SVILUPPO DI MODELLI GENERATIVI PER OTTIMIZZARE LA GESTIONE DEI PRODOTTI ORTOFRUTTICOLI E DEGLI SCARTI

La crescente attenzione verso la sostenibilità e l’efficienza nella filiera agroalimentare impone nuove soluzioni per affrontare le sfide legate alla variabilità della domanda, alla deperibilità dei prodotti ortofrutticoli e agli sprechi generati da inefficienze logistiche. In questo contesto, la presente tesi esplora l’impiego dell’intelligenza artificiale (AI), e in particolare dei modelli generativi, come strumento per ottimizzare la gestione dei prodotti ortofrutticoli e ridurre gli scarti alimentari. Attraverso la costruzione e l’analisi di dataset specifici, la ricerca si propone di simulare scenari ipotetici e prevedere l’andamento della domanda e dell’offerta, offrendo soluzioni strategiche per una distribuzione più efficiente e sostenibile. Il lavoro analizza le principali tecnologie AI applicabili al settore agricolo — tra cui machine learning, deep learning, reti neurali generative (GAN), modelli autoregressivi e digital twin — valutandone il potenziale impatto nella previsione dei consumi, nell’ottimizzazione delle scorte e nella gestione dinamica dei flussi di prodotto. Particolare attenzione è riservata alla qualità e varietà dei dati utilizzati per l’addestramento degli algoritmi, elemento cruciale per garantire l’affidabilità dei modelli. Attraverso l’integrazione di approcci predittivi e generativi, la tesi dimostra come l’intelligenza artificiale possa potenziare le capacità decisionali degli operatori della filiera ortofrutticola, contribuendo a una gestione più resiliente, tecnologicamente avanzata e attenta agli obiettivi di sostenibilità alimentare.