Riassunto analitico
Ad oggi le tecniche di Machine Learning, ed in senso più generale l’Intelligenza Artificiale, forniscono degli strumenti estremamente utili per una vasta gamma di attività aziendali, tra cui la valutazione delle prestazioni e le analisi predittive.
Lo scopo di questa tesi è quello di proporre e valutare diversi approcci, al fine di selezionare il miglior algoritmo capace di risolvere un problema di tipo ‘forecasting’ di indicatori chiave per le attività di elaborazione dell’offerta commerciale e di pianificazione della produzione.
Dopo una attenta e scrupolosa analisi del contesto aziendale è stato possibile andare a selezionare le ‘fetures’ rilevanti che costituiranno le variabili dipendenti del modello proposto. Gli output da predire, in questo caso specifico, sono le ore di manodopera e di progettazione necessarie alla realizzazione di un determinato impianto di trasporto materiale.
Proponendo un approccio esaustivo, tipico degli studi e delle pubblicazioni scientifiche che approfondiscono tali tematiche, sono stati adoperati e valutati approcci differenti, i quali hanno portato alla selezione del miglior algoritmo per il problema analizzato.
A seguito di ciò è stato realizzato un tool compatibile agli strumenti informatici aziendali che rispetta i principi di scalabilità e facilità di utilizzo, ritenuti essenziali per un continuo sviluppo futuro del progetto tramite un perpetuo popolamento del dataset ed aggiornamento automatico dei parametri necessari ad effettuare la previsione.
Si conclude l’elaborato con la valutazione di sviluppi futuri tramite ulteriori approcci di Machine Learning che potrebbero superare i limiti del tool implementato in azienda.
Nel primo capitolo, il corrente, dopo una iniziale presentazione dell’azienda, della sua storia e del mercato in cui opera, verranno approfondite alcune tematiche utili a comprendere il contesto oggetto di questa tesi. Verranno, quindi, illustrati:
- la tipologia di impianti prodotti da Motridal, i quali costituiranno il dataset di partenza.
- la struttura aziendale, in modo da poter contestualizzare il progetto e definire lo scopo e l’obiettivo dell’analisi.
Nel secondo capitolo è presentata una revisione di parte della letteratura utilizzata per gettare le basi di questo studio. Come verrà approfondito in seguito, sono presenti numerose pubblicazioni relative al Machine Learning e agli algoritmi utilizzati che però trovano spazio di applicazione in contesti e con finalità diverse da quelle di questo elaborato.
Nel terzo capitolo sono approfonditi dal punto di vista teorico gli algoritmi di Machine Learning utilizzati; questo al fine di permettere a chi consulterà questa tesi di poter replicare la metodologia presentata ed eventualmente approfondirla e migliorarla.
Nel quarto capitolo sono mostrate le strategie e gli approcci operativi descritti dal punto di vista teorico nel capitolo precedente. Oltre a ciò, viene presentato il dataset, le sue features e il processo di data pre-processing.
Nel quinto capitolo si riportano i risultati ottenuti tramite diversi indicatori di errore utili a selezionare la migliore ‘variante di algoritmo’ tra quelle valutate. Questa è stata poi utilizzata per sviluppare il tool finale utile lasciato a disposizione dell’azienda valutato sugli impianti realizzati da Ottobre 2021 ad Aprile 2022.
Nel sesto capitolo si conclude l’elaborato con considerazioni finali utili a replicare e sviluppare ulteriormente lo studio anche con altri metodi di Machine Learning i quali potrebbero superare le problematiche riscontrate.
Seguono infine la Bibliografia e la sezione relativa alle appendici contenente la procedura approvata da Motridal per aggiornare ed utilizzare il tool finale realizzato.
|
