L’organizzazione della movimentazione della merce richiede, soprattutto per le grandi aziende di logistica, un grande impiego di risorse umane, economiche e di mezzi. Mezzi che, movimentandosi, hanno peraltro un notevole impatto anche e soprattutto sull’ambiente.

Proprio nella direzione di andare ad ottenere processi più efficienti, nasce l’idea con base in Brianza, a Nova Milanese, di Filippo Tamburini, Cosmo Valentino, Erica Pezzica e Alessandro Salvetti, 4 ingegneri con esperienze diverse, dalla consulenza manageriale, alla supply chain software, sino allo sviluppo software. Il team, mosso dal comune intento di implementare algoritmi di intelligenza artificiale ha dato avvio nel 2020 alla startup Cargoful, che ha potuto godere dapprima dell’accelerazione da parte di B4i – Bocconi for innovation e poi, dal 2021, ha potuto sfruttare investitori quali l’Università Bocconi, Smeup (azienda di Brescia che si occupa di sviluppo software) insieme a Skydeck, un acceleratore dell’Università di Berkeley, in California.

Il software, il cui sviluppo è stato avviato nel 2020, è sul mercato dal mese di maggio del 2023, può essere acquistato dietro pagamento di un abbonamento mensile e consente di andare a programmare le consegne, la movimentazione dell’intera flotta, pianificando gli itinerari nella maniera più efficiente possibile: il tutto andando a collettare i dati provenienti dalle stesse flotte delle aziende Clienti ed andandoli ad elaborare mediante algoritmi di intelligenza artificiale.

Si chiama Cargoful, tecnicamente si definisce Transportation Management System, e va a calcolare con l’utilizzo di algoritmi di intelligenza artificiale la migliore combinazione di dati per l’ottimizzazione dell’itinerario, dei tempi di carico, di scarico, la saturazione dei mezzi e il personale impiegato.

Sarà poi dunque l’algoritmo a programmare le consegne, anche andando a prevedere quali ordini saranno consegnati e quando, quali in ritardo, suggerendo modifiche anche mediante notifiche in tempo reale.

Stando ai risultati monitorati dagli sviluppatori, il software consentirebbe di ottenere una riduzione pari all’80% in termini di risorse umane impiegate per la pianificazione delle spedizioni, una riduzione pari al 14% dell’impatto sull’ambiente, grazie anche alla riduzione pari al 15% del chilometraggio percorso.

Risultati non trascurabili, rilevati sugli attuali 16 Clienti, ovvero aziende di differenti dimensioni (dai 15 agli 800 mezzi) che effettuano dalle 15 alle 50 consegne al giorno, che trasportano prodotti alimentari, beverage o personal care ai diversi livelli della supply chain.

L'articolo Da Nova Milanese l’Intelligenza Artificiale al servizio dell’ottimizzazione logistica proviene da Osservatorio C Quadra.

Caratteristica non riscontrabile in Jueying: creato da un team di ricercatori dell’Università cinese di Zhejiang insieme all’Università di Edimburgo, il cane robot riesce a muoversi nello spazio e a rispondere a determinati stimoli semplicemente perché ha imparato a farlo.

Immaginiamo un bambino che impara a camminare quando più piccolo. Una volta chiesto al bambino di compiere dei movimenti specifici, come salire le scale o sedersi, non si procede a dare istruzione sul come muovere una gamba o un braccio, passo passo. Il bambino lo imparerà semplicemente provandoci. Allo stesso modo, a Jueying non vengono fornite indicazioni su ogni possibile scenario realizzabile. Anche perché il mondo reale è un continuo imprevisto: difficilmente sarebbe possibile codificare ogni situazione, ogni comportamento, ogni reazione ad uno stimolo.

Zhibin Li, robotista dell’Università di Edimburgo e autore di un recente articolo sulla rivista Science Robotics che descrive il funzionamento di Jueying, insieme al team di ricerca, ha innanzitutto addestrato il software a guidare una versione virtuale del cane robot. Come? Mediante lo sviluppo di un’architettura di apprendimento con otto “esperti” algoritmici con lo scopo di aiutare il cane robot a mettere in atto ed imparare comportamenti complessi. Per ognuno di questi, è stata utilizzata una rete neurale profonda, specializzata in una particolare tipologia di abilità. Al robot sono poi state fornite delle “ricompense digitali” in caso di successo o, viceversa, dei “demeriti digitali” in caso di insuccesso. In questo modo, ognuno degli “esperti” ha acquisito padronanza su un’esperienza.

Grazie all’Intelligenza Artificiale, il robot simulato ha così potuto procedere per tentativi ed errori, sino ad imparare dall’esperienza, a differenza dei robot tradizionali in cui ogni possibilità, ambiente, configurazione è codificata meticolosamente, riga per riga. Non c’è modo di prevedere totalmente il caos, non è possibile codificare ogni imprevisto. Al contrario con l’AI, Jueying è in grado di resistere all’imprevisto.

Come si è detto, al contrario del metodo tradizionale, questo approccio consente di imparare compiendo un’azione centinaia di migliaia di volte o anche milioni di volte, se necessario. Quel che risulta fondamentale è il coordinamento e la collaborazione tra gli otto esperti algoritmici: i ricercatori li hanno infatti combinati in una rete globale in modo da farli agire (e reagire) allo stesso modo in cui una squadra si muove grazie al suo allenatore/capitano. (Nel video qui sopra, gli 8 esperti sono rappresentati dalle 8 barre verticali colorate). Camminare su una superficie ricoperta di pietre senza brutte distorsioni alle caviglie, correre su una superficie scivolosa: se il cane robot dovesse perdere l’equilibrio, tutti gli otto esperti, agiscono per ripristinare l’equilibrio, per farlo reagire, per farlo proseguire, ecc. E tutti questi apprendimenti, possono poi essere trasferiti dal robot virtuale al robot fisico.

Avremo così macchine più intelligenti, in grado di combinare abilità flessibili e adattive e di gestire una varietà di compiti mai visti prima.

Zhibin Li

Fonte:
Chuanyu Yang, Kay Yuan, Qiuguo Zhu, Wanming Yu, Zhibin Li (2020) Multi-expert learning of adaptive leggend locomotion, Science Robotics 9 Dec 2020, Vol. 5, Issue 49, eabb2174, DOI: 10:1126/scirobotics.abb2174

L'articolo Il robot addestrato con l’Intelligenza Artificiale proviene da Osservatorio C Quadra.