5 modi in cui l'intelligenza artificiale sta rivoluzionando il mondo della logistica

E quando dico 5, intendo in realtà tanti modi, che tuttavia richiedono a gran voce di essere condensati in un numero ragionevole di punti per non trasformarsi in un papiro illeggibile.

Da un po’ di tempo a questa parte hanno iniziato a proliferare articoli che parlano di Intelligenza Artificiale. Ciò che non è semplice è trovare degli esempi concreti su quali siano le effettive potenzialità delle nuove Intelligenze Artificiali basate su modelli di Machine Learning, e quali siano i reali benefici che queste possono portare in diversi settori.

La ragione principale per cui è importante aspirare ad avere una visione di insieme su questi temi è che stanno velocemente diventando parte fondamentale della nostra quotidianità, nonostante sembrino rimanere indecifrabili ai più.

In questo articolo daremo uno sguardo ai principali benefici che l’applicazione del Machine Learning ha comprovato e, per farlo, utilizzeremo un settore a noi molto caro, quello della logistica.
Il campo della logistica è molto vasto, e potenzialmente include tutto ciò che ha a che fare con "i processi di pianificazione, implementazione, e controllo dell’efficace flusso di merci e/o materie prime". In questo contesto, ci concentreremo sulla logistica dei trasporti.

In questo settore, buona parte del business ruota attorno al miglioramento dell’efficienza con cui vengono gestiti i mezzi di trasporto e i percorsi di consegna delle merci, il che ci porta al primo punto della nostra lista.

1. Ottimizzazione degli orari di partenza e dei percorsi

Come anticipato, la pianificazione dei percorsi è un punto cardine. Quante diverse spedizioni possono essere soddisfatte con un solo viaggio? In quanti mezzi di trasporto ho bisogno di dividere il carico delle merci per consegnarle entro i tempi stabiliti?

Per rispondere a queste ed altre domande, si può fare ricorso ad algoritmi di ricerca dell’ottimo operativo e, più in generale, ad altri strumenti che possono essere considerati di stampo “classico”.

Ma per dare una risposta davvero efficace, spesso servono dei dati che non sono realmente disponibili, e che possono soltanto essere stimati.

Quanto sarà il tempo di percorrenza del tragitto? Quale sarà l’orario migliore per partire?

Esattamente come può fare chiunque per decidere quando mettersi in macchina, una risposta a queste domande viene stimata dai meccanismi di Intelligenza Artificiale già implementati dalle principali applicazioni di navigazione disponibili al pubblico. Ciononostante, per un’azienda di trasporti esiste una immensa potenzialità di valore aggiunto nell’implementazione di soluzioni custom di Machine Learning, che sono in grado di imparare dallo storico dei dati e prendere in considerazione molti più aspetti, tra cui ad esempio:

• L’esperienza degli autisti (alcuni autisti possono essere esperti di alcune tratte, risultando in tempi ridotti e minori consumi)
• Il tipo di mezzo (alcuni autoveicoli possono essere più adatti a certi tipi di tratte, tenendo in considerazione la tipologia, il carico, lo stato manutentivo, l’altitudine, il tipo di percorso, ecc.)
• Il tempo meteorologico e altri fattori esterni
• Il consumo di carburante in base a specifiche tratte e condizioni atmosferiche

2. Analisi dei log

L’ecosistema IT di ogni azienda è di norma composto da numerosi applicativi che svolgono diverse funzioni e si interfacciano gli uni con gli altri. In un sistema di logistica dei trasporti, la complessità di tale sistema è spesso particolarmente accentuata, dal momento che ogni mezzo è comunemente dotato di applicativi per monitorarne lo stato, la posizione e le comunicazioni.

Ognuno di questi applicativi scrive i propri log per tenere traccia delle operazioni effettuate, degli errori e delle potenziali criticità riscontrate. Nonostante sia di vitale importanza essere notificati tempestivamente su informazioni che possono segnalare problemi, i log vengono spesso ancora oggi trascurati per la semplice ragione che l’ispezione manuale diventa improponibile al crescere della mole di dati da analizzare.

Perfino sofisticati algoritmi deterministici spesso falliscono nell’analizzare i log provenienti da diversi applicativi, dal momento che non esistono precisi standard per la scrittura dei messaggi di log e di conseguenza ogni applicativo può presentare un comportamento diverso.

In questo frangente si rivela utile intrecciare raffinate tecniche di parsing della componente testuale dei log, dalla quale vengono estratte delle feature (o caratteristiche) che un algoritmo di Machine Learning può elaborare per classificare il messaggio in base alla sua potenziale criticità. Le tecniche di Machine Learning che possono essere utilizzate prendono spunto dalle tecniche di NLP (Natural Language Processing), ma devono tendere conto che i messaggi di log non possono essere trattati come linguaggio naturale.

Un algoritmo di Machine Learning addestrato su questi dati è in grado di segnalare eventuali informazioni nei log con criticità sia a livello IT che a livello di business, permettendo di anticipare alcune problematiche prima che possano produrre un impatto significativo.

3. IoT

Un altro tema emergente è quello dell’Internet of Things. Questo argomento si ricollega ad un cambio di paradigma che sta avvenendo in molti ambiti negli ultimi anni. Grazie all’avvento di nuove tecnologie, è ora possibile passare da una gestione centralizzata di pochi dispositivi "intelligenti" collegati a periferiche "stupide" ad una gestione autonoma di tanti dispositivi ciascuno dotato della propria "intelligenza" e capacità di connettersi alla rete.

Nel campo della logistica dei trasporti, l’avvento dell’IOT comporta principalmente il collegamento alla rete di un numero impressionante di nuovi dispositivi, ciascuno con specifiche funzioni e in grado di comunicare con gli altri.

Ad esempio, su ogni autoveicolo possono essere presenti decine o centinaia di piccoli sensori, tutti in grado di immettere nella rete un continuo flusso di dati.

In prima istanza, questo si ricollega all’utilità di un’analisi automatizzata della criticità dei log, che diventa tanto più importante ed efficace quanto più aumenta il numero di dati a disposizione. Inoltre, l’applicazione di tecniche di Machine Learning ai dati prodotti da una rete IOT è particolarmente importante perché il flusso di dati grezzi è spesso così importante da renderne impossibile (o poco pratico) l’immagazzinamento per un’analisi statistica successiva. Diviene pertanto fondamentale l’applicazione delle fondamentali tecniche di Data Mining per estrarre le feature più rilevanti e fornirle in tempo reale ad un algoritmo in grado di elaborare in maniera intelligente la risposta a domande fondamentali, come "qual è la probabilità di guasto al sistema dei freni nell’arco del prossimo viaggio?".

4. Previsione del carico di richieste in base allo storico

Nella gestione della logistica di sistemi di trasporto, uno dei problemi fondamentali è quello della tempistica delle spedizioni. Parte di questo argomento è stata affrontata nel primo punto, dove si è mostrato il valore dell’ottimizzazione dei percorsi e delle tempistiche date le merci da consegnare.

Ma il next step nella gestione delle tempistiche e nella disponibilità dei mezzi è la previsione di quale sarà il volume di spedizioni richiesto nel prossimo futuro.

È intuitivo quanto possa essere rilevante per la pianificazione delle attività sapere quante richieste ci si potrà mediamente aspettare nel corso della settimana a venire. Questo tipo di previsione si può ottenere mediante un’analisi delle Serie Storiche delle richieste di spedizione da parte delle varie parti, e attraverso tecniche di regressione di Machine Learning.

Le tecniche di Machine Learning si dividono principalmente in regressione e classificazione.

Gli algoritmi di regressione sono in grado di rispondere precisamente a domande quantitative come, ad esempio, “quante spedizioni mi posso aspettare nell’arco della prossima settimana, sapendo che è la settimana prima di Natale e conoscendo la tipologia media dei miei Clienti e le spedizioni effettuate nello scorso mese?”.

Non solo un algoritmo di Machine Learning può essere in grado di stimare un numero in risposta ad una domanda simile a quella riportata, ma in molti casi può essere in grado di fornire un intervallo di confidenza sulla previsione, indicando ad esempio quale è il numero minimo e il numero massimo di spedizioni che ci si può aspettare con una probabilità del 95%.

Ancora più importante è il fatto che, a differenza di analisi statistiche manuali, un algoritmo di Machine Learning è in grado di imparare automaticamente dai propri errori e di migliorare con il tempo senza bisogno di un diretto intervento umano.

5. Controllo automatico delle merci presenti/assenti in base alla scansione dei codici presenti nelle immagini

Un altro esempio di Intelligenze Artificiali basate su algoritmi di Machine Learning che possono portare un immediato beneficio ad un sistema di carico/scarico e spedizione merci si basa sul riconoscimento di immagini.

Grazie a tecniche di Reti Neurali e Deep Learning, è possibile sfruttare un database di immagini per imparare a riconoscere alcuni dettagli.

Foto ad un automezzo possono ad esempio segnalare danni estetici e/o strutturali (gomme bucate, urti, ecc.), consentendo di mantenere un record completamente automatizzato dello storico dello stato di ogni unità, oltre a permettere di generare alert in tempo reale qualora venisse rilevato un problema.

Foto scattate automaticamente al carico (e scarico) merci possono riconoscere dei codici presenti sugli imballaggi per verificare in automatico la correttezza degli elementi da spedire e prevenire potenziali confusioni sulle destinazioni di alcuni pacchi.

Garbage IN, Garbage OUT

Gli esempi di soluzioni citate si basano su soluzioni di Machine Learning addestrate su data set di considerevole portata.
È importate concludere sottolineando che gli ingredienti principali per il successo di un qualunque modello basato sul Machine Learning sono la quantità e la qualità dei dati a disposizione. In generale è più importante il data set a disposizione di quanto sofisticato sia l’algoritmo utilizzato.

Per questa ragione, preliminarmente a qualunque progetto sulle Intelligenze Artificiali, Certimeter Group offre sempre la propria esperienza per aiutare a ristrutturare i dati e come vengono archiviati, in modo tale da favorire l’applicazione dei metodi di Machine Learning. 

Investire sull'Intelligenza Artificiale

Oggi è determinante avere la consapevolezza dell’importanza di investire nello sviluppo di intelligenza artificiale per favorire il proprio business, prendendo coscienza di quanto sta accadendo nel mondo e dei benefici competitivi che derivano dall'automazione intelligente dei processi da una pianificazione oculata ed efficace degli investimenti in questo settore.

I piani nazionali Logistica 4.0 e Industria 4.0 incentivano le aziende ad innovare attraverso agevolazioni e finanziamenti che hanno portato molti protagonisti del settore ad investire nelle nuove tecnologie basate su IA.