Stimare una proprietà di qualità tra due analisi di laboratorio senza usare il valore futuro, mostrando quando il modello è fuori dominio e deve astenersi.
3 · Cosa produce
Stima/intervallo split-conformal, domain status, controllo OOD e contesto del benchmark congelato.
Le immagini provengono dai run dimostrativi inclusi nel repository allegato e sono mostrate senza data per illustrare struttura, metodo ed evidenza del workflow.
4 · Come funziona
Dal dato all’output, con controlli espliciti.
1Sensori di processo sintetici
2Laboratorio ritardato con rumore/QC
3Confronto Linear/PLS/Ridge/RF/GB
5Isolation Forest OOD
6Astensione e diagnostica risk-coverage
Pattern trasferibile: Delayed-label estimation + OOD abstention.
5 · Dati, AI/ML/RPA e metodo
Dati e feature
sensori processo + laboratorio ritardato con rumore/QC
Calcolo / inferenza
Linear, PLS, Ridge, Random Forest, Gradient Boosting; Isolation Forest OOD
Validazione
RMSE/MAE/bias/coverage, skill vs ultimo lab, split-conformal e truth-vs-lab; risk-coverage solo diagnostico
Stack
Python, pandas, scikit-learn, SQLite, Matplotlib
6 · Dossier tecnico
Condizioni operative e limiti dichiarati.
| Frequenza di calcolo | Ogni 6 h: 01:50/07:50/13:50/19:50 UTC |
|---|---|
| Pubblicazione prevista | IT sab 10:30; EN sab 16:30 |
| Applicazioni possibili | soft sensor, inferential measurement e quality monitoring |
| Uso di ricerca | coverage conformale, OOD come distanza dal dominio ed errore modello vs incertezza laboratorio |
| Condizione necessaria | truth e laboratorio sono simulati; nessuna prestazione reale dichiarata |
| Failure mode | leakage dal valore vero o soft sensor che risponde fuori dominio |
Limite di interpretazione
Processo, truth e laboratorio sono simulati. Coverage e skill descrivono il benchmark dichiarato; prima di uso reale servono dati di impianto, Gage R&R/QC e validazione prospettica.
7 · Verifica e approfondimento