Väitös tuotantotalouden alalta, M.Sc. Zeinab Farshadfar

Väitöskirjan nimi: Machine learning applications in enhancing sustainable supply chains—a foresighted empirical study

Väittelijä: Zeinab Farshadfar 
Vastaväittäjä: apulaisprofessori Anna Aminoff, Kauppakorkeakoulu Hanken
Kustos: apulaisprofessori Siavash Khajavi Haghighat, Aalto-yliopiston perustieteiden korkeakoulu 

Voiko koneoppiminen tehdä toimitusketjuista aidosti kestäviä?

Toimitusketjut aiheuttavat yli 80 % maailman kasvihuonekaasupäästöistä ja kuluttavat merkittävän osan luonnonvaroista. Samalla tekoäly ja koneoppiminen muuttavat teollisuutta nopeasti. Mutta tekevätkö nämä teknologiat toimitusketjuista todella kestävämpiä – vai parantavatko ne vain tehokkuutta?

Väitöskirja tarkastelee, miten koneoppiminen voi käytännössä edistää kestäviä ja kiertotalouteen perustuvia toimitusketjuja. Tavoitteena on siirtyä teoreettisista ja simulaatiopohjaisista tarkasteluista kohti empiiristä näyttöä koneoppimisen taloudellisista ja ympäristöllisistä vaikutuksista.

Tutkimus yhdistää systemaattisen kirjallisuuskatsauksen ja uraauurtavat tapaustutkimukset kahdelta toimialalta: rakennusjätteen käsittelystä ja ilmailualan varaosien toimitusketjuista. Analyysissa hyödynnetään kolmoistilinpäätöksen viitekehystä (taloudellinen, ympäristöllinen ja sosiaalinen kestävyys) koneoppimisen vaikutusten jäsentämiseksi.

Tulokset osoittavat, että aiempi tutkimus on käyttänyt koneoppimista pääasiassa päätöksenteon tukena, esimerkiksi kysynnän ennustamisessa. Tämä väitöskirja tarkastelee sen sijaan operatiivisia sovelluksia, joissa koneoppiminen on integroitu suoraan fyysisiin prosesseihin.

Rakennusalalla koneoppimiseen perustuva robottiohjattu lajittelu parantaa kierrätysastetta ja voi olla taloudellisesti kilpailukykyinen erityisesti korkean palkkatason maissa. Työvoimakustannukset, diskonttokorko ja investoinnit ovat keskeisiä kannattavuuden kannalta.

Ilmailualalla koneoppimiseen perustuva generatiivinen suunnittelu ja lisäävä valmistus vähentävät päästöjä kevyempien komponenttien avulla ja tehostavat varaosien yhteisvarastointia. Tutkimus tunnistaa painoon ja kestävyyteen liittyvät kynnysarvot, joiden täyttyessä ratkaisut ovat taloudellisesti ja ympäristöllisesti kannattavia.

Kustannusmallien sekä skenaario- ja herkkyysanalyysien avulla väitöskirja osoittaa, että koneoppiminen voi toimia paitsi suunnittelun tukena myös operatiivisena teknologiana, joka vähentää jätettä ja päästöjä sekä edistää resurssitehokkuutta ja kiertotaloutta.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aalto-yliopiston riiputussivu.