Questo progetto e stato sviluppato per l’AI Data Hackathon (Hera Group, BTO Research & Digitiamo), dove ha ottenuto il 2° posto. Il compito era rilevare il rischio di perdite gas in un contesto dominato da forte sbilanciamento, eventi rari e incertezza operativa.
La pipeline combina feature engineering geospaziale-temporale con data augmentation sintetica tramite CTGAN e TimeGAN, e usa poi SHAP per mantenere il modello finale interpretabile e non soltanto predittivo.
Quello che continuo ad apprezzare di questo progetto e il suo equilibrio tra pragmatismo e metodo: e un progetto da hackathon, ma riflette gia un approccio che uso spesso, cioe rendere piu robusti problemi predittivi difficili senza rinunciare alla spiegabilita.