Il progetto ha lo scopo di semplificare e rendere più accessibili gli studi LCA, riducendo la complessità del processamento dati e la necessità di competenze specialistiche. Consente di affrontare la sfida della gestione dei dati mancanti, utilizzando tecniche di machine learning. Grazie alla sua flessibilità, permette sia agli esperti che ai non esperti di ottenere risultati affidabili, favorendo l’adozione di tecniche avanzate di machine learning in ambiti tradizionalmente complessi.

Il progetto si è concentrato sull’analisi e applicazione di modelli di machine learning, con particolare attenzione agli algoritmi di regressione, per sviluppare un tool altamente versatile e adatto a molteplici contesti applicativi. Partendo da un dataset LCA con alcuni dati mancanti, il tool è stato addestrato a prevedere tali valori utilizzando i modelli più idonei. Il dataset completato è stato successivamente impiegato per la predizione delle emissioni di CO2 equivalente, ottenendo una significativa riduzione dell’errore di predizione. Inoltre, l’approccio ha consentito l’addestramento di modelli intermedi capaci di stimare gli input necessari per il calcolo della CO2.
Grazie alla sua configurazione flessibile, il tool opera con un numero variabile di input, da un minimo di 5 a un massimo di 17. Gli utenti con un ampio set di dati possono ottenere predizioni estremamente accurate, mentre chi dispone di informazioni limitate può inserire i dati minimi necessari, delegando al tool sia la stima dei valori mancanti sia la predizione della CO2, mantenendo comunque elevati standard di precisione.
Per massimizzare la fruibilità, è stata pianificata la realizzazione di una piattaforma web intuitiva, accessibile anche a utenti non esperti. Questa soluzione mira a ridurre il divario tra specialisti e non specialisti nel campo del machine learning, favorendo un’adozione trasversale della tecnologia.

Consulenti su temi ambientali riferiti al settore zootecnico, Istituzioni pubbliche, Allevatori