Ateneo - UPO

L’insegnamento affronta l’utilizzo dell’Intelligenza Artificiale e dei metodi quantitativi per la formulazione, l’analisi e il supporto delle decisioni strategiche d’impresa in contesti dinamici e incerti.
Il corso introduce i principali elementi dei problemi decisionali sequenziali, con particolare attenzione alla rappresentazione di stati, decisioni, informazioni, transizioni e obiettivi. Sono quindi approfonditi i metodi di Dynamic Programming, i problemi di allocazione delle risorse, i Markov Decision Processes e gli algoritmi di value e policy iteration.
Una seconda parte è dedicata ai limiti dei metodi esatti e all’introduzione di politiche decisionali approssimate. Sono inoltre affrontati i principali problemi di apprendimento sequenziale, con particolare riferimento al trade-off tra exploration ed exploitation e ai metodi di Temporal-Difference Learning, SARSA e Q-Learning.
Il corso si conclude con la progettazione, il confronto e la valutazione di semplici politiche decisionali applicate a problemi aziendali, considerando congiuntamente performance, incertezza, vincoli e conseguenze dinamiche delle decisioni.
Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

Il materiale obbligatorio per la preparazione dell’esame è fornito dalla docente sulla pagina DIR del corso. Eventuali testi, articoli o altre fonti consigliati durante il corso avranno carattere facoltativo e saranno destinati esclusivamente all’approfondimento.

L’insegnamento si propone di fornire alle studentesse e agli studenti gli strumenti concettuali e quantitativi necessari per formulare, analizzare e supportare decisioni strategiche d’impresa in contesti dinamici e incerti.
Il corso mira in particolare a sviluppare la capacità di rappresentare problemi decisionali sequenziali, individuandone stati, decisioni, informazioni, transizioni e obiettivi, e di utilizzare metodi di Dynamic Programming e Markov Decision Processes per analizzare semplici problemi di allocazione e controllo delle risorse.
Un ulteriore obiettivo è sviluppare la capacità di comprendere quando i metodi esatti risultano difficili da applicare e di confrontare approcci alternativi basati su politiche decisionali approssimate e metodi di apprendimento sequenziale, inclusi Temporal-Difference Learning, SARSA e Q-Learning.
Le attività applicative in Python sono finalizzate a rafforzare la capacità di tradurre i modelli teorici in semplici implementazioni computazionali, confrontare politiche alternative e interpretarne criticamente i risultati.

Sono richieste conoscenze di base di matematica, probabilità e statistica, sufficienti per comprendere funzioni, derivate, valore atteso, variabili aleatorie e distribuzioni di probabilità.
È inoltre richiesta una conoscenza introduttiva della programmazione in Python, con particolare riferimento all’uso di variabili, strutture dati, funzioni e semplici librerie per il calcolo numerico e la rappresentazione grafica.

L’insegnamento combina lezioni frontali, esempi quantitativi, esercitazioni e attività computazionali in Python.

Quanto indicato nel Syllabus relativamente a contenuti, materiali didattici, modalità di svolgimento dell’insegnamento e verifica dell’apprendimento si applica sia alle studentesse e agli studenti frequentanti sia alle studentesse e agli studenti non frequentanti.

DISABILITÀ E DSA
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo.
Le studentesse e gli studenti con disabilità, DSA o BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la docente titolare dell’insegnamento in relazione alla declinazione delle modalità di esame e agli aspetti didattici.

L’esame consiste in una prova orale volta a verificare la conoscenza e la comprensione dei contenuti del corso, nonché la capacità di applicare i concetti e i modelli studiati a semplici problemi decisionali in ambito aziendale.
Durante il colloquio potranno essere richieste sia domande teoriche sia applicazioni, esempi numerici, interpretazione di risultati o discussione di procedure computazionali affrontate durante il corso.
Per il superamento dell’esame è richiesta una conoscenza adeguata dei concetti fondamentali e la capacità di applicarli correttamente in contesti semplici. Valutazioni più elevate saranno attribuite in presenza di maggiore padronanza dei contenuti, capacità di collegare argomenti diversi, autonomia nell’analisi e chiarezza espositiva.

L’insegnamento è articolato in dieci blocchi tematici.

1. Intelligenza Artificiale, strategia e decision framing
Ruolo dell’IA nei processi decisionali d’impresa. Identificazione di decisioni, obiettivi, metriche e fonti di incertezza. Distinzione tra decisioni statiche e sequenziali. Introduzione al concetto di policy.

2. Modellazione dei problemi decisionali sequenziali
Rappresentazione di stato, decisioni, informazioni, transizioni e funzione obiettivo. Sufficienza dello stato, timing delle decisioni e simulazione di semplici processi decisionali.

3. Dynamic Programming e principio di ottimalità
Problemi multistadio, open-loop e closed-loop. Funzione valore, equazione di Bellman, principio di ottimalità e backward recursion. Applicazioni a semplici problemi di pianificazione.

4. Allocazione strategica delle risorse
Problemi di allocazione di risorse scarse, knapsack e decisioni di budget. Formulazione dinamica, analisi di sensitività e confronto tra alternative di allocazione.

5. Decisioni aziendali stocastiche e Markov Decision Processes
Introduzione ai processi decisionali in condizioni di incertezza. Markov property, stati, azioni, transizioni, reward e criteri di valutazione. Applicazioni a problemi di inventory e resource management.

6. Value iteration e policy iteration
Operatori di Bellman, valutazione di una policy e ricerca della policy ottima. Algoritmi di value iteration e policy iteration. Confronto tra metodi esatti e semplici strategie di rollout.

7. Dall’ottimizzazione esatta alle policy approssimate
Limiti computazionali dei metodi esatti. Curse of dimensionality e principali famiglie di policy approssimate: Policy Function Approximations, Cost Function Approximations, Value Function Approximations e Direct Lookahead Approximations.

8. Learning while deciding: exploration ed exploitation
Problemi di apprendimento sequenziale. Multi-armed bandits, action values, strategie greedy ed epsilon-greedy, optimistic initialization, non-stazionarietà e Upper Confidence Bound.

9. Temporal-Difference Learning, SARSA e Q-Learning
Apprendimento model-free, Temporal-Difference Learning, SARSA e Q-Learning. Distinzione tra approcci on-policy e off-policy e confronto con metodi model-based.

10. Progettazione di business policies basate sull’IA
Progettazione, confronto e valutazione di policy decisionali in problemi aziendali. Applicazioni a supply chain e inventory management. Analisi di costo, servizio, stabilità, bullwhip effect e risposta agli shock.

Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

Conoscenza e comprensione: al termine del corso, le studentesse e gli studenti saranno in grado di comprendere i principali concetti e metodi per la modellazione e l’analisi di problemi decisionali sequenziali in ambito aziendale, con riferimento a Dynamic Programming, allocazione delle risorse, Markov Decision Processes, policy approssimate e metodi di Reinforcement Learning.

Capacità di applicare conoscenza e comprensione: le studentesse e gli studenti saranno in grado di formulare semplici problemi decisionali dinamici, individuandone stati, decisioni, informazioni, transizioni e obiettivi, applicare i principali metodi studiati e comprendere e discutere semplici implementazioni computazionali in Python.

Autonomia di giudizio: le studentesse e gli studenti saranno in grado di valutare criticamente ipotesi, vantaggi e limiti dei diversi approcci decisionali, confrontare policy alternative e individuare il metodo più appropriato rispetto allo specifico problema aziendale considerato.

Abilità comunicative: le studentesse e gli studenti saranno in grado di descrivere e discutere in modo chiaro e corretto i principali modelli, algoritmi e risultati quantitativi affrontati nel corso, utilizzando un linguaggio tecnico appropriato.

Capacità di apprendimento: le studentesse e gli studenti saranno in grado di approfondire autonomamente temi relativi alla decision analytics, ai problemi decisionali sequenziali e alle applicazioni dell’Intelligenza Artificiale alle decisioni d’impresa, utilizzando materiale didattico, testi specialistici e altre fonti pertinenti.