Formazione Online | AI e forecasting nel Gas&Power
AI e forecasting nel Gas&Power
Integrare nel processo di previsioni le potenzialità dell’AI per migliorare l’accuratezza e l’adattabilità delle analisi
- 13 Dicembre 2024
- 7 ore
- online
- Attestato di partecipazione
- NEW
In promozione fino al 28/10
Promozioni
Approfitta dell’offerta* su iscrizioni multiple: risparmia fino al 20% iscrivendo più partecipanti contemporaneamente
-5% su 2° partecipante | -10% su 3° partecipante | -15% su 4° partecipante | -20% su 5° partecipante
*Offerta cumulabile con altre promo in corso
Secondo l’International Energy Agency (IEA), le nuove tecnologie di AI sono uno strumento chiave per migliorare le previsioni dei consumi energetici.*
A dicembre con 7 ore di formazione e 5 docenti potrai capire come innovare il tuo processo di forecasting con gli strumenti più avanzati e migliorare la precisione delle previsioni short-medium e long term.
Diventa, attraverso l’esperienza dei docenti, il Team Leader di un progetto di AI forecasting e acquisisci le competenze per gestire tutte le fasi di sviluppo, dal development iniziale, alla fase di validazione e implementazione.
In particolare, potrai approfondire come:
- integrare tecnologie avanzate di Machine Learning nel tuo attuale processo di forecasting per identificare pattern di consumo ottimizzando la previsione della domanda
- fronteggiare il crescente impatto delle fonti rinnovabili intermittenti con simulazioni che permettono di bilanciare domanda e offerta e migliorare la risposta del sistema
- utilizzare scenari what-if e algoritmi di autoapprendimento per prendere decisioni informate e tempestive, riducendo i rischi di improvvisi cambiamenti
- creare modelli personalizzati per adattare le previsioni ai propri bisogni specifici, gestire i dati in maniera indipendente e ridurre i costi a lungo termine.
Il corso adotta un approccio pratico, presentando per ogni argomento casi reali di modelli predittivi basati su Intelligenza Artificiale implementati nel settore energetico. L’obiettivo è fornire soluzioni concrete da integrare nei propri processi, con particolare attenzione all’ottimizzazione delle previsioni della domanda energetica per prendere decisioni su basi solide.
A chi si rivolge
Il corso è studiato per chi opera nelle società di trading e di vendita e vuole approfondire come strutturare correttamente un’analisi di forecasting AI-based della domanda e del prezzo.
In particolare, è d’interesse per:
- Responsabile Forecasting
- Responsabile Operations/Supply chain
- Responsabile Trading
- Responsabile Approvvigionamento
- Responsabile Portfolio Management
Perché partecipare
Il 13 dicembre 2024 è l’occasione per:
- valutare gli algoritmi tradizionali e AI-Based e scegliere le migliori tecnologie per migliorare l’accuratezza delle previsioni
- utilizzare algoritmi AI per la clusterizzazione dei POD identificando pattern di consumo e ottimizzare acquisti di energia e reti di distribuzione
- programmare valutazioni e validazioni con metriche standardizzate, cross-validation e test per verificare la robustezza del modello con diversi set di dati
- comprendere le potenzialità tecniche delle varie tipologie di machine learning, come reti neurali e ad albero, per scegliere il miglior mix tecnologico
- monitorare le performance del modello in fase di test e in produzione per identificare e correggere deviazioni e assicurare previsioni accurate e affidabili nel tempo
- potenziare l’accessibilità e l’interoperabilità dei modelli tra diverse applicazioni aziendali per facilitare il flusso di dati e fornire risultati più coerenti e aggiornati
- implementare algoritmi di Reinforcement Learning (RL) in modo che il sistema possa di imparare dalle decisioni passate e migliorare costantemente.
Formazione Finanziata
Grazie alla nostra certificazione UNI EN ISO 9001:2015 puoi sfruttare le opportunità della formazione finanziata
Lasciati guidare dai nostri docenti
Programma
13 dicembre 2024
Dalle 9.30 alle 13.00
PERCHÉ INTEGRARE L’INTELLIGENZA ARTIFICIALE NEL FORECASTING
- Vantaggi e svantaggi di algoritmi tradizionali e algoritmi AI-Based
- Modelli basati su reti neurali:
- reti neurali artificiali (ANN) per identificare pattern non lineari
- reti neurali ricorrenti (RNN) per cogliere cicli e serie temporali
- long short-term memory (LSTM) per dipendenze a lungo termine
- Modelli ad albero per analizzare relazioni complesse tra variabili e prendere decisioni
DEVELOPMENT: DALLA RACCOLTA DEL DATO ALLA CONFIGUAZIONE DEGLI ALGORITMI
Acquisizione dati storici e real-time, eliminazione di anomalie e colmare i dati mancanti
- Raccogliere, normalizzare e preparare i dati grezzi per essere utilizzabili dal modello
- Exploratory data analysis (EDA) per l’analisi e la visualizzazione dei dati in pattern
- Dimensionality reduction per migliorare le prestazioni degli algoritmi di clustering
- Principal Component Analysis (PCA)
- Uniform Manifold Approximation and Projection (UMAP)
Feature Engineering per identificare le variabili (o features) da utilizzare nel modello
- Selezione delle variabili che hanno un impatto sul modello dal dataset
- Generare nuove features combinando o trasformando quelle esistenti
- Rimozione delle variabili irrilevanti o fortemente correlate con altre
Configurazione e addestramento degli algoritmi
- Scelta e configurazione dell’algoritmo di ML e impostazione dei parametri di addestramento
- Addestramento coi data set in modo che il modello “impari” e migliori progressivamente
- Ottimizzazione degli iperparametri (Grid Search, Random Search, Algoritmi Evolutivi)
EVALUATION E VALIDATION: AFFIDABILITÀ E CAPACITÀ DI GESTIRE NUOVI DATI
- Metriche di valutazione (MAE, RMSE, MAPE) per misurare precisione e prestazione
- Cross-Validation, la validazione incrociata e i test su dati reali
- Interpretazione dei risultati e verifica delle previsioni
DEPLOYMENT: INTEGRARE I MODELLI DI ML PER PREVISIONI SU LARGA SCALA
- Integrazione nei sistemi aziendali
- Utilizzo del modello tramite WebAPI e gestione scalabile di grandi volumi di dati
- Monitoraggio delle performance in produzione in tempo reale
- Tecniche di tuning per adattare il modello ai nuovi dati
CASE STUDY
Un processo completo di AI forecasting per la previsione di consumi attraverso la clusterizzazione dei POD
- Forecasting short term
- Clusterizzazione POD in azienda utility
- Migliorare la previsione dei consumi e ottimizzare la gestione della rete
- Valutazione e validazione del modello
- Deployment e integrazione dei modelli nelle applicazioni
Gianluca Biondi, Co founder e Nicola Crippa, Product Manager – MAS Consulting
Dalle 14.00 alle 17.30
COME AFFRONTARE E RISOLVERE GLI STEP PIÙ CRITICI
Acquisizione e gestione completa dei dati
- Acquisizione dati da fonti interne (POD e Pdr) ed esterne (condizioni meteorologiche, mercati energetici) e generazione di indicatori utilizzabili
- Identificazione outlier, stima valori mancanti e profilazione quart’oraria delle misure per ottenere curve common period
Stabilire criteri tecnici di selezione dei modelli basati su performance e requisiti
- Analisi di accuratezza, tempo di computazione, robustezza, capacità di generalizzazione e gestione della complessità del modello
- Benchmarking e testing di diversi modelli
- Come implementare pipeline con tecniche di cross-validation stratificata
Come usare il cloud per rendere più veloci i modelli di intelligenza artificiale
- Utilizzo del cloud per espandere automaticamente le risorse e gestire i big data
- Strumenti per integrare l’AI con l’ambiente operativo esistente (AWS, Microsoft, …)
- Sviluppare progetti di Proof of Concept (PoC) testare velocemente nuovi modelli AI
DECISION MAKING: SFRUTTARE SCENARI E ACTION ELABORATI DALL’AI
Valutazione delle decisioni basate sul forecasting
- Modelli decisionali avanzati, analisi di sensitività e simulazioni di scenari what-if
- Analisi di sensitività parametrica per valutare le previsioni rispetto a variazioni di input
- Sfruttare algoritmi genetici multi-obiettivo per bilanciare efficienza, costi e impatti ambientali
- Integrare le previsioni nei modelli di rischio per minimizzare l’esposizione
Ottimizzazione dinamica dei processi decisionali: il Reinforcement Learning (RL)
- Applicare algoritmi di RL per bilanciare dinamicamente domanda e offerta in base alle necessità di complessità e dinamismo
- Bilanciare il test di nuove strategie e lo sfruttamento di azioni già addestrate
- Addestrare e testare l’agente prima della messa in produzione
CASE STUDY
Il processo decisionale sulla base di Modelli di Machine Learning per l’ottimizzazione dello sbilanciamento fisico Power
Pierluigi Riva, Chief Technology Officer, Davide Giraudo, Energy Market Line Manager e Sabrina Sampò, Senior Mathematical Engineer – ORS | Dedagroup Company
Formazione in House
Sceglici per la tua formazione personalizzata: a partire dall’analisi dei tuoi obiettivi e delle tue esigenze progettiamo una soluzione su misura adattando i contenuti per la tua azienda. Scegli tu come, dove e quando
Corsi e eventi correlati
Metodologia standard CRISP-DM per creare modelli avanzati basati di Deep Learning e per prevedere la produzione, domanda e prezzo di…
Formazione Online
online
Dinamiche e strumenti operativi di trading e risk management per gestire la volatilità del mercato e prevenire i rischi
Masterclass
online
Analizzare ed elaborare le sequenze dati attraverso funzioni e programmazione a oggetti per impostare attività di forecasting
Formazione Online
online
In PromozioneStrumenti di Statistical e Machine Learning per creare modelli di forecasting di domanda e prezzo e ottimizzare il portafoglio
Formazione Online
online
In Promozione