Menu
Portfolio
Portfolio
Questo portfolio ha l’obiettivo di illustrare le nostre competenze e la nostra capacità di coniugare tecnologie all’avanguardia per offrire soluzioni concrete alle esigenze aziendali. Attraverso una selezione di case study, mostreremo come DMBI Consultants ha aiutato aziende di diverse dimensioni e settori a raggiungere i loro obiettivi di business. I casi presentati rappresentano solo un assaggio delle nostre capacità e del nostro impegno nell’innovazione. Siamo costantemente alla ricerca di nuove soluzioni per aiutare i nostri clienti a trarre il massimo vantaggio dalle tecnologie emergenti.
||Business Intelligence ||Business Intelligence
Insurance
Data Integration and Reporting in Management Control
- Obiettivo
L’obiettivo del progetto era ottenere una comprensione più approfondita del business assicurativo per ottimizzare le prestazioni e la soddisfazione del cliente.
Attraverso un processo di integrazione dati, sono stati raccolti e consolidati gli indicatori relativi alla raccolta premi e alla liquidazione sinistri dei prodotti assicurativi.
Questi dati sono stati poi utilizzati per popolare dashboard che consentono di monitorare l’andamento dei KPI chiave per il business.
- Attività svolte
Al fine di agevolare un’analisi approfondita delle prestazioni aziendali, i dati sono stati strutturati in un data warehouse multi-fattoriale basato su Oracle DB.
L’organizzazione dei dati, segmentati per territorio e suddivisi in intervalli mensili e settimanali, ha consentito un’estrazione granulare delle informazioni.
Per rispondere alle specifiche esigenze di ogni linea di business, prodotto assicurativo o territorio, sono stati sviluppati KPI e report personalizzati.
La robustezza del sistema è stata garantita dall’implementazione di una logica di calcolo rigorosa per riserve, tassi di riscatto e tassi di sinistri.
- Oracle
Banking
Reporting in Credit Risk
- Obiettivo
Immagina uno strumento che ti permetta di tenere sotto controllo la situazione creditizia dei clienti e di individuare i potenziali rischi.
Il progetto in questione ha previsto la creazione di un sofisticato strumento di monitoraggio del rischio credito, attraverso l’uso dei linguaggi di programmazione SAS e Tableau.
Tale strumento è stato pensato per offrire una panoramica completa e dettagliata delle esposizioni creditizie, consentendo alle istituzioni finanziarie di prendere decisioni informate e proattive per mitigare i rischi.
- Attività svolte
Grazie al software di Business Intelligence Tableau, sono state create dashboard dinamiche e interattive che offrono una panoramica completa e dettagliata della situazione finanziaria della banca e della qualità creditizia dei clienti.
Le dashboard offrono una visuale immediata e intuitiva su diverse metriche riguardanti:
- lo stato generale della banca (volume delle esposizioni garantite e non garantite, il numero di clienti, la distribuzione delle garanzie);
- la solvibilità dei clienti (assegnazione allo stadio secondo i principi IFRS9, valutazione creditizia interna assegnata ai prestiti, matrici di transizione sull’evoluzione della classifica del debitore).
- SAS, Tableau
Predictive Analyticsss Predictive Analyticsss
Image Processing
Object detection using Satellite Imagery
- Obiettivo
La biodiversità del nostro pianeta è in rapido declino, minacciata dai cambiamenti climatici, dall’introduzione di specie invasive e dalle attività umane, un problema che affligge anche le aree protette.
Per affrontare questa sfida e monitorare le trasformazioni in atto con maggiore efficacia, le autorità locali hanno adottato un approccio innovativo, basato sull’utilizzo di immagini satellitari gratuite fornite dalla missione Sentinel-2.
- Attività svolte
In concreto, sono stati impiegati sofisticati algoritmi di Machine Learning per analizzare i dati raccolti dai satelliti e tradurli in mappe dettagliate che mostrano la distribuzione dei diversi tipi di vegetazione sul territorio.
Queste mappe, una volta confrontate con i dati raccolti attraverso accurate indagini sul campo, hanno permesso ai ricercatori di identificare con precisione le zone che ospitano la maggiore concentrazione di biodiversità, veri e propri “hotspot” da proteggere con particolare attenzione.
Questo progetto dimostra in modo concreto come l’utilizzo del telerilevamento, ovvero l’acquisizione di informazioni a distanza tramite sensori come quelli satellitari, possa contribuire a ridurre i costi e al contempo migliorare l’efficacia delle iniziative di conservazione della biodiversità.
In altre parole, grazie a questa tecnologia, è possibile monitorare vasti territori in modo più efficiente e mirato, ottimizzando gli sforzi e le risorse dedicate alla salvaguardia dell’ambiente.
- Python
Image Processing
Object detection using Satellite Imagery
- Obiettivo
L’occupazione abusiva del territorio per lo smaltimento illegale dei rifiuti è un problema che causa seri danni ambientali e sanitari.
Per contrastare questo fenomeno, un’amministrazione locale ha avviato un progetto volto ad individuare, attraverso le immagini satellitari ad alta risoluzione, aree geografiche in cui potrebbero essere presenti discariche abusive.
L’utilizzo di algoritmi di Machine Learning permette di analizzare grandi quantità di immagini in modo rapido ed efficiente. Le informazioni ottenute possono essere utilizzate per pianificare interventi di controllo ad hoc da parte delle autorità competenti.
- Attività svolte
Per realizzare il progetto è stato sviluppato un modello di AI che analizza le immagini del territorio, suddivise in pixel o tiles.
Il modello, attraverso algoritmi sofisticati, è in grado di riconoscere le caratteristiche tipiche di una discarica abusiva.
Questa tecnologia, combinata con un approccio che coinvolga le istituzioni, può contribuire a creare un futuro più sostenibile e pulito.
- Python
Energy
Day-ahead price forecast in the electricity market
- Obiettivo
La Borsa Elettrica Italiana è un mercato all’ingrosso dove vengono compravendute energia elettrica e gas naturale.
Il Prezzo Unico Nazionale (PUN) è il prezzo di riferimento dell’energia elettrica in Italia. Viene stabilito per ogni ora del giorno e rappresenta la media ponderata dei prezzi zonali di vendita dell’energia elettrica.
Questo progetto era volto ad equipaggiare gli attori del mercato energetico con strumenti innovativi che consentono di navigare la complessità del settore con maggiore consapevolezza e proattività.
Lo scopo era creare un modello predittivo in grado di anticipare l’andamento quotidiano PUN, fornendo agli operatori del settore una visione strategica d’insieme per ottimizzare le proprie scelte.
- Attività svolte
Il progetto di previsione del PUN ha adottato un approccio innovativo per stimare l’andamento del prezzo dell’energia.
Attraverso la simulazione di modelli stocastici, sono stati replicati i complessi meccanismi che influenzano la dinamica del PUN.
Dall’integrazione di tecniche di Data Science e di Business Intelligence, è stato possibile estrarre conoscenza da una vastissima mole di dati storici, identificando i fattori chiave che influenzano le fluttuazioni di prezzo.
Il progetto è stato sviluppato con linguaggio Python.
- Python
Medicine
Acupuncture for Facial Pain
- Obiettivo
L’agopuntura auricolare è una tecnica che prevede la stimolazione di punti specifici del padiglione auricolare con aghi sottili.
In collaborazione con i ricercatori dell’Ospedale Universitario Umberto I, è stato condotto uno studio per valutare l’agopuntura auricolare come metodo per alleviare il dolore. Lo studio ha raccolto e analizzato sia dati clinici che molecolari per ottenere un quadro completo dell’efficacia di questa tecnica.
I ricercatori hanno cercato di identificare dei biomarkers associati agli effetti terapeutici dell’agopuntura auricolare.
Alcuni studi hanno già dimostrato che l’agopuntura può essere efficace nel trattamento di vari tipi di dolore, tra cui mal di testa, dolori articolari e mestruali.
- Attività svolte
In questo progetto sono stati elaborati i dati clinici associati a quattro diversi gruppi di pazienti (pazienti con dolore, trattamento attivo, trattamento placebo e gruppo di controllo) per monitorare i loro livelli di dolore.
Sono stati inoltre prelevati campioni di saliva prima e dopo il trattamento per valutare i cambiamenti nei biomarkers salivari.
I dati raccolti sono stati analizzati con tecniche statistiche inferenziali, inclusi test e modelli di regressione, per identificare differenze tra i gruppi e correlazioni tra le variabili.
I risultati sono stati organizzati in report elaborati con SAS.
- SAS
Banking
Credit Decision Engine using Text Mining
- Obiettivo
Nel mondo bancario la valutazione del rischio di credito è un’attività cruciale.
Per stare al passo con le crescenti esigenze di volumi di dati, una banca ha deciso di sviluppare con noi un sistema intelligente di classificazione dei clienti in base al rischio di credito.
Il progetto ha previsto lo sviluppo di un motore di estrazione del testo basato sul Natural Language Processing (NLP) per l’analisi dei rapporti di credito.
Il motore, implementato in Python, ha utilizzato un modello di classificazione multi-classe per catalogare automaticamente i rapporti in base al rischio di credito del cliente.
I vantaggi di questo sistema sono stati rappresentati dalla automatizzazione del processo di classificazione, dalla migliore accuratezza nella valutazione del rischio di credito e da una riduzione dei tempi e dei costi di analisi.
- Attività svolte
Per realizzare questo progetto è stato creato un dataset di rapporti di credito etichettati dai gestori con la classificazione del rischio (“Unlikely to Pay” o “Likely to Pay“).
Il motore di text mining è stato analizzato e ottimizzato per migliorare le sue prestazioni e l’affidabilità.
L’attività svolta ha permesso di aumentare la precisione nella classificazione dei rapporti di credito.
L’integrazione di tale sistema con altri sistemi di analisi ha permesso di ottenere una visione più completa della situazione finanziaria di ogni cliente.
- Python
Entertainment
Sentiment Analysis
- Obiettivo
Immagina di poter conoscere il gradimento del pubblico relativo ai tuoi programmi TV attraverso l’opinione espressa sui social.
L’obiettivo del progetto era quello di valutare automaticamente il sentiment, ovvero l’orientamento emotivo (positivo, negativo o neutrale) dei tweet relativi ai programmi TV del cliente.
La valutazione è stata effettuata attraverso un’analisi dei commenti, suddivisi per tipologie, svolta con l’utilizzo di tecniche di Natural Language Processing (NLP).
Il progetto è stato realizzato utilizzando Python (open source), noto per la sua flessibilità e per l’ampia comunità di sviluppatori.
- Attività svolte
Il progetto è stato realizzato raccogliendo testi di natura colloquiale per l’addestramento della pipeline NLP, in modo tale da permettere al modello di comprendere il contesto linguistico desiderato.
E’ stato implementato un modello di deep learning (Keras, Scikit Learn, Tensorflow) per la previsione del sentiment.
L’attività è stata svolta sfruttando strumenti open source.
- Python
Agritech
Weather risk forecasting using Satellite Imagery
- Obiettivo
Il cambiamento climatico in atto intensifica gli eventi metereologici estremi, causando gravi danni all’agricoltura.
Per questo motivo, le polizze assicurative per le coltivazioni diventano sempre più importanti.
Al fine di ottimizzare la gestione di queste polizze, il nostro progetto ha previsto lo sviluppo di un modello in grado di stimare il numero annuale di giorni ad alto rischio metereologico.
In tale modo, è stato possibile definire premi assicurativi più precisi ed adeguati al reale livello di rischio.
- Attività svolte
Il progetto ha previsto la creazione di un database che raccogliesse il dataset della missione NASA MERRA.
Utilizzando tale dataset, è stato addestrato un modello di Machine Learning in grado di stimare i futuri giorni a rischio di eventi catastrofici per le colture.
Il modello ottenuto è stato poi utilizzato per ottimizzare il prezzo della polizza assicurativa a copertura dei danni alle colture.
- Python
Medicine
Myectomy Project
- Obiettivo
In collaborazione con l’Università Sapienza di Roma, abbiamo condotto uno studio su un dataset di pazienti sottoposti a miectomia cardiaca (un intervento chirurgico che consiste nell’asportare una porzione del muscolo ispessito e normalizzare la funzione della valvola mitrale).
Lo scopo del progetto era creare un modello, attraverso tecniche statistiche descrittive e inferenziali, che potesse aiutare i chirurghi a valutare l’appropriatezza dell’intervento.
- Attività svolte
Per realizzare il progetto è stato creato un dataset con informazioni sui parametri dei pazienti prima e dopo l’intervento.
Sono stati sviluppati modelli di clustering gerarchico per raggruppare i pazienti in base alle similarità dei parametri pre e postoperatori.
E’ stato costruito un modello di regressione logistica utilizzando i parametri pre-intervento per prevedere la probabilità di miglioramento dei parametri dopo la miectomia.
- SAS
Medicine, Predictive
REP Project
- Obiettivo
L’estensione rapida del palato (ERP) è una procedura ortodontica utilizzata per ampliare il palato nei bambini con mascella stretta. Nonostante la sua efficacia, è un metodo che può causare dolore e fastidio nei pazienti.
Lo scopo del progetto, realizzato in collaborazione con l’ospedale universitario Umberto I di Roma, era quello di fornire informazioni sulla natura del dolore associato all’ERP.
Le informazioni raccolte possono essere utili agli ortodontisti per migliorare il comfort dei pazienti personalizzare il trattamento.
- Attività svolte
Il progetto ha previsto l’analisi di questionari compilati dai bambini sottoposti al trattamento con ERP.
Attraverso i dati raccolti, è stato possibile identificare eventuali correlazioni tra diverse variabili, come età, sesso e maturità scheletrica dei bambini e la loro percezione del dolore.
I risultati ottenuti sono stati rappresentati tramite report dettagliati, realizzati con SAS, che includevano tabelle, grafici e indicatori statistici.
- SAS
||Big Data ||Big Data
Telco
Predictive Maintenance
- Obiettivo
Immagina un sistema che ti permette di sapere quando un router sta per guastarsi, prima che causi problemi alla tua rete.
Il progetto in questione prevedeva di ottimizzare la pianificazione della manutenzione di una serie di router, utilizzando un modello predittivo di RUL (Remaining Useful Life – Vita Utile Residua) per ciascuna unità.
Questo modello, basato su variabili di telemetria e dati sensoriali raccolti dai router stessi, consente di prevedere la durata residua di ogni router prima che necessiti di manutenzione o riparazione.
Come risultato, è stato possibile ridurre i tempi di inattività non pianificati, migliorare l’affidabilità delle macchine ed ottimizzare i costi di manutenzione.
- Attività svolte
Il progetto è stato svolto in varie fasi operative.
Una prima fase ha previsto l’acquisizione dei dati: sono stati raccolti diversi dati provenienti da fonti come sensori, log di sistema e registrazioni di performance.
Successivamente, sono state strutturate delle serie temporali: i dati raccolti nel tempo sono stati trasformati in serie temporali, puliti, integrati e normalizzati per garantirne la coerenza.
Dopo aver effettuato un’analisi statistica delle misurazioni, è stato implementato un modello di Deep Learning per la previsione dei guasti.
- Python
Cloud Platformm Cloud Platformm
Energy
Energy Consumption Analysis and Customer Profiling
- Obiettivo
In un contesto di crescente attenzione all’efficienza energetica e alla sostenibilità, oltre che di concorrenza sempre più accesa, le aziende si trovano ad affrontare la sfida di ottimizzare i propri consumi energetici e ridurre i costi.
Per rispondere a queste sfide, abbiamo sviluppato un sistema innovativo per l’analisi dei consumi energetici dei clienti business, che sfruttasse l’intelligenza artificiale e il cloud computing per migliorare l’efficienza operativa e le strategie di vendita.
- Attività svolte
Per la realizzazione di questo progetto, è stata creata un’infrastruttura cloud (serverless e scalabile) basata su Amazon Web Services (AWS) che consente di raccogliere, archiviare e analizzare grandi volumi di dati sui consumi e sulle attività dei clienti.
Inoltre, è stata sviluppata una libreria di algoritmi di Machine Learning personalizzati in grado di estrarre informazioni preziose dai dati sui consumi energetici e sulle attività dei clienti.
Algoritmi come la regressione lineare, il gradient boosting, l’isolation forest e il K-means ci permettono infatti di classificare i clienti, capire le cause dei picchi di consumo e prevedere la domanda futura.
- Amazon Web Services
||Internet Of Things ||Internet Of Things
Smart Grid
Infrastructure Monitoring
- Obiettivo
Il progetto ha previsto la realizzazione di un’infrastruttura per il monitoraggio delle performance dei tralicci elettrici in specifiche aree geografiche.
Basandosi sulle condizioni climatiche e geomorfologiche delle aree di installazione, è stato possibile creare un modello in grado di prevedere potenziali malfunzionamenti o rotture dei tralicci.
L’obiettivo era quello di evitare l’invio in loco di personale addetto al monitoraggio delle infrastrutture, con un evidente risparmio dei costi di manutenzione ed una maggiore efficienza della rete elettrica.
- Attività svolte
La realizzazione di questo sistema di monitoraggio intelligente si è basata su un flusso di lavoro articolato che ha coinvolto diverse tecnologie innovative.
Innanzitutto, è stata effettuata una massiccia raccolta di dati non strutturati provenienti da dispositivi IoT (Internet of Things) installati sui tralicci elettrici.
Per l’elaborazione e l’analisi di questi dati complessi, è stato usato un mix di software open source (flessibili e scalabili) ed enterprise (sicuri ed affidabili).
I dati utilizzati sono stati archiviati sulla piattaforma MongoDB, un database NoSQL ad alte prestazioni e scalabilità.
- Mongo DB
Artificial Intelligencee Artificial Intelligencee Artificial Intelligencee
Banking
Intelligent Document Processing
- Obiettivo
L’obiettivo principale di RiskAssistantAI è fornire agli utenti uno strumento avanzato per la comprensione di report aziendali complessi, con un focus specifico sull’identificazione e l’analisi dei rischi.
Il sistema mira a semplificare l’interpretazione di documenti anche molto lunghi, rendendo accessibili informazioni chiave senza la necessità di una lettura preventiva e approfondita del testo.
In sostanza, RiskAssistantAI si propone di democratizzare l’accesso alle informazioni contenute nei report, consentendo agli utenti di ottenere rapidamente una panoramica completa dei rischi potenziali.
- Attività svolte
RiskAssistantAI utilizza un approccio di Intelligent Document Processing (IDP) basato su un modello di Intelligenza Artificiale Generativa. Le attività principali svolte dal sistema sono le seguenti:
- Elaborazione del linguaggio naturale (NLP) avanzata: Sfruttando le capacità di GPT-4, il Large Language Model (LLM) di OpenAI, RiskAssistantAI è in grado di comprendere il linguaggio naturale contenuto nei documenti, anche in presenza di terminologia complessa e specifica del settore.
- Estrazione intelligente delle informazioni: Il sistema analizza i documenti per estrarre informazioni rilevanti, concentrandosi in particolare sull’identificazione di indicatori di rischio, sia quantitativi che qualitativi. Questa estrazione avviene senza richiedere all’utente di conoscere a priori il contenuto del documento.
- Integrazione con Azure AI: RiskAssistantAI si appoggia ai servizi di Intelligenza Artificiale basati su cloud di Azure, combinandoli con la potenza di GPT-4 per offrire un’elaborazione efficiente e scalabile di grandi volumi di dati.
- Interrogazione dei documenti: Gli utenti possono interagire con il sistema ponendo domande specifiche sui documenti, ottenendo risposte precise e dettagliate, focalizzate sull’analisi dei rischi. Questo permette di ottenere rapidamente informazioni mirate senza dover scorrere manualmente l’intero documento.
- Analisi di documenti di grandi dimensioni: Grazie all’architettura combinata di Azure e GPT-4, RiskAssistantAI è in grado di elaborare documenti anche di centinaia di pagine, superando i limiti dei metodi tradizionali di analisi documentale.
In sintesi, RiskAssistantAI offre una soluzione innovativa per l’analisi dei rischi nei report aziendali, combinando le più recenti tecnologie di IA generativa e cloud computing per fornire un’esperienza utente efficiente e intuitiva.
- Azure, Python
