Per il grande pubblico è arrivata da pochi mesi, ma in realtà di Intelligenza Artificiale si parla già da anni, con studi e applicazioni diffuse in tanti campi: dal machine learning al riconoscimento facciale, dal concetto di rete neurale alla robotica. Noi di TechMakers abbiamo iniziato a girarci intorno una dozzina di anni fa e nel 2013 abbiamo provato – seguendo il nostro istinto e la nostra mission – a impiegare questa nuova tecnologia per offrire una soluzione nuova e innovativa a un cliente.
A lanciarci la sfida fu una primaria industria del settore macchine per gas tecnici, un’azienda lungimirante i cui vertici avevano come obiettivo quello di ottimizzare i magazzino, riducendo la giacenza media ed evitando la rottura delle scorte. La nostra proposta vide la luce nel giro di qualche settimana: la chiamammo StockSimulator ed era (è) un sistema di previsione delle vendite e di simulazione di un magazzino ricambi. La parte più affascinante fu progettare il sistema previsionale: abbiamo allenato un rete neuronale con i dati di vendita dei 36 mesi precedenti, articolo per articolo.
Con questa grande massa di dati, siamo riusciti a costruire delle previsioni di vendita in grado di rispettare stagionalità e progressioni quantitative. Le previsioni erano a loro volta la base per calcolare i livelli minimi e massimi di scorta; il gestionale a quel punto si occupava di emettere gli ordini ai fornitori, con il metodo SIC (Statistical Inventory Control). Per chiudere il cerchio, i dati del riordino e le previsioni di vendita diventavano gli elementi per una nuova simulazione, in grado di far capire all’azienda se i parametri impostati potevano o meno causare una rottura della scorta. Nel caso si sarebbe deciso una variazione dei parametri manuale o automatica.
Avevamo però ancora un problema: questo processo durava circa un secondo per ogni item a magazzino. Ma nel magazzino gli item erano circa 36 mila e il processo in questo modo durava circa dieci ore. A quel punto, per ridurre i tempi abbiamo creato un sistema di elaborazione in parallelo, con un server master che distribuiva il lavoro a 4 server slave. Così facendo siamo scesi a tre ore di simulazione, che girava ogni venerdì notte, restituendo una fotografia sempre aggiornata di settimana in settimana.
Una soluzione basata sull’AI quando ancora se ne parlava poco o pochissimo e che ancora funziona perfettamente, con rarissimi interventi di manutenzione in oltre dieci anni. E risultati evidenti: l’impegno finanziario di magazzino è sceso del 70% e le rotture di stock sono praticamente sparite, se non per quei pochi casi in cui si è accettato di averle per articoli considerati non strettamente necessari.
