Facciamo ricerca sui nuovi approcci di trattamento, analisi e visualizzazione di dati complessi, per individuare potenziali nuovi servizi.  Data Science è infatti la capacità di estrarre informazioni da dati non strutturati, da grandi repository o da dati relativi ad ambiti diversi, sfruttando un approccio multidisciplinare. Abbiamo creato un ambiente di ricerca per l'analisi di sistemi complessi, integrando competenze in matematica, statistica e informatica e sfruttando il patrimonio di dati che verrà via via integrato nella smart data platform Yucca.

Questo tipo di ricerca potenzia le conoscenze del CSI sulla data science, grazie anche all’organizzazione di team misti con professionalità provenienti dal mondo accademico. Questo ci permette di valorizzare al meglio il patrimonio informativo dei nostri clienti e di potenziare l’offerta di servizi.

2019 Università di Torino: lezioni, aule, didattica, studenti fuori corso

Abbiamo strutturato un team misto di lavoro insieme ai Dipartimenti di Filosofia e Scienze dell'Educazione e di Giurisprudenza e alla Direzione Sistemi Informativi, Portale, E-learning dell’Università degli Studi di Torino per analizzare alcune situazioni: l’organizzazione delle lezioni, l’occupazione delle aule e l’interesse sulla didattica, il percorso critico degli studenti e i fuoricorso.

I dati sono stati acquisisti nella smart data platform Yucca e arricchiti con dati a disposizione dell’Università e provenienti da altre fonti (meteo, posizioni WiFi, telecamere...). Sono stati realizzati cruscotti (power BI) per la consultazione e per analisi descrittive a disposizione dei Dipartimenti universitari coinvolti. Inoltre sono stati messi a punto due modelli di machine learning per la predizione del successo/fallimento degli studenti del Dipartimento di Giurisprudenza, laurea quinquennale. I dati hanno subito un processo di data quality.

2020 Università di Torino: studenti fuori corso, nuove applicazioni

Siamo partiti dai risultati della sperimentazione del 2019 e abbiamo applicato in modo più trasversale il sistema predittivo basato su Machine Learning per monitorare il fenomeno degli studenti fuoricorso dell’ateneo torinese.

Il modello è stato applicato a diversi dipartimenti e corsi di laurea (triennale, magistrale, triennale a ciclo unico), mentre sono stati testati due casi d’uso di predizione “massiva” e “puntuale” delle carriere. È stata individuata una soluzione architetturale per il modello di predizione, mettendo a punto una proposta di servizio da offrire all’ateneo.