Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

Immagina di gestire un enorme chiosco di limonata tecnologico, ma invece dei limoni, stai costruendo macchine complesse, e invece di una giornata di sole, la tua sfida più grande è il meteo. Nel mondo delle fabbriche moderne, esiste un costante tiro alla fune tra due cose estremamente imprevedibili: quante persone vogliono comprare il tuo prodotto (la domanda) e quanto costa accendere le macchine (l'energia). Per molto tempo, i manager delle fabbriche hanno cercato di risolvere questo problema indovinando il futuro con un singolo numero, un "miglior tentativo". Dicevano: "Domani avremo bisogno di 100 limoni, e l'elettricità costerà 5 centesimi". Ma nel mondo reale, il futuro è disordinato. A volte, nessuno vuole la limonata, e a volte il sole è così splendente che l'elettricità costa addirittura soldi negativi (il che significa che la compagnia elettrica ti paga per usarla!). Questo articolo vive in un angolo della scienza chiamato Ricerca Operativa, che è fondamentalmente l'arte di prendere le migliori decisioni possibili quando non si sa cosa accadrà dopo. Si basa sull'idea che se tratti il futuro come un fatto fisso, rimarrai bloccato in un ingorgo di cattive scelte. Invece, gli autori suggeriscono che dovremmo trattare il futuro come un mazzo di carte: non sappiamo quale carta pescheremo, ma possiamo mescolare il mazzo e pianificare per ogni possibile mano.

Questo studio, intitolato "Eco-Conscious Master Production Scheduling Under Dual Uncertainty", propone un nuovo modo intelligente di gestire una fabbrica che sia capace di gestire contemporaneamente sia la domanda del tipo "chi comprerà questo prodotto?" sia la domanda del tipo "quanto sta costando l'energia proprio ora?". Gli autori suggeriscono un approccio "ibrido" che mescola due strumenti potenti: il Machine Learning (computer che imparano dai dati passati) e la Stochastic Optimization (la matematica che pianifica per molti futuri diversi).

Ecco come funziona il loro "trucco magico". Per prima cosa, utilizzano un cervello informatico super intelligente chiamato LightGBM per indovinare quanti prodotti potrebbero desiderare le persone. Invece di dare un solo numero, disegna una "nuvola" di possibilità, dicendo: "Potremmo aver bisogno di 100, o forse 150, o forse solo 50". Allo stesso tempo, utilizzano un altro cervello informatico chiamato LSTM (che è come una banca della memoria per il tempo) per osservare i prezzi dell'elettricità. Questo cervello è bravissimo a individuare schemi, come quando i prezzi crollano quando splende il sole o aumentano quando tutti tornano a casa dal lavoro.

Una volta che questi due cervelli hanno fatto le loro previsioni, gli autori non scelgono semplicemente uno scenario. Invece, creano un "albero" di centinaia di possibili futuri (scenari). Poi, utilizzano un filtro matematico speciale per restringere questo enorme albero ai rami più importanti, in modo che il computer non venga sopraffatto. Infine, inseriscono questo albero in un Modello Stocastico a Due Stadi. Immaginate questo modello come una danza in due tempi:

1. La fase "Qui ed Ora": La fabbrica crea un piano prima che il futuro accada. Decidono quali macchine accendere e quanto produrre, sapendo che potrebbero dover regolare i piani in seguito.
2. La fase "Aspetta e Vedi": Una volta arrivato il giorno effettivo e rivelati la domanda reale e i prezzi reali dell'elettricità, la fabbrica effettua rapidi aggiustamenti. Se l'elettricità è economica, fanno lavorare duramente le macchine. Se è costosa, mettono in pausa e utilizzano l'inventario accumulato in precedenza.

Il documento contesta fortemente il vecchio modo di fare le cose, chiamato Just-In-Time (JIT). Il vecchio metodo dice: "Produci esattamente ciò di cui hai bisogno, esattamente quando ne hai bisogno, e tieni zero scorte extra". Gli autori dimostrano che in un mondo in cui i prezzi dell'elettricità oscillano selvaggiamente, questo approccio rigido è un disastro. Costringe le fabbriche a far funzionare le macchine durante le ore di punta costose solo per evitare di accumulare prodotti extra. Il loro nuovo metodo suggerisce che è in realtà più intelligente "sovra-stoccare" un po' intenzionalmente. Producendo extra quando l'elettricità è economica (o anche gratuita!), la fabbrica può interrompere la produzione durante le ore costose, risparmiando una quantità enorme di denaro.

Quando gli autori hanno testato questa idea su una fabbrica simulata che scambia elettricità sul mercato europeo (nello specifico il mercato EPEX SPOT), i risultati sono stati piuttosto sorprendenti. Nelle loro simulazioni, il nuovo metodo "predici e ottimizza" ha risparmiato il 34,3% dei costi operativi totali rispetto ai vecchi metodi di pianificazione rigidi. Questo è misurato tramite un parametro chiamato Value of the Stochastic Solution (VSS), che è stato di $10.570 in un periodo di 30 giorni nel loro test. Il modello non ha solo risparmiato denaro; ha anche aiutato naturalmente l'ambiente. Poiché la fabbrica ha spostato il suo lavoro nei momenti in cui la rete elettrica aveva molta energia eolica e solare (momenti in cui l'elettricità è spesso economica o con prezzi negativi), le emissioni di carbonio della fabbrica sono diminuite senza che loro cercassero esplicitamente di "diventare ecologici". La spinta economica a risparmiare denaro è diventata accidentalmente una spinta a salvare il pianeta.

Gli autori hanno anche scoperto che il modello è molto bravo a individuare i "prezzi negativi" — quei rari momenti in cui la rete elettrica è così piena di energia rinnovabile che le aziende vengono pagate per usare l'elettricità. Il modello sposta proattivamente la produzione in questi momenti, trasformando efficacementamente un costo energetico in un piccolo ricavo. Tuttavia, l'articolo nota con cautela che questi risultati derivano da simulazioni ed esperimenti computazionali su un tipo specifico di fabbrica, non da una fabbrica reale che ha operato in questo modo per anni. Gli autori suggeriscono che, sebbene la matematica sembri solida e i risparmi significativi nella simulazione, l'implementazione nel mondo reale richiederebbe ulteriori test. Hanno anche calcolato che se un'azienda volesse conoscere il futuro assolutamente perfetto, varrebbe la pena spendere fino a $4.800 (l'Expected Value of Perfect Information) per ottenere previsioni ancora migliori, ma poiché la previsione perfetta è impossibile, il loro metodo attuale è un'alternativa molto forte.

In breve, questo articolo suggerisce che il futuro della gestione delle fabbriche non consiste nel prevedere perfettamente il futuro; si tratta di costruire un piano flessibile che possa danzare con il futuro, indipendentemente da quanto la musica diventi selvaggia. Usando l'IA per prevedere il caos e la matematica per pianificarlo, le fabbriche possono risparmiare denaro, evitare di esaurire le scorte e aiutare accidentalmente l'ambiente, tutto allo stesso tempo.