Facoltà: Ingegneria Gestionale per la Produzione Industrial
Collocazione: 18758
Autore: Salsano Sabatino
Data: 31/10/2020
Titolo: Digital transformation and AI as an enabler
Relatore: Mari Luca
Autorizzazione per la consultazione: NO
Le tesi si possono consultare unicamente in sede
Nel 2020 l’elevato numero di stakeholder appartenenti alla supply chain marittima è causa di una crescita esponenziale della complessità del mercato, e l’intelligenza artificiale si presenta come uno strumento valido per migliorarne le performance. D’altro canto, le applicazioni di intelligenza artificiale presentano ancora limitazioni derivanti da diverse problematiche attuali come ad esempio restrizioni legali rispetto all’implementazione di quest’ultime, bassa propensione degli stakeholder alla condivisione dei dati, ed assenza di norme giuridiche internazionali armonizzate. Nella prima parte dello studio, successivamente ad una panoramica sull’impatto della trasformazione digitale dei porti, è presentata una analisi del porto di Anversa e di Nxtport, un’azienda che fornisce servizi digitali per gli stakeholders del porto. Nello specifico, l’analisi si focalizza sui servizi offerti e sulla natura delle tecnologie su cui si basano. Inoltre, è eseguita una review della letteratura tramite Scopus e Web of Science, in modo da determinare le tecniche di intelligenza artificiale utilizzate nella supply chain marittima ed il contesto nel quale sono utilizzate. Sono definiti, quindi, i trend di pubblicazione ed i problemi che esse affrontano. Per la review è utilizzata la metodologia SRL (systematic literature review) e sono descritte tutte le fasi relative all’estrazione degli articoli. Infine, gli articoli scientifici trovati sono stati suddivisi in aree di applicazione ed esaminati. In una seconda parte del lavoro, è presentato lo studio di un caso riguardante un traffico ferroviario di merci internazionale (Antwerpen Noord-Belgio/Aarau-Svizzera) collegato ad uno dei più grandi terminal intermodali del porto di Anversa (Hupac terminal). I dati sono stati principalmente collezionati tramite accesso diretto alle piattaforme di RNE TIS OBI e di Infrabel. L’analisi è atta a valutare le cause di variazione dei tempi di arrivo dei treni alle relative stazioni. Tutte le fasi dell’analisi dati sono descritte. Durante la fase esplorativa viene eseguita una analisi di correlazione e test statistici in modo da valutare eventuali differenze significative nelle distribuzioni dei tempi di arrivo dei treni. Inoltre, è utilizzata una tecnica di data mining (analisi di associazione) per valutare possibili relazioni nascoste all’interno dei dataset costruiti nelle fasi precedenti. Successivamente, le relazioni ed i pattern emersi sono stati utilizzati per la costruzione di un modello di machine learning in grado di predire l’accadimento di ritardi, classificandoli in “critico” o “non critico”. In particolare, il modello considera critici i ritardi superiori a 120 minuti, poiché sono fonte di costi operativi. La precisione raggiunta dal modello equivale al 93,6%: Essa è discussa, assieme alle limitazioni del modello ed a considerazioni generali, nel capitolo finale. ----------------------------------------------------- In 2020 the high number of players in the maritime supply chain made growing the market complexity exponentially with respect to just a decade ago and the artificial intelligence presents itself as a valid tool for improving the performances. On the other hand, the artificial intelligence applications are affected by limitations deriving from several issues such as legal restriction linked to the implementations of the latter, low willingness to share data among the stakeholders, and absence of international harmonized juridical norms. In the first phase of the study, subsequently to an overview of the digital transformation impact on the ports, is presented an analysis of the port of Antwerp and of Nxtport firm that provides digital services to the port stakeholders. In particular, the latter’s analisys focuses on its marketplace: the main digital services offered and the nature of their technologies are defined and discussed. Furthermore, a literature review is carried out on the Scopus and Web of Sciences databases, in order to determine the AI techniques used in the maritime supply chain and the context in which are used. The publications trends are highlighted and are defined the issues faced by these. The methodology used is SRL (Systematic Literature review) and all its paper extraction phases are described. The scientific articles found are finally divided into application areas and examined. In a second phase of the work is presented the study of a case regarding a specific international rail freight traffic (Antwerpen Noord -Belgium/Aarau- Switzerland), linked to one of the widest intermodal terminals in the port of Antwerp (Hupac terminal). The data were mainly retrieved through direct access to the RNE TIS OBI platform and the Infrabel Belgian systems. The analysis aims at searching for elements causing variations in the train’s time of arrival. All the phases of the data analysis are described. During the exploratory phase, a correlation analysis is pursued, statistical tests are performed in order to evaluate significative differences among variation of the trains time at arrival distributions, and a data mining technique (association analysis) is used for evaluating hidden relationships in the dataset previously built. Subsequently, the relationships and the patterns that emerged by the data analysis are used to build a machine learning model able to forecast the occurrence of the delays as “critical” or “not critical”. In particular, the model considers critical delays the variations greater than 120 minutes, since they are the cause of operational costs. The overall model accuracy reached is equal to 93,6% and is discussed with the model limitations and general considerations in the final chapter.
