Agenzia Regionale per la Tecnologia, il Trasferimento tecnologico e l'Innovazione

A. Informazioni generali sulla Corporate

Denominazione aziendale: Planetek Italia

Settore attività: Servizi avanzati

Sito web: www.planetek.it

Breve descrizione aziendale: Vision & Mission Permettere agli individui e alle organizzazioni di agire in modo consapevole e tempestivo, al fine di vivere meglio e preservare la Terra. Semplifichiamo l'adozione e l'utilizzo dei dati geospaziali per comprendere meglio il mondo. Planetek Italia è una Società Benefit fondata nel 1994 che impiega oltre 130 donne e uomini, appassionati e competenti in Geomatica, scienze della Terra e sistemi software per le missioni spaziali. Forniamo soluzioni in grado di usare al meglio il valore dei dati geospaziali attraverso tutte le fasi del ciclo di vita dei dati: acquisizione, archiviazione, gestione, analisi e condivisione. Operiamo in molti campi di applicazione, che spaziano dal monitoraggio ambientale e del territorio, all'open-government e alle smart cities, alle soluzioni per la difesa e la sicurezza, l'ingegneria e le costruzioni, i trasporti, le utilities e l'energia, le risorse alimentari, fino alle missioni satellitari scientifiche e di esplorazione dello Spazio. Le principali aree di attività sono: • Elaborazione dati satellitari, aerei e da droni per la produzione di cartografia e informazioni geografiche; • Servizi di monitoraggio continuo con dati satellitari della superficie terrestre, delle infrastrutture, delle aree in costruzione, delle dinamiche urbane o delle aree marine-costiere a supporto delle attività decisionali e operative; • Progettazione e sviluppo di infrastrutture di dati spaziali (SDI) per l'archiviazione dei dati geospaziali e la loro gestione e condivisione; • Progettazione e sviluppo di soluzioni basate su dati di geo-localizzazione in tempo reale, attraverso sistemi di posizionamento, quali GPS/Galileo/GNSS e sistemi di localizzazione indoor; • Sviluppo di software per l'elaborazione dei dati e delle immagini a bordo dei satelliti e per le infrastrutture del segmento di terra.

B. Obiettivo della Challenge

Titolo progetto/challenge: Scalabilità Pipeline di Machine Learning in Ambito Geospaziale

Descrizione challenge: Proponiamo la migrazione e il ridisegno di pipeline geospaziali di machine learning su architetture cloud serverless (es. AWS), per abilitare la scalabilità automatica di processi di training e prediction oggi limitati da risorse on-premise.

Stato dell'arte: L’elaborazione di dati geospaziali tramite algoritmi di machine learning è oggi un elemento chiave in molte applicazioni: monitoraggio ambientale, agricoltura di precisione, urbanistica, gestione del rischio, ecc. Tuttavia, la natura ad alta dimensionalità dei dati (es. immagini multispettrali satellitari) e la complessità delle pipeline (composite, filtri, classificazioni) pongono importanti sfide computazionali, specialmente in ambienti on-premise, dove la scalabilità è limitata. L’adozione del cloud computing ha aperto nuove possibilità per eseguire pipeline geospaziali in modo scalabile ed elastico. Tra i paradigmi più recenti spicca il modello serverless (es. AWS Lambda, Google Cloud Functions), che permette l'esecuzione di funzioni senza gestire server, con attivazione su evento e scalabilità automatica. Questo approccio è particolarmente adatto per task modulari e parallelizzabili, come il pre-processing, l’analisi di tile raster o l’utilizzo di modelli di machine learning. Tuttavia, il serverless presenta anche sfide specifiche: limiti temporali, di memoria e di gestione dello stato. Per questo motivo, spesso si adottano architetture ibride in cui componenti serverless si integrano con orchestratori (es. AWS Step Functions) e container (es. Fargate, Kubernetes) per task più complessi. Lo stato dell’arte include l’uso di formati ottimizzati per il cloud (come i Cloud Optimized GeoTIFF), standard aperti per l'indicizzazione dei dati (STAC), e librerie distribuite come Dask, Spark o GeoTrellis. Inoltre, piattaforme come Google Earth Engine, Microsoft Planetary Computer e Radiant Earth forniscono ecosistemi già pronti per elaborazioni geospaziali su larga scala. In sintesi, la combinazione tra cloud, machine learning e standard geospaziali moderni consente oggi la costruzione di pipeline scalabili e flessibili, ma richiede una progettazione attenta per bilanciare prestazioni, costi e complessità.

Descrizione delle esigenze: È richiesta una soluzione in grado di trasformare una pipeline machine learning che fa pre-processing del dato, training, validazione e predizione, in modo tale che possa essere scalato su grandi aree e quindi lavorare su un ambiente serverless.

Descrizione estesa

Obiettivo della sfida: E' necessario far girare una pipeline già esistente di machine learning su ambienti serverless per produrre la classificazione di vaste aree.

Contesto di riferimento: Attualmente, l’elaborazione di dati geospaziali tramite machine learning avviene spesso su infrastrutture on-premise, con pipeline costruite su misura per specifici dataset e algoritmi. Tuttavia, questa impostazione si rivela poco adatta quando si tenta di scalare l’analisi a livello continentale o globale. L'uso di risorse locali comporta limiti in termini di parallelismo, gestione dei carichi variabili e accesso dinamico a grandi volumi di dati distribuiti.

Requisiti richiesti: La soluzione deve essere open e ben documentata. La pipeline deve girare su aree di almeno 150.000 km2 con immagini a 10m di risoluzione. Non sono richieste certificazioni specifiche, ma è apprezzata la conformità a standard di qualità del software e all’etica aziendale Planetek.

Vincoli e/o limiti: Timeline di 4 mesi per la pipeline funzionante. Budget massimo di €20.000. La pipeline deve rispettare i vincoli di sicurezza IT aziendali, ed essere rilasciato con licenza open-source.

Link web: https://worldcover2021.esa.int/ - https://aws.amazon.com/serverless/

C. Modalità di collaborazione

Tipologia di collaborazione desiderata: Sviluppo di prototipo, Proof-of-Concept, co-creazione con il team tecnico Planetek.

Modalità di svolgimento preferibili per l'interazione con il soggetto innovatore: Incontri one-to-one online, review settimanali, test in ambiente pilota Planetek, workshop di allineamento tecnico.

Risorse e supporto offerti al soggetto innovatore: Supporto tecnico del team R&D Planetek, mentoring tecnico, conoscenza sul remote sensing approfondito, fornitura della pipeline di machine learning.

D. Benefici attesi e impatto strategico

Vantaggi competitivi: Scalabilità automatica, riduzione dei costi infrastrutturali, deployment rapido di modelli ML, integrazione fluida con fonti dati distribuite e maggiore flessibilità nell’orchestrazione di pipeline geospaziali complesse in ambienti cloud serverless.

Impatto sul business: L’adozione di pipeline geospaziali scalabili su cloud serverless consente di ridurre drasticamente i tempi di elaborazione e distribuzione dei prodotti, ottimizzando l’uso delle risorse e abbattendo i costi infrastrutturali. Questo si traduce in una maggiore capacità di risposta alle richieste del mercato, possibilità di erogare servizi personalizzati su vasta scala e rafforzamento della posizione competitiva sul mercato globale.

Output atteso: Una pipeline di machine learning sulla classificazione di uso del suolo che produce una mappa utilizzando risorse serverless.

Possibili benefici per l'ecosistema: L’utilizzo di architetture serverless consente una gestione più efficiente delle risorse computazionali, riducendo il consumo energetico grazie alla scalabilità dinamica. Inoltre, centralizzare l’elaborazione dei dati su piattaforme cloud ottimizza l’uso dell'infrastruttura, riducendo l’impronta ecologica delle operazioni. Questo approccio contribuisce a un impatto ambientale complessivo più basso, favorendo pratiche sostenibili nella gestione dei dati geospaziali.

E. Timeline e fasi del progetto

Tempistiche previste: Entro 1 mese dall’avvio: report sulla scalabilità delle pipeline e panoramica di almeno 2 ambienti serverless. Entro 2 mesi: prototipo su piccola scala. Entro 3 mesi: prototipo su larga scala. Entro 4 mesi: rilascio versione finale pipeline

Milestones chiave: 1.Piattaforme Serverless: analisi e scalabilità 2.Classificazione su piccola scala 3.Classificazione su larga scala 4.Pipeline: validazione e rilascio

Budget: Massimo €20.000 disponibili (inclusi i costi dei servizi cloud) per la presente Challenge.

Fase di valutazione: Le proposte saranno valutate sulla base di: o Coerenza con le specifiche (40%) o Qualità tecnica della proposta (40%) o Background del proponente (20%)

Eventuali note o informazioni integrative: Nessuna