Contesto e ruolo nel progetto
Il Work Package 2 (WP2), coordinato da Contrader, costituisce uno dei pilastri tecnologici del progetto VitalSpace per il dominio comfort ambientale. Il WP2 si concentra sulla definizione e realizzazione delle capacità necessarie a raccogliere, elaborare e rendere predicibili i parametri ambientali (temperatura, umidità, qualità dell’aria/CO₂), predisponendo un sistema scalabile e interoperabile per analisi real-time e batch.
Obiettivi tecnici
- Definire un motore di elaborazione capace di supportare predizioni real-time e batch su parametri ambientali.
- Industrializzare il ciclo di vita AI (training, predizione, re-training) con un approccio orientato all’automazione.
- Garantire interoperabilità con la piattaforma complessiva (integrazione con i moduli applicativi e con la base dati iComfort).
- Predisporre pipeline e capacità estendibili a nuove metriche e sensori.
Architettura di riferimento: motore AI e orchestrazione
Il WP2 concorre alla costruzione del motore di machine learning integrato basato su MindsDB, in grado di trasformare modelli sperimentali in strumenti operativi. L’architettura comprende:
- VS-Orchestrator: orchestrazione di template, predittori, job asincroni e cronjob
- VS-AI: connessione tra database e motore ML
- MindsDB: esecuzione modelli, inclusi BYOM
- MongoDB: persistenza e auditabilità
- API di integrazione: per training, predizione e gestione risorse
Industrializzazione dei modelli (ponte con WP1)
Un aspetto qualificante è l’adattamento dei modelli sviluppati in ambito accademico (WP1) per l’esecuzione nativa in contesti operativi tramite paradigma BYOM (Bring Your Own Model). La trasformazione dei modelli (ad esempio LSTM e Random Forest) in artefatti eseguibili dal motore consente:
- Esecuzione standardizzata su pipeline dati
- Scheduling di predizioni periodiche
- Aggiornamento continuo e re-training automatico
- Estendibilità verso modelli futuri senza reingegnerizzare l’architettura
Risultati e valore tecnico
L’integrazione del motore ML abilita un ciclo di vita AI completamente automatizzabile. Le evidenze includono:
- Predizioni affidabili su serie temporali
- Robustezza su dataset parziali e rumorosi
- Scalabilità architetturale e facilità di aggiunta di nuove variabili e sensori
- Tracciabilità e governance attraverso persistenza e API dedicate
Criticità affrontate
- Adattamento del codice Python a logiche BYOM (vincoli su input/output e packaging)
- Gestione della latenza per job asincroni e orchestrazione
- Requisiti di privacy e rispetto GDPR per i dati trattati