1. L'illusione dell'intuizione spaziale negli LLM
I modelli di linguaggio basati su transformer generano token sequenziali attraverso stime di probabilità condizionate apprese durante il pre-training. Non hanno accesso a una griglia euclidea interna né a un motore di propagazione geometrica.
Affidare a un prompt l'allocazione di decine di imbarcazioni di lunghezza, larghezza e pescaggio eterogenei (il problema reale del progetto Harbor Manager) espone il sistema a tre criticità insostenibili in produzione:
- Mancanza di garanzie sui vincoli rigidi (hard constraints): un LLM può produrre coordinate plausibili in JSON, ma non può garantire che due scafi non si tocchino per 10 centimetri o che il fondale sia sufficiente durante la bassa marea. In mare, una violazione su cento significa un incidente nautico o un danno economico.
- Allucinazione combinatoria: man mano che il numero di barche o colli cresce, la complessità combinatoria esplode. I modelli dimenticano vincoli negativi o inventano coordinate di banchina fisicamente inesistenti.
- Costo computazionale e non-determinismo: ogni inferenza LLM complessa richiede secondi preziosi, consuma budget API e fornisce output diversi a ogni esecuzione. Un solver matematico converge all'ottimo globale (o certifica l'inammissibilità) in frazioni di secondo a costo zero.
2. La formulazione formale: Constraint Programming & SAT
La Constraint Programming (programmazione a vincoli) inverte l'approccio: invece di indovinare una configurazione per tentativi statistici, definisce lo spazio degli stati ammissibili tramite variabili di decisione e vincoli algebrici. Il motore di ricerca esplora l'albero delle soluzioni potando intere combinazioni non ammissibili grazie alla propagazione logica.
3. Implementazione con Google OR-Tools (CP-SAT)
Google OR-Tools include CP-SAT, uno dei più performanti solver moderni al mondo. In Python, il vincolo critico di non-sovrapposizione bidimensionale viene risolto elegantemente con la funzione nativa AddNoOverlap2D:
from ortools.sat.python import cp_model
def solve_berth_allocation(boats, dock_length, dock_depth):
model = cp_model.CpModel()
x_intervals, y_intervals = [], []
assigned_vars = {}
for boat in boats:
# Variabili di decisione per la posizione (x, y) sul molo
x_start = model.NewIntVar(0, dock_length - boat["length"], f"x_start_{boat['id']}")
x_end = model.NewIntVar(0, dock_length, f"x_end_{boat['id']}")
x_int = model.NewIntervalVar(x_start, boat["length"] + boat["buffer_x"], x_end, f"x_int_{boat['id']}")
y_start = model.NewIntVar(0, dock_depth - boat["width"], f"y_start_{boat['id']}")
y_end = model.NewIntVar(0, dock_depth, f"y_end_{boat['id']}")
y_int = model.NewIntervalVar(y_start, boat["width"] + boat["buffer_y"], y_end, f"y_int_{boat['id']}")
is_assigned = model.NewBoolVar(f"assigned_{boat['id']}")
assigned_vars[boat['id']] = is_assigned
x_intervals.append(x_int)
y_intervals.append(y_int)
# Garanzia matematica: nessuna intersezione geometrica nel piano 2D
model.AddNoOverlap2D(x_intervals, y_intervals)
# Obiettivo: massimizzare il gettito economico e i posti occupati
model.Maximize(sum(assigned_vars[b['id']] * b['revenue'] for b in boats))
solver = cp_model.CpSolver()
solver.parameters.max_time_in_seconds = 5.0
status = solver.Solve(model)
if status in (cp_model.OPTIMAL, cp_model.FEASIBLE):
return {
b['id']: (solver.Value(model.GetIntVar(f"x_start_{b['id']}")),
solver.Value(model.GetIntVar(f"y_start_{b['id']}")))
for b in boats if solver.Value(assigned_vars[b['id']]) == 1
}
return None4. Risultati concreti: il caso Harbor Manager
Nel progetto di gestione portuale sviluppato da Giorgio, l'integrazione di Google OR-Tools in una pipeline asincrona con worker Celery ha prodotto risultati misurabili:
5. Il ruolo corretto dell'AI nei sistemi di produzione
La vera maturità ingegneristica non consiste nell'usare l'AI ovunque, ma nel sapere quale componente architetturale assegnare a ciascun problema:
| Funzione del sistema | Tecnologia adatta | Motivazione ingegneristica |
|---|---|---|
| Comprensione linguaggio naturale | LLM (Gemini / Claude / GPT) | Estrazione parametri da email, messaggi e richieste vocali non strutturate. |
| Ottimizzazione vincolata e fisica | Google OR-Tools (CP-SAT) | Zero allucinazioni, rispetto algebrico di distanze, tempi e capienze. |
| Raccomandazioni rapide in-database | kNN Vettoriale in SQL (Postgres) | Latenze <30ms senza overhead di rete o costi API per query. |
| Consegna streaming al client | Celery + Redis Pub/Sub + SSE | Disaccoppiamento totale tra computazione asincrona e thread HTTP web. |
Conclusioni
I modelli generativi sono una risorsa potente per interpretare l'ambiguità del linguaggio umano. Ma quando un errore di calcolo comporta costi materiali, inefficienze operative o rischi per la sicurezza, la matematica discreta e i solver di ricerca operativa rimangono insostituibili.
Harbor Manager — Ottimizzazione Portuale con OR-Tools
Esplora l'architettura completa, i diagrammi del flusso dati PostGIS ➔ Celery ➔ Angular e le metriche di produzione.
