Riepilogo Tecnico: Previsione Ensemble Federata sotto Volatilità del Mercato della Supply Chain (FEF-NCL)

1. Definizione del Problema

Il documento affronta la sfida di generare previsioni di domanda accurate e governabili in reti di supply chain caratterizzate da tre vincoli specifici:

1. Distribuzione dei Dati: I dati commerciali (registri delle transazioni, termini dei fornitori, cronologia dei clienti) sono distribuiti tra più organizzazioni (clienti) che non possono o non vogliono centralizzare i dati grezzi a causa di esposizioni contrattuali e normative.
2. Distribuzioni Non Identiche (Eterogeneità): I nodi client sperimentano regimi di mercato, condizioni dei fornitori e ambienti di trasporto differenti. La standard federated averaging tende a diluire la conoscenza di regimi rari ma critici (es. picchi nei prezzi delle materie prime, ritardi nelle spedizioni) quando la maggioranza dei client rimane stabile.
3. Volatilità del Mercato: La relazione tra le feature (prezzo, lead time, indici delle materie prime) e la domanda cambia rapidamente (concept drift). Un singolo modello globale spesso non riesce a catturare i pattern specializzati richiesti per regimi specifici, come l'approvvigionamento stagionale stabile rispetto alle risposte agli shock del trasporto.

La domanda centrale è come produrre previsioni accurate che rispettino i confini dei dati pur sfruttando l'apprendimento a livello di rete per gestire shock di mercato rari e ad alto impatto.

2. Metodologia: FEF-NCL

La soluzione proposta, Federated Ensemble Forecasting with Negative-Correlation Learning (FEF-NCL), è un framework distribuito progettato attorno a quattro principi:

• Architettura Locale Multi-Expert: Ogni client addestra molteplici modelli "expert" specializzati invece di un singolo modello monolitico. Questi esperti sono progettati per catturare pattern distinti: trend, shock dei prezzi, rischi di ritardo e domanda residua.
• Negative-Correlation Learning (NCL): Il framework introduce un termine di penalità nella funzione di perdita che scoraggia i membri dell'ensemble dal commettere gli stessi errori sulle stesse osservazioni. Ciò forza la specializzazione, garantendo che se un esperto fallisce su un regime specifico (es. un picco delle materie prime), un altro esperto abbia maggiori probabilità di avere successo.
• Aggregazione Consapevole del Drift e della Affidabilità: Invece di una semplice media, il server aggrega gli aggiornamenti in base all'affidabilità del client. I client calcolano un "drift score" basato sulla loss di validazione, la volatilità e le norme degli aggiornamenti. Gli aggiornamenti da client instabili o di bassa qualità vengono declassati, mentre gli aggiornamenti da client che sperimentano regimi specifici (anche se rari) vengono preservati se soddisfano determinati criteri di qualità.
• Livello di Spiegabilità: Il sistema include un livello di governance che registra le attribuzioni delle feature (simili a SHAP) per variabili di mercato, fornitura e ordini. Ciò consente ai pianificatori di revisionare quali driver (es. indice delle materie prime, rapporto on-time-in-full del fornitore) hanno influenzato una specifica previsione.

Implementazione Tecnica:

• Modello: Un modello di apprendimento sequenziale multi-task che utilizza un encoder temporale condiviso (Gated Recurrent Unit) e quattro teste expert locali per ogni client.
• Task: Predice simultaneamente la domanda a quattro settimane (regressione), il rischio di ritardo (classificazione) e il regime di mercato (classificazione).
• Baseline: Il metodo viene confrontato con Seasonal Naive, Local-only Temporal Fusion Transformers (TFT), Centralized XGBoost e algoritmi di Federated Learning standard (FedAvg, FedProx, SCAFFOLD).

3. Setup Sperimentale e Dati

Lo studio utilizza un singolo dataset sintetico costruito per garantire la coerenza interna senza esporre dati proprietari.

• Scala: 124.800 osservazioni settimanali (Gennaio 2021 – Dicembre 2024).
• Entità: 10 nodi client regionali, 60 famiglie di prodotti, 40 fornitori, 5 gruppi di materie prime.
• Profilo di Volatilità: Include periodi di calma, periodi di aumento dei prezzi e regimi espliciti di shock dei prezzi (14,6% delle osservazioni).
• Split: Split temporale (Training: Settimane 1–146; Validazione: 147–177; Test: 178–208) per garantire che il set di test contenga shift di regime non visti durante il training.
• Metriche: Weighted Mean Absolute Percentage Error (WMAPE), RMSE, Delay-Risk Macro-F1 e Regime Macro-F1.

4. Risultati Chiave

La valutazione dimostra che FEF-NCL supera le standard baseline federate sul dataset sintetico, particolarmente in condizioni volatili:

• Accuratezza Complessiva: FEF-NCL ha raggiunto un 12,4% di WMAPE, superando la migliore baseline federata (SCAFFOLD al 13,9%) e la baseline centralizzata XGBoost (13,6%).
• Previsione di Rischio e Regime: Ha migliorato il Delay-Risk Macro-F1 a 0,801 (rispetto a 0,755 di SCAFFOLD) e il Regime Macro-F1 a 0,763.
• Stratificazione della Volatilità: Il divario di performance si è ampliato negli scenari ad alta volatilità. Nel quintile di massima volatilità, FEF-NCL ha registrato un WMAPE del 21,3%, rispetto al 23,4% di SCAFFOLD e al 24,5% di FedAvg.
• Studi di Ablazione: Rimuovere la penalità di correlazione negativa ha aumentato il WMAPE al 13,1%. Rimuovere l'aggregazione pesata sul drift ha aumentato l'errore in alta volatilità di 1,2 punti percentuali. Ciò conferma che i guadagni derivano dall'interazione tra diversità, pesatura del drift e apprendimento multi-task.
• Attribuzione delle Feature: Il modello ha identificato con successo i driver plausibili, con l'indice delle materie prime (0,24), il lead time (0,19) e l'affidabilità del fornitore (0,16) come i principali contributori alla varianza della previsione.

5. Significato e Claim

Il documento posiziona FEF-NCL non come un sostituto universalmente superiore per tutti i metodi di previsione, ma come un candidato architettonico specializzato per specifici contesti di supply chain.

• Claim Modesto: L'autore afferma esplicitamente che i risultati sono "evidenze controllate di coerenza interna" derivate da dati sintetici e non costituiscono una validazione nel mondo reale; la baseline centralizzata ha superato i metodi federati in alcuni contesti, evidenziando che il valore primario di FEF-NCL è la sua capacità di operare sotto vincoli di confini dei dati mantenendo l'accuratezza.
• Contributo Principale: L'articolo sostiene che nelle supply chain in cui gli shock rari sono operativamente critici (es. causano rotture di stock o costi di spedizione accelerata), lo specialismo dell'ensemble è superiore alla standard aggregazione. Permettendo agli esperti locali di sviluppare profili di errore distinti e pesando gli aggiornamenti in base alla copertura del regime, il sistema preserva la conoscenza dei regimi di minoranza che la standard federated learning spesso diluisce.
• Governance: Il framework integra la governance del rischio direttamente nel loop del modello, fornendo ai pianificatori drift score e attribuzioni delle feature per supportare il processo decisionale in ambienti volatili.

6. Limitazioni e Lavori Futuri

L'articolo riconosce diverse limitazioni e delinea direzioni future:

• Dati Sintetici: Le conclusioni si basano interamente su un dataset sintetico; è necessaria una validazione con backtest su dati reali.
• Privacy: Sebbene i dati grezzi rimangano locali, l'articolo nota che gradienti e aggiornamenti del modello richiedono un'ulteriore protezione tramite aggregazione sicura e privacy differenziale.
• Complessità: L'ensemble a quattro esperti aggiunge un overhead di comunicazione (1,38x parametri) e potrebbe non essere adatto a client con risorse computazionali limitate o requisiti di latenza near-real-time.
• Direzioni Future: L'autore propone lavori futuri in: (1) test su dataset reali/semi-reali, (2) rafforzamento dei meccanismi di privacy, (3) creazione di esperti adattivi (numero dinamico di esperti), (4) inclusione di metriche economiche (costi, livelli di servizio) oltre l'errore statistico, e (5) valutazione centrata sull'uomo della fiducia del pianificatore nei confronti degli output di spiegabilità.