GRIP — il motore decisionale probabilistico di Synlogica

Perché probabilistico, non deterministico

Le decisioni operative nel settore farmaceutico non sono esatte: l'esito di una gara non è "sì" o "no" ma una probabilità condizionata da domanda, capacità dei vettori, storico delle tratte e prezzi dei concorrenti. La reazione di un fornitore a una controproposta non è certa ma una distribuzione tra Accetta / Controproposta / Abbandono. La shelf-life residua di un lotto dopo un'escursione di temperatura non è un singolo numero ma un intervallo di confidenza determinato dalla cinetica di Arrhenius e dai dati storici di stabilità.

GRIP restituisce l'intera distribuzione — e raccomanda un'azione in base ad essa, applicando la tolleranza al rischio dell'operatore. Questo significa che:

Puoi pianificare il budget rispetto allo scenario peggiore all'80^o percentile, non rispetto alla media.
Puoi spiegare agli auditor perché un lotto borderline è stato rilasciato o trattenuto — con la matematica, non con "lo ha detto il modello".
Puoi confrontare in A/B due strategie di negoziazione con una varianza degli esiti quantificata.

I tre pilastri

1. Livello delle regole rigide

Le tue SOP, le soglie GxP, i requisiti GDP, la logica di business specifica del tenant. Gate deterministici che devono essere superati prima di qualsiasi ragionamento probabilistico. Verificabili come codice — versionati, firmati.

2. Modelli probabilistici

Monte Carlo per gli esiti delle gare e il rischio delle tratte. Inferenza Bayesian per aggiornare l'elasticità di prezzo del fornitore a ogni round di negoziazione. Nota: l'impatto sulla shelf-life (modulo Quality) gira su un motore Arrhenius dedicato e separato — stesso primitivo generale, codebase e validation pack indipendenti.

3. Livello della policy decisionale

Traduce la distribuzione → azione raccomandata secondo la tua tolleranza al rischio. Configurabile (conservativa / bilanciata / opportunistica). Ogni raccomandazione è registrata con la versione della policy che l'ha prodotta.

Il fratello: il motore Arrhenius del modulo Quality

Il modulo Quality è fornito con un motore probabilistico separato e dedicato — non GRIP — costruito attorno alla cinetica di Arrhenius per la valutazione dell'impatto sulla shelf-life dopo escursioni di temperatura. La matematica è lo stesso primitivo generale (k(T) = A · exp(−E_a / RT) integrato sul profilo reale del sensore, con propagazione dell'incertezza Monte Carlo), ma il motore, la libreria dei parametri e il validation pack sono indipendenti. Li abbiamo separati deliberatamente: Quality opera sulla scrivania del QP ed è validato GAMP 5 Cat 4 rispetto a script IQ/OQ focalizzati sulla revisione delle escursioni, mentre GRIP opera sull'hub dei dati operativi per le decisioni di Transport + Negotiation con criteri di accettazione differenti.

Il percorso matematico completo si trova nel whitepaper sulla modellazione Arrhenius della shelf-life — sourcing dell'energia di attivazione, propagazione dell'errore di calibrazione dei sensori, correzioni per la disomogeneità spaziale, quando domina la temperatura di picco rispetto all'esposizione cumulativa, e un esempio svolto di un'escursione di 6 ore a 14°C con output completo della distribuzione.

Esempio 1 — Elasticità di prezzo Bayesian nel modulo Negotiation

Ogni fornitore ha una distribuzione latente di elasticità di prezzo che GRIP stima e aggiorna dopo ogni interazione. La prior deriva dai benchmark di categoria (Fastmarkets, ICIS, LME, Argus); la posterior viene aggiornata tramite la regola di Bayes dopo ogni round di scambio sui prezzi:

P(elasticità | osservato) ∝ P(osservato | elasticità) · P(elasticità)

Prior: log-normale(μ = benchmark di categoria, σ = volatilità di mercato)
Likelihood: funzione della contro-risposta del fornitore alla tua ultima offerta
Posterior: distribuzione aggiornata usata per raccomandare la prossima BATNA / target / soglia massima

È per questo che la "controproposta raccomandata" del modulo Negotiation arriva con una probabilità di accettazione attesa calibrata — non con un'intuizione a sentimento. Dopo 3-5 round con un fornitore, la posterior converge e le raccomandazioni diventano più precise.

Esempio 2 — Monte Carlo per la copertura delle gare nel modulo Transport

Dato il piano di produzione e le tratte di gara attive, qual è la probabilità di coprire il 95% della tua domanda di trasporto nel prossimo trimestre senza esposizione al freight spot?

GRIP esegue 10.000 simulazioni Monte Carlo campionando da distribuzioni interne:

Stocasticità del piano di produzione (probabilità di slittamento per SKU)
Accettazione dell'assegnazione a livello di tratta da ciascun vettore (storica, con ML addestrato sugli esiti delle tue gare)
Volatilità della domanda per classe di temperatura (cold-chain vs ambiente)
Distribuzione dell'inflazione delle tariffe spot (vettore × mese)

Livello dei segnali esterni

Il sampler Monte Carlo integra anche feed esterni in tempo reale nelle distribuzioni di input, così ogni raccomandazione riflette l'effettivo ambiente operativo attuale, non un baseline obsoleto:

Indici dei prezzi del carburante — Brent / ULSD / diesel per regione di tratta, timing della finestra di hedging per l'esposizione ai sovrapprezzi carburante.
Benchmark delle commodity — ICIS, Fastmarkets, LME, Argus per i baseline di accessori e sovrapprezzi.
Eventi di disruption geopolitica — congestione portuale (Rotterdam, Anversa, Amburgo), tempi di transito Mar Rosso / Suez, impatto delle sanzioni su specifiche rotte commerciali, durata degli scioperi doganali.
Segnali di tensione sulla capacità — spread spot-vs-contratto, tassi di ritiro puntuale dei vettori, curve di volume stagionali.
Meteo / spostamento di modalità — effetti della stagione delle tempeste del Nord Atlantico, overflow del freight aereo quando le tratte oceaniche si congestionano.

Output: distribuzione degli esiti "tasso di copertura × costo di esposizione spot × landed cost", condizionata allo stato esterno attuale. Transport fa quindi emergere le tratte che contribuiscono maggiormente al rischio di coda (peggior caso 5%) e raccomanda una mini-gara per esse prima che le fatture vengano riconciliate. Ogni raccomandazione porta con sé l'hash di lineage dei dati di input, così l'auditor può rieseguire la decisione esatta con lo snapshot esterno esatto che l'ha informata.

Verificabilità — versioni del modello in ogni decisione

Ogni decision package prodotto da Terminus include:

Versione del motore GRIP (semver)
Versione del set di parametri del modello (per-tenant)
Versione del set di regole (le tue SOP)
Versione del livello di policy (la configurazione della tua tolleranza al rischio)
Hash di lineage dei dati di input
Hash SHA-256 dell'intero output PDF + JSON

Quando un auditor chiede "perché il modello ha raccomandato X due anni fa?" — rieseguiamo la versione esatta di GRIP con gli stessi input esatti e otteniamo lo stesso output esatto. La riproducibilità bit-per-bit è il requisito operativo, non un optional.

Cosa GRIP NON è

Non è un large-language-model. Nessun LLM è nel loop decisionale. Gli LLM vengono usati altrove (ad es. per analizzare note di escursione in testo libero trasformandole in campi strutturati) ma il loro output non alimenta mai la raccomandazione decisionale.
Non è una scatola nera. Ogni distribuzione di probabilità può essere ispezionata, ogni regola è codice leggibile dall'uomo, ogni raccomandazione risale ai suoi input.
Non è un sostituto del giudizio di QA / QP / procurement. GRIP raccomanda; gli esseri umani approvano. L'approvazione fa parte del decision package.
Non è magia. La qualità delle raccomandazioni è limitata dalla qualità degli input. Spazzatura in ingresso → spazzatura calibrata in uscita. Ti aiutiamo a sistemare gli input.