Contesto
Le filiere delle raffinerie dipendono dall'arrivo delle navi al momento giusto. Programmazione, turnaround e allocazione delle risorse sono decisioni collegate: cambi una e si muovono le altre. Il processo di pianificazione era manuale e difficile da confrontare tra scenari, mentre i costi di demurrage e la continuità della produzione di biocarburanti alzavano la posta.
Sono entrato in Enilive come Cloud & AI intern per cinque mesi. Il brief era trasformare quel problema in una piattaforma digitale che il team logistico potesse usare davvero.
Il problema
L'obiettivo non era un ottimizzatore perfetto. Era un modo ripetibile per confrontare programmi, prevedere gli orari di arrivo, capire i trade-off e liberare il team dal ricostruire lo stesso foglio di calcolo. L'output doveva essere abbastanza spiegabile perché i planner si fidassero.
Un ottimizzatore è utile solo se chi gestisce l'operazione capisce perché ha scelto una rotta.
Programma portuale, turnaround, rischio demurrage.
Banchina, stoccaggio e vincoli di produzione.
La feedstock arriva senza interrompere la filiera.
Cosa ho costruito
- AI e algoritmi. Sviluppo di algoritmi di ottimizzazione in Python per modellare funzioni obiettivo complesse, prevedere gli orari di arrivo e allocare le risorse tra scheduling delle navi e turnaround.
- Piattaforma cloud. Costruzione del layer dati e applicativo su AWS, con una piattaforma web per gestione e visualizzazione dei dati, perché lo strumento girasse in modo affidabile fuori da un laptop.
- Efficienza operativa. Ottimizzazione dei programmi portuali per ridurre i costi di demurrage e proteggere la continuità della produzione di biocarburanti; lavoro con gli esperti di dominio per trasformare i vincoli operativi in input del modello.
- Modelli predittivi. Uso di AI/ML e analytics avanzati per confrontare scenari e migliorare la resilienza della supply chain.
Risultato
La piattaforma ha ridotto i tempi di pianificazione e migliorato l'allocazione delle risorse nella programmazione delle navi e nell'ottimizzazione del turnaround. Ha anche portato demurrage e continuità dei biocarburanti nella stessa conversazione di pianificazione. Ancora più importante, ha reso il processo ripetibile: gli stessi input potevano essere confrontati e la discussione si è spostata dal ricostruire un foglio di calcolo al valutare i trade-off reali.
Cosa cambierei
Aggiungerei prima i test sui casi limite dell'ottimizzatore, un layer di monitoraggio per il job AWS e una vista di explainability che mostri perché è stato scelto un programma. Sono i pezzi che trasformano un algoritmo funzionante in uno strumento su cui un team può contare.
Note
Era un progetto interno. Ho tenuto la descrizione generica e omesso dati, rotte e dettagli commerciali del cliente. Sono disponibile a raccontare l'approccio in una call.