Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization

Titolo: Approccio di Deep Learning Ibrido per la Previsione della Domanda Accoppiata e l'Ottimizzazione della Catena di Approvvigionamento

1. Il Problema

La gestione della catena di approvvigionamento (Supply Chain - SC) nei settori ad alta volatilità, come il tessile e la produzione di Dispositivi di Protezione Individuale (PPE), affronta sfide critiche dovute alla volatilità della domanda e all'incertezza dell'offerta.
Il problema centrale identificato è la disconnessione tra la previsione della domanda e l'ottimizzazione dell'offerta.

• Limiti degli approcci tradizionali: I modelli di previsione (statistici o di machine learning) sono ottimizzati per minimizzare l'errore di previsione, ma non traducono queste previsioni in politiche operative attuabili.
• Limiti degli approcci di ottimizzazione: I modelli di ottimizzazione (es. programmazione lineare) spesso si basano su ipotesi semplificatrici (domanda stazionaria, lead time deterministici) che non catturano la variabilità del mondo reale.
• Conseguenze: Questo divario tra analisi predittiva e decisione operativa porta a sovraccarichi di scorte, carenze (stockout) e livelli di servizio subottimali. La maggior parte dei modelli ibridi esistenti tratta previsione e ottimizzazione come processi sequenziali e disaccoppiati, impedendo che gli obiettivi operativi influenzino l'apprendimento del modello predittivo.

2. Metodologia: Il Framework HAF-DS

Gli autori propongono il Hybrid AI Framework for Demand–Supply Forecasting and Optimization (HAF-DS), un'architettura di apprendimento predittivo-prescrittivo completamente integrata e differenziabile.

Componenti Chiave:

• Modulo di Previsione della Domanda: Utilizza una rete neurale ricorrente basata su LSTM (Long Short-Term Memory) per catturare le dipendenze temporali e contestuali nei dati di vendita. L'input include finestre temporali scorrevoli e feature categoriali (SKU, fornitori) codificate tramite embedding addestrabili.
• Modulo di Ottimizzazione dell'Offerta: Implementato come un layer di ottimizzazione differenziabile (basato su programmazione lineare intera mista - MILP) che riceve la domanda prevista e le feature di supply (livelli di scorta, lead time, affidabilità fornitori). Questo modulo genera decisioni ottimali di riordino e allocazione per minimizzare i costi totali.
• Integrazione Ibrida e Accoppiamento dei Gradienti: La novità risiede nell'addestramento end-to-end. Invece di un flusso sequenziale, il framework utilizza una funzione di perdita unificata:
  $$L_{total} = \lambda_1 L_{forecast} + \lambda_2 L_{supply}$$
  Dove $L_{forecast}$ è l'errore di previsione (MSE) e $L_{supply}$ è la perdita operativa (costi + vincoli di servizio).
  • I gradienti derivanti dagli errori di ottimizzazione (costi, stockout) vengono retropropagati attraverso il modulo di previsione. Questo permette al modello di apprendere previsioni che non sono solo accurate statisticamente, ma anche ottimali per le decisioni operative.
• Preprocessing: Include imputazione dei valori mancanti, normalizzazione Min-Max, codifica tramite embedding per variabili categoriali, e augmentation dei dati (aggiunta di rumore gaussiano) per migliorare la robustezza.

3. Contributi Chiave

1. Architettura Predittivo-Prescrittiva Unificata: Superamento del paradigma "previeni poi ottimizza" (predict-then-optimize) con un apprendimento congiunto end-to-end dove gli obiettivi operativi guidano direttamente l'aggiornamento dei parametri di previsione.
2. Rappresentazione Contestuale tramite Embedding: Utilizzo di embedding addestrabili per variabili categoriali (fornitori, SKU), che permettono al modello di catturare relazioni latenti non evidenti con la codifica one-hot tradizionale.
3. Validazione Empirica Estesa: Sperimentazione su dataset reali del settore tessile e PPE, confrontando il modello con baseline statistiche (ARIMA, Prophet), deep learning (LSTM, GRU, Transformer) e agenti di Reinforcement Learning.
4. Analisi di Sensibilità e Ablazione: Dimostrazione quantitativa del contributo di ciascun componente (embedding, augmentation, training congiunto) sulle prestazioni finali.

4. Risultati Sperimentali

I test sono stati condotti su dataset combinati (vendite tessili + dati di supply chain). Il modello HAF-DS ha mostrato prestazioni superiori rispetto a tutte le baseline.

Miglioramenti nella Previsione (Dataset Combinato):

• MAE (Errore Assoluto Medio): Ridotto da 15.04 a 12.83 (-14.7%).
• RMSE (Radice Errore Quadratico Medio): Ridotto da 19.53 a 17.11 (-12.4%).
• MAPE (Errore Percentuale Assoluto Medio): Ridotto dal 9.5% all'8.1%.
• Il modello ha superato sia i metodi statistici classici che i modelli deep learning avanzati (come TFT e Informer).

Miglioramenti nell'Ottimizzazione Operativa:

• Costi di Inventario: Riduzione del 5.4%.
• Tasso di Stockout: Ridotto del 27.5% (dal 4.0% al 2.9%).
• Livello di Servizio: Aumentato dal 95.5% al 97.8%.
• Costo Totale Operativo: Riduzione significativa rispetto alle politiche EOQ e agli approcci basati solo su LSTM/GRU.

Studi di Ablazione:
L'analisi ha confermato che l'uso degli embedding e il training congiunto sono fondamentali. Rimuovendo gli embedding, l'errore MAE è aumentato di circa il 9.7%, dimostrando l'importanza della rappresentazione semantica delle feature categoriali.

5. Significato e Implicazioni

• Resilienza della Catena di Approvvigionamento: Il framework offre una soluzione scalabile e adattabile per gestire la volatilità estrema, cruciale in settori come il tessile e la produzione di PPE (specialmente durante crisi globali).
• Allineamento Predizione-Decisione: Dimostra che migliorare l'accuratezza predittiva non è sufficiente; le previsioni devono essere "ottimizzate per la decisione". L'approccio ibrido garantisce che i miglioramenti statistici si traducano direttamente in benefici economici e operativi tangibili.
• Fondamento per Digital Twin: L'architettura differenziabile proposta può servire come base per Digital Twin avanzati, dove la simulazione e l'ottimizzazione evolvono congiuntamente con i dati in tempo reale.
• Adattabilità: Sebbene testato su tessili e PPE, il framework è agnostico rispetto al dominio e può essere applicato ad altri settori manifatturieri e logistici con mappature delle feature minime.

In conclusione, il lavoro di Nadia et al. rappresenta un passo avanti significativo verso l'automazione intelligente delle supply chain, colmando il divario tra l'analisi predittiva avanzata e la pianificazione operativa strategica.