Che cos’è l’AI?
L’intelligenza artificiale – Artificial Intelligence (AI) – è una tecnologia che simula, attraverso computer, le capacità di problem-solving e decision-making proprie della mente umana e può essere impiegata per diverse finalità. Ad oggi, gli ambiti di applicazione sono numerosi e si fatica a trovare un settore che non sia già stato impattato.
Nell’ambito dell’Industry 4.0, e più specificamente nelle applicazioni S&OP e MOM, l’AI ricopre un ruolo di primaria importanza in quanto, abilitando analisi di dati che per numerosità e complessità sarebbero difficilmente trattabili manualmente, fornisce elementi quantitativi a supporto dei processi decisionali. Ciò consente di migliorare sia la capacità di pianificare processi S&OP e MOM già consolidati e robusti, sia di migliorare la loro reattività a fronte di eventi avversi.
In entrambi i casi è opportuno sottolineare l’importanza del termine “supporto” ai processi decisionali. L’AI può essere anche impiegata per automatizzare alcune attività: questo, però, è spesso sinonimo di sostituzione dell’uomo, con annesse tematiche etiche la cui trattazione non è oggetto del presente articolo.
Che differenza c’è tra intelligenza artificiale e machine learning?
Artificial Intelligence e Machine Learning non sono la stessa cosa: si tratta di due tecnologie collegate tra di loro ma differenti. L’AI crea l’architettura, mentre il machine learning la migliora.
L’intelligenza artificiale, infatti, è la scienza che da anni punta a sviluppare macchine in grado di prendere delle decisioni in perfetta autonomia: si può definire come la scienza che sviluppa l’architettura necessaria affinché le macchine funzionino come il cervello umano e alle relative reti neurali. Il machine learning, invece, è l’algoritmo che permette alle macchine intelligenti di migliorarsi con il tempo, esattamente come avviene con il cervello umano. Senza l’apprendimento avanzato, infatti, non sarebbe possibile mettere “in moto” l’intelligenza artificiale.
Secondo la strategia definita dal gruppo sedApta, il focus è sull’inclusione di funzionalità AI-based nei prodotti della Suite che consentano, attraverso algoritmi di Machine Learning (ML) opportunamente addestrati, di aiutare l’individuo a prendere decisioni migliori, sulla base di quanto si è già verificato in condizioni similari nel passato (human-in-the-loop).
Questo processo ha dato vita ad un assistente virtuale integrato nella Suite sedApta che potenzia la capacità degli utenti di identificare pattern tra i dati, valorizzando il patrimonio informativo che le aziende comunemente sfruttano solo in minima parte.
L’intelligenza artificiale per sedApta
Il Gruppo sedApta si trova in una posizione privilegiata nell’implementare funzionalità AI grazie alla trasversalità e l’eterogeneità dei dati trattati.
Una delle caratteristiche principali della Suite sedApta è l’approccio end-to-end ai processi S&OP e MOM: dai processi di previsione della domanda alla pianificazione di lungo e medio termine, all’inventory management, fino ad arrivare alla schedulazione e gestione dei servizi logistici.
Inoltre, considerando che la Suite può essere integrata con i principali sistemi ERP, si comprende quanto una base dati così costituita possa essere significativa e distintiva.
All’interno del gruppo sedApta sono presenti due realtà, AImesys e I2Lab, che collaborano strettamente con la funzione R&D nell’individuare, sviluppare e integrare innovative funzionalità AI nei prodotti sedApta sia in ambito Process che Discrete.
Use case realizzati da sedApta in ambito AI
Pianificare con successo le scorte è un processo sempre più complesso a causa dell’alta variabilità dei fattori di cui occorre tenere conto: in primis la domanda, il cui comportamento risulta più difficile da predire a causa di variabili sempre più complesse (maggior numero di transazioni, maggiore personalizzazione richiesta dai clienti e maggiore numerosità degli attori coinvolti tra le cause principali) e lead time di fornitura tendenzialmente meno stabili e affidabili.
In accordo con quanto affermato da Gartner, i responsabili della Supply Chain sono sottoposti a frequenti pressioni per contribuire positivamente al flusso di cassa attraverso una riduzione delle scorte. Tra le principali misure da adottare per aumentare il cash flow, mantenendo al contempo alti livelli di servizio, profittabilità e crescita, vi è una migliore gestione dei punti di riordino bassata su lead times, pattern della domanda e livelli di servizio target stabiliti sulla base di un’analisi dei buffer di sicurezza [Gartner’s Top Actions for Supply Chain Inventory Reduction, 2018].
Per questa ragione tra i principali processi S&OP per i quali sedApta ha addestrato algoritmi di ML, che sono alla base del funzionamento dell’assistente virtuale, vi sono i processi di Demand Planning e Inventory Management.
Oggi sedApta mette a disposizione dei propri clienti funzionalità che consentono di prevedere in modo più preciso la domanda e generare un piano di reintegro delle scorte di magazzino più robusto. Questo consente di ottimizzare le giacenze ed incrementare la capacità di reagire ad eventi imprevisti portati dalla dinamicità del mercato e dello stato dell’infrastruttura logistica nel suo complesso.
Demand Planning
- Utilizzo di variabili esogene per incrementare l’accuratezza della previsione della domanda. Tra le variabili utilizzate vi possono essere variabili macroeconomiche (es. PIL), andamento dei prezzi dell’energia, variabili specifiche di settore e variabili legate a situazioni particolari (es. flussi di movimenti durante la pandemia per depurare le serie storiche dall’‘effetto covid’). A seconda del tipo di variabile esogena, ciascuna opportunamente pesata, si può prevedere la domanda nel medio-lungo termine (es. variabile esogena PIL) oppure affinarla nel breve-brevissimo periodo (es. variabile esogena previsioni meteo).
- Ottimizzazione della previsione della domanda. Algoritmi tradizionali, selezionati tramite le logiche di best-fit, vengono applicati in combinazione con algoritmi di ML multivariati. Quest’ultimi, sfruttando le variabili endogene della serie storica e le eventuali variabili esogene disponibili, permettono di identificare condizioni intrinsecamente complesse da predire nelle quali, in passato, gli algoritmi tradizionali e/o le correzioni effettuate dall’utente all’interno di un ambiente collaborativo, si sono rivelate poco accurate. Gli algoritmi di ML segnalano la probabilità che tali condizioni si riverifichino e propongono all’utente un fattore correttivo della previsione.
- Introduzione di un nuovo prodotto. Uno degli aspetti più critici nel prevedere la domanda è il calcolo del forecast per nuovi prodotti, per i quali non si ha una base storica disponibile da utilizzare. Tendenzialmente il problema viene superato attraverso una selezione manuale da parte dell’utente di un prodotto esistente che reputa simile al nuovo prodotto. In questo ambito sedApta ha addestrato algoritmi supervisionati e non supervisionati che consentono di produrre un ranking quantitativo dei prodotti più similari al nuovo prodotto. Tale ranking viene consultato dall’utente per validare in modo analitico la scelta che avrebbe compiuto senza il supporto dell’assistente virtuale e/o identificare prodotti similari a cui non aveva pensato.
Inventory Management
- Ranking dei fornitori. Le performance dei fornitori (es. puntualità, qualità, sostenibilità, etc.), tipicamente calcolate nei sistemi ERP, vengono contestualizzate rispetto alle specifiche condizioni nelle quali esse sono state elaborate al fine di fornire un ranking ancora più puntuale. Data una specifica situazione gli algoritmi di ML implementati da sedApta, consentono di stimare quale sia il fornire che con maggiore probabilità consentirà di ottenere le prestazioni richieste, in linea con gli obiettivi di una o più dimensioni di analisi (es. puntualità-qualità, qualità-sostenibilità, etc.).