Il progetto MILA, sviluppato da Optit nell’ambito del Partenariato Esteso FAIR (Future Artificial Intelligence Research) e in particolare sulla base del bando a cascata “Pervasive AI” dell’Università di Bologna, nasce per colmare la distanza tra i modelli di ottimizzazione e la realtà dei dati operativi.
Nella logistica, infatti, i dati raramente sono puliti: anagrafiche con errori, velocità reali diverse da quelle delle mappe, criteri di pianificazione che nessun modello registra. Così anche l’algoritmo più rigoroso rischia di ottimizzare uno scenario che non esiste.
MILA ha risposto con un approccio ibrido. Unisce il rigore dei modelli simbolici di ottimizzazione alla capacità del machine learning di leggere e correggere i dati reali. Il risultato sono nuove funzionalità per le piattaforme Optit e un contributo alla ricerca sull’AI applicata a logistica e ambiente.
Il progetto ha portato nuove funzionalità nelle piattaforme Optit e, allo stesso tempo, ha contribuito all’avanzamento scientifico dell’AI applicata a logistica e ambiente.
I risultati
Dati più affidabili. Modelli prototipali che correggono in automatico i dati anagrafici e ricavano le caratteristiche dei nuovi punti logistici, anche quando le informazioni disponibili sono parziali.
Carichi ottimizzati. Algoritmi che definiscono il caricamento ottimale delle merci nei veicoli e scelgono in autonomia i parametri di configurazione più adatti.
Mappe che riflettono la strada. Un prototipo di map matching che arricchisce la rete stradale con le velocità reali ricavate dai dati GPS. I modelli di pianificazione lavorano così su tempi di percorrenza concreti, non teorici.
Il fattore umano nei modelli. Modelli che apprendono le preferenze di chi pianifica. Permettono di valutare la qualità dei viaggi e di prevedere le sequenze di visita nel Food Retail, integrando l’esperienza degli operatori invece di ignorarla.
Nuovi KPI di affinità. Indicatori che misurano l’affinità tra servizio e operatore e la portano dentro i modelli di ottimizzazione, per orientare le scelte di pianificazione in modo più efficace.
Impatto e sostenibilità
MILA ha contribuito anche agli obiettivi trasversali del PNRR: pianificare su dati più accurati significa ridurre i chilometri percorsi. Gli strumenti sviluppati pongono inoltre le basi, teoriche e operative, per la transizione verso flotte elettriche, a sostegno della mitigazione dei cambiamenti climatici e dell’economia circolare.
