Riassunto analitico
L'analisi delle serie temporali riveste oggi un ruolo sempre più cruciale in numerosi settori, dallo sviluppo economico alla gestione delle risorse. In un contesto aziendale, la capacità di prevedere accuratamente i trend futuri e monitorare costantemente le performance dei modelli previsionali diventa cruciale. Questa tesi si propone di esplorare i metodi di approccio alle serie temporali, delineando un percorso completo che parte dagli accenni teorici, passa attraverso i passaggi salienti della fase di estrazione, trasformazione e caricamento (ETL) dei dati, e arriva fino alla progettazione e implementazione di un sistema di monitoraggio efficiente.
Il primo capitolo offre una panoramica teorica sulle serie temporali, discutendo innanzitutto una loro caratterizzazione strutturale. Nell'affrontare le loro caratteristiche principali, vengono presentate alcune strategie classiche di approccio alla fase di preprocessing, così come alcuni modelli previsionali, evidenziando le proprietà della serie temporale richieste per un'applicazione ottimale. Questi metodi vengono analizzati nel contesto delle loro applicazioni pratiche, evidenziando i punti di forza e le limitazioni di ciascuno.
Nel secondo capitolo, l'attenzione si sposta sul processo ETL, fondamentale per la preparazione e la gestione dei dati necessari ai modelli di intelligenza artificiale in un contesto generale. Vengono esaminati tutti i passaggi critici, dalla raccolta dei dati alla loro trasformazione, fino alla creazione di un modello di machine learning e al suo trasferimento in un ambiente di produzione. In questa tesi, un focus particolare viene posto sulla fase di monitoring, illustrando come questo sia indispensabile per valutare e migliorare nel tempo modelli già operativi; viene quindi discussa l'importanza della scelta delle metriche più opportune, di cui sono presentati alcuni esempi utili in applicazioni pratiche.
Il terzo capitolo descrive nel dettaglio la struttura e le funzionalità di uno strumento di monitoraggio progettato durante un percorso di tirocinio, finalizzato a monitorare modelli previsionali preesistenti. Questo strumento si distingue per la sua capacità di integrare in modo efficiente le metriche di performance nel processo ETL, fornendo un feedback continuo e dettagliato sull'accuratezza e l'affidabilità dei modelli. Viene illustrata l'intera architettura progettata in linguaggio Python, soffermandosi sulle specifiche tecniche di ogni file costruito e sull'apporto che da esso risulta nel complesso dell'architettura.
Il contributo principale di questa tesi risiede nella combinazione di una panoramica e un'analisi teorica con un approccio pratico e applicativo, offrendo una soluzione integrata per il monitoraggio dei modelli d'intelligenza artificiale basati su serie temporali. In particolare, propone una soluzione innovativa per il monitoraggio continuo dei modelli di intelligenza artificiale, integrando efficacemente le metriche di performance nel processo ETL. Le metodologie e gli strumenti presentati possono poi essere applicati in diversi contesti, fornendo un framework robusto e flessibile per la gestione e l'ottimizzazione del monitoraggio.
|
