Dati, forecasting e geospaziale

Trasformo sensori, previsioni meteo e immagini satellitari in decisioni: previsioni su grandezze misurate dai sensori, motori di raccomandazione, mappe operative da immagini satellitari, motori di scoring. Scelgo il modello sui numeri, spesso un Random Forest ben costruito batte un transformer, e lo consegno come servizio con API, database e monitoraggio.

Problemi tipici

Sensori IoT e meteo che producono dati ma nessuna previsione utilizzabile.
Immagini satellitari da trasformare in mappe operative per chi lavora sul territorio.
Regole di dominio o di business da codificare in un motore ripetibile e verificabile.
Modelli deep learning proposti per abitudine, senza confronto con una baseline.
Dati geospaziali grandi (catasto, mappe) da servire in modo affidabile.

Cosa consegno

Feature engineering su serie temporali (lag, finestre, bilanci fisici) con validazione per gruppo.
Modelli classici e deep (Random Forest, Temporal Fusion Transformer) confrontati con metriche documentate.
Pipeline Sentinel-2: indici spettrali, mascheratura nuvole, zonazione, export GeoJSON e Shapefile.
Servizi FastAPI con InfluxDB, MariaDB o PostGIS, autenticazione Keycloak, Helm e CI/CD.
Export ONNX e scheduling dei job di previsione.
Documentazione tecnica e report per chi deve decidere.

Come lavoro su questo

Prima una baseline e una metrica condivisa, poi il modello. Ogni previsione porta con sé l'errore atteso. I job girano schedulati, scrivono sul database e si controllano da una dashboard.

Scrivimi LinkedIn

Lavori in questo ambito

Agricoltura di precisione · 2025-2026

Raccomandazione irrigua e forecasting del suolo

Problema: Sensori in campo, previsioni meteo e fenologia da trasformare in una decisione quotidiana: quanto irrigare e concimare, e quando.
Cosa ho fatto: Motore agronomico con idrologia del suolo, chimica N-P-K, fasi BBCH ed evapotraspirazione, su MariaDB e InfluxDB con autenticazione Keycloak. Forecasting multi-target dello stato del suolo con Random Forest e oltre cento feature (SMAPE medio 4,7% su cinque target). Temporal Fusion Transformer valutato con Optuna ed export ONNX, poi scartato: il modello classico era migliore.

scikit-learn
Random Forest
TFT
ONNX
InfluxDB
FastAPI
Keycloak

Agricoltura di precisione · 2026

Zone di prescrizione da immagini Sentinel-2

Problema: Un agronomo disegna il confine di un campo e vuole mappe di vigore e zone a rateo variabile senza competenze GIS o satellitari.
Cosa ho fatto: Servizio che scarica Sentinel-2 da Copernicus per poligono e intervallo, calcola NDVI con mascheratura delle nuvole, raggruppa in zone di vigore con K-Means ed esporta GeoJSON, Shapefile e ISO-XML per le macchine, più overlay georeferenziati. Frontend React con Leaflet per disegnare e scegliere le scene, modalità mock senza credenziali, 141 test.

rasterio
Sentinel-2
NDVI
K-Means
React / Leaflet
FastAPI

Domande frequenti

Che tipo di progetti segui?

Progetti di computer vision industriale, sistemi basati su LLM (RAG, agenti, estrazione strutturata), forecasting su dati IoT e geospaziali, e piattaforme web e mobile che rendono questi modelli un prodotto. Dal PoC alla produzione, con codice, test e deploy.

Quanto tempo serve per un prototipo?

Un PoC misurabile richiede in genere da due a sei settimane, a seconda dei dati disponibili. La produzione dipende dall'integrazione: da uno a tre mesi per un servizio con API, test e deploy.

Come funzionano i costi?

Preventivo su misura dopo la call, a progetto o a giornata, oppure un accordo continuativo mensile per chi ha bisogno di un tecnico di riferimento. Nessun costo nascosto: strumenti, licenze e infrastruttura si decidono insieme e restano vostri.