gestión de inventarios de una empresa. La herramienta propuesta:

• Maximiza la eficiencia mediante la automatización inteligente de la reposición de productos.
• Reduce los costos asociados al inventario.
• Monitorea continuamente los niveles de stock para prevenir productos obsoletos.

Implementación del Pipeline (src/implementacion_pipeline.py)

El archivo src/implementacion_pipeline.py contiene la lógica central del pipeline predictivo y consta de:

1. Conexión a Base de Datos:
   • Utiliza SQLAlchemy para conectarse a la base de datos PostgreSQL y extraer datos históricos de ventas e inventario.
2. Preprocesamiento de Datos:
   • Limpieza de datos (manejo de valores nulos y outliers).
   • Normalización y transformación de variables.
   • Generación de características temporales (estacionalidad y tendencias).
3. Entrenamiento de Modelos Predictivos:
   • Implementa un Random Forest Regressor para estimar la demanda futura de cada SKU.
   • Ajuste de hiperparámetros con GridSearchCV y validación cruzada.
4. Detección de Anomalías:
   • Emplea un Isolation Forest para identificar movimientos inusuales en el inventario.
5. Generación de Recomendaciones:
   • Analiza las predicciones y el inventario actual para calcular puntos de reorden y cantidades óptimas de pedido mediante un modelo de optimización lineal (PuLP) con la lógica de EOQ.
6. Almacenamiento de Resultados:
   • Guarda las predicciones y recomendaciones en la base de datos.
   • Mantiene un historial de predicciones para análisis posterior.

Estructura

• docker-compose.yml: define servicios de base de datos (Postgres) y la aplicación.
• .env.example: variables de entorno.
• Dockerfile: contenedor de la app Python.
• requirements.txt: dependencias.
• scripts/seed_db.py: semilla de datos de ejemplo.
• src/implementacion_pipeline.py: código del pipeline.

Pasos para levantar el proyecto

1. Copiar .env.example a .env y completar credenciales.
2. Ejecutar:

   docker-compose up --build