Intelligenza artificiale nella supply chain: dati, modelli e giudizio umano

Inutile affermare come l’intelligenza artificiale non sia solo un argomento ampiamente discusso e dibattuto nei vari media, ma stia progressivamente entrando nella quotidianità di cittadini e lavoratori. Mettiamo in evidenza che si tratta di uno strumento e come tale deve essere utilizzato a supporto di decisioni strategiche anche in ambito aziendale.

Affermare che si tratta di uno strumento significa che è altamente rischioso demandare all’IA la decisione su una determinata strategia o su quale scelta adottare. Proprio per utilizzare in modo adeguato questo strumento è utile conoscere alcuni punti in modo da ottenere dall’IA il meglio.

In ambito aziendale, supponiamo di lavorare in area supply chain, l’intelligenza artificiale può essere utilizzata per monitorare le relazioni con i fornitori, gli acquisti, il livello delle scorte, le previsioni di vendita e i trasporti.

Il primo aspetto da tenere in considerazione è relativo alla qualità dei dati che successivamente verranno trasferiti all’IA in quanto devono essere:

• Affi­dabili: dati corretti, attendibili e privi di errori rilevanti
• Aggiornati: dati recenti e allineati alla situazione reale del momento
• Coerenti: dati tra loro compatibili, non contraddittori e uniformi nei criteri di raccolta
• Accessibili: dati facilmente reperibili e utilizzabili da chi ne ha bisogno, quando servono
• Pertinenti: dati utili e rilevanti rispetto all’obiettivo dell’analisi o della decisione

Un secondo aspetto è che il dataset (insieme di dati da trasferire) è complesso. Spesso nelle richieste che vengono fatte si omettono molti vincoli, aspetti che vengono dati per scontati, che vengono trascurati semplicemente perché fanno parte dell’abitudine o che non vengono presi in considerazione.

Supponiamo di introdurre dei dati e desiderare una previsione della domanda. In questa semplice richiesta, la risposta dell’IA potrebbe essere errata in quanto non vengono fornite indicazioni sulla stagionalità, sulle dipendenze delle vendite con la temperatura ambientale, la relazione con il prezzo del petrolio, l’incertezza geopolitica, le attività e le contromisure messe in atto dai concorrenti oltre che il livello di fiducia espresso dalle aziende.

Infine, è necessario sapere che cosa chiedere. Una volta assicurati dell’attendibilità e della validità del dato, altro punto importante è la conoscenza del tipo di analisi sia necessario fare con il dato.

L’IA può suggerire alcuni modelli, ma è necessario conoscere quando e come i vari modelli possono portare a risultati. Per questo chi fa la domanda deve essere in grado di sapere cosa fare con la risposta fornita.

Ad esempio, di fronte all’analisi delle scorte l’IA può suggerire di fare una classica analisi abc, ma successivamente bisogna interpretare il dato sapendo leggere adeguatamente la distribuzione proposta.  L’IA vede numeri e applica modelli matematici, ma dietro al numero ci sono relazioni, materiali, persone ed eventi che l’IA non vede e non può conoscere.

In sintesi, un buon approccio allo strumento dell’IA deve tenere in considerazione:

• La validità del dato
• Quali modelli adottare per l’analisi del dato (cosa chiedere)
• I vincoli che possono influenzare la risposta
• Sapere interpretare con giudizio le risposte fornite

Forse sta proprio in questo ultimo punto ciò che ci differenzia dall’ IA, ovvero il giudizio.

di Andrea Payaro