Una gestione efficace della supply chain consiste nel mantenere alto il livello di servizio al cliente. Uno degli elementi chiave per assicurarlo è garantire la disponibilità del prodotto in ogni fase della filiera.
Il primo passo, quindi, è stimare quanto prodotto consumerebbero i clienti finali, in altre parole, stimare la domanda dei consumatori. Di conseguenza, la previsione della domanda è un input per i successivi processi di supply chain, come la pianificazione della capacità produttiva, la gestione degli ordini, la gestione delle scorte.
Poiché i dati sulla domanda sono condivisi e utilizzati lungo la supply chain, una previsione della domanda accurata e affidabile ha un’importanza vitale per i gestori della catena di approvvigionamento per supportare il loro processo decisionale e facilitare le attività di pianificazione.
L’intelligenza artificiale per la ripresa dell’Italia: ecco sfide e opportunità
I fattori che influenzano la domanda
Ci sono decine di fattori che influenzano la domanda dei consumatori, come il prezzo, le attività promozionali, il periodo dell’anno, le vacanze, il tempo, le tendenze del mercato per citarne alcuni. Tutti possono aumentare significativamente la volatilità della domanda e questo rende la previsione della domanda ancora più difficile. Una previsione imprecisa della domanda può portare a una pianificazione errata dei volumi di produzione e, di conseguenza, a un eccesso di scorte, che comporterà quindi inutili costi di smaltimento. Inoltre, le scorte in eccesso occupano spazio extra, vincolano il capitale circolante e possono comportare un aumento dei costi per l’azienda. Le scorte insufficienti invece possono comportare la perdita delle vendite, con conseguenti costi di stock-out. Per ridurre al minimo tale impatto negativo della volatilità della domanda è fondamentale disporre di un robusto arsenale di tecniche di previsione della domanda.
Perché adottare AI per la previsione di domanda
In un contesto di crescente incertezza, diventa più difficile costruire un modello di previsione affidabile che comprenda tutti i fattori che aumentano la volatilità della domanda. I metodi basati sull‘intelligenza artificiale (IA) consentono di considerare numerose variabili esplicative per costruire un modello previsionale realistico e affidabile. I metodi tradizionali come le serie temporali stocastiche e gli approcci basati sulla regressione richiedono un’analisi preliminare del contesto per identificare le variabili più impattanti. Invece, una delle caratteristiche chiave dei metodi innovativi (basati sull’IA) è che non richiedono alcuna ipotesi sul modello seguito dalla domanda e sulla relazione tra il valore previsto e le variabili considerate.
Negli ultimi due decenni, i modelli basati sull’intelligenza artificiale hanno attirato l’attenzione di ricercatori e manager di aziende leader. Le aree di applicazione dell’IA si stanno espandendo, trovando l’utilizzo particolarmente per la previsione della domanda. L’obiettivo dei metodi di IA è lo stesso di quelli statistici: entrambi mirano a migliorare l’accuratezza della previsione riducendo al minimo una determinata funzione di perdita. La differenza sta nel modo in cui questi metodi innovativi eseguono la minimizzazione: utilizzano algoritmi non lineari. In effetti, l’analisi della letteratura mostra che l’applicazione dei metodi di IA ha prestazioni di previsione superiori rispetto a quelle tradizionali.
Stato dell’arte dei progetti AI: a che punto sono le PMI?
L’analisi degli scenari applicativi svolta dall’Osservatorio Transizione Industria 4.0 del Politecnico di Milano mostra che il livello di adozione delle tecnologie digitali, in particolare dell’Intelligenza Artificiale, da parte delle piccole e medie imprese si mantiene al livello di conoscenza delle tecnologie. Mentre le grandi imprese stanno sperimentando applicazioni di algoritmi di analisi avanzata, sviluppando casi d’uso o progetti pilota, le PMI stanno solo iniziando a conoscere la tecnologia o stanno formando le competenze per essere in grado di valutare il rapporto costi-benefici di tali progetti. (Figura 1).
Figura 1. Livello di adozione dell’Intelligenza Artificiale da parte di PMI e grandi imprese. Fonte Osservatori Digital Innovation – Politecnico di Milano (www.osservatori.net)
Anche i risultati dell’indagine dell’Osservatorio Intelligenza Artificiale confermano un divario tra le grandi e medie imprese: nel 2020 quasi l’80% delle ultime non ha iniziative nel campo dell’intelligenza artificiale (Figura 2). Al contrario, le grandi imprese hanno già avviato da tempo il processo di avvicinamento all’IA, lavorando non solo sugli aspetti di sfruttamento dei dati e sviluppo di algoritmi, ma anche sulla crescita organizzativa e culturale dell’azienda.
Figura 2. Dati sull’avvio di progetti di intelligenza artificiale, suddivisi in organizzazioni di grandi e medie dimensioni. Fonte Osservatori Digital Innovation – Politecnico di Milano (www.osservatori.net)
Quali metodi basati sull’IA vengono usati per la previsione della domanda e come funzionano
I ricercatori hanno già testato le prestazioni dei metodi di previsione tradizionali e di quelli innovativi in vari contesti. Tra i modelli di IA che risultano più performanti ci sono: modelli di reti neurali artificiali (ANN; Artificial Neural Network); Macchine di vettori a supporto (SVM, Support Vector Machines) e alberi decisionali. Vediamole nel dettaglio.
Reti Neurali Artificiali
Ispirate dall’architettura del cervello umano, nonché dal modo in cui elabora le informazioni, le reti neurali artificiali (Artificial Neural Networks, ANN) sono in grado di apprendere dai dati e dall’esperienza, superando il problema di dati incompleti, identificare la tendenza e modellizzare il futuro. La loro capacità di simulare un’ampia varietà di comportamenti non lineari sottostanti è particolarmente preziosa. Le ANN sono una buona alternativa ai modelli tradizionali (come ARIMA), soprattutto nel caso di serie temporali non lineari e per previsioni a lungo termine. Questo rende il metodo più pratico e accurato nella modellazione di ambienti complessi. D’altra parte, a causa della sua natura a scatola nera, il metodo è difficilmente interpretabile: può analizzare tanti dati ed elaborarli attraverso molti strati (Figura 3), quindi diventa molto difficile rilevare l’evoluzione della funzione obiettivo.
Figura 3. Un modello di rete neurale
Macchine di vettori a supporto
Support Vector Machines (SVM) sono modelli basati sull’intelligenza artificiale che analizzano i dati per la classificazione e l’analisi di regressione. L’analisi di classificazione potrebbe essere utilizzata per prevedere il comportamento dei prodotti che non dispongono di dati storici. Lo scopo di questa analisi è trovare un cosiddetto vettore di supporto (Support Vector Classifier) che separerebbe i dati in diverse categorie in modo che quando arriva una nuova osservazione (un nuovo prodotto), si può classificarla sotto una o l’altra categoria, e sucessivamente prevedere il suo comportamento, guardando le osservazioni della medesima categoria. Questo permette di fare la previsione di prodotti che non hanno i dati storici, ma possono essere categorizzati, guardando prodotti simili (quelli della stessa categoria). Questo vettore si identifica analizzando le relazioni tra le osservazioni. Ad esempio, potrebbe essere una linea nello spazio mono- o bi-dimensionale, un piano nello spazio 3-dimensionale (Figura 4) o un altro separatore nello spazio di 4 o più dimensioni.
Figura 4. Esempi di Support Vector Classifiers
(a) nello spazio mono-dimensionale; (b) bi-dimensionale; (c) 3-dimensionale
Gli SVM sono uno dei metodi di previsione più robusti, essendo basati su framework di apprendimento statistico. A differenza delle reti neurali che hanno una natura di scatola nera, la formulazione matematica di SVM ne garantisce la soluzione ottimale.
Recentemente, le macchine vettoriali di supporto sono state molto popolari tra i ricercatori perché possono risolvere problemi non lineari utilizzando piccole quantità di dati di addestramento. Tuttavia, non è facile ridimensionare il modello sui dati di grandi dimensioni.
Alberi decisionali
L’albero decisionale è un approccio di data mining generalmente utilizzato per la previsione e la classificazione. Sebbene altre metodologie come le reti neurali e i classificatori basati su regole siano altre opzioni per la classificazione, un albero decisionale ha i vantaggi di una facile interpretazione e comprensione per i decisori da confrontare con la loro conoscenza del dominio per la convalida e giustificare le loro decisioni. Partendo dal primo criterio di separazione, sulla cima dell’albero (il “Nodo Radice”) si prosegue con il criterio successivo (“nodi interni”) fino ad arrivare ad un punto in cui non è possibile andare oltre (“nodi foglia”), ed è così che viene classificato il campione (Figura 5). Per decidere quale criterio dovrebbe avere il nodo radice, tutti i criteri vengono testati singolarmente in base al loro impatto sull’obiettivo finale e quindi viene selezionato quello che descriva meglio l’obiettivo.
Figura 5. La struttura dell’albero decisionale
L’idea generale degli alberi decisionali consiste nel suddividere i dati in modo che ogni sottoinsieme contenga stati più o meno omogenei di attributi prevedibili di destinazione. Gli alberi decisionali sono facili da costruire, facili da usare e facili da interpretare, ma sono piuttosto imprecisi. Funzionano bene con i dati utilizzati per crearli, ma non sono flessibili quando si tratta di classificare nuovi campioni. Per risolvere il problema di imprecisione si può costruire più alberi (ovvero una foresta che sarebbe Random Forest) e confrontare i risultati, testando le varie configurazioni di alberi.
Benefici dell’utilizzo dell’Intelligenza artificiale per le previsioni
In sintesi, l’uso di metodi di previsione basati sull’intelligenza artificiale implica molteplici vantaggi.
- Previsione accurata: generalmente, se ben impostati, i metodi basati sull’intelligenza artificiale mostrano una maggiore accuratezza delle previsioni che si traduce in una pianificazione della produzione più precisa e in una gestione efficiente dell’inventario. Nella prospettiva a lungo termine, è possibile costruire la curva di probabilità della domanda che aiuterà a bilanciare l’eccesso di scorte e le scorte mancanti. Inoltre, essere in grado di comunicare con sicurezza ai fornitori un’anticipazione più affidabile della domanda riduce la probabilità di un’interruzione della fornitura del prodotto.
- Previsione realistica: i modelli basati sull’intelligenza artificiale consentono di considerare molti di più variabili esplicativi rispetto a quelli tradizionali. Considerazione di fattori dinamici come il tempo, le attività promozionali di marketing, gli eventi locali in un modello di previsione consente agli analisti di simulare un ambiente più complesso e, quindi, di prendere decisioni più consolidate.
- Previsione affidabile: gli algoritmi di intelligenza artificiale possono prendere in input tanti variabili e sono quindi in grado di identificare quelle più significative. quindi non richiedono alcuna ipotesi preliminare sulla relazione tra le variabili. Ciò riduce la necessità di una quantificazione sensibile dei dati qualitativi provenienti da fonti interne ed esterne che dovrebbero essere spesso integrati successivamente con la previsione ottenuta
La condivisione di previsioni accurate, realistiche e affidabili lungo la catena di approvvigionamento contribuirà a una gestione efficace degli altri processi della supply chain. Se i dati vengono raccolti in tempo reale, come spesso richiesto dagli algoritmi di IA, diventa più facile rispondere rapidamente ai cambiamenti imminenti, rendendo la supply chain molto più resiliente.
AI Forecasting Roadmap
Dunque, le aziende che stanno appena iniziando a conoscere i metodi basati sull’intelligenza artificiale, come le PMI, possono considerare i seguenti passaggi come una guida pratica su da dove iniziare quando si costruisce una AI Roadmap.
Ottenere le competenze
Per identificare il metodo più idoneo di intelligenza artificiale per i processi dell’azienda è necessario avere un discreto livello di comprensione di come funziona l’IA, quali sono le possibili tecniche che possono essere applicate a un determinato contesto e come implementarle. È una scelta strategica se sviluppare internamente queste competenze o collaborare con esperti esterni. Per le Piccole e Medie Imprese che stanno appena prendendo confidenza con l’argomento, potrebbe essere utile entrare in contatto con le start-up o altre piccole imprese che hanno un focus specifico su una determinata tecnologia e cercano opportunità di co-sviluppo.
Tra le competenze must-have di un esperto di IA ci sono:
- Competenze di programmazione: per acquisire una buona conoscenza dell’intelligenza artificiale, è fondamentale imparare i linguaggi di programmazione, come Python, R, Java e C++ per costruire e implementare modelli. Le competenze includono anche la dimestichezza con gli algoritmi e le librerie di Machine Learning. Tutte le implementazioni standard degli algoritmi ML sono distribuite in librerie, API o pacchetti. Tuttavia, l’efficace applicazione di questi algoritmi richiede la selezione del modello appropriato o di più modelli; procedure di apprendimento per inserire i dati nell’algoritmo; comprendere l’effetto degli iperparametri.
- Competenze matematiche: per comprendere e implementare diversi modelli di intelligenza artificiale sono necessarie conoscenze dettagliate di algebra lineare, probabilità e statistica.
- Efficienza nell’adattamento agli strumenti tecnologici: ci sono tanti algoritmi di intelligenza artificiale che potrebbero essere applicati agli stessi problemi di previsione, quindi è fondamentale imparare a scegliere quello più adatto. Il tempo necessario per l’elaborazione e il calcolo dei dati dipende molto dal modo in cui il modello è costruito. Migliorare le sue capacità di problem solving aiuterà a scegliere l’algoritmo giusto e ad applicarlo in modo efficiente, considerando molteplici parametri relativi alla gestione dei dati, alla difficoltà di calcolo degli algoritmi e ad altri aspetti organizzativi.
- Disponibilità e prontezza a “Non smettere mai di imparare”: il migliore esempio dell’adozione di questa virtuosità sono… i robot. Una delle loro peculiarità è che non si stancano mai degli errori e quindi fanno un millesimo tentativo con lo stesso “livello di entusiasmo” del primo. I robot sono in grado di imparare dai propri errori e di adattarsi continuamente ad ambienti in continua evoluzione. Questo è ciò a cui dovrebbero ispirarsi gli esperti di intelligenza artificiale. È impossibile costruire un modello di intelligenza artificiale che funzioni per sempre. La crescente incertezza spinge gli analisti di dati a rivedere modelli continuamente sviluppati aggiungendo nuove variabili e impostando i parametri più e più volte.
Stimare gli investimenti
Il primo passo verso un progetto di intelligenza artificiale è impostare il processo di raccolta dei dati. I dati di formazione di bassa qualità e l’assenza di una strategia di dati a livello aziendale sono spesso ostacoli (costosi) sulla strada dell’IA. I modelli basati sull’intelligenza artificiale sono validi solo quanto i dati su cui sono stati addestrati e più algoritmi di dati consumano, meglio ottengono. L’intelligenza artificiale può acquisire sia dati strutturati, che sono adeguatamente organizzati e archiviati in sistemi di gestione di database relazionali, sia dati non strutturati come e-mail, immagini e video, che in genere vengono caricati su data lake. Per quanto riguarda il costo dell’IA, è più economico lavorare con dati strutturati, soprattutto se c’è una quantità sostanziale di informazioni, per aumentare la precisione degli algoritmi. Gli algoritmi di intelligenza artificiale richiedono spesso un’elevata potenza di calcolo, in base all’accuratezza mirata del modello di previsione (o al tipo di intelligenza per cui l’azienda si pone l’obiettivo).
Un’altra parte rilevante dei costi del progetto di intelligenza artificiale è il prezzo della creazione di un software adeguato, con un back-end basato sul cloud, strumenti ETL/streaming, API che supportano l’integrazione con sistemi interni ed esterni e un qualche tipo di interfaccia, che si tratti di un dashboard cloud, mobile app, assistente vocale o altro.
I costi aggiuntivi sono legati alla scalabilità e alla manutenzione del sistema intelligente dell’azienda.
Sviluppare e mantenere il modello AI
È fondamentale impostare prima gli obiettivi del progetto di IA. Per quali prodotti deve essere costruito il modello AI? Per quali mercati, le aree geografiche? Qual è l’orizzonte temporale su cui puntare? Qual è la precisione mirata? Rispondere a queste domande aiuterà a capire quali dati è necessario raccogliere e da quali fonti. Il processo di raccolta dati richiede un adeguato supporto IT per alimentare correttamente il modello di IA.
La prossima sfida è gestire il processo di pulizia dei dati, comprendendo come riempire i dati mancanti o gestire gli outlier, nel caso in cui un algoritmo di IA non li gestisca correttamente. È fondamentale conoscere bene l’ambiente modellato in modo da scegliere gli algoritmi di intelligenza artificiale più efficaci per prevedere la domanda.
Inoltre, i modelli basati sull’intelligenza artificiale richiedono un monitoraggio costante e un aggiustamento dei parametri: non è sempre possibile sviluppare un’applicazione che funzionerà per anni; quindi, è importante monitorare continuamente i cambiamenti nell’ambiente modellato e modellare di conseguenza il modello di previsione.
