An integrated model for the performance evaluation of manufacturing systems with operational learning of AI quality control algorithms during ramp-up

The growing integration of artificial intelligence (AI) and adaptive decision systems within industrial operations raises not only questions of model accuracy, but also of governance: in particular, when adaptive learning should be activated in production environments characterized by uncertainty and risk sensitivity. While predictive models can operate continuously, the decision to enable learning-driven adaptation represents a structural transition that may affect both operational stability and cumulative risk exposure. This thesis investigates the impact of activation timing in a simulated industrial inspection system. A discrete-event simulation framework is developed to model a two-regime architecture: an initial conservative deterministic phase followed by an adaptive regime in which error probabilities evolve parametrically with accumulated production volume. The transition between regimes is governed by a statistically defined activation threshold. The study compares alternative activation policies under identical learning dynamics and evaluates their effects on transient error behavior, cumulative risk exposure and throughput performance. Results show that activation timing does not modify steady-state capacity or structural learning behavior. However, transient differences in error dynamics generate persistent cumulative effects when integrated over production volume. Under the baseline risk structure, delayed activation reduces cumulative exposure without penalizing long-run throughput. A sensitivity analysis demonstrates that the optimal activation threshold depends on the relative weighting of false positive and false negative costs. Activation timing should therefore be interpreted primarily as a risk-governance decision rather than a productivity optimization problem. The methodological framework proposed in this work provides a transferable approach for managing the introduction of adaptive decision systems in industrial contexts.

La crescente integrazione di modelli di intelligenza artificiale (AI) e di architetture decisionali abilitate all’apprendimento nei contesti industriali solleva non solo questioni legate all’accuratezza predittiva, ma anche problematiche di governance: in particolare, quando attivare il perfezionamento basato sull’apprendimento in ambienti produttivi caratterizzati da incertezza e sensibilità al rischio. Sebbene i moduli predittivi possano operare in modo continuo, la decisione di attivare un comportamento guidato dall’apprendimento rappresenta una transizione strutturale tra un regime deterministico conservativo e un regime adattivo le cui prestazioni evolvono con l’esperienza accumulata. Tale transizione può influenzare sia la stabilità operativa sia l’esposizione cumulata al rischio. Questa tesi analizza l’impatto del timing di attivazione in un sistema di ispezione industriale simulato. Viene sviluppato un framework di simulazione ad eventi discreti per modellare un’architettura a due regimi: una fase iniziale deterministica e conservativa seguita da un regime adattivo in cui le probabilità di errore evolvono in modo parametrico al crescere del volume produttivo cumulato. Il passaggio tra i due regimi è governato da una soglia di attivazione definita su base statistica. Lo studio confronta politiche di attivazione alternative, a parità di dinamiche di apprendi mento, valutandone gli effetti sul comportamento transitorio degli errori, sull’esposizione cumulata al rischio e sulle prestazioni di throughput. I risultati mostrano che il timing di attivazione non modifica la capacità a regime né la traiettoria di apprendimento sottostante. Tuttavia, differenze transitorie nelle dinamiche di errore generano effetti cumulativi persistenti quando integrate rispetto al volume produttivo. Nella configurazione di rischio di riferimento, un’attivazione ritardata riduce l’esposizione cumulata senza penalizzare le prestazioni di lungo periodo. Un’analisi di sensitività dimostra inoltre che la soglia ottimale di attivazione dipende dalla ponderazione relativa dei costi associati ai falsi positivi e ai falsi negativi. Il timing di attivazione deve pertanto essere interpretato principalmente come una decisione di governance del rischio piuttosto che come un problema di ottimizzazione della produttività. Il framework metodologico proposto fornisce un approccio trasferibile per la gestione dell’introduzione di architetture decisionali guidate dall’apprendimento in contesti industriali.