Skip to main content

Enhanced data management techniques for real time logistics planning and scheduling

Article Category

Article available in the folowing languages:

L’IA protegge la catena di approvvigionamento globale dall’obsolescenza

Il progetto LOGISTAR, finanziato dall’UE, rivela come l’automazione, l’intelligenza artificiale e i dati potrebbero essere fondamentali per ottimizzare le operazioni logistiche all’interno delle catene di approvvigionamento globali.

Economia digitale
Trasporti e Mobilità

Catene di approvvigionamento efficienti rappresentano la spina dorsale dell’economia mondiale. Tuttavia, come è emerso durante la pandemia di COVID-19, le catene di approvvigionamento globali possono essere facilmente interrotte. Ecco perché, mentre ci inoltriamo lentamente in un mondo post-pandemia, è essenziale lavorare per proteggerle meglio da future interruzioni. «La crescita economica globale ha messo a dura prova le nostre limitatissime infrastrutture logistiche», afferma Enrique Onieva, professore di informatica e sistemi intelligenti presso l’Università di Deusto in Spagna. «L’uso efficiente di questa infrastruttura e delle risorse di trasporto disponibili è un obiettivo decisamente importante.» È qui che entra in gioco il progetto LOGISTAR (Enhanced data management techniques for real time logistics planning and scheduling). «Sfruttando i dati sempre più in tempo reale raccolti dall’ambiente interconnesso, il progetto LOGISTAR si propone di spianare la strada verso una pianificazione efficace delle operazioni di trasporto nell’ambito della catena di approvvigionamento», aggiunge Onieva, che funge da coordinatore del progetto.

Un’architettura da punto a punto

Il risultato principale del progetto è un’architettura da punto a punto in grado di catturare e armonizzare automaticamente i dati, inviare i messaggi corrispondenti ai moduli incaricati di eseguire diversi algoritmi e raccogliere i risultati da mostrare alle parti interessate. «Questa soluzione prende i dati disponibili in tempo reale e li fa confluire in algoritmi basati sull’IA», spiega Onieva. «Questi algoritmi vengono poi utilizzati per eseguire una serie di servizi, ognuno dei quali è orientato all’ottimizzazione delle operazioni della catena di approvvigionamento.» Per esempio, un servizio utilizza la previsione precisa del tempo di arrivo stimato e il rilevamento degli incidenti per ottimizzare le operazioni di magazzino. «Aiutando i magazzini a usare le loro risorse disponibili in maniera più efficiente, questo servizio riduce i tempi d’attesa e le strozzature della catena di approvvigionamento causate da tali ritardi», aggiunge Onieva. Un altro servizio migliora l’instradamento delle merci e l’ottimizzazione della capacità di carico. «Sfruttando diverse modalità di trasporto, come camion, treni e navi, siamo in grado di ottimizzare l’uso di tutte le infrastrutture disponibili, riducendo al contempo i costi complessivi del trasporto logistico», osserva. A questo proposito, il progetto ha anche sviluppato uno strumento per la pianificazione collaborativa orizzontale. «Aiutando i diversi attori della catena di approvvigionamento a condividere le risorse disponibili, possiamo ridurre il numero di chilometri percorsi dai camion vuoti, il che a sua volta riduce le emissioni di gas serra», osserva Onieva.

Risposte pratiche a problemi reali

Onieva afferma che la COVID-19 non ha interrotto soltanto le catene di approvvigionamento, ma ha anche influenzato progetti di ricerca come LOGISTAR. «La pandemia ha colpito proprio quando stavamo per avviare le nostre attività di collaudo, costringendoci a condurre tutto in remoto», spiega. Nonostante questa sfida imprevista, il progetto è riuscito a fornire risposte pratiche a problemi reali della catena di approvvigionamento. «Il nostro successo è il risultato diretto dell’impegno di tutte le persone coinvolte in questo progetto», conclude Onieva. «Possiamo essere un grande team proveniente da diversi contesti e settori, ma abbiamo tutti condiviso lo stesso obiettivo: proteggere le nostre catene di approvvigionamento globali dall’obsolescenza.» Sebbene il progetto sia ormai concluso, Onieva e alcuni altri partner del progetto stanno lavorando per migliorare il livello di maturità tecnologica dei servizi LOGISTAR. L’obiettivo finale è quello di far progredire la tecnologia verso la commercializzazione.

Parole chiave

LOGISTAR, catena di approvvigionamento, automazione, intelligenza artificiale, IA, dati, logistica, infrastruttura, trasporto, algoritmo, magazzino

Scopri altri articoli nello stesso settore di applicazione