Vai al contenuto
Secondo quanto riportato da Artificialintelligence-news, NVIDIA ha implementato la piattaforma Palantir Foundry e il software cuOpt per automatizzare la gestione della propria catena di approvvigionamento globale. Questa soluzione mira ad ottimizzare la distribuzione dei componenti per le architetture hardware avanzate e a ridurre i tempi di inattività produttiva.
L’espansione della produzione di hardware per l’intelligenza artificiale ha intensificato le strozzature nella catena di approvvigionamento. Un singolo rack NVIDIA Grace Blackwell NVL72 comprende 18 moduli di calcolo, ognuno dei quali richiede due CPU Grace, quattro GPU Blackwell e 32 pacchetti di memoria HBM3e provenienti da migliaia di fornitori e partner di progettazione. Con l’imminente architettura Vera Rubin, la cui rete di supporto sarà due volte più estesa, l’azienda si trova a dover gestire flussi di materiali provenienti da tre canali distinti: inventario diretto, scorte in conto vendita e fornitori esterni. Per evitare ritardi, le pianificazioni negli stabilimenti vengono aggiornate settimanalmente su un orizzonte di due trimestri.
Ottimizzazione matematica e modelli linguistici dedicati
Per coordinare queste complesse dipendenze, le operazioni di NVIDIA hanno realizzato il centro di comando “Digital Supply Chain Intelligence” sfruttando Palantir Foundry, dove fornitori, scorte e obiettivi di produzione sono modellati come oggetti interconnessi. Il solutore cuOpt, basato sulla programmazione lineare a numeri interi misti, analizza direttamente questo livello operativo per minimizzare i tempi di giacenza dei componenti e identificare i colli di bottiglia della capacità produttiva regionale.
Tuttavia, l’ottimizzazione matematica da sola non consentiva di elaborare le variabili operative non strutturate gestite dai pianificatori umani, come trascrizioni di chiamate con i fornitori, previsioni meteo ed e-mail dei partner. Per risolvere questo limite, NVIDIA ha eseguito il post-addestramento di Nemotron 3.5 Lightning, un modello “mixture-of-experts” da 30 miliardi di parametri totali. La gestione dei dati fa uso di NeMo Anonymizer per oscurare i campi sensibili, NeMo Data Designer per bilanciare gli scenari di interruzione e NeMo AutoModel per applicare l’adattamento a basso rango (LoRA), mentre Palantir Autopilot supervisiona il tracciamento dei dati e l’invio delle raccomandazioni.
Risultati operativi e sviluppi futuri
Valutato sui dati storici di allocazione, il modello Nemotron 3.5 Lightning opportunamente istruito ha raggiunto un’accuratezza decisionale dell’86,7%, rispetto al 55,5% evidenziato dal modello Nemotron 3 Ultra e al 17,5% del modello base non affinato. L’addestramento specifico, completato in pochi minuti su due GPU NVIDIA B200, ha apportato un netto miglioramento nelle decisioni distributive operative.
Tutti i cambi di rotta, le modifiche manuali degli operatori e i dati reali di produzione vengono continuamente ripartiti nell’Ontologia di Palantir. Questo flusso di dati servirà a creare coppie di preferenza per futuri algoritmi di apprendimento per rinforzo, finalizzati a valutare la precisione di allocazione e la conformità alle politiche aziendali, mantenendo i modelli di produzione nettamente isolati da processi di riaddestramento automatici e non monitorati.
Consulente di comunicazione, social media, SEO ed e-commerce. Grafico, web designer, impaginatore, copertinista e addentrato quanto basta in tutto ciò che riguarda l’Internet. Appassionato di narrativa, arti visive e cinema di menare. Nerd. Gamer.
Vivo e lavoro come freelancer in provincia di Taranto.
