Il machine learning nella supply chain

Machine learning: un’opportunità per ottimizzare la Supply Chain

11 giugno 2020

Con catene di approvvigionamento sempre più complesse e in evoluzione, il machine learning si rivela un modo innovativo per efficientare i processi, aumentare la produttività e la competitività. L'apprendimento automatico rientra nella disciplina appartenente all'informatica conosciuta come intelligenza artificiale (AI).

Lo sviluppo di sistemi che utilizzano il machine learning è in piena espansione. Nel 2019, l'investimento delle aziende nel software di apprendimento automatico è stato di 37,5 miliardi di dollari a livello globale. Per il 2023, le previsioni dell'International Data Corporation (IDC) indicano che questi budget si moltiplicheranno per 2,5, fino a raggiungere i 97,9 miliardi di dollari. Ma in cosa consiste questa tecnologia? Come si riflette questa tendenza nel settore della logistica? Facciamo alcune riflessioni.

Cos’è il machine learning o apprendimento automatico?

Con l’espressione machine learning si fa riferimento a una parte dell’intelligenza artificiale che si occupa di sviluppare sistemi in grado di apprendere e migliorare la performance mediante l’analisi dei dati. La continua ripetizione di questa analisi porta all’identificazione di modelli, che l'algoritmo stesso perfeziona continuamente fino ad ottenere risultati sempre più accurati.

Detto in altre parole: il machine learning insegna alle macchine, ai sistemi e ai robot ad essere più efficienti grazie agli enormi volumi di dati che riceve da essi. A livello pratico, implementarlo richiede un periodo di sperimentazione preliminare. Pertanto, è necessario scegliere correttamente l'algoritmo e disporre di una grande quantità di dati di qualità per alimentare e formare il sistema.

Attualmente, la maggior parte dei software di machine learning vengono sviluppati con il linguaggio di programmazione Python. Quest’ultimo continua a scalare posizioni nell'indice TIOBE ed è già terzo in questa classifica che indica quali sono i linguaggi di programmazione più utilizzati a livello globale.

A cosa serve il machine learning?

L'apprendimento automatico consente alle macchine di interpretare correttamente i dati esterni, imparare da essi e utilizzare queste conoscenze per prendere decisioni autonomamente.

Il machine learning trova applicazione in settori molto diversi come la finanza, l'assistenza sanitaria, il marketing digitale e, naturalmente, nel campo industriale. Non c’è da meravigliarsi se questa tecnologia stia guidando i cambiamenti legati all’Industria 4.0 e alla logistica 4.0.

Gli algoritmi del machine learning

A seconda dei calcoli che eseguono e della natura del compito che devono risolvere, esistono diversi tipi di algoritmi di apprendimento:

  • Apprendimento supervisionato: è il tipo più diffuso di apprendimento automatico. Questi algoritmi funzionano generando un ipotesi induttiva. Ad esempio: se vogliamo che una macchina sappia distinguere e classificare immagini che raffigurano pere e mele, il programmatore del sistema indicherà in quali foto appare una pera o una mela. Dopo aver analizzato migliaia di foto, l'algoritmo imparerà a differenziare le due immagini.
  • Apprendimento senza supervisione: questo tipo di algoritmo di apprendimento automatico i dati di input o output non sono etichettati. È il sistema stesso che deve analizzare l'intero set di informazioni ed estrarre i modelli autonomamente.
  • Apprendimento con rinforzo (o reinforcement learning): si colloca a metà tra i due tipi di apprendimento visti in precedenza. Il machine learning RL, come viene chiamata, prevede che l’algoritmo impari provando. In questo modo l’agente regolerà le sue azioni in modo dinamico in base al feedback che riceve dal mondo esterno.

Legato a doppio file al machine learning troviamo il concetto di deep learning. Questo è una branca dell'apprendimento e presenta ed è caratterizzato da algoritmi più avanzati e in grado di risolvere funzioni più complesse. È un modello che utilizza reti neurali per l’elaborazione di dati strutturati con milioni di parametri.

Gli algoritmi di <em>machine learning</em> sono in grado di processare le grandi quantità di dati provenienti dai sistemi di magazzino
Gli algoritmi di machine learning sono in grado di processare le grandi quantità di dati provenienti dai sistemi di magazzino

Applicazioni ed esempi di "machine learning" nella logistica

Nel sondaggio sondaggio Global AI Survey del 2020, realizzato dalla multinazionale di consulenza strategica Mckinsey, si osserva un trend di crescita nell'adozione di tecnologie dotate di intelligenza artificiale. Nel settore della logistica si riscontra un aumento del 64% rispetto all'anno precedente, posizionando l’industria dell’I.A. al quarto posto dopo elettronica, automotive e telecomunicazioni. Tuttavia, l'uso del machine learning nella gestione dei processi logistici è ancora limitato, poiché si tratta di una tecnologia in pieno sviluppo.

In ogni caso, ci sono alcuni settori all'interno della logistica in cui l'apprendimento automatico sta facendo la differenza per raggiungere una performance migliore.

- Previsione della domanda

La previsione della domanda (o demand forecasting) è un campo in cui l'apprendimento automatico è sempre più presente. Gli algoritmi di machine learning utilizzano modelli statistici per analizzare e rilevare modelli nella storico aziendale delle vendite. Pertanto, sono in grado di identificare i segnali che precedono una caduta o un picco della domanda, agevolando così la gestione delle scorte.

L'apprendimento automatico in quest'area può servire per creare modelli dinamici capaci non solo di dedurre dei pattern attraverso i dati dello storico, ma che sappiano evolversi quando vengono incorporate nuove variabili a seguito dell’inserimento di altre fonti di dati.

- Manutenzione avanzata delle macchine

L’evoluzione dell’apprendimento automatico procede in parallelo con i miglioramenti che interessano il mondo dell'hardware. I nuovi componenti permettono di raccogliere un maggior volume di dati grazie ai sensori e ai dispositivi IIoT integrati nelle macchine, che possono essere elaborati con computer sempre più potenti.

Grazie a questa maggiore disponibilità di dati per l'analisi, il machine learning contribuisce a ottimizzare la manutenzione predittiva dei macchinari, identificando in anticipo i segnali collegati a un guasto o a un’avaria.

La diffusione del <em>machine learning</em> è supportata dal progresso dell'hardware e dell'automazione
La diffusione del machine learning è supportata dal progresso dell'hardware e dell'automazione

- Ottimizzazione intelligente delle rotte di trasporto

La consegna in determinate fasce d’orario o il ritiro del pacco come parte della logistica inversa provocano un impatto sulla consegna last mile. C'è sempre meno tempo per organizzare i percorsi mentre aumentano le variabili da considerare.

Il software di machine learning offre diversi vantaggi in questo senso. Ad esempio, permette di stimare meglio i tempi di consegna, migliorando la tracciabilità dei pacchetti. Può inoltre processare un numero maggiore di flussi di dati proveniente da terzi con l’obiettivo di calcolare (in tempo reale) il percorso più veloce in o prevenire i fattori che genererebbero un ritardo.

- Riconoscimento dei movimenti spaziali e dei comandi vocali

Il software A.I. utilizza diversi tipi di machine learning per creare modelli capaci di replicare il funzionamento dei sensi umani. I sistemi di visione artificiale, la navigazione intelligente o il riconoscimento vocale utilizzano l'apprendimento automatico per perfezionare il loro grado di precisione.

L'apprendimento automatico fa parte di sistemi implementati nei magazzini automatici. Ad esempio, i robot mobili sono in grado di rilevare ostacoli sulla strada e reagire autonomamente. Un'altra applicazione perfezionabile grazie all'apprendimento automatico è il picking vocale, in quanto il dispositivo riconoscerà meglio i comandi vocali dell’operatore.

- Gestione dello stock efficace grazie al machine learning

Il calcolo del punto di riordino è un elemento fondamentale nella gestione delle scorte: un eccesso di scorte di sicurezza aumenta i costi, mentre se la loro presenza è esigua ci si espone a un rischio maggiore di rottura di stock. Come raggiungere l'equilibrio? Fino ad ora le equazioni implicavano delle variabili piuttosto stabili, ma ciò non corrisponde alla realtà.

Il machine learning serve ad analizzare i dati senza dare nulla per scontato. Modificando continuamente i parametri di calcolo (domanda, tempi di consegna, stock disponibile, costi etc.), gli algoritmi regolano automaticamente il loro funzionamento e, dopo aver ripetuto ripetutamente i calcoli, mostrano nuovi modelli che contribuiscono all'ottimizzazione dello stock.

Machine learning nella logistica: uno strumento per il processo decisionale

Fino a poco tempo fa, una buona performance logistica combaciava con una crescita in termini di volume e il saper trarre vantaggio dalle economie di scala per risparmiare sui costi. Oggi non è più sufficiente: ora è necessario prendere decisioni migliori e più rapidamente.

L'implementazione di sistemi automatici e software per la logistica sta generando un'enorme quantità di dati di grande valore per la formazione di algoritmi che utilizzano il machine learning. Questo è uno scenario favorevole per lo sviluppo di applicazioni logistiche basate sull’apprendimento automatico.

In attesa che questa tecnologia raggiunga la maturità necessaria, alcune aziende stanno già sfruttando il potenziale dei dati installando sistemi di gestione del magazzino come Easy WMS e moduli per l'elaborazione dei dati come il modulo Supply Chain Business Analytics. Se vuoi saperne di più su questi sistemi, ti invitiamo a contattarci e uno dei nostri specialisti ti illustrerà i vantaggi del loro utilizzo per la gestione del magazzino.