Prevedere la domanda quando il mercato cambia: i modelli di IA di Afliant alla prova con FBK

Sapere in anticipo quanto si venderà di un prodotto è il primo passo per gestire bene un magazzino: permette di ridurre le scorte senza arrivare all’esaurimento dei prodotti. Un singolo componente mancante può portare a fermi linea negli impianti industriali, con importanti conseguenze economiche e logistiche. È una sfida che le aziende affrontano ogni giorno e che l’intelligenza artificiale può contribuire ad affrontare. A patto, però, che i modelli funzionino anche quando i dati non seguono uno schema regolare.

Da questa esigenza nasce la collaborazione tra Afliant e l’unità Data Science for Industry and Physics (DSIP) del Centro Digital Industry di FBK, sviluppata nell’ambito del progetto europeo AI-MATTERS tra luglio 2025 e febbraio 2026. Co-finanziato dal programma Europa Digitale, AI-MATTERS è una rete di Testing and Experimentation Facilities (TEF) che supporta le imprese a testare e validare soluzioni di intelligenza artificiale e robotica per il settore manifatturiero. In Italia il nodo del progetto è coordinato da MADE Competence Center I4.0 e comprende FBK e Reply.

Afliant è una tech company con sede a Trento che progetta piattaforme digitali, integra sistemi e sviluppa prodotti basati su dati e intelligenza artificiale per aziende di diversi settori. Tra le sue soluzioni proprietarie c’è Mantissa, piattaforma che stima la domanda per ottimizzare i riordini e i processi di supply chain. Proprio i modelli di previsione di Mantissa sono stati al centro della collaborazione con FBK, articolata in due servizi AI-MATTERS: “Validazione di modelli AI per la previsione di serie temporali e il rilevamento di anomalie nel settore manifatturiero” e “Previsione di serie temporali”.

Quando le vendite non seguono le regole

Per molti prodotti, dai beni di largo consumo ai semilavorati venduti dai grandi grossisti, lo storico delle vendite basta a descrivere bene le fluttuazioni della domanda. In altri settori, invece, il mercato si muove secondo logiche diverse: possono esserci picchi stagionali difficili da anticipare e storici molto brevi, resi, prodotti dimostrativi e promozioni aggiungono ulteriore variabilità. Le serie temporali che ne derivano presentano andamenti instabili e irregolari, rendendo più difficile ottenere previsioni accurate anche con modelli consolidati.

Il progetto si è posto quindi due obiettivi: verificare l’affidabilità dei modelli già in uso da Afliant su dataset di riferimento e sperimentare nuove tecniche di intelligenza artificiale per ridurre gli errori di previsione proprio nei casi più difficili.

Dai benchmark al deep learning

Le attività si sono articolate in due fasi. Nella prima i ricercatori di FBK hanno analizzato i modelli disponibili sulla piattaforma Mantissa e li hanno messi alla prova su diversi dataset pubblici di riferimento tratti dalla letteratura scientifica. Le serie scelte coprono periodi, articoli e punti vendita diversi e rispecchiano quelle che Afliant tratta nella sua attività quotidiana.

Come termine di paragone sono stati usati modelli statistici classici, insieme a metriche di errore scelte a partire dallo stato dell’arte. La normalizzazione di queste metriche rispetto a un modello di riferimento ha consentito  di confrontare in modo equo dataset con andamenti e complessità molto diversi.

Nella seconda fase il team ha esplorato le architetture di deep learning più recenti per la previsione delle vendite. Ogni modello è stato valutato sia per l’accuratezza sia per i tempi di addestramento e di calcolo delle previsioni, due fattori decisivi quando una soluzione deve funzionare in produzione.

Risultati e prospettive

La validazione ha confermato che i modelli di Mantissa sono nel complesso competitivi rispetto ai modelli statistici. Su un dataset relativo alla supply chain, caratterizzato da uno storico di 23 anni e da una forte stagionalità, i modelli di Mantissa hanno ottenuto risultati nettamente migliori, mostrando una maggiore capacità di cogliere automaticamente questi andamenti rispetto ai modelli statistici utilizzati nel confronto. 

L’analisi ha anche permesso a FBK di individuare alcune indicazioni per l’evoluzione della piattaforma, tra le quali:

• adottare una procedura di riaddestramento progressivo dei modelli;
• introdurre modelli statistici più semplici come soluzione di riserva per le serie anomale, per esempio quelle con molti valori nulli.

Dalla sperimentazione sui modelli di deep learning sono emerse architetture e paradigmi che possono essere affiancati a quelli attualmente implementati in Mantissa.

Un esempio è Chronos-2 (rilasciato da Amazon), uno dei primi foundation model per serie temporali. Questi modelli, in grado di funzionare anche a fronte di dati incompleti, sono pre-addestrati su una grande varietà di dati eterogenei provenienti da diversi settori, come quello energetico e il retail, oltre che su dati sintetici. Il vantaggio principale è che possono essere utilizzati direttamente, senza la classica fase di training. Questo paradigma funziona bene per serie regolari, ma il suo vero potenziale si esprime dopo una fase di fine-tuning, in cui il modello si adatta allo specifico scenario. Tale adattamento, tuttavia, richiede tempo e risorse computazionali non sempre disponibili. Per questo il team ha studiato anche architetture più contenute (come TiDE) che ottengono buone prestazioni anche quando le risorse di calcolo sono limitate.

 Al termine del progetto, Afliant dispone di una valutazione indipendente dei propri modelli, di un insieme di dataset di riferimento e del codice dei modelli avanzati sviluppati da FBK. Questi risultati rappresentano una base concreta per migliorare l’accuratezza e l’affidabilità delle previsioni di Mantissa, soprattutto nei contesti in cui la domanda risulta più difficile da anticipare.

La collaborazione tra Afliant e Fondazione Bruno Kessler mostra come i servizi di AI-MATTERS permettano alle imprese di validare le proprie soluzioni di intelligenza artificiale con il supporto della ricerca, riducendo i rischi e accelerando l’innovazione.