spazio a y espliciti e impliciti legati alla creazione di un collo di spedizione. Proprio qui entra in gioco l’apprendimento automatico, fornendo algoritmi in grado di imparare a imitare le mosse che l’utente configuratore esperto utilizzerebbe per creare i colli. La componente umana rimane comunque imprescindibile: gli impiegati del settore possono tirare un sospiro di sollievo! Il processo di apprendimento, infatti, deve essere supervisionato da un “computer in carne ed ossa” in grado di correggere, migliorare e suggerire soluzioni via via più efficaci alla macchina in un processo virtuoso che massimizzi la soddisfazione di utilizzo del software e la produttività dell’utente. Il problema del carico efficace dei mezzi di trasporto per attuare le consegne di prodotti o colli costituisce una questione più complessa rispetto al caso precedente: solo per citare alcuni aspetti, si deve tenere conto dei vincoli fisici e di sostenibilità dei carichi, bisogna considerare l’ottimizzazione dello spazio all’interno dei vettori e l’ordine di consegna. I software ERP che allo stato attuale risolvono questo tipo di problematiche ricorrono a tecniche di programmazione vincolata con i limiti già evidenziati in precedenza. Di fronte a questo scenario risulterebbe tuttavia estremamente vantaggioso poter contare su un sistema che riconosca le necessità di carico dell’utente e proponga automaticamente un piano sulla base di esperienze pregresse. La soluzione proposta da un sistema in grado di apprendere dall’utente potrebbe essere usata come preconfigurazione del piano di carico da rifinire con l’aiuto dell’utente e/o mediante tecniche greedy di pianificazione il cui risultato garantirebbe l’ammissibilità della soluzione presentata all’utente. Potrebbe sembrare che gli spunti forniti rimandino solo ad un esercizio di immaginazione, ma non c’è niente di più distante dalla verità. Lo testimonia la corsa da parte delle aziende che operano nell’IT per dotarsi delle più recenti tecniche di apprendimento automatico, come documentato di recente
Fonti: [1] http://www.ft.com/cms/s/2/019b3702-92a2-11e4-a1fd00144feabdc0.html [2] http://en.wikipedia.org/wiki/Kernel_method [3] http://en.wikipedia.org/wiki/Markov_random_field [4] http://en.wikipedia.org/wiki/Conditional_random_field [5] http://en.wikipedia.org/wiki/Feedforward_neural_network [6] http://en.wikipedia.org/wiki/Convolutional_neural_network [7] http://en.wikipedia.org/wiki/Deep_learning
del prestigioso Financial Times nell’articolo “Investor rush to artificial intelligence is real deal” [1]. Si potrebbe inoltre pensare che ogni problema citato in precedenza necessiti dello sviluppo di algoritmi specifici per ciascun caso; anche questo è falso, infatti le tecniche di apprendimento automatico non devono essere adattate ai problemi perché è proprio nella loro natura variare a seconda degli scenari in cui sono utilizzate. Questo non vuol dire che una tecnica sia adatta a risolvere qualsiasi problema, bisogna saper scegliere la tecnica più adatta da applicare a seconda del caso specifico. Per gli scenari descritti sono state individuate tre famiglie di approcci: la prima è quella dei Kernel Methods [2] per il confronto e la ricerca di oggetti come preventivi e ordini. La seconda è quella dei Markow Random Fields [3], in particolare dei Conditional Random Fields [4], per la proposizione di nuove configurazioni a partire dalle precedenti. Infine, la famiglia delle Feedforward Neural Networks [5] in cui sono contenute le Convolutional Neural Networks [6] ritornate in voga con il fenomeno tecnologico del momento, il Deep Learning [7], e in grado di simulare le decisioni dell’utente indipendentemente dalla complessità del compito svolto.
Nel prossimo numero di Logyn, la seconda parte
ARCHITECTURE & DESIGN
COME REALIZZARE LE SOLUZIONI GESTIONALI INTELLIGENTI? Per gli scenari delineati, riflettendo sugli spunti lanciati, saranno proposte delle soluzioni intelligenti ai problemi tramite tecniche di apprendimento automatico innestate e integrate in un’architettura service-orented.
69