Questa pubblicazione esplora l’integrazione di Intelligenza Artificiale Human-Centric nell’industria della moda, con un focus sulla transizione verso il paradigma Industry 5.0. L’obiettivo è ottimizzare le operazioni di taglio dei tessuti, riducendo i tempi di setup e minimizzando gli sprechi di materiale. La novità principale del lavoro risiede nell’uso di Large Language Models (LLM) per tradurre il feedback degli operatori in obiettivi quantificabili per algoritmi di ottimizzazione basati sulla programmazione lineare. Questo lavoro dimostra come la fusione tra AI e ottimizzazione matematica possa rivoluzionare i processi produttivi nel settore della moda.

Il Problema del Taglio Tessile

Nell’industria della moda, il processo di taglio è una delle fasi più costose e complesse. Tradizionalmente, le aziende utilizzano software commerciali per risolvere il cutting-stock problem, ottimizzando il posizionamento dei pezzi di tessuto. Tuttavia, questo metodo non tiene conto delle esigenze degli operatori umani. La nostra ricerca introduce un nuovo modello matematico, che integra:

• Dati di produzione e vincoli logistici.
• Preferenze e richieste degli operatori, interpretate da un Large Language Model.
• Ottimizzazione multi-obiettivo, per bilanciare efficienza produttiva e benessere degli operatori.

Approccio Human-Centric e AI

L’innovazione principale della ricerca consiste nell’integrazione di un LLM che interpreta i report degli operatori e li traduce in parametri quantitativi per il modello di ottimizzazione. Il sistema consente agli operatori di esprimere feedback in linguaggio naturale, che vengono elaborati per:

• Adattare i parametri del modello di taglio.
• Minimizzare il carico di lavoro degli operatori.
• Migliorare la collaborazione tra macchine e lavoratori.

Questa soluzione rappresenta un passo avanti verso un’industria più flessibile, adattiva e centrata sull’uomo, coerente con i principi di Industry 5.0.

L’analisi è stata condotta su un dataset industriale reale, dimostrando che il modello proposto:

• Riduce i tempi di setup rispetto ai metodi tradizionali.
• Ottimizza il consumo di tessuto, limitando gli sprechi.
• Migliora la produttività, grazie all’integrazione del feedback umano.