Estos son los ganadores del Amazon's Last Mile Challenge

Amazon´s Last Mile presentó a los ganadores del desafío, los cuales trabajaron en modelos de aprendizaje para predecir las rutas de entrega elegidas por conductores experimentados.

En la competencia, organizada en colaboración con el Centro de Transporte y Logística del MIT, los participantes abordaron los desafíos de desarrollar un modelo de planificación para permitir que la flota de entregas de Amazon encuentre las rutas más eficientes.

Daniel Merchan, científico investigador senior del equipo Last Mile de la empresa logística, destacó que el reto de enrutamiento de última milla es un problema clásico.

Explicó que los participantes trabajaron durante más de tres meses para encontrar soluciones innovadoras basadas en datos.

Te puede interesar: Presentan el primer lote de furgonetas eléctricas de Amazon

Optimización de operaciones de Amazon Last Mile

El equipo ganador fue el Team Passing Through, compuesto por académicos de tres universidades distintas. Los participantes recibieron un premio de 100 mil dólares. Estuvo conformado por:

• William Cook, profesor de optimización en la Universidad de Waterloo, Canadá.
• Stephan Held, profesor del Instituto de Investigación de Matemáticas de la Universidad de Bonn, Alemania.
• Keld Helsgaun, profesor asociado emérito de informática en la Universidad de Roskilde, Dinamarca.

El segundo lugar fue para el Team Permission Denied, compuesto por tres estudiantes de doctorado del MIT: Xiaotong Guo, Qingyi y Baichuan Mo.

El tercer lugar lo ocupó Team Sky is the Limit, compuesto por Okan Arslan, profesor asistente en HEC Montreal, y Rasit Abay, estudiante de doctorado en la Universidad de Nueva Gales del Sur Canberra.

Te puede interesar:
Logística de última milla en México y Latam: consejos y análisis de tres expertos internacionales

Amazon detalló que los participantes recibieron seis mil 100 registros de rutas históricas de cinco áreaa de los Estados Unidos para usar como referencia durante su proyecto.

Finalmente, los participantes utilizaron una variedad de enfoques, incluidos modelos de optimización convencionales, algunos de ellos mejorados con componentes de aprendizaje automático.

THE LOGISTICS WORLD