Dall'analisi iniziale al modello in produzione, ogni fase ha obiettivi misurabili e scadenze precise. Nessuna sorpresa, nessun ritardo nascosto.
Un progetto tipico dura tra le 8 e le 16 settimane, a seconda della complessità dei dati e del numero di integrazioni richieste. Ecco come si articola.
Nella prima settimana ci sediamo con il tuo team per capire il problema reale. Non quello tecnico, quello di business. Perché i clienti abbandonano il carrello? Perché la linea di produzione si ferma tre volte al mese? Raccogliamo dati qualitativi e quantitativi, esaminiamo i sistemi esistenti e identifichiamo le fonti di dati disponibili. Al termine di questa fase consegniamo un documento di scoping che include obiettivi, metriche di successo e rischi principali. Il documento viene approvato da entrambe le parti prima di procedere.
I dati sono il carburante di qualsiasi modello. In questa fase, che dura circa due settimane, analizziamo la qualità dei dati disponibili: completezza, coerenza, distribuzione, eventuali bias. Scriviamo pipeline di pulizia e trasformazione in Python, documentando ogni passaggio. Se mancano dati critici, proponiamo strategie di raccolta o di data augmentation. Il risultato è un dataset pronto per l'addestramento, con una scheda tecnica che descrive ogni variabile.
Costruiamo un primo modello funzionante in 10-15 giorni. Non puntiamo alla perfezione: l'obiettivo è verificare che l'approccio scelto produca risultati accettabili. Testiamo diverse architetture (gradient boosting, reti neurali convoluzionali, transformer) e confrontiamo le prestazioni su un set di validazione. Presentiamo i risultati al cliente con grafici chiari, senza gergo inutile.
Il modello selezionato viene affinato: tuning degli iperparametri, feature engineering avanzato, gestione dei casi limite. Questa fase richiede tra le tre e le cinque settimane. Ogni iterazione viene tracciata con MLflow, così il cliente può vedere come cambiano le metriche nel tempo. Alla fine, il modello raggiunge (o supera) le soglie concordate nel documento di scoping.
Installiamo il modello nell'infrastruttura del cliente. Può essere un endpoint API su cloud, un container Docker on-premise o un modulo integrato nel gestionale esistente. Scriviamo test automatici che verificano la correttezza delle previsioni a ogni aggiornamento. La documentazione tecnica copre l'architettura, le dipendenze, le procedure di rollback e il monitoraggio delle performance.
Dopo il rilascio, monitoriamo il modello per 90 giorni. Controlliamo la drift dei dati, cioè il fenomeno per cui le distribuzioni cambiano nel tempo e il modello perde accuratezza. Se la drift supera le soglie concordate, riaddestriamo il modello con dati aggiornati. Il cliente riceve un report mensile con le metriche chiave: precisione, recall, latenza media, numero di previsioni errate segnalate dagli operatori.
La scelta degli strumenti dipende dal progetto, non da preferenze astratte. Per l'analisi predittiva usiamo spesso scikit-learn e XGBoost. Per la visione artificiale, PyTorch con architetture YOLO o EfficientNet. Per il processing del linguaggio naturale, modelli della famiglia BERT addestrati su corpora italiani.
L'infrastruttura di addestramento gira su GPU cloud (AWS o GCP), mentre il deploy avviene dove il cliente preferisce. Abbiamo esperienza con Kubernetes, AWS SageMaker, Azure ML e soluzioni on-premise basate su NVIDIA Triton.
Per il versioning dei modelli usiamo MLflow e DVC. Per il monitoraggio in produzione, Prometheus e Grafana con dashboard personalizzate. Ogni progetto ha un repository Git dedicato con CI/CD configurato.
Ogni fase si chiude con un deliverable specifico e un momento di approvazione formale. Il cliente non paga la fase successiva finché quella corrente non è stata accettata.
Fase 1: documento di scoping firmato da entrambe le parti.
Fase 2: dataset pulito e scheda tecnica delle variabili.
Fase 3: report di prototipazione con confronto tra modelli.
Fase 4: modello ottimizzato con metriche sopra le soglie concordate.
Fase 5: sistema in produzione con test automatici e documentazione.
Fase 6: report mensili di monitoraggio per 90 giorni.
Se in qualsiasi momento il progetto non procede come previsto, il cliente può interrompere la collaborazione pagando solo le fasi completate e approvate. Non ci sono penali di uscita.
Il prototipo funzionante arriva di solito entro la quarta settimana. Non è il modello definitivo, ma è sufficiente per capire se la direzione è giusta e per mostrare risultati concreti ai decisori interni.
È la norma, non l'eccezione. La fase 2 esiste proprio per questo. Abbiamo lavorato con aziende che avevano dati sparsi in fogli Excel, database Access degli anni 2000 e log di macchine industriali in formato proprietario. Li abbiamo unificati in pipeline riproducibili.
Sì. Molti clienti nel settore sanitario e finanziario preferiscono tenere i dati on-premise per ragioni di compliance. Configuriamo l'intero ambiente di addestramento e deploy sulle vostre macchine, a patto che soddisfino i requisiti minimi di hardware che comunichiamo all'inizio del progetto.
Offriamo contratti di manutenzione annuali che includono il monitoraggio continuo, il riaddestramento periodico e l'assistenza tecnica. In alternativa, formiamo il vostro team interno per gestire il modello in autonomia. La documentazione che consegniamo è pensata esattamente per questo.