Machine Learning en la optimización de rutas: una revisión sistemática

Abstract

Esta revisión sistemática analiza el impacto del Machine Learning (ML) y la Inteligencia Artificial (IA) en la optimización de rutas, un desafío crítico en logística y transporte. El estudio identifica los métodos predominantes de ML/IA aplicados en este campo, destacando el creciente uso del aprendizaje por refuerzo, las redes neuronales LSTM con mecanismos de atención y los enfoques híbridos que combinan algoritmos tradicionales con técnicas de aprendizaje profundo. La investigación evalúa comparativamente estos métodos frente a técnicas de optimización convencionales, revelando que las soluciones basadas en ML ofrecen ventajas significativas en eficiencia computacional y adaptabilidad a entornos dinámicos, mientras que los métodos tradicionales aún mantienen ciertas ventajas en precisión para problemas específicos. El análisis sectorial demuestra una amplia implementación en logística comercial, comercio electrónico, respuesta humanitaria e industria 4.0, con beneficios tangibles que incluyen reducción de costos operativos, mejora en la satisfacción del cliente y disminución del impacto ambiental. Los resultados sugieren que la integración de ML/IA en la optimización de rutas no representa simplemente una mejora incremental sino una transformación fundamental en la gestión logística, aunque persisten desafíos relacionados con la infraestructura tecnológica, la calidad de datos y la interpretabilidad de soluciones. Esta revisión proporciona una base sólida para investigadores y profesionales interesados en avanzar en la aplicación de estas tecnologías para enfrentar los crecientes desafíos logísticos en diversos contextos del mundo real.