Oltre l’algoritmo: un metodo per rendere l’AI affidabile e accessibile

Negli ultimi anni l’adozione di tecniche di apprendimento automatico in contesti applicativi — ambientali, scientifici, gestionali — è cresciuta più rapidamente della capacità degli utenti finali di governarne il ciclo di vita [1], [2]. Gli strumenti più diffusi sono pensati per data scientist: assumono familiarità con la preparazione dei dati, la scelta degli iperparametri, l’interpretazione delle metriche. Quando invece l’utente è un operatore di dominio — nel nostro caso un biologo o un tecnico che raccoglie segnalazioni di tartarughe marine spiaggiate — il valore dell’AI dipende meno dall’algoritmo e più dal modo in cui l’intero sistema viene progettato attorno alla persona [3], [4].

Questo lavoro affronta la domanda metodologica attraverso un singolo caso di studio approfondito: come si costruisce un’applicazione che mette l’AI nelle mani di chi non la conosce, senza rinunciare al rigore? Analizziamo a tale scopo un’applicazione reale per il monitoraggio delle tartarughe marine ritrovate spiaggiate o ferite [5]–[7], che importa dati grezzi, li arricchisce con variabili ambientali, addestra modelli predittivi e ne spiega i risultati. L’oggetto dell’articolo non è ciò che l’app calcola sul piano biologico — aspetto deliberatamente marginale — bensì il modo in cui è realizzata: quali scelte rendono l’AI affidabile, trasparente e, soprattutto, addestrabile e leggibile da un non specialista.

Il contributo è triplice. In primo luogo, descriviamo l’architettura metodologica del sistema come pipeline organizzata in sei nodi ricorrenti. In secondo luogo, ne esplicitiamo le formule e gli accorgimenti concreti — per esempio il punteggio di affidabilità e la sua composizione pesata — così che siano replicabili in altri domini. In terzo luogo, discutiamo i compromessi di progettazione, in particolare l’equilibrio fra automazione e controllo dell’operatore nella fase di addestramento.

AI per non specialisti: il sistema di monitoraggio

L’applicazione è uno strumento interattivo che accompagna l’utente dall’importazione dei dati fino alle previsioni, attraverso pagine tematiche. Da un file tabellare contenente le specie, lo stato di ritrovamento, la data e località, il sistema ripulisce e normalizza i dati, ne risolve le coordinate geografiche, li arricchisce con variabili meteo-marine e lunari, li visualizza su mappa e in serie temporali, e infine addestra modelli di machine learning per studiare il fenomeno e fare previsioni. Tali dati provengono da un database dell’Istituto Zooprofilattico Sperimentale della Sicilia e sono stati messi a disposizione dall’IZS Sicilia per una collaborazione tra enti di ricerca e saranno oggetto di analisi successive. Tre famiglie di modelli convivono: un classificatore della condizione (animale ritrovato vivo o morto), un regressore del numero di ritrovamenti giornalieri e un clustering di densità per individuare gli hotspot spaziali [8], [9]. La descrizione che segue usa questi moduli solo come esempi concreti del metodo.

Tabella 1. Moduli dell’applicazione e loro corrispondenza con i pilastri metodologici discussi nell’articolo.

L’architettura dell’AI per non specialisti

Il sistema è organizzato come una pipeline lineare con un operatore al centro. Il dato grezzo entra, viene normalizzato e arricchito, ne viene diagnosticata la qualità, alimenta modelli che producono previsioni accompagnate da una stima di affidabilità e da una spiegazione; l’operatore interviene per riparare i dati, scegliere il livello di controllo sull’addestramento e leggere i risultati. I sei pilastri che seguono descrivono i nodi di questa pipeline e costituiscono l’ossatura dell’articolo.

Tabella 2. I sei pilastri del metodo.

AI per non specialisti e qualità dei dati

Il principio guida è che la qualità del risultato dipende più dalla qualità dei dati che dalla sofisticazione del modello [10]–[12]. Di conseguenza la fase di preparazione non è un passaggio nascosto, ma una funzionalità di prima classe, resa visibile e azionabile dall’utente.

Dati eterogenei, normalizzazione e geocodifica

I dati reali sono disordinati. La pipeline accetta file in formati eterogenei (per esempio fogli di calcolo o CSV) e riconosce automaticamente le colonne tramite alias: nomi diversi che indicano la stessa grandezza (ad esempio “Luogo”, “Località”, “Comune”, “Spiaggia” vengono ricondotti a un unico campo). Quindi normalizza le categorie di stato, corregge refusi noti nelle località, effettua il parsing delle date e la deduplicazione. L’obiettivo è ridurre al minimo il lavoro manuale di preparazione richiesto all’operatore, che spesso è la barriera principale all’uso di strumenti di analisi.

Variabili ambientali per il monitoraggio

Quando il segnale utile non è interamente contenuto nel dato grezzo, il sistema lo arricchisce con variabili di contesto provenienti da fonti pubbliche gratuite, accodando attributi che il modello potrà usare come predittori.

Esempio — arricchimento di un ritrovamento

Per ogni ritrovamento, identificato da data e luogo, l’app risolve prima le coordinate geografiche (geocodifica via OpenStreetMap/Nominatim [13], [D1], correggendo anche frazioni o nomi locali — ad esempio “Mondello” o “Sferracavallo” ricondotti a Palermo), poi interroga un servizio meteo-marino (Open-Meteo) [14], [D2], [D3] e una libreria astronomica per accodare circa quindici variabili ambientali: temperatura superficiale del mare, altezza e periodo delle onde, direzione e velocità del vento e raffiche, pressione atmosferica, precipitazioni, temperatura dell’aria (minima, media, massima) e illuminazione lunare. Sono proprio queste variabili a diventare i predittori dei modelli viva/morta e del numero di spiaggiamenti.

Copertura dei dati e riparazione mirata

Il sistema non si limita a usare i dati: ne misura la qualità e la comunica. Una funzione di coverage report calcola la percentuale di valorizzazione di ciascuna colonna e la presenta come grafico a barre con scala cromatica dal rosso al verde. Le variabili sotto una soglia critica (per esempio il 50%) vengono segnalate esplicitamente, e all’utente è offerto uno strumento di riparazione che ritenta l’arricchimento solo sui record incompleti, invece di rielaborare tutto da capo. Questo trasforma un problema astratto (“i dati sono incompleti”) in un’azione concreta e mirata.

Esempio — l’indice di quantità e di qualità dei dati

La pagina di analisi guidata mostra in cima tre indicatori sintetici che fungono da “indice di quantità” dei dati: il numero di record, la percentuale di luoghi geocodificati e la percentuale di record completi di dati meteo-marini. Una regola esplicita definisce la prontezza: i dati sono giudicati sufficienti quando i record sono almeno 50 e almeno il 60% è geocodificato. Sotto queste soglie l’app non blocca nulla, ma avverte che l’analisi sarà meno affidabile — collegando in modo anticipato la quantità di dati alla fiducia nel risultato.

L’indice di qualità è invece la copertura per colonna. Le variabili più fragili sono quelle meteo-marine, perché dipendono da un servizio esterno che, sotto carico, può rispondere con un errore (“429 Too Many Requests”) lasciando dei buchi; per questo esiste la riparazione mirata. La diagnosi indica anche quali colonne sono poco coperte, suggerendo all’utente dove intervenire prima di addestrare.

Addestrare l’AI per non specialisti

Il cuore dell’usabilità sta nel modo in cui l’operatore addestra il modello. Il sistema adotta un duplice regime, lasciando all’utente la scelta del livello di controllo desiderato. È il compromesso centrale del metodo: massima semplicità da un lato, massima trasparenza e governabilità dall’altro.

Addestramento automatico e selezione del modello

Nel regime automatico l’utente preme un solo pulsante [15], [16]. La pagina di analisi guidata controlla i dati, prova diverse combinazioni di iperparametri (una griglia compatta e documentata, per esempio diverse profondità e numerosità degli alberi del Random Forest) [17]–[19], addestra un modello per ciascuna e mantiene la migliore secondo il punteggio di affidabilità, non secondo la sola accuratezza grezza. La scelta di ottimizzare l’affidabilità anziché l’accuratezza è metodologicamente significativa: privilegia modelli stabili e ben generalizzati rispetto a modelli che eccellono sul test set ma rischiano l’overfitting. Al termine, i due modelli (condizione viva/morta e conteggi giornalieri) vengono salvati e immediatamente resi disponibili alle pagine di predizione e di spiegazione, e i risultati sono illustrati in linguaggio semplice.

Controllo dell’operatore sugli split

Per l’utente che vuole controllo, il sistema espone un editor esplicito degli split: l’operatore può definire quali record appartengono agli insiemi di addestramento, validazione e test, con stratificazione opzionale per mantenere bilanciate le classi (vive/morte) [20]. Lo split viene salvato e riutilizzato in modo coerente da tutti gli strumenti, garantendo che le metriche siano confrontabili fra esecuzioni diverse. Questa separazione netta fra training, validation e test — e la sua persistenza — è una garanzia metodologica contro la fuga di informazione (data leakage) e la valutazione ottimistica [21]–[23]. La stessa pagina permette di scegliere manualmente gli iperparametri quando l’utente sa cosa sta facendo.

Un’AI per non specialisti affidabile e trasparente

Perché un non specialista possa fidarsi dell’AI, deve poter rispondere a una domanda semplice: “sta lavorando bene?” [24], [25]. Il sistema risponde con un numero unico, su scala 0–100, accompagnato da un’etichetta verbale (da “Eccellente” a “Scarso”) e da un colore. La trasparenza della formula è parte integrante del metodo: l’utente può sapere esattamente come è calcolato il punteggio.

Dalle metriche tecniche a una scala leggibile

Le metriche tecniche vengono prima rimappate su una scala intuitiva. L’accuratezza del classificatore binario viene ancorata al caso casuale: 0,5 (tirare a indovinare su due classi) è mappato a 0, e 1,0 a 100, in modo lineare; sotto 0,5 il punteggio è 0, perché un classificatore peggiore del caso non ha valore. Per il regressore, il coefficiente di determinazione R² viene mappato direttamente sulla scala 0–100, con i valori negativi (modello peggiore della media) azzerati.

Le componenti del punteggio di affidabilità

Il punteggio di affidabilità non coincide con la sola accuratezza: è una combinazione pesata e dichiarata di tre componenti, pensata per essere conservativa. Esso somma il 60% di accuratezza (o R²), il 30% di stabilità e il 10% di dimensione del campione di test:

Affidabilità = 100 × (0,60 · base + 0,30 · stabilità + 0,10 · dim_test)

dove base è l’accuratezza (o R²) riportata su [0,1]; stabilità misura quanto il modello generalizza, calcolata come 1 meno il doppio del divario fra l’accuratezza in addestramento e quella in validazione (un divario nullo dà stabilità 1, un divario del 50% la annulla); e dim_test è un fattore che cresce con la numerosità del test set e satura a 1. La logica è esplicitamente prudente: “meglio Buono robusto che Eccellente sospetto”. Un modello accuratissimo ma instabile o valutato su pochi dati riceve un punteggio inferiore, scoraggiando una fiducia mal riposta.

Tabella 3. Composizione del punteggio di affidabilità. I pesi sono fissi e comunicati all’utente.

Previsioni individuali e curve di apprendimento

Oltre alla qualità complessiva del modello, il sistema stima l’affidabilità di ogni singola previsione, combinando la confidenza del classificatore (la probabilità massima fra le classi) [26] con la qualità del modello sottostante. Una previsione molto sicura prodotta da un modello mediocre, o una previsione incerta prodotta da un buon modello, ricevono entrambe punteggi moderati. Infine, la curva di apprendimento — che confronta l’andamento dell’accuratezza in addestramento e in validazione (cross-validation) [27], [D6] al crescere dei dati — viene presentata con una guida alla lettura: curve vicine e alte indicano un modello sano; un ampio divario segnala overfitting; un’accuratezza di validazione ancora in crescita suggerisce che più dati gioverebbero. La diagnostica diventa così istruzione operativa.

Spiegabilità dell’AI per non specialisti

Un modello che funziona non basta: l’operatore vuole sapere quali fattori contano. Il sistema estrae questa conoscenza con due strumenti complementari e la traduce in frasi leggibili [28]–[31].

Il primo è l’importanza delle variabili del Random Forest, calcolata come riduzione media di impurità [32], [D4], aggregata sulle variabili categoriali e normalizzata a quota percentuale del potere predittivo [33], [34]. Il sistema avverte esplicitamente che alta importanza non implica causalità: è una correlazione predittiva, non una relazione causa-effetto. Questo scrupolo metodologico, comunicato all’utente, previene interpretazioni errate.

Il secondo è una batteria di test statistici applicati ai dati: test t di Welch [35] per confrontare le medie di una variabile fra ritrovamenti di tartarughe vive e morte (con dimensione dell’effetto secondo il d di Cohen [36]), test di Kruskal-Wallis [37] non parametrico per confrontare più livelli, e correlazione di Pearson sui conteggi giornalieri. I risultati non vengono lasciati come tabelle di p-value, ma trasformati in affermazioni leggibili, corredate dall’evidenza statistica fra parentesi e ordinate per importanza (combinazione di magnitudo dell’effetto e significatività), così che l’utente veda prima ciò che conta di più.

Esempio — quali fattori influiscono sullo stato delle tartarughe

Applicato al dataset caricato, il modulo genera frasi pronte da leggere, ad esempio: “Quando la temperatura del mare è più alta, si osservano più tartarughe morte” (d = +0,40, p = 0,012); oppure “all’aumentare dell’altezza delle onde, il numero di spiaggiamenti giornalieri tende a salire” (r = +0,28). I valori fra parentesi — effetto, correlazione, p-value — sono calcolati sui dati effettivi e mostrati accanto a ogni affermazione, così l’utente vede subito quanto è forte e quanto è solida l’evidenza.

In parallelo, la feature importance del classificatore viva/morta indica quali variabili pesano di più nella previsione, espresse come quota percentuale del potere predittivo. Il sistema ribadisce che si tratta di correlazioni predittive e non di rapporti di causa-effetto: per la causalità servirebbero esperimenti controllati.

AI per non specialisti: dalle previsioni alle decisioni

Un sistema usabile non si ferma alle metriche: accompagna l’operatore fino a una lettura azionabile. Il sistema lo fa con previsioni puntuali, proiezioni spazio-temporali e un assistente in linguaggio naturale.

Predizioni puntuali e forecast spazio-temporale

I modelli addestrati possono essere applicati retroattivamente ai dati storici oppure a un nuovo caso descritto da data, luogo e specie: il sistema recupera automaticamente le condizioni ambientali corrispondenti e restituisce la previsione con la sua affidabilità. Accanto a questo, due moduli di forecast adottano deliberatamente un approccio statistico semplice e trasparente — medie e mediane mobili sui dati storici con un trend lineare — invece di un ulteriore modello opaco. Il primo stima l’andamento per mese, stagione e anno; il secondo descrive l’evoluzione spaziale: la traiettoria del baricentro geografico dei ritrovamenti nel tempo, la proiezione dei conteggi per provincia e la stima di dove si sposterà l’intensità del fenomeno. Anche questi risultati riportano sempre un punteggio di affidabilità legato alla numerosità dei dati storici, coerentemente con il resto del sistema.

Accesso in linguaggio naturale con assistente LLM

L’ultimo strato è un assistente conversazionale basato su modelli linguistici di grandi dimensioni, che consente di interrogare i dati a parole e di generare report automatici sull’andamento del fenomeno. È progettato per essere agnostico rispetto al fornitore — supporta servizi commerciali e endpoint compatibili, inclusa l’esecuzione locale — e gestisce la chiave d’accesso in modo flessibile (solo in sessione, oppure salvata localmente, oppure da variabile d’ambiente). Metodologicamente, questo strato non sostituisce i modelli quantitativi: li traduce, abbassando ulteriormente la soglia d’ingresso per l’operatore non tecnico.

Robustezza dell’AI per non specialisti

L’ultima famiglia di scelte riguarda la robustezza sugli input reali e il rispetto dei vincoli operativi, condizione necessaria perché un non specialista possa lavorare in sicurezza e senza attese frustranti.

• Cache su disco. Geocodifica e chiamate meteo-marine sono memorizzate localmente: rielaborare un dataset già processato è quasi istantaneo, e si evita di ripetere richieste già fatte.
• Rispetto dei servizi gratuiti. La geocodifica rispetta il limite di una richiesta al secondo del servizio pubblico utilizzato [D1]; quando il servizio meteo è sovraccarico, il sistema lo segnala e offre la riparazione mirata anziché fallire silenziosamente.
• Split persistente. La suddivisione train/validation/test viene salvata e condivisa fra i moduli, evitando valutazioni incoerenti o ottimistiche fra una pagina e l’altra.
• Clustering robusto. L’individuazione degli hotspot usa un algoritmo di densità (DBSCAN) [9], [D5] che non richiede di fissare a priori il numero di gruppi ed etichetta come “rumore” i punti isolati, adattandosi alla struttura reale dei dati.
• Persistenza dei modelli. I modelli addestrati sono salvati su disco insieme alle loro metriche e alla curva di apprendimento, così che ogni previsione sia tracciabile al modello che l’ha prodotta [D7].

AI per non specialisti: i compromessi del metodo

Il filo conduttore del sistema è una inversione di priorità rispetto alla pratica corrente [38]: l’algoritmo è dato quasi per scontato (il Random Forest è una scelta matura e affidabile [17]), mentre l’ingegnerizzazione si concentra sull’esperienza dell’operatore lungo l’intero ciclo di vita. Alcuni principi trasversali meritano enfasi.

Rendere visibile l’invisibile

Qualità dei dati, affidabilità e importanza delle variabili sono normalmente nascoste nei notebook degli analisti. Esporle come funzionalità di prima classe — con numeri, colori e frasi — è ciò che rende l’AI governabile da un non specialista [39]–[41].

Trasparenza prima di sofisticazione

Una formula di affidabilità con pesi semplici e dichiarati (60/30/10), così come l’uso di forecast statistici trasparenti invece di modelli opachi, è preferibile in questo contesto: l’utente può fidarsi di ciò che comprende. La scelta di ottimizzare l’affidabilità anziché la sola accuratezza incarna lo stesso valore.

Doppio regime, una sola pipeline

Offrire contemporaneamente un percorso “fai tutto tu” e un percorso “dammi il controllo”, sopra la stessa infrastruttura di dati e split, consente al sistema di crescere con la competenza dell’utente senza riscritture.

Spiegare prima di prescrivere

Tradurre statistica e metriche in linguaggio naturale, ricordando i limiti (correlazione non è causalità), responsabilizza l’operatore invece di sostituirsi al suo giudizio.

I limiti dell’AI per non specialisti

L’analisi è basata su un singolo sistema e ha carattere descrittivo: i principi individuati sono plausibilmente generalizzabili, ma la loro validità in altri domini va verificata caso per caso [42]. Le formule discusse, in particolare i pesi del punteggio di affidabilità, sono ragionevoli ma non ottimizzate empiricamente su benchmark esterni; la loro calibrazione ideale dipende dal dominio e dal costo relativo degli errori. La trasparenza ha inoltre un prezzo: metriche e forecast semplici possono non catturare fenomeni come lo sbilanciamento estremo delle classi, la deriva temporale dei dati o la non stazionarietà spaziale [20], [23], che richiederebbero strumenti dedicati. Infine, la dipendenza da servizi esterni gratuiti per l’arricchimento introduce una fragilità operativa che il sistema mitiga, ma non elimina.

Un’AI per non specialisti replicabile

Abbiamo descritto e formalizzato l’approccio metodologico di un’applicazione di intelligenza artificiale destinata a operatori non specialisti, usando come caso di studio un sistema per il monitoraggio delle tartarughe marine spiaggiate. Il metodo sposta il baricentro dell’ingegneria dall’algoritmo all’esperienza dell’intero ciclo di vita: una pipeline che misura e ripara la qualità dei dati; un doppio regime di addestramento, automatico o controllato; un punteggio di affidabilità trasparente che dice all’utente, in un numero, se l’AI sta lavorando bene; un livello di spiegabilità che traduce statistica in linguaggio naturale; previsioni e forecast trasparenti che arrivano fino alla decisione; e accorgimenti pratici che proteggono dall’errore e dall’attesa. Il messaggio centrale è che la semplicità d’uso e il rigore metodologico non sono in conflitto: al contrario, è proprio rendendo espliciti, leggibili e azionabili gli aspetti normalmente nascosti del machine learning che un’applicazione diventa, allo stesso tempo, facile e affidabile.

Fonti

[1] B. Shneiderman, “Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy”, International Journal of Human–Computer Interaction, vol. 36, n. 6, pp. 495–504, 2020. doi:10.1080/10447318.2020.1741118

[2] S. Amershi, D. Weld, M. Vorvoreanu et al., “Guidelines for Human-AI Interaction”, in Proc. 2019 CHI Conference on Human Factors in Computing Systems, ACM, 2019, pp. 1–13. doi:10.1145/3290605.3300233

[3] S. Amershi, M. Cakmak, W. B. Knox, T. Kulesza, “Power to the People: The Role of Humans in Interactive Machine Learning”, AI Magazine, vol. 35, n. 4, pp. 105–120, 2014. doi:10.1609/aimag.v35i4.2513

[4] A. Holzinger, “Interactive machine learning for health informatics: when do we need the human-in-the-loop?”, Brain Informatics, vol. 3, n. 2, pp. 119–131, 2016. doi:10.1007/s40708-016-0042-6

[5] P. Casale, M. Affronte, G. Insacco et al., “Sea turtle strandings reveal high anthropogenic mortality in Italian waters”, Aquatic Conservation: Marine and Freshwater Ecosystems, vol. 20, n. 6, pp. 611–620, 2010. doi:10.1002/aqc.1133

[6] P. Casale, A. C. Broderick, J. A. Camiñas et al., “Mediterranean sea turtles: current knowledge and priorities for conservation and research”, Endangered Species Research, vol. 36, pp. 229–267, 2018. doi:10.3354/esr00901

[7] P. Casale, “Sea turtle by-catch in the Mediterranean”, Fish and Fisheries, vol. 12, n. 3, pp. 299–316, 2011. doi:10.1111/j.1467-2979.2010.00394.x

[8] S. Christin, É. Hervet, N. Lecomte, “Applications for deep learning in ecology”, Methods in Ecology and Evolution, vol. 10, n. 10, pp. 1632–1644, 2019. doi:10.1111/2041-210X.13256

[9] M. Ester, H.-P. Kriegel, J. Sander, X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise”, in Proc. 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), AAAI Press, 1996, pp. 226–231.

[10] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, L. M. Aroyo, “«Everyone wants to do the model work, not the data work»: Data Cascades in High-Stakes AI”, in Proc. 2021 CHI Conference on Human Factors in Computing Systems, ACM, 2021, pp. 1–15. doi:10.1145/3411764.3445518

[11] T. Gebru, J. Morgenstern, B. Vecchione et al., “Datasheets for datasets”, Communications of the ACM, vol. 64, n. 12, pp. 86–92, 2021. doi:10.1145/3458723

[12] M. D. Wilkinson, M. Dumontier, I. J. Aalbersberg et al., “The FAIR Guiding Principles for scientific data management and stewardship”, Scientific Data, vol. 3, art. 160018, 2016. doi:10.1038/sdata.2016.18

[13] M. Haklay, P. Weber, “OpenStreetMap: User-Generated Street Maps”, IEEE Pervasive Computing, vol. 7, n. 4, pp. 12–18, 2008. doi:10.1109/MPRV.2008.80

[14] P. Zippenfenig, Open-Meteo.com Weather API, Zenodo, 2023. doi:10.5281/zenodo.7970649

[15] M. Feurer, A. Klein, K. Eggensperger, J. T. Springenberg, M. Blum, F. Hutter, “Auto-sklearn: Efficient and Robust Automated Machine Learning”, in Automated Machine Learning: Methods, Systems, Challenges, Springer, 2019, pp. 113–134. doi:10.1007/978-3-030-05318-5_6

[16] X. He, K. Zhao, X. Chu, “AutoML: A survey of the state-of-the-art”, Knowledge-Based Systems, vol. 212, art. 106622, 2021. doi:10.1016/j.knosys.2020.106622

[17] L. Breiman, “Random Forests”, Machine Learning, vol. 45, n. 1, pp. 5–32, 2001. doi:10.1023/A:1010933404324

[18] F. Pedregosa, G. Varoquaux, A. Gramfort et al., “Scikit-learn: Machine Learning in Python”, Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

[19] P. Probst, M. N. Wright, A.-L. Boulesteix, “Hyperparameters and tuning strategies for random forest”, WIREs Data Mining and Knowledge Discovery, vol. 9, n. 3, art. e1301, 2019. doi:10.1002/widm.1301

[20] D. J. Benkendorf, S. D. Schwartz, D. R. Cutler, C. P. Hawkins, “Correcting for the effects of class imbalance improves the performance of machine-learning based species distribution models”, Ecological Modelling, vol. 483, art. 110414, 2023. doi:10.1016/j.ecolmodel.2023.110414

[21] S. Kaufman, S. Rosset, C. Perlich, O. Stitelman, “Leakage in data mining: formulation, detection, and avoidance”, ACM Transactions on Knowledge Discovery from Data, vol. 6, n. 4, pp. 1–21, 2012. doi:10.1145/2382577.2382579

[22] S. Kapoor, A. Narayanan, “Leakage and the reproducibility crisis in machine-learning-based science”, Patterns, vol. 4, n. 9, art. 100804, 2023. doi:10.1016/j.patter.2023.100804

[23] D. R. Roberts, V. Bahn, S. Ciuti et al., “Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure”, Ecography, vol. 40, n. 8, pp. 913–929, 2017. doi:10.1111/ecog.02881

[24] M. Mitchell, S. Wu, A. Zaldivar et al., “Model Cards for Model Reporting”, in Proc. Conference on Fairness, Accountability, and Transparency, ACM, 2019, pp. 220–229. doi:10.1145/3287560.3287596

[25] K. Okamura, S. Yamada, “Adaptive trust calibration for human-AI collaboration”, PLOS ONE, vol. 15, n. 2, art. e0229132, 2020. doi:10.1371/journal.pone.0229132

[26] C. Guo, G. Pleiss, Y. Sun, K. Q. Weinberger, “On Calibration of Modern Neural Networks”, in Proc. 34th International Conference on Machine Learning (ICML), PMLR vol. 70, 2017, pp. 1321–1330.

[27] T. Viering, M. Loog, “The Shape of Learning Curves: A Review”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, n. 6, pp. 7799–7819, 2023. doi:10.1109/TPAMI.2022.3220744

[28] C. Rudin, “Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead”, Nature Machine Intelligence, vol. 1, n. 5, pp. 206–215, 2019. doi:10.1038/s42256-019-0048-x

[29] W. J. Murdoch, C. Singh, K. Kumbier, R. Abbasi-Asl, B. Yu, “Definitions, methods, and applications in interpretable machine learning”, Proceedings of the National Academy of Sciences, vol. 116, n. 44, pp. 22071–22080, 2019. doi:10.1073/pnas.1900654116

[30] F. Doshi-Velez, B. Kim, “Towards a rigorous science of interpretable machine learning”, arXiv preprint arXiv:1702.08608, 2017.

[31] T. Miller, “Explanation in artificial intelligence: Insights from the social sciences”, Artificial Intelligence, vol. 267, pp. 1–38, 2019. doi:10.1016/j.artint.2018.07.007

[32] C. Strobl, A.-L. Boulesteix, A. Zeileis, T. Hothorn, “Bias in random forest variable importance measures: illustrations, sources and a solution”, BMC Bioinformatics, vol. 8, art. 25, 2007. doi:10.1186/1471-2105-8-25

[33] M. T. Ribeiro, S. Singh, C. Guestrin, “«Why Should I Trust You?»: Explaining the Predictions of Any Classifier”, in Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, 2016, pp. 1135–1144. doi:10.1145/2939672.2939778

[34] S. M. Lundberg, S.-I. Lee, “A Unified Approach to Interpreting Model Predictions”, in Advances in Neural Information Processing Systems 30 (NIPS 2017), Curran Associates, 2017.

[35] B. L. Welch, “The generalization of «Student’s» problem when several different population variances are involved”, Biometrika, vol. 34, n. 1–2, pp. 28–35, 1947. doi:10.1093/biomet/34.1-2.28

[36] J. Cohen, Statistical Power Analysis for the Behavioral Sciences, 2ª ed., Lawrence Erlbaum Associates, Hillsdale (NJ), 1988. doi:10.4324/9780203771587

[37] W. H. Kruskal, W. A. Wallis, “Use of Ranks in One-Criterion Variance Analysis”, Journal of the American Statistical Association, vol. 47, n. 260, pp. 583–621, 1952. doi:10.1080/01621459.1952.10483441

[38] L. Breiman, “Statistical Modeling: The Two Cultures”, Statistical Science, vol. 16, n. 3, pp. 199–231, 2001. doi:10.1214/ss/1009213726

[39] High-Level Expert Group on Artificial Intelligence, Ethics Guidelines for Trustworthy AI, Commissione europea, Bruxelles, 2019.

[40] E. Tabassi, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, National Institute of Standards and Technology, Gaithersburg (MD), 2023. doi:10.6028/NIST.AI.100-1

[41] Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale (regolamento sull’intelligenza artificiale), GU L, 2024/1689, 12.7.2024.

[42] D. H. Wolpert, W. G. Macready, “No free lunch theorems for optimization”, IEEE Transactions on Evolutionary Computation, vol. 1, n. 1, pp. 67–82, 1997. doi:10.1109/4235.585893

Documentazione tecnica e software

Le voci seguenti documentano il comportamento operativo dei servizi e delle librerie impiegati e sono citate nel testo con la sigla [D]. Costituiscono fonti tecniche versionate, soggette ad aggiornamento.

[D1] OpenStreetMap Foundation, Operations Working Group, Nominatim Usage Policy (aka Geocoding Policy). https://operations.osmfoundation.org/policies/nominatim/ (consultato il 27 luglio 2026).

[D2] Open-Meteo, Weather Forecast API — Documentation. https://open-meteo.com/en/docs (consultato il 27 luglio 2026).

[D3] Open-Meteo, Marine Weather API — Documentation. https://open-meteo.com/en/docs/marine-weather-api (consultato il 27 luglio 2026).

[D4] scikit-learn developers, Permutation feature importance — User Guide, sez. 4.2. https://scikit-learn.org/stable/modules/permutation_importance.html (consultato il 27 luglio 2026).

[D5] scikit-learn developers, sklearn.cluster.DBSCAN — API Reference. https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html (consultato il 27 luglio 2026).

[D6] scikit-learn developers, sklearn.model_selection.learning_curve — API Reference. https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.learning_curve.html (consultato il 27 luglio 2026).

[D7] scikit-learn developers, Model persistence — User Guide. https://scikit-learn.org/stable/model_persistence.html (consultato il 27 luglio 2026).