Reevaluar para avanzar: el progreso de incorporar nuevas herramientas de análisis.
¿Qué pasa cuando cuestionamos nuestras métricas? En oga.Alchemy, la revisión crítica y la incorporación de visualizaciones interactivas nos llevaron a decisiones más sólidas y funcionalidad extra.
El reto
En todos los algoritmos de búsqueda de soluciones es crucial comprender cómo y por qué se evalúan, descartan y seleccionan alternativas hasta llegar a un candidato final. No es tarea fácil, pero con un entendimiento profundo se pueden obtener soluciones mejores en un tiempo mucho menor, por lo que en ocasiones es importante invertir tiempo en identificar puntos de mejora en el algoritmo.
En el caso de oga.Alchemy, este momento llegó tras el IV Congreso Grupo CÁTEDRA, celebrado en enero de este año, donde se propició un debate técnico con el Consejo Asesor Tecnológico de OGA y el resto de los compañeros de la empresa, sobre si el método utilizado para evaluar la calidad de las soluciones era el más apropiado.
Este método había sido elegido meses atrás, pero a raíz del debate y dado que se trata de un producto en evolución constante, se decidió experimentar con métricas alternativas, para tomar decisiones con mayor fundamento, utilizando aquellas métricas propuestas durante el debate y otras identificadas posteriormente al evento.
Solución tecnológica
Dado un objetivo de composición, el algoritmo desarrollado genera múltiples soluciones, cada una teniendo en cuenta un objetivo secundario distinto, que se acercan lo más posible a dicha composición final, con las materias primas disponibles.
La métrica utilizada para medir la cercanía era el error absoluto acumulado, que indica el porcentaje del objetivo replicado. Se evaluaron otras alternativas: error relativo, error ponderado (para priorizar componentes críticos) y combinaciones con el error máximo en lugar del acumulado, con el fin de estudiar la sensibilidad del algoritmo a distintos criterios de calidad.
Para comparar de forma justa, se diseñó una experimentación amplia, con múltiples objetivos de composición representativos, evaluando el efecto de las métricas en cada caso.
Para facilitar el análisis se diseñaron gráficas interactivas que leen la información desde base de datos y permiten, de un vistazo, identificar diferencias relevantes entre las fórmulas: no solo el ajuste al objetivo, sino también la procedencia de los componentes y las variaciones en materias primas utilizadas.
El pipeline de las visualizaciones se implementó en Python con Plotly (interactividad y exploración dinámica) y la extracción de datos con SQLAlchemy, garantizando un flujo reproducible y ampliable, útil tanto para el análisis experimental, como para su incorporación posterior como funcionalidad.
Sobre oga.Alchemy
Formulación química multivariable, síncrona, y matemáticamente optimizada.
Orientada a empresas que necesitan desarrollar productos químicos personalizados, oga.Alchemy genera en minutos fórmulas automáticas cumpliendo con restricciones comerciales, normativas, medioambientales o cualquier otra que impacte en el desarrollo y la comercialización de sus productos (NPD).
Se trata de una solución flexible y adaptable a distintos casos de uso presentes en el sector químico y en sus sub-sectores (fragancias, aromas, disolventes, pinturas, detergentes, farmacéutico…).
Equipo
El equipo de trabajo estuvo compuesto por una Doctora en Investigación Operativa y dos Optimization Scientist (una de ellas lideró la comparativa y desarrollo en Python). En la toma de decisiones se contó con el gestor del producto y con un experto del dominio, que aporta experiencia cercana al laboratorio y a problemas industriales.
La integración final de las visualizaciones se realizó desde front-end, con el apoyo del equipo de diseño para asegurar claridad y consistencia en la experiencia del usuario.
Impacto
La reevaluación de la métrica resultó muy valiosa. Aunque se decidió mantener el error absoluto acumulado como criterio principal, se incorporó adicionalmente la medición del error en componentes fuera del objetivo, para ganar control y trazabilidad. El proceso permitió contrastar alternativas, entender implicaciones y aumentar la confianza en la decisión final.
Más allá del resultado, el ejercicio demostró el valor de abrir espacios de revisión crítica en etapas clave: mejorar la solidez técnica, alinear con necesidades reales de uso y acelerar el aprendizaje del equipo.
La herramienta gráfica creada demostró un valor inmediato al condensar información compleja en vistas compactas y fáciles de interpretar. Esta visualización facilita las comparaciones, acelera hallazgos y aumenta la transparencia. Por ello, se integraron de forma permanente en la aplicación, convirtiéndose en una nueva funcionalidad, que no estaba inicialmente prevista, pero que ahora potencia la transparencia y la capacidad de análisis del sistema.
