Il rifornimento automatico nella catena di approvvigionamento: un approccio visivo a un problema di machine learning

Abstract

Il machine learning è sempre più utilizzato per affrontare sfide complesse di ottimizzazione in settori come l'ottimizzazione dei trasporti e delle reti, la gestione della supply chain e l'analisi antifrode. Questi compiti comportano la gestione di grandi dataset con numerose variabili, che includono tipi di materiali, costi, penali, inventari di magazzino, scorte di sicurezza e dettagli delle transazioni. L'elevato volume e la complessità di tali variabili pongono sfide significative nell'individuare schemi e relazioni significative, rendendo difficile prendere decisioni informate. Sebbene gli algoritmi di machine learning siano efficaci nell'analizzare grandi quantità di dati, la loro efficienza è ostacolata da problemi di qualità dei dati, come errori, valori mancanti e anomalie. Questi problemi risultano particolarmente problematici in assenza di una rappresentazione grafica, poiché la mancanza di visualizzazione rende difficile individuare e risolvere gli errori. Questa tesi affronta questa lacuna critica presentando una soluzione grafica sviluppata durante uno stage per migliorare l'interpretabilità e l'affidabilità delle applicazioni di machine learning. L'approccio proposto si concentra sulla visualizzazione di strutture e relazioni complesse nei dati, facilitando l'individuazione di errori e anomalie. Questa soluzione mira a migliorare la qualità dei dati, consentendo risultati di ottimizzazione e analisi più solidi e accurati in diversi ambiti applicativi.

Machine learning is increasingly employed to address complex optimization challenges in domains such as transport and network optimization, supply chain management, and anti-fraud analysis. These tasks involve managing extensive datasets with numerous variables, encompassing material types, costs, penalties, warehouse inventories, safety stocks, and transaction details. The sheer volume and complexity of such variables pose significant challenges in uncovering meaningful patterns and relationships, making informed decision-making difficult. While machine learning algorithms excel in analyzing large datasets, their effectiveness is hindered by data quality issues, including errors, missing values, and anomalies. These issues are particularly problematic without effective visualization, as the lack of graphical representation complicates the identification and resolution of errors.

This thesis addresses this critical gap by presenting a graphical solution developed during an internship to enhance the interpretability and reliability of machine learning applications. The proposed approach focuses on visualizing complex data structures and relationships to facilitate the detection of errors and anomalies. This solution aims to improve data quality, enabling more robust and accurate optimization and analytical outcomes across diverse applications.