Riassunto analitico
Nelle aziende, la gran mole di dati memorizzati in un software per la gestione di un magazzino ha portato in primo piano la presenza e la ricerca di valori anomali in questi dati, dovuti ad errori umani o strumentali. L'obiettivo di questo elaborato è quello di creare un sistema di rilevazione delle anomalie tramite le tecniche esistenti di Machine Learning e di integrare questo sistema in un WMS esistente. Per la creazione di questo sistema sono stati dapprima analizzati i dati di campo presenti in un WMS e successivamente è stato scelto l'algoritmo FP-Growth che ha associato e raggruppato i dati sulla base di pattern di features significative, che rappresentano il modello appreso dai dati. Istanze che si discostano dal modello generato sono segnalate come possibili anomalie. Le risposte ottenute dalla fase di test del sistema hanno mostrato che il problema della ricerca delle anomalie è una sfida difficile e complicata, non esistono precisione e affidabilità al 100%, ma l'integrazione di un sistema di anomaly detection può essere un valido aiuto per rilevare i dati anomali al fine di evitare conseguenze spiacevoli per l’azienda in termini di tempi e di costi maggiori.
|
