Stima federata del deterioramento infrastrutturale

La valutazione dello stato di salute delle infrastrutture pubbliche, come i ponti, si basa su ispezioni periodiche che contengono dati sensibili. Condividere tali dati tra diverse organizzazioni è spesso impraticabile a causa di vincoli di governance e privacy.

Questo articolo presenta un approccio federato per la stima del deterioramento dei ponti, basato su catene di Markov a tempo continuo (CTMC). Il framework consente a diverse municipalità di addestrare congiuntamente un modello di riferimento condiviso senza la necessità di trasferire i dati grezzi delle ispezioni.

Funzionamento del modello

Ogni ente locale conserva i propri dati di ispezione e addestra un modello di rischio log-lineare CTMC, considerando transizioni di deterioramento quali: buono → minore, buono → grave e minore → grave. Le covariate includono l'età del ponte, la distanza dalla costa e l'area del ponte.

L'ottimizzazione locale avviene tramite mini-batch stochastic gradient descent sulla log-verosimiglianza CTMC. Solo un vettore pseudo-gradiente di 12 dimensioni viene caricato su un server centrale per ogni round di comunicazione. Il server aggrega gli aggiornamenti utilizzando Federated Averaging (FedAvg) pesato per campione, con momentum e gradient clipping.

Incentivi alla partecipazione e sovranità dei dati

Il meccanismo di aggiornamento federato fornisce un incentivo naturale alla partecipazione: gli enti che registrano i propri dataset di ispezione su una piattaforma tecnica standard condivisa ricevono in cambio i parametri di riferimento globali aggiornati periodicamente. Queste informazioni non sarebbero ottenibili dai soli dati locali, consentendo una pianificazione del ciclo di vita basata su evidenze senza compromettere la sovranità dei dati.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.