AI Powered Smart Logistics - Logistica per l’industria 4.0 supportata da Intelligenza Artificiale = AI Powered Smart Logistics - Logistics for Industry 4.0 supported by Artificial Intelligence

Con l'Industria 4.0 i leader nel settore delle catene logistiche (o delle "Supply Chain") hanno l'obiettivo di garantire qualità, consegne nei tempi stabiliti, disponibilità dei prodotti e costi contenuti, monitorando e mitigando un numero sempre maggiore di potenziali eventi dannosi, assicurandosi che i fornitori e i componenti dei prodotti soddisfino le aspettative dei clienti. Questi eventi possono essere sia comuni (condizioni climatiche, ritardi nelle consegne o difetti di produzione) sia importanza maggiore (instabilità politica, disastri naturali o instabilità finanziaria di un fornitore) e possono essere sia interni che esterni alla Supply Chain stessa. Con l'avanzamento tecnologico le catene logistiche si sono evolute in reti di catene logistiche (Supply Chain Network o "SCN"), con una struttura rappresentabile tramite una rete. In modo da poter soddisfare i propri obiettivi, le SCN devono essere progettate e aggiornate costantemente. Questa necessità porta al campo della Supply Chain Network Design, ossia la progettazione efficiente di SCN, per ottimizzare il flusso di operazioni che coinvolgono tutti gli enti partecipanti alla realizzazione e alla distribuzione di un prodotto. In questo lavoro di tesi è stato realizzato un Proof of Concept di uno strumento di progettazione di SCN, che analizza dati di tipo storico, in tempo reale e di previsione provenienti da una azienda del settore Automotive e da fonti esterne, per realizzare la SCN ottimizzata sfruttando le potenzialità dell'Intelligenza Artificiale. Questo strumento elabora una simulazione di uno scenario di distribuzione di prodotti di natura diversa realizzati in diversi stabilimenti a un certo numero di clienti che via via si avvicina a un caso reale, ottimizzando aspetti come la distanza percorsa o il tempo percorso dai veicoli su strada. In questo scenario sono presenti anche strutture intermedie (chiamate Centri Distribuzione) che creano una struttura di distribuzione a due livelli e inoltre viene realizzata la distribuzione dei prodotti evitando l'insieme di condizioni considerate avverse nell'orizzonte temporale. In questo studio sono state utilizzate tecniche di clustering (DBSCAN) applicate secondo una tecnica ricorsiva (RDBSCAN) per raggruppare in modo efficiente i clienti sul territorio di distribuzione. Questa tecnica realizza una suddivisione dei clienti in cluster con raggio differente, portando a cluster con raggio più grande in regioni meno dense e cluster con raggio più piccolo in regioni più dense, bilanciando il numero di clienti in ogni cluster. Sono state inoltre utilizzate tecnologie di Google come la piattaforma open-source OR-Tools, usata per la risoluzione di una variante complessa del Vehicle Routing Problem (VRP) per ottenere la distribuzione efficiente dei prodotti, le API di Google Maps per la realizzazione di mappe geografiche di distribuzione basate su strade reali e il servizio Directions per ottenere le indicazioni stradali da usare per le varie tratte. Infine sono stati utilizzati i servizi meteo del collettivo OpenWeather per implementare una gestione della distribuzione che evita condizioni meteo sfavorevoli. Nello scenario più complesso si risolve un MD-MP-2E-CVRP-TW, ossia un "Multi-Depot Multi-Product Two-Echelon Capacitated VRP with Time Windows".