Da diversi anni l’Intelligenza Artificiale e il Machine Learning hanno iniziato a rivoluzionare il settore della logistica e la gestione della supply chain. D’altronde, queste tecnologie, capaci di apprendere a partire da set di dati e prendere decisioni autonome, rappresentano dei validi aiuti in magazzino per ottimizzare i processi e migliorare l’efficienza operativa.
Paradigmi come il Supervised e Unsupervised Learning e il Reinforcement Learning trovano applicazioni sempre più concrete nei magazzini, aiutando le imprese a prevedere la domanda, gestire al meglio lo stock e pianificare i trasporti, solo per fare degli esempi. Per capire come AI e machine learning stiano rivoluzionando il settore e la gestione dei magazzini, abbiamo deciso di intervistare Mario Avdullaj, developer di Stesi e grande conoscitore di Intelligenza Artificiale che ci ha raccontato alcuni dei casi applicativi più comuni in ambito logistica.
Un punto sull’Intelligenza Artificiale
Quello dell’Intelligenza Artificiale è diventato ufficialmente uno dei temi più gettonati del momento. Non esista giornale, social e webinar che non ne parli come di un’innovazione rivoluzionaria. Tra estimatori, che ne celebrano la capacità di amplificare la portata del lavoro umano, e detrattori, che la descrivono come un pericolo dal quale proteggersi ad ogni costo, una cosa è certa: attorno all’Intelligenza Artificiale c’è ancora molta confusione.
Ecco perché, prima di cominciare ufficialmente la nostra intervista, abbiamo chiesto a Mario Avdullaj di chiarire che cos’è l’AI. “L’Intelligenza Artificiale”, ci ha raccontato, “è un campo multidisciplinare che si occupa di sviluppare algoritmi e sistemi capaci di eseguire quei compiti che generalmente richiederebbero l’intervento dell’intelligenza umana e prendendo decisioni”.
Alla base dell’AI, insomma, ci sono algoritmi di apprendimento automatico che consentono, ad esempio nel contesto della logistica, di prendere decisioni intelligenti e migliorare l’efficienza. L’ apprendimento automatico, spesso chiamato anche machine learning o deep learning, è una branca dell’intelligenza artificiale che si occupa di sviluppare algoritmi e modelli che consentono ai computer di apprendere dati e migliorare la propria prestazione senza essere esplicitamente programmati.
“Insomma, a differenza dei paradigmi più classici, dove vengono definite delle formule e algoritmi di ricerca operativa per massimizzare delle funzioni obiettivo (o minimizzare delle funzioni costo)”, racconta Mario, “questi sistemi sono in grado di eseguire task molto più difficili perché dipendono da reti neurali. Questo significa che partendo da una conoscenza di dati più o meno organizzati, sono in grado di interpretare le informazioni e prendere decisioni senza essere esplicitamente programmati per farlo”.
Machine learning e Intelligenza Artificiale: i paradigmi di apprendimento e il loro uso nella logistica
Prima di analizzare alcuni degli impieghi dell’Intelligenza Artificiale nella logistica, è importante fare un punto sulle diverse tipologie di paradigmi di apprendimento. Infatti, differenti tipologie di dati rendono possibile allenare diverse tipologie di reti neurali, a seconda dell’obiettivo a cui si intende mirare. Nello specifico, tra i paradigmi più importanti, soprattutto se calati nel mondo della logistica, possiamo citare:
- Supervised Learning o apprendimento supervisionato: per applicare questo paradigma è necessario possedere una grande mole di dati (così come accade nel caso dei WMS) etichettati da trasformare in training set o dati per allenamento. Questi dati permettono all’Intelligenza Artificiale di compiere task di classificazione binaria (vero, falso) o multiclasse (A, B, C) e di regressione (con stima dei valori). “In un magazzino, ipotizzando un contesto di VisionAI, un AI di questo tipo può ad esempio essere allenata a partire dalle immagini acquisite da sensori e telecamere, così da poter riconoscere e classificare tutta la merce e i pallet e riconoscere la presenza di operatori”.
- Unsupervised Learning o apprendimento non supervisionato: questo paradigma è prezioso quando la mole di dati di partenza non è né etichettata né classificata. L’AI così allenata è infatti in grado di riconoscere pattern all’interno dei dati e raggrupparli secondo specifiche caratteristiche o proprietà. “Per fare un esempio”, racconta Mario, “basti pensare al clustering. Grazie a questa forma di apprendimento, in ambito logistico diventa possibile categorizzare i processi e separarli in maniera intelligente”.
- Reinforcement Learning o apprendimento per rinforzo: “per spiegare questo paradigma e il framework su cui si basa mi piace fare il paragone con il modo in cui apprendono sia l’essere umano sia gli animali. C’è sempre un’entità, un agente, e un ambiente in cui l’entità vive e con cui interagisce compiendo azioni e prendendo decisioni. A guidare la sua interazione c’è un set di sensori (i nostri sensi, ad esempio) che gli rende possibile percepire eventuali cambiamenti nell’ambiente. Ad ogni azione, o reazione, l’entità può essere premiata o punita, permettendo così di rinforzare certi comportamenti e pattern e di eliminarne altri”. L’AI basata sull’apprendimento per rinforzo, applicato ad esempio all’interno del WMS di casa Stesi, silwa, viene quindi costantemente alimentata e allenata da dati in ingresso che l’aiutano a migliorare costantemente. Questo paradigma di apprendimento, come vedremo, si rivela fondamentale per il Mission Manager.
Esempio di architettura di apprendimento supervisionato
L’AI generativa? Ora è nel WMS
Quelli che abbiamo visto sono tra i paradigmi di machine learning più importanti. Tuttavia, nell’ultimo periodo stiamo assistendo a un estremo interesse verso la cosiddetta AI generativa, complice la diffusione di applicazioni e chatbot. La generative AI è però solo una delle tante sotto branche dell’Intelligenza Artificiale, che continuano ad aumentare giorno dopo giorno grazie alle ricerche che da anni si stanno concentrando in questo campo.
Eppure, anche l’Intelligenza generativa si sta rivelando preziosa in ambito logistico. “Anche in Stesi abbiamo fatto qualche prototipo e progetto di ricerca e sviluppo in questo ambito per integrare l’AI nel nostro WMS, silwa”, conclude Mario.
Intelligenza artificiale e logistica: lo stato attuale
L’interesse nel campo dell’AI ha consentito la nascita di reti neurali sempre più complesse e capaci di eseguire task sempre più generali, superando la specializzazione di un tempo. L’obiettivo, da qualche tempo, è infatti quello di generalizzare le capacità dell’AI a parità di un allenamento tramite dati meno specifici e più grezzi, essendo i dati la cosa più costosa da reperire.
“Nell’ultimo decennio”, racconta Mario, “nella logistica sono state adottate molte tecnologie di Intelligence Artificiale che hanno contribuito ad esempio ad ottimizzare la gestione degli stock, la pianificazione dei trasporti, la previsione della domanda, e molto altro”. L’AI ha letteralmente toccato trasversalmente tutti i processi della supply chain andando ad interessare tanto l’inbound quanto l’outbound.
Le applicazioni dell’Intelligenza Artificiale: alcuni casi d’uso nella logistica
Ma quali sono gli effettivi vantaggi dell’applicazione dell’AI nella logistica? Tra i casi d’uso dell’Intelligenza Artificiale rientrano certamente:
- Ottimizzazione degli ordini della pianificazione: gli algoritmi di AI possono analizzare dati storici e le tendenze di mercato per prevedere la domanda futura.
- Gestione della merce di inventario: l’AI può essere applicato alla logistica inbound in comunione con l’IoT per prevedere i tempi di rifornimento e ridurre gli sprechi oltre che per ottimizzare i processi di reception della merce e definire la distribuzione ideale della merce in magazzino.
- Gestione e prevenzione delle interruzioni: le AI allenate in maniera supervised con dati storici possono aiutare a monitorare lo stato delle attrezzature e dei macchinari per predirne lo stato e pianificare eventuali manutenzioni, riducendo così i tempi di fermo.
- Aumento della sicurezza di magazzino: IoT, sensoristica, robotica e AI consentono di controllare lo stato di sicurezza degli spazi di magazzino riconoscendo la presenza di operatori, valutando i dati sulle macchine e sulle attrezzature. “Al momento, tra l’altro, ci sono molte ricerche che puntano a rendere l’AI non solo capace di riconoscere l’operatore umano, ma anche predirne l’intento. Una novità che in termini di safety del magazzino sarebbe ancor più rivoluzionaria”.
Un focus sul Mission Manager
L’apprendimento per rinforzo può essere adottato anche nell’ambito del Mission Manager. Questo componente software è responsabile della gestione e dell’ottimizzazione delle missioni di trasporto all’interno del magazzino e si occupa principalmente di coordinare e pianificare l’attività operativa assegnando compiti specifici alle risorse disponibili a seconda delle priorità.
L’AI applicato al Mission Manager permette di ottimizzare il dispatching delle missioni così da ottimizzare i tempi, incrementare l’efficienza operativa, garantire l’adattabilità e ridurre i costi di fermo.
Esempio di reinforcement learning applicato al Mission Manager
L’AI in Stesi
“Negli ultimi anni in Stesi abbiamo implementato diversi progetti di Intelligenza Artificiale. Ad esempio, in silwaCAM, il nostro sistema RTLS, abbiamo implementato una rete neurale addestrata a riconoscere i marcatori fiduciari. Questi marker vengono poi utilizzati per capire in che punto del magazzino si trovano i carrelli e per stimarne la posizione esatta”. Questo, indipendentemente dalle condizioni di illuminazione, dallo sfondo, dall’orientamento o, in generale, dalle eventuali variazioni ambientali.
Esempio applicazione rete convoluzionale neurale per marker silwaCam
Tra i clienti Stesi, sono già molti ad aver scelto di utilizzare questa forma di AI nel proprio magazzino. Ne sono un esempio Alpla, ma anche EuroCarta e Ideal Standard.
Per quel che riguarda l’AI generativa, come abbiamo anticipato, Stesi ha da tempo sperimentato con l’utilizzo di modelli generativi come GPT-4 di OpenAI, addestrando l’Intelligenza Artificiale su documentazioni silwa specifiche di progetto. Questo, per dar vita a prototipi di chatbot integrati capaci di assistere gli utenti, gli operatori del WMS, e fornire loro risposte esatte a domande specifiche, dal funzionamento di certi meccanismi all’estrapolazione di dati. Il tutto, naturalmente, a partire dall’uso del linguaggio naturale.
Esempio di architettura chatbot usando i modelli GPT di OpenAI
Questo progetto è stato portato avanti con il contributo degli studenti del Liceo Flaminio di Vittorio Veneto nel corso del progetto “il lavoro dopo gli studi non è incerto”, di cui abbiamo parlato qui.
Una conclusione
Che cosa possiamo aspettarci in materia di Intelligenza Artificiale e logistica nel prossimo futuro? “Nel medio periodo, tecnologie emergenti come l’IoT, la robotica e l’elaborazione di linguaggi naturali contribuiranno sicuramente ad una maggiore integrazione e automazione dei processi logistici. L’AI potrebbe diventare sempre più centrale nella gestione della supply chain, aiutando le imprese ad anticipare le esigenze del mercato e adattarsi quindi alle variazioni delle condizioni operative”.
Una cosa, ad oggi, è certa: l’AI si sta dimostrando una risorsa di valore inestimabile in ambito logistico, permettendo di ottimizzare e efficientare i processi. “Ciò che conta però è sapere che l’Intelligenza Artificiale porta con sé nuove opportunità ma anche nuove sfide, soprattutto in materia di sicurezza dei dati”.
Vuoi approfondire l’argomento? Contattaci per saperne di più. Nel frattempo, dai un’occhiata a Humason, la compagine sociale di cui Stesi fa parte da diverso tempo e che si occupa proprio di RPA e AI.
