Tecniche di Machine Learning nei modelli previsionali per la pianificazione logistica

Negli ultimi tempi stiamo assistendo a una sempre più rapida evoluzione nel campo dell’intelligenza artificiale, in particolar modo il Machine Learning ha assunto un ruolo di rilievo, guadagnando crescente attenzione per la sua capacità di apprendere da dati passati, identificare modelli e anticipare comportamenti futuri. L'adozione di queste tecniche si è diffusa in molteplici settori industriali, rivoluzionando i processi decisionali e consentendo una previsione più accurata e tempestiva. La logistica, motore vitale dell'efficienza operativa e della catena di approvvigionamento, non poteva non essere coinvolta in questa trasformazione. Attraverso l'implementazione di modelli predittivi basati su Machine Learning, le aziende possono ottimizzare la pianificazione logistica, migliorare la gestione delle risorse e ridurre i costi operativi. Obiettivo di questa tesi è indagare come l’applicazione di tecniche di Machine Learning nei modelli previsionali per la pianificazione logistica, a partire da numerosi dati storici, possa migliorare la stima dei tempi di evasione delle attività di carico e scarico presso magazzini logistici. In tal modo si mira a fornire agli operatori logistici, alle aziende e agli studiosi un quadro completo delle opportunità e delle sfide associate all'implementazione di queste tecniche avanzate, aprendo la strada a future innovazioni e miglioramenti nel settore.