Ottimizzazione dei processi aziendali attraverso Generative AI e modelli di apprendimento automatico.

Il presente lavoro di tesi analizza l’efficacia degli strumenti basati sull’Intelligenza Artificiale (AI) nell’ottimizzazione dei processi aziendali, sfruttando le peculiarità della Generative AI (Gen-AI) e dei modelli di apprendimento automatico. La ricerca esplora come l’integrazione di queste tecnologie nei flussi di lavoro possa favorire l’automazione delle attività e supportare il processo decisionale. L’elaborato si articola in due sezioni: una disamina teorica e un caso di studio applicativo. Nella prima parte vengono analizzati lo stato dell’arte della Gen-AI, le architetture delle Reti Neurali, dei Large Language Models (LLMs) e i fondamenti della Computer Vision. La seconda sezione presenta un caso di studio condotto presso un’azienda operante nel settore dell’intralogistica, descrivendo l’ingegnerizzazione di soluzioni pratiche. In particolare, si illustra lo sviluppo di agenti intelligenti in ambiente low-code, progettati per operare in contesti caratterizzati da un’elevata densità di dati. Viene inoltre presentata una Proof of Concept (PoC) per lo sviluppo di un’infrastruttura API proprietaria, basata su un modello di Computer Vision open-source, finalizzata all’analisi e alla lettura automatizzata di disegni tecnici CAD. Le evidenze dimostrano che l’impiego di strumenti LLM in contesti aziendali garantisce un notevole miglioramento dell'efficienza operativa, abbattendo drasticamente i tempi per il recupero e la sintesi delle informazioni. Tuttavia, tali tecnologie presentano ancora criticità legate all'affidabilità, condizionate dalla qualità e dalla strutturazione dei dati in ingresso. Queste limitazioni rendono imprescindibile l’implementazione di tali strumenti non come soluzioni autonome, ma come acceleratori cognitivi inseriti all’interno di un rigoroso approccio human-in-the-loop, dove la supervisione e la validazione umana rimangono centrali per garantire il successo del processo.