BLOG

L’Intelligenza Artificiale nella Supply Chain

L’intelligenza artificiale generativa non è più un semplice trend passeggero, ma una rivoluzione tecnologica concreta. In un recente articolo di fine agosto* di Gartner, su un campione di quasi un migliaio di aziende early adopters che hanno stanziato ingenti fondi nella ricerca sulla generative AI, più del 50% ha portato in produzione i propri proof of concept, iniziando a trarre reale valore dalla ricerca applicativa condotta. Inoltre, l’impatto di tali progetti è stato valutato come “estremamente significativo” in circa l’80% dei casi, migliorando aree diverse, dalla customer experience alla produttività dei lavoratori, dall’ottimizzazione dei costi alla riduzione del rischio.

È importante sottolineare che, in più di un terzo dei casi, il principale beneficio di queste implementazioni è stato il miglioramento delle performance dei lavoratori, che hanno potuto concentrarsi maggiormente su un ruolo di analisi e validazione dei problemi, piuttosto che sull’attività di estrazione di informazioni dai dati, comprensione, applicazione e risoluzione. Questi benefici sono stati trattati in modo approfondito in un recente articolo di inizio ottobre** di Nature Human Behaviour, che ha introdotto il concetto di System 0 in accordo con le definizioni di System 1 e System 2 proposte dallo psicologo Daniel Kahneman per descrivere le modalità cognitive umane nella risoluzione dei problemi. Se con “System 1” si intende un approccio intuitivo e rapido, e con “System 2” uno analitico e riflessivo, il “System 0” rappresenta uno strato sottostante artificiale e non biologico di intelligenza distribuita tra l’uomo e l’AI, che interagisce e potenzia i processi di pensiero intuitivo e analitico. La funzione principale dell’AI unita all’operatore come “System 0” è quella di preprocessore e potenziatore dell’informazione, capace di modellare gli input dei sistemi cognitivi tradizionali (System 1 e System 2) per renderli più efficienti piuttosto che semplicemente estenderli.

In un contesto di supply chain, questo significa poter potenziare gli attori coinvolti nei processi di pianificazione, fornendo loro una visione agile e olistica, capace di adattarsi rapidamente ai cambiamenti del mercato e di migliorare il processo decisionale.

La generative AI ha tutte le caratteristiche per avere un impatto significativo in questo contesto, in particolare nei processi di pianificazione, dove la sua capacità di elaborare grandi quantità di dati da fonti eterogenee, incomplete e incostanti può rappresentare un elemento critico per superare la tipica variabilità e l’incertezza degli scenari produttivi e distributivi. Utilizzando la generative AI, è possibile implementare modelli probabilistici che includano l’incertezza come parte integrante dell’analisi, al fine di elaborare previsioni robuste che aiutino a prepararsi a diverse eventualità. Si va verso la direzione di un probabilistic planning multi-scenario, dove la collaborazione con un’AI per la comprensione dei pro e dei contro e la proposizione delle alternative può diventare un fattore determinante per l’efficacia dell’attività di pianificazione e la riduzione del rischio.

Legato al tema della creazione di scenari alternativi per i quali potrebbero non esistere dati consistenti, una caratteristica fondamentale della generative AI è la sua capacità di generare dataset sintetici che imitano le caratteristiche dei dati reali con estrema facilità. Questi dati possono essere creati attraverso simulazioni basate su regole definite da esperti del settore o modelli generativi pre-addestrati, e il loro utilizzo non solo colmerebbe le lacune nei dataset reali, ma preserverebbe anche la privacy e la sicurezza dei dati sensibili.

È tuttavia necessario prestare sempre la massima attenzione a non ricadere in un circolo vizioso autoreferenziale, dove l’uso di dati generati dal “System 0” per il proprio addestramento potrebbe compromettere la validità delle previsioni stesse. Per questo motivo è essenziale il ruolo dell’operatore esperto, capace di comprendere il contesto, a differenza della generative AI che non comprende ma prevede statisticamente, così da garantire l’efficacia e la coerenza dei dati generati sinteticamente.

Limitando l’orizzonte di analisi ai prossimi mesi o al 2025, è possibile prevedere che, fino allo sviluppo di algoritmi di pianificazione probabilistica basati su generative AI, un approccio molto interessante sarà quello di combinare tecniche di generative AI con metodi di ottimizzazione classici, come la programmazione lineare o algoritmi euristici come quelli genetici. Ad esempio, la generative AI può essere utilizzata per generare scenari iniziali di allocazione degli ordini, che poi vengono ulteriormente raffinati tramite algoritmi di ottimizzazione o di risoluzione, oppure per esplorare alternative produttive che possono essere sottoposte ad algoritmi di pianificazione per comprenderne la fattibilità, ottenendo dalla AI un feedback su quale sia la soluzione migliore e il motivo per cui lo sia. Questo approccio consente di ridurre il numero di iterazioni necessarie per raggiungere una soluzione ottimale, migliorando l’efficienza computazionale e garantendo il livello di precisione necessario per poter trasformare le previsioni in piani di produzione reali e da una maggiore comprensione del proprio lavoro a chi pianifica.

Sempre in questa direzione, un’ulteriore possibilità è il pre-addestramento del modello di generative AI su dati storici o scenari simulati, per, utilizzando il transfer learning, ottenere un’ulteriore riduzione del tempo di convergenza verso una soluzione ottimale. La generative AI può anche sfruttare meccanismi di “attenzione”, tipici delle architetture dei transformer che sono la prima vera innovazione alla base della genAI, per identificare rapidamente le migliori risorse per gli ordini, i mercati più convenienti o le campagne più efficaci, ottimizzando ulteriormente il processo senza la necessità di esplorare tutte le alternative possibili.

Siamo dunque alle porte di un processo di ridefinizione tecnologica degli strumenti a supporto del supply chain management. Questo porterà all’introduzione di tecnologie in ambiti dove l’AI “tradizionale”, come il machine learning o il deep learning, non poteva spingersi, e alla nascita di grandi opportunità.

Con la crescita di tali opportunità sarà necessaria anche una riflessione critica, che conduca alla maturazione di una consapevolezza, riconoscendo sia i benefici sia i rischi di tali innovazioni. Come diceva il filosofo Marshall McLuhan, “We shape our tools and thereafter our tools shape us”. L’innovazione deve essere uno strumento per migliorare la nostra capacità di risolvere problemi, e non un vincolo che limita la nostra creatività. L’intelligenza artificiale è una chiave per aprire nuove porte, ma il successo dipenderà sempre dalla nostra intelligenza umana.

* Lessons From Generative AI Early Adopters – 22 Agosto 2024 Gartner

** The case for human–AI interaction as system 0 thinking – 22 Ottobre 2024 Nature human behaviour