I recenti sviluppi dell'intelligenza artificiale fanno nascere molte aspettative per automatizzare compiti complessi, anche per rispondere a esigenze operative fondamentali come la gestione delle pianificazioni e l'organizzazione dei percorsi. Ma i LLM al centro dell'IA generativa non sono stati costruiti per risolvere questi problemi di natura combinatoria. Fino all'estate 2024, i LLM sbagliavano su una domanda così semplice come "quante R in strawberry?" (rispondevano due, invece di tre). Il bug è stato corretto, ma non risolto: se fai la domanda ai modelli attuali, vedrai che aggirano il problema sillabando la parola lettera per lettera prima di contare, la causa strutturale è ancora lì. Un'altra famiglia di algoritmi di IA, i risolutori, risolve esattamente questi problemi da decenni, con garanzie matematiche e guadagni misurati in produzione. Questi algoritmi di ricerca di soluzioni ottimali si basano su fondamenti matematici, e per usarli, bisogna tradurre il tuo problema reale nel loro linguaggio, che è vicino al linguaggio matematico. Ciò ha reso i risolutori poco accessibili nelle decadi precedenti. Oggi, i LLM rendono i risolutori più accessibili che mai permettendoci di usare il nostro linguaggio naturale come intermediario.
1. Tre problemi, tre fonti di guadagno
L'assegnazione: chi fa cosa?
Il problema più semplice della famiglia: distribuire compiti tra persone o macchine, ad esempio dossier tra gestori, interventi tra tecnici, missioni tra agenti ecc. Su larga scala e di fronte a una complessità che evolve in modo esponenziale in funzione del numero di agenti disponibili e di compiti da assegnare, la gestione manuale dell'assegnazione raggiunge il suo limite molto più rapidamente che con algoritmi che cercano in modo più intelligente e automatizzato.
Senza ottimizzazione:
una ripartizione con foglio di calcolo, basata sull'esperienza che «funziona», senza sapere se è buona;
delle ore straordinarie concentrate sulle stesse persone, altre sottocaricate;
regole HR rispettate «in principio», fino al controllo che prova il contrario;
un ritiro all'ultimo minuto = un'ora di ri-pianificazione sotto pressione.
Con un risolutore:
meno ore straordinarie : carico equilibrato matematicamente, non a occhio
regole HR garantite per costruzione : un'assegnazione non conforme non può uscire dall'algoritmo
sostituzione ottimale in pochi secondi, riorganizzando il minimo di persone
La pianificazione dei compiti: come distribuire i compiti in modo ottimale?
La stessa cosa con la dimensione temporale: servizio ospedaliero, turni in 3×8, linea di produzione, assegnazione di banchine o sale.
Senza ottimizzazione:
buchi e duplicati scoperti troppo tardi;
risorse costose utilizzate al 70% per mancanza di un buon sequenziamento;
pianificazioni pubblicate in ritardo, contestate, rifatte;
nessun modo di testare uno scenario («e con 4 squadre?») senza giorni di lavoro.
Con un risolutore:
ogni punto di utilizzo delle risorse guadagnato si legge nel conto economico ;
pianificazioni eque e difendibili, ogni decisione si giustifica con un vincolo esplicito;
delle simulazioni in pochi minuti : cambiare un'ipotesi, rilanciare, confrontare.
I percorsi: quale ordine di visita, come minimizzare le distanze percorse?
Servire decine o centinaia di punti con una flotta, sotto vincoli di capacità e di fasce orarie.
Senza ottimizzazione:
percorsi costruiti per abitudine, che si incrociano e tornano indietro;
fasce orarie mancate, penalità;
un veicolo di troppo impegnato «per sicurezza»;
ogni imprevisto del mattino assorbe il pianificatore per un'ora.
Con un risolutore:
tipicamente 5 a 15% di chilometri percorsi in meno grazie ai percorsi ottimali;
delle fasce orarie rispettate per costruzione, grazie a un percorso per veicolo ottimizzato secondo tutti i parametri;
una ri-ottimizzazione in pochi secondi ad ogni imprevisto.
Riferimento del settore: ORION, il sistema di ottimizzazione di UPS, risparmia, secondo i dati pubblici del gruppo, circa 100 milioni di miles all'anno, ovvero 300 a 400 M$ annuali.Il punto in comune
Questi tre problemi rientrano nell'ottimizzazione combinatoria sotto vincoli : regole non negoziabili, un obiettivo numerico, e un' esplosione combinatoria. Ordinare 10 fermate: 3,6 milioni di possibilità. 15 fermate: 1 300 miliardi. 20 fermate: più del numero di secondi trascorsi dal Big Bang.
Da qui una constatazione strutturale: «fatto a mano» significa quasi sempre «lontano dall'ottimo». Non per incompetenza, ma perché il problema supera ciò che un cervello o un foglio di calcolo può esplorare.
A 20 fermate, più combinazioni che secondi dal Big Bang.
2. Perché un LLM da solo non basta
L'idea è stata testata rigorosamente, anche dai creatori di questi modelli. Quattro limiti, tutti strutturali:
Del plausibile, non dell'ottimale. Un LLM predice testo verosimile; non calcola le distanze, non confronta le soluzioni. Google DeepMind l'ha misurato: a partire da 50 punti, i LLM falliscono, con scostamenti dall'ottimo fino a 20 volte superiori. I casi reali ne contano centinaia.
Large Language Models as Optimizers, 2023Nessuna misura di qualità. Un risolutore certifica « al più 2% dall'ottimo », quindi ciò che resta sul tavolo. Un LLM non può produrre questa informazione.
Né riproducibile, né adatto alle correzioni permanenti. Due volte la stessa domanda, due pianificazioni diverse. Ora, una pianificazione è viva: assenze, annullamenti, ritardi, bisogna ri-ottimizzare in secondi, più volte al giorno.
Il LLM è un'IA del linguaggio. La pianificazione è un problema di combinatoria.
3. L'IA specializzata: i risolutori
L'ottimizzazione e la ricerca operativa formano uno dei rami più antichi dell'IA. I suoi strumenti, i risolutori, sono in produzione da decenni: itinerari di UPS, equipaggi delle compagnie aeree, programmazione industriale.
Il principio inverte la logica abituale: non si programma la risoluzione, ma si dichiara il problema : vincoli e obiettivo. Il risolutore esplora lo spazio delle soluzioni potando miliardi di combinazioni, e restituisce una soluzione valida per costruzione : una regola dichiarata non può essere violata.
Tre livelli di strumenti, a seconda della dimensione del problema:
OR-Tools / CP-SAT : il toolkit open source di Google, gratuito. Il suo motore CP-SAT domina dal 2018 il MiniZinc Challenge, competizione internazionale di riferimento. Per l'assegnazione pura, algoritmi classici (metodo ungherese) trovano l'ottimo esatto in una frazione di secondo. Efficace per gran parte dei problemi di ottimizzazione (pianificazione, assegnazione) di media dimensione.
Il modulo Routing di OR-Tools = il componente specializzato per gli itinerari: multi-veicolo, capacità, finestre orarie, multi-deposito. Da alcune decine a qualche centinaio di punti, restituisce in secondi soluzioni di ottima qualità, riproducibili. Per inquadrare la maturità del settore: il risolutore accademico Concorde ha dimostrato l'ottimo esatto su 85 900 points, da confrontare con i 50 punti dove i LLM falliscono.
SCIP - Branch and Price : Più difficile da implementare, ma permette di risolvere alcuni problemi di grandi dimensioni ( diverse centinaia o migliaia di agenti, veicoli, squadre, veicoli ). Principio : scomporre. Si scompone in sotto-problemi gestibili (« un buon itinerario per un veicolo », « una buona settimana per un agente ») e un algoritmo maestro ricombina questi blocchi con garanzia di progressione verso l'ottimo globale. È il metodo che pianifica gli equipaggi delle grandi compagnie aeree dagli anni '90.
Un problema di itinerari risolto da OR-Tools: vincoli garantiti, risultato riproducibile.
Dividere per ottimizzare: il principio del Branch and Price.
4. Il ruolo dei LLM: rendere i risolutori accessibili
Se i risolutori funzionano da così tanto tempo, perché sono così poco diffusi? Perché erano difficili da accedere: serviva un esperto per tradurre il mestiere in modello matematico, e lo strumento si pilotava a colpi di file e parametri.
È proprio questo che i LLM cambiano. L'architettura che si impone associa i due: il LLM come strato linguaggio, il risolutore come strato risoluzione.
« Riprogramma domani senza il camion 7, prioritizzando i clienti in ritardo » → il LLM traduce in parametri, il risolutore calcola, la soluzione torna garantita.
Una nuova regola di business (« mai più di due notti consecutive per i nuovi ») si esprime in linguaggio naturale e diventa un vincolo formale.
Il LLM restituisce e spiega la pianificazione ai team, a partire dalle giustificazioni formali del risolutore.
L'intuizione di partenza era quindi giusta, due volte: l'IA risolve bene questi problemi, e il LLM ne fa parte. Semplicemente, il LLM è l'interfaccia, il motore è un'IA specializzata che, a sua volta, garantisce il risultato.
