Analisi e Ottimizzazione dei processi produttivi tramite architettura basata su AI generativa e knowledge base graph: L'uso di LLM ad agenti per l'analisi log-driven

Abstract

Questa tesi si concentra sull’analisi e ottimizzazione dei processi produttivi utilizzando un’architettura basata su Artificial Intelligence (AI) generativa e Knowledge Base Graphs (KBG), con particolare riferimento all’utilizzo di modelli di linguaggio su larga scala (LLM) agent-based per l’analisi log-driven. La scelta di questo argomento nasce dalla necessità di affrontare le sfide dell’Industria 4.0 e di prepararsi al passaggio verso l’Industria 5.0, che richiede una maggiore simbiosi tra esseri umani e macchine. L’obiettivo principale è stato lo sviluppo di una soluzione avanzata che automatizzi la mappatura e l’analisi dei processi industriali, trasformando i dati da file log strutturati e non strutturati in un knowledge graph interrogabile. Il sistema si basa su strumenti come LlamaIndex per la strutturazione dei dati, Neo4j per la gestione dei grafi, la funzione Retrieval-Augmented Generation (RAG) di LangChain per le interrogazioni e la tecnologia Swarm per il supporto multi-agente, migliorando l’accessibilità e riducendo l’intervento umano necessario nei processi produttivi. I risultati ottenuti dimostrano una riduzione dei tempi di analisi, un miglioramento dell’efficienza e una maggiore autonomia decisionale dei sistemi. La soluzione proposta rappresenta un passo avanti verso una gestione più intelligente e sostenibile dei processi industriali, offrendo una base solida per future ricerche e applicazioni nell’ambito della supply chain e della produzione.

This thesis focuses on the analysis and optimization of production processes using an architecture based on generative Artificial Intelligence (AI) and Knowledge Base Graphs (KBG), with particular emphasis on the use of large-scale language models (LLM) agent based for log-driven analysis. The choice of this topic stems from the need to address the challenges of Industry 4.0 and to prepare for the transition to Industry 5.0, which requires greater symbiosis between humans and machines. The main objective was to develop an advanced solution that automates the mapping and analysis of industrial processes, transforming data from structured and unstructured log files into a queryable knowledge graph. The system is built on tools such as LlamaIndex for data structuring, Neo4j for graph management, the Retrieval-Augmented Generation (RAG) function of LangChain for querying, and Swarm technology for multi-agent support, improving accessibility and reducing the human intervention required in production processes. The results achieved demonstrate a significant reduction in analysis time, improved efficiency, and greater decision-making autonomy of the systems. The proposed solution represents a significant step toward smarter and more sustainable management of industrial processes, providing a solid foundation for future research and applications in the supply chain and production domains.