Il Problema
Il progetto affronta la sfida della schedulazione di test chimici per lotti di produzione. L'obiettivo principale è ottimizzare la sequenza dei test per ogni lotto al fine di minimizzarne la durata complessiva, garantendo al contempo il rigoroso rispetto di vincoli di processo e temporali (scadenze dei lotti). Oltre all'efficienza temporale, il problema richiede la capacità di estrarre informazioni utili per spiegare e giustificare la soluzione ottenuta agli operatori umani.
La Soluzione
L'approccio proposto si basa su un'architettura ibrida che integra NeuroSymbolic AI e Reinforcement Learning. Il sistema elabora un elenco di test da eseguire e genera una schedulazione ottimizzata. Un ulteriore componente fondamentale è l'Explainable AI, introdotta per rendere trasparente il processo decisionale dell'algoritmo generando diagrammi di Gantt della soluzione ottimizzata ed heat-map che permettono di avere sotto controllo il carico delle macchine.
Approfondimento tecnico
- 🚀 Panoramica: Il problema viene modellato come Flexible Job‑Shop Scheduling Problem (FJSSP).
- 🧩 Ambiente (
FJSSPEnv): ambiente Gym‑compatibile, altamente configurabile (job, task, macchine, durate e variabilità degli interventi umani) per simulare scenari di diversa complessità. - 🤖 Agent & Algoritmi: implementazioni di riferimento per PPO (stable‑baselines3) e esperimenti comparativi con RLlib per benchmarking.
Risultati
Il PoC ha prodotto risultati incoraggianti: nelle istanze di test gli agenti hanno mostrato riduzioni del makespan e un migliore utilizzo delle risorse rispetto a politiche casuali e greedy, spingendo a proseguire nello sviluppo e nell'affinamento degli agenti.
Ti interessa questa tecnologia e vuoi applicarla nella tua azienda?
Contattaci