Il potenziale dei modelli di linguaggio di grandi dimensioni (LLM) e dei modelli di base nella supply chain

Scrivere e adattare testi, aiutare a riassumere informazioni e generare nuovi approcci e idee innovative: dal punto di vista professionale, queste sono le tre richieste più comuni che gli utenti fanno a ChatGPT. La fonte è piuttosto affidabile: la piattaforma stessa di OpenAI.

Al di là di questi compiti “generici”, probabilmente ognuno di noi ha usato questi prompt a un certo punto del proprio lavoro, ma la verità è che ChatGPT e altri sistemi simili possono essere applicati anche a compiti più specifici. La supply chain non fa ovviamente eccezione. In questo articolo esamineremo le applicazioni dei sistemi di IA di base, inclusi i modelli linguistici di grandi dimensioni (LLM) come ChatGPT, nella supply chain.

Cosa sono i modelli linguistici di grandi dimensioni (LLM)?

I modelli linguistici di grandi dimensioni (LLM) sono un tipo specifico di modello di IA di base. Addestrati con enormi volumi di dati testuali, il loro obiettivo non è risolvere un singolo compito specifico, ma acquisire una comprensione generale del linguaggio che possa essere riutilizzata in contesti diversi.

Grazie a questo addestramento, i modelli di linguaggio di grandi dimensioni (LLM) sono in grado di scrivere testi, riassumere informazioni, rispondere a domande complesse, ragionare sulla base di dati non strutturati e tradurre concetti tecnici in un linguaggio più accessibile. Strumenti come ChatGPT sono un chiaro esempio di questo approccio: un unico modello in grado di svolgere compiti molto diversi tra loro senza bisogno di essere riaddestrato per ciascuno di essi.

Vantaggi dell’IA applicata alla supply chain

Un LLM è particolarmente abile in una cosa: lavorare con il linguaggio. Nella supply chain, questo ha un potenziale enorme quando è collegato ai sistemi esistenti (ERP, WMS, TMS, data warehouse, ecc.).

Il potenziale degli LLM nella supply chain non consiste semplicemente nel chiedere loro di “ottimizzare”, un’attività per la quale, almeno per ora, non sono abbastanza efficienti o affidabili, ma nell’aiutare le persone a interagire meglio con i sistemi di pianificazione esistenti, a comprenderne i risultati e a prendere decisioni più rapide e informate.

Diamo un’occhiata ad alcuni dei principali vantaggi.

Semplificare l’uso di piattaforme avanzate e complesse

È stato dimostrato che una pianificazione avanzata riduce i costi, migliora i livelli di servizio e contiene le scorte. Il problema è che, nella pratica quotidiana, il valore di un sistema di ottimizzazione non dipende solo dal trovare la soluzione migliore, ma anche dal fatto che tale soluzione sia comprensibile e ispiri fiducia.

In molte aziende, è proprio qui che si crea il divario. La piattaforma di ottimizzazione fa i suoi calcoli, ma i team che la utilizzano sono diffidenti. Questo può portare a domande che richiedono ore o giorni per essere risolte, alla dipendenza da figure tecniche per richieste relativamente semplici e a una sensazione persistente del tipo: «Non capisco perché il sistema abbia deciso così».

In questo contesto, gli LLM stanno iniziando a svolgere un ruolo molto specifico e utile: diventare un livello di interazione e traduzione tra le persone e i sistemi di pianificazione, specialmente quando dietro ci sono decisioni complesse (vincoli, dipendenze, scenari, priorità, ecc.).

Nella supply chain, ci sono domande che si ripetono costantemente:

• “Perché abbiamo soddisfatto questa domanda da questo fornitore (e non da un altro)?”
• “Cosa succede se la domanda in quest’area aumenta del 10%?”
• “Possiamo limitare il numero di fornitori per motivi di qualità o di rischio?”
• “Che impatto avrebbe bloccare questa linea di trasporto?”
• “Quale SKU sta generando il maggior numero di rotture e perché?”

Queste domande comuni richiedono risposte chiare, ma rispondere spesso comporta rivedere parametri, consultare tabelle, eseguire calcoli, simulare scenari… E in molte organizzazioni, questo significa aprire un ticket, aspettare un analista, consultare un tecnico, rieseguire… perdendo in definitiva molta agilità quando si tratta di prendere decisioni.

È qui che i modelli di linguaggio di grandi dimensioni (LLM) diventano strumenti davvero utili, non come sostituti del motore matematico, ma come interfaccia intelligente per accedere, spiegare ed esplorare i suoi risultati.

Previsione delle serie temporali

L’intelligenza artificiale sta iniziando ad essere applicata anche alle previsioni delle serie temporali, anche se in questo caso, tecnicamente, non ci riferiamo agli LLM ma piuttosto a quelli che sono noti come Time Series Foundation Models. Addestrandosi su grandi volumi di dati storici, possono imparare modelli comuni e generare rapidamente previsioni per un’ampia varietà di comportamenti, dalla domanda intermittente ai modelli stagionali o agli eventi una tantum.

In questo contesto, è possibile immaginare uno scenario in cui l’utente fornisce alla piattaforma delle serie temporali insieme a informazioni contestuali, e il sistema restituisce una previsione accompagnata da spiegazioni, metriche di performance e raccomandazioni su come migliorarla. Con questo tipo di modello, si potrebbe ottenere un processo di previsione di alta qualità con il minimo sforzo e senza bisogno di conoscenze tecniche approfondite.

Processo decisionale e risposta a scenari “what-if”

Anche in questo caso, non ci riferiamo strettamente agli LLM, ma ai Decision Foundation Models. Questo tipo di IA può andare oltre la previsione delle serie temporali ed essere applicato anche a problemi di processo decisionale. Grazie a questo addestramento preliminare, il modello può affrontare diversi tipi di decisioni con un minimo di adattamento.

In questo contesto, quando l’utente pone una domanda “what-if”, l’LLM interpreta l’intenzione (ad es. “blocca questo fornitore” o “limita questo impianto”) e avvia lo scenario. Quindi confronta il risultato con il piano attuale e lo spiega.

Il vantaggio principale è che non c’è bisogno di addentrarsi in matematica avanzata: per il business, la risposta è solitamente “aumento/diminuzione dei costi”, “il servizio è compromesso”, “appare un rischio”, “il carico viene spostato” o “non c’è una soluzione fattibile”.

Rendere accessibili le informazioni esistenti (ma sparse)

Parte del problema è che i dati della supply chain sono isolati: tabelle, report, dashboard, strumenti diversi, nomenclature diverse… e spesso le domande richiedono di incrociare più fonti. Un LLM può fungere da “orchestratore” delle query: non perché “conosca” i dati, ma perché può richiederli dai sistemi giusti e comporre una risposta coerente.

I rischi dell’applicazione dell’IA alla supply chain

Se applichi gli LLM alle operations della tua supply chain, ci sono due preoccupazioni inevitabili:

Privacy e dati sensibili

L’approccio più sensato è non scaricare i dati nel modello. L’LLM funge invece da livello di ragionamento e linguaggio, mentre i dati e i calcoli rimangono all’interno del tuo ambiente (database, solutori, sistemi interni).

“Allucinazioni” e risposte che sembrano plausibili

Nella supply chain, una risposta errata non è un semplice errore aneddotico: può costare denaro, servizi e/o reputazione del marchio.

Pertanto, il modus operandi più consigliato non è “chiedi all’LLM e fidati”, ma piuttosto:

• L’LLM propone l’azione (query, scenario, restrizione).
• Il sistema la convalida (regole, autorizzazioni, controlli).
• La piattaforma di gestione della supply chain la calcola.
• L’LLM spiega il risultato.

L’impatto dei modelli di linguaggio di grandi dimensioni (LLM) sul team della supply chain

In termini di impatto operativo, un approccio ben progettato che vede l’LLM come “copilota della pianificazione” di solito si traduce in:

• Maggiore autonomia per il pianificatore nell’esplorare scenari senza dover fare affidamento sull’ingegneria o sull’analisi dei dati.
• Meno attriti interni: meno discussioni per spiegare il “perché”.
• Decisioni più rapide in caso di cambiamenti (domanda, capacità, fornitori, trasporti).
• Migliore adozione del sistema di pianificazione: se viene compreso, viene utilizzato; se viene utilizzato, genera valore.

Conclusione: quando la pianificazione viene compresa, inizia a generare valore reale

Nella supply chain, una delle sfide principali, al di là del calcolo della risposta a un problema, è trasformare quella risposta in una decisione che l’azienda capisca, di cui si fidi e che metta in pratica.

Da questo punto di vista, il valore degli LLM non sta nel “fare il piano” o nel sostituire le piattaforme di ottimizzazione della supply chain, ma nell’avvicinare la pianificazione avanzata alle persone che prendono decisioni ogni giorno. Agendo come un livello di interpretazione e dialogo, permettono di esplorare scenari, di comprendere le ragioni alla base di ogni proposta e di ridurre l’attrito tra modelli complessi e realtà operativa.

Se il prossimo livello di maturità nella supply chain comporta colmare il divario tra ciò che il sistema calcola e ciò che l’azienda deve decidere, gli LLM – integrati in modo responsabile e collegati a solidi strumenti di pianificazione – stanno emergendo come un fattore chiave per raggiungere questo obiettivo.