Il corso "Applications of AI/ML in Operations and Supply Chain Management" offre una panoramica completa dei concetti chiave della supply chain, della gestione delle operazioni e della logistica, concentrandosi…
Scheda dell'insegnamento
Obiettivi formativi
Il corso "Applications of AI/ML in Operations and Supply Chain Management" offre una panoramica completa dei concetti chiave della supply chain, della gestione delle operazioni e della logistica, concentrandosi sull'utilizzo delle tecnologie di AI e di apprendimento automatico. Il corso mira a fornire agli studenti le conoscenze e le competenze necessarie per ottimizzare i diversi aspetti dei processi operativi e della supply chain utilizzando queste tecnologie avanzate. Il corso inizia con una rapida introduzione ai concetti fondamentali della supply chain, della gestione operativa e della logistica. Gli studenti acquisiranno una solida base in queste aree, ponendo le basi per comprendere come l'IA e il ML possano essere applicati in modo efficace. Successivamente, il corso si addentra nello sviluppo di simulazioni di eventi discreti, utilizzando Python e Simpy. Gli studenti impareranno a creare simulazioni che imitano scenari reali, consentendo loro di modellare e analizzare vari processi operativi e di supply chain. Questo bagaglio di competenze pratiche consentirà agli studenti di acquisire conoscenze e prendere decisioni basate sui dati. Il corso si concentra poi sugli algoritmi di apprendimento per rinforzo, applicati specificamente nel contesto delle simulazioni di eventi discreti. Gli studenti impareranno a sfruttare questi algoritmi per modellare ambienti di officina e ambienti intra-logistici altamente automatizzati. Utilizzando l'apprendimento per rinforzo, gli studenti possono ottimizzare il comportamento degli agenti in questi ambienti simulati, migliorando l'efficienza e le prestazioni. Il corso si conclude con la valutazione di un progetto finale, che offre agli studenti l'opportunità di applicare le loro conoscenze e competenze a un problema del mondo reale. Gli studenti si cimenteranno nel difficile compito di modellare vari agenti per la gestione e l'ottimizzazione di un ambiente di logistica interna altamente automatizzato. La valutazione del progetto servirà a valutare le capacità degli studenti di sfruttare efficacemente le tecnologie AI e ML in scenari pratici. Nel complesso, il corso fornisce agli studenti gli strumenti necessari per sfruttare le tecnologie AI/ML e ottimizzare le operazioni e i processi della supply chain. Combinando le conoscenze teoriche con le applicazioni pratiche, gli studenti saranno ben preparati ad affrontare le complesse sfide che si presentano negli ambienti aziendali dinamici di oggi.
Programma
Il corso inizia con una rapida introduzione ai concetti fondamentali della supply chain, della gestione delle operazioni e della logistica. Gli studenti acquisiranno una solida base in queste aree, ponendo le basi per comprendere come l'IA e il ML possono essere applicati in modo efficace. [2CFU] Successivamente, il corso approfondisce lo sviluppo di simulazioni di eventi discreti, utilizzando Python e Simpy. Gli studenti impareranno come creare simulazioni che imitano scenari del mondo reale, consentendo loro di modellare e analizzare vari processi operativi e della supply chain. Questo set di abilità pratiche consentirà agli studenti di acquisire conoscenze e prendere decisioni basate sui dati. [2 CFU] Il corso si concentra poi sugli algoritmi di apprendimento per rinforzo, specificatamente applicati nell'ambito delle simulazioni ad eventi discreti. Gli studenti impareranno come sfruttare questi algoritmi per modellare ambienti di officina e ambienti intra-logistici altamente automatizzati. Utilizzando l'apprendimento per rinforzo, gli studenti possono ottimizzare il comportamento degli agenti all'interno di questi ambienti simulati, migliorando l'efficienza e le prestazioni. [2 CFU]
Conoscenza di base di statistica, algebra lineare, Machine Learning e Deep Learning Conoscenza del linguaggio Python
Utilizzo di dispense a cura del docente. Si prevede un ciclo di lezioni frontali. Laboratorio per l'esercitazione dei concetti presentati.
Modalità d'esame
Il corso si conclude con una valutazione finale basata su un progetto pratico, che permette agli studenti di mettere in pratica le competenze acquisite risolvendo una sfida rappresentativa del settore. Gli studenti saranno chiamati a sviluppare una simulazione per la gestione e l'ottimizzazione di un processo produttivo o logistico. Successivamente, ognuno dovrà progettare un agente autonomo basato su Reinforcement Learning per ottimizzare l'ambiente simulato. Il progetto costituirà anche il punto di partenza per la discussione dell'esame orale, attraverso cui si valuterà la capacità dello studente di applicare in modo efficace le tecnologie di intelligenza artificiale e machine learning a contesti reali. - Metodo: consegna progetto (codice sorgente) e discussione orale - Tempi: colloquio orale di almeno 20 minuti - Modalità di attribuzione del punteggio per il voto finale: valutazione della prova orale e discussione del progetto - Gli indicatori di valutazione della prova sono: - Capacità di utilizzare le conoscenze (25%) - Capacità di collegare le conoscenze (25%) - Padronanza del linguaggio tecnico/teorico (15%) - Capacità di discutere gli argomenti (20%) - Capacità di approfondire gli argomenti (15%) - Materiali utili per sostenere la prova: calcolatore
Testi di riferimento
[RL]: Reinforcement Learning Sutton, Barto. [ML]: Machine Learning with PyTorch and Scikit-Learn, Raschka
Codice insegnamento 29128