La Sfida
Una importante società di gestione aeroportuale, ci ha affidato un progetto relativo all’analisi e alla comprensione dei comportamenti dei passeggeri.
La sfida è di utilizzare tecniche di machine learning per predire il traffico passeggeri e supportare la pianificazione del personale aeroportuale nei Punti di Interesse delle Aree Aeroportuali in funzione del traffico passeggeri previsto.
La Soluzione
E’ stata realizzata una soluzione di ML seguendo questi 4 obiettivi, fondamentali per affrontare correttamente il tema del Forecast:
– Seguire il cambiamento dei dati nel tempo ed aggiornarsi velocemente
– Avere la disponibilità dei dati temporali
– Seguire un processo che segue il principio di AutoML
– Fornire un servizio end-to-end di ML orientato ai servizi in Cloud
I Benefici
Dal punto di vista tecnico, abbiamo definito nuovi criteri di ottimizzazione delle Time Series, attraverso un protocollo sviluppato in Humanativa che applica i criteri di training su finestre temporali mobili ma si pone l’obiettivo di:
– Semplificare e automatizzare la gestione del ciclo di vita dei modelli.
– Garantire il monitoraggio delle performance.
– Migliorare la qualità dei modelli di produzione.
– Migliorare governance con servizi MLOps.
Dal punto di vista di prodotto, questa iniziativa come altre di Forecast ci ha portato allo sviluppo di un motore di AutoForecast rendendo processi di questo tipo sempre più automatizzabili e riusabili di Analisti del Cliente Esperti del Dominio.
Il Ruolo di Humanativa
Realizzazione del servizio end-to-end di Machine Learning, dalla realizzazione di Modelli di Machine Learning, alle Procedure di MLOPS e produzione di Advanced Analytics.