Sarah Schaumann, responsabile della ricerca, MIT CTL

Mecalux intervista Sarah Schaumann, ricercatrice principale del MIT CTL, per saperne di più sul progetto di intelligenza prescrittiva che dirige nel quadro della ricerca tra il MIT e Mecalux.

• Lei partecipa a un progetto di ricerca tra il MIT e Mecalux. Che cosa volete ottenere con questo lavoro?

  Lo scopo del progetto di ricerca consiste nello sviluppare un modello di orchestrazione per sistemi con una gestione decentralizzata degli ordini basati sul machine learning. L'idea è quindi quella di sostituire la strategia basata su regole, comunemente utilizzata oggi, con un approccio di orchestrazione intelligente che sfrutta l'intelligenza artificiale ad autoapprendimento per assegnare gli ordini alle strutture e vettori. Vogliamo creare un sistema che non solo sia in grado di migliorare l'efficienza operativa, ma anche di adattarsi ai futuri cambiamenti dell'ambiente nel tempo attraverso l'uso del machine learning.

  Lo scopo del progetto di ricerca consiste nello sviluppare un modello di orchestrazione per sistemi di gestione di ordini distribuiti basati sul machine learning

• Che potenziale ha l’iniziativa per costruire la prossima generazione di sistemi di gestione degli ordini distribuiti?

  Aspettiamo di creare le future generazioni di strategie di orchestrazione degli ordini intelligenti e adattabili. Vale a dire, sostituire le strategie statiche basate su regole, con altre intelligenti e dinamiche che possano adattarsi alla domanda mutevole dei clienti, alle restrizioni e persino alle condizioni del mercato. In generale, vogliamo porre le basi per lo sviluppo di sistemi autonomi di distribuzione degli ordini che autoapprendono da loro stessi, sempre più necessari in ambienti dinamici.

  

• Come verrà utilizzato l’apprendimento con rinforzo per sviluppare strategie di orchestrazione ideali?

  Vogliamo applicare l’apprendimento con rinforzo per raggiungerle. Questo significa che il modello apprende e perfeziona i suoi processi di orchestrazione interagendo con l’ambiente. Il modello crea diverse strategie di orchestrazione e ottiene una ricompensa o una penalizzazione in base al risultato della decisione. In seguito, adatta le decisioni in modo interattivo. Di conseguenza, si tratta di una specie di apprendimento continuo dove le ricompense dipendono dalla filosofia dell’impresa. Per esempio, un’azienda potrebbe privilegiare i costi, e un’altra, il tempo di consegna.

  Vogliamo creare strategie intelligenti e dinamiche che possono adattarsi alla domanda mutevole dei clienti, alle limitazione e persino alle condizioni del mercato

• Come sta utilizzando l’Intelligent Logistics System Lab le simulazioni di ricerca come queste?

  Le simulazioni ci permettono di replicare scenari del mondo reale in un ambiente sicuro e controllato. Il modello non interagisce con il sistema reale, ma con un ambiente simulato. Così si riduce il costo e il rischio di provare e addestrare questi modelli e, inoltre, si testa la robustezza e la scalabilità con maggiore facilità.

• Che impatto avrà questo progetto sul settore logistico?

  Gli ambienti in cui operano le aziende stanno sono sempre più dinamici e complessi. Il grande vantaggio dei modelli basati sull’apprendimento con rinforzo è la loro capacità di adattarsi nel tempo, permettendo così ai nostri sistemi di aiutare le imprese a prepararsi al futuro.