dc.contributor.advisor | Giovannetti, Antonio <1994> | |
dc.contributor.advisor | Tonelli, Flavio <1972> | |
dc.contributor.author | Stufano, Valeria Carolina <1998> | |
dc.date.accessioned | 2024-04-04T14:30:46Z | |
dc.date.available | 2024-04-04T14:30:46Z | |
dc.date.issued | 2024-03-27 | |
dc.identifier.uri | https://unire.unige.it/handle/123456789/8294 | |
dc.description.abstract | Questa tesi di laurea esamina l'integrazione della Generative AI, con un focus sui Large Language Models (LLMs), nel dominio del Supply Chain Management (SCM) per navigare le complessità del mercato moderno e potenziare le efficienze operative. L'attuale ambiente SCM è caratterizzato da una maggiore complessità a causa di fattori quali la concorrenza globale, aspettative dei consumatori elevate e schemi complessi della domanda dei clienti. Il passaggio verso la digitalizzazione nelle catene di fornitura evidenzia il ruolo critico della gestione dei dati, richiedendo capacità analitiche migliorate e competenze interfunzionali per garantire operazioni efficienti e processi decisionali. Data l'escalation delle sfide nell'SCM, la ricerca sottolinea la necessità di soluzioni innovative e disruptive. Tra queste, l'intelligenza artificiale, e più specificamente l'AI Generativa, emerge come un'innovazione pionieristica, offrendo un vantaggio strategico nel navigare il panorama in evoluzione della SCM. Concentrandosi sugli LLMs, inclusi il GPT-3.5 Turbo di OpenAI e il Mistral-7B-Instruct-v0.2, lo studio esplora la loro applicazione in aree chiave dell'SCM: gestione della conoscenza, previsione, gestione delle relazioni con i fornitori e miglioramento del servizio clienti.
La metodologia si concentra sul dispiegamento di questi LLMs come un nuovo strato all'interno di un quadro strutturato tra esseri umani e operazioni basate su dati, utilizzando il toolkit LangChain e la libreria Pandas di Python per dimostrare la loro utilità pratica nell'analizzare complessi dataset della catena di fornitura. I risultati sottolineano il significativo potenziale degli LLMs nell'ottimizzare i processi di SCM, indicando notevoli miglioramenti nel processo decisionale basato sui dati e nell'analisi predittiva.
Valutando sistematicamente l’impatto e l'applicabilità di diversi LLMs, la tesi contribuisce alla comprensione dell'impatto ell'AI sulle operazioni della catena di fornitura. | it_IT |
dc.description.abstract | This Master's Thesis investigates the integration of Generative AI, with a focus on Large Language Models (LLMs), within the domain of Supply Chain Management (SCM) to navigate modern market complexities and enhance operational efficiencies. The current SCM environment is marked by increased complexity due to factors such as global competition, heightened consumer expectations, and intricate patterns of customer demand. The shift towards digitalization in supply chains highlights the critical role of data management, demanding enhanced analytical capabilities and cross-functional expertise to ensure efficient operations and decision-making. Given the escalating challenges in SCM, the research emphasizes the necessity for innovative and disruptive solutions. Among these, artificial intelligence, and more specifically Generative AI, emerges as a pioneering innovation, offering a strategic advantage in navigating the evolving landscape of SCM. Focusing on LLMs, including OpenAI's GPT-3.5 Turbo and Mistral-7B-Instruct-v0.2, the study explores their application across key SCM areas: knowledge management, forecasting, supplier relationship management, and customer service enhancements.
The methodology centers on deploying these LLMs as a new layer within a structured framework between humans and data driven operations, utilizing the LangChain toolkit and Python's Pandas library to demonstrate their practical utility in analyzing complex supply chain datasets. The results underscore LLMs' significant potential to streamline SCM processes, indicating notable improvements in data-driven decision-making and predictive analytics.
By systematically evaluating the impacts and applicability of different LLMs, the thesis contributes to the understanding of AI's transformative impact on supply chain operations , offering insights into optimizing strategies and enhancing overall supply chain resilience and sustainability. | en_UK |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.title | Esplorare le Capacità dei Large Language Models nell'Ottimizzare le Operazioni della Supply Chain | it_IT |
dc.title.alternative | Exploring the Capabilities of Large Language Models in Optimizing Supply Chain Operations | en_UK |
dc.type | info:eu-repo/semantics/masterThesis | |
dc.subject.miur | ING-IND/17 - IMPIANTI INDUSTRIALI MECCANICI | |
dc.publisher.name | Università degli studi di Genova | |
dc.date.academicyear | 2022/2023 | |
dc.description.corsolaurea | 8734 - INGEGNERIA GESTIONALE | |
dc.description.area | 9 - INGEGNERIA | |
dc.description.department | 100025 - DIPARTIMENTO DI INGEGNERIA MECCANICA, ENERGETICA, GESTIONALE E DEI TRASPORTI | |