La previsione del particolato PM10 è una sfida a due facce: da un lato servono stime puntuali precise presso le stazioni di monitoraggio, dall'altro è indispensabile una mappa spaziale continua per tracciare l'evoluzione delle nubi di polvere, specialmente durante le tempeste che colpiscono vaste aree. I modelli chimici di trasporto (CTM) come quelli del Copernicus Atmosphere Monitoring Service (CAMS) forniscono campi su griglia ma accumulano errori locali; le reti neurali su grafo (GNN) seguono bene le stazioni sul breve periodo ma non generano output spaziali. OmniPMNet, un modello di fusione basato su Convolutional Conditional Neural Process (ConvCNP), riconcilia questi due mondi in un'unica rappresentazione spaziale condivisa.

Il cuore dell'architettura è una convoluzione gaussiana "terrain-aware" che proietta le previsioni irregolari delle GNN su una griglia regolare, dove un modulo di attenzione spaziale multi-scala (SSA) fonde i dati con le uscite di CAMS. Una lettura "omni-query" decodifica poi la rappresentazione in predizioni coerenti, sia per i punti delle stazioni sia per i pixel della griglia, su un orizzonte di 108 ore. Valutato su 1.618 stazioni cinesi nell'intero 2024, OmniPMNet eguaglia l'accuratezza della migliore GNN (errore medio assoluto 21.14 contro 22.00 µg/m³) e riduce del 30% l'errore di CAMS, offrendo al contempo le mappe spaziali che le GNN da sole non possono produrre. I guadagni sono più evidenti proprio nelle code di concentrazione elevata, dove l'errore al 90° percentile cala del 9% rispetto alla GNN e del 25% rispetto a CAMS, e durante gli episodi di polvere, dove il modello migliora la capacità di rilevamento mentre segue le traiettorie spaziali delle nubi.

Perché tutto questo interessa chi progetta stack di intelligenza artificiale on-premise? La risposta sta nell'architettura stessa. I ConvCNP appartengono alla famiglia dei processi neurali, modelli relativamente leggeri che per l'inference non richiedono GPU enterprise: possono girare su hardware consumer o addirittura su CPU. Ciò significa che un intero sistema di previsione del PM10 può essere ospitato interamente su server locali, senza inviare dati a piattaforme cloud esterne. È un dettaglio tutt'altro che secondario quando si parla di dati ambientali, spesso considerati sensibili per la definizione delle politiche pubbliche e soggetti a normative come il GDPR in Europa.

In secondo luogo, la capacità "omni-query" – poter interrogare il modello sia per una stazione specifica sia per un'intera mappa – ricorda da vicino l'evoluzione dei Large Language Models istruiti a rispondere a prompt diversi senza cambiare architettura. OmniPMNet dimostra che questo paradigma si applica anche al monitoraggio ambientale, abbattendo la necessità di mantenere sistemi separati per previsioni puntuali e spaziali. Un'agenzia regionale potrebbe così gestire un unico modello on-premise, addestrarlo con i propri dati locali (senza condividerli con terzi) e servire previsioni in tempo reale a decisori e cittadini, con piena sovranità sull'infrastruttura.

C'è poi un effetto di secondo ordine: modelli come OmniPMNet riducono la dipendenza dai servizi cloud centralizzati anche per le previsioni ambientali, un mercato finora dominato da fornitori che vincolano i dati a piattaforme proprietarie. Per i Paesi in via di sviluppo, o per enti pubblici con budget IT limitati, la possibilità di deployare un sistema on-premise con hardware modesto e open source potrebbe rappresentare un'alternativa concreta al lock-in. I benefici non sono solo economici: tenere i dati dentro i propri confini evita rischi di accesso non autorizzato e allinea le operations ai requisiti di residenza dei dati sempre più stringenti.

Va detto che la sperimentazione descritta si basa su stazioni cinesi e su dati CAMS, ma l'approccio è generalizzabile. Il punto strutturale è che l'IA per il nowcasting ambientale sta imboccando la strada dell'autonomia infrastrutturale, e architetture come ConvCNP rendono il deployment locale non solo possibile, ma conveniente in termini di TCO. Chi ha già investito in server on-premise per LLM troverà familiari le dinamiche: modelli compatti, aggiornabili senza cloud, capaci di rispondere a query eterogenee senza ricorrere a servizi esterni. OmniPMNet, con la sua attenzione al particolato, segna un punto a favore di un'AI che non ha bisogno di uscire di casa.