Progettazione del miglioramento del sistema I.A.F.C.E.R.

Si elencano di seguito gli elementi progettuali target del seguente progetto:

PRESTAZIONE O CARATTERISTICA	SITUAZIONE PRE-PROGETTO E VALUTAZIONE	SITUAZIONE POST- PROGETTO E VALUTAZIONE
Reperimento delle informazioni riguardanti l’azienda cliente; tempo richiesto.	Automatizzato con interfaccia step-to-step; alcuni minuti	Automatizzato con interfaccia step-to-step miglorata con parametri di misurazione di impatto ambientale; alcuni minuti
● reperimento dati anagrafici	SI, automatico	SI, automatico
● reperimento codici ATECO	SI, manuale	SI, automatico
● reperimento dati di bilancio	SI, automatico	SI, automatico
● reperimento dati di mercato	SI, automatico	SI, automatico
Misurazione del Carbon Footprint	NO	SI
Matching automatico dei bandi o delle agevolazioni appropriate all’utente in base al grado di Corporate Environmental Responsability	NO	SI
Schede interattive dei bandi	NO	SI
Utilizzo di algoritmi intelligenti per Corporate Environmental Responsability	NO	SI
Diagnosi di bilancio; tempo richiesto	SI, automatico; alcuni minuti	SI, automatico; alcuni minuti; usabilità migliorata
Analisi rischio di insolvenza aziendale; tempo richiesto	SI, automatico; alcuni minuti	SI, automatico; alcuni minuti; usabilità migliorata
Suggerimento strategie per migliorare i dati di bilancio	SI, automatico; alcuni minuti	SI, automatico; alcuni minuti; usabilità migliorata
Calcolo predittivo dei risultati ottenuti dalle iniziative proposte	SI, automatico; alcuni minuti	SI, automatico; alcuni minuti; usabilità migliorata
Fornitura di una gamma completa di soluzioni per la finanza agevolata	Ottimo	Eccellente
Rapporto qualità prezzo	Ottimo	Eccellente

Ne consegue il seguente elenco dei requisiti dell’improvement della progettazione:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req01	Data sorucing	guidare la raccolta delle informazioni necessarie al cliente;
Req02	Data sourcing;	reperire sulla base delle informazioni raccolte i relativi documenti richiesti da apposite banche dati di enti pubblici o privati;
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.
Req06	Architecture Documentation	confrontare i parametri dell’azienda cliente con parametri individuati nelle normative e negli atti pubblici inerenti la Corporate Environmental Responsability, la finanza agevolata e la performance reputazionale;
Req07	Interoperability	applicare adeguati algoritmi predittivi per supportare l’interpretazione dei dati;
Req08	Interfaccia	Fornire all’utente finale, con il supporto di contenuti grafici e testuali, una serie completa di tutte le strategie di Corporate Environmental Responsability finanziare e reputazionali confacenti alle caratteristiche specifiche dell’azienda cliente, in maniera tale da guidare l’utente nella valutazione.
Req09	Interfaccia	Fornire una diagnostica finanziaria completa dell’attività dell’azienda cliente permettendo di risalire, anche ad esempio tramite la presentazione a video di grafici descrittivi, in maniera semplice e veloce alle cause che determinano eventuali vulnerabilità di bilancio, rischi di insolvenza o impatti ambientali negativi.
Req10	Interfaccia, Control Room	Interfacciarsi con un sistema informativo interno di più alto livello da cui ad esempio ricevere le informazioni riguardanti la percentuale di successo delle strategie finanziare e di miglioramento di impatto ambientale suggerite in casi analoghi in passato, e verso cui fornire informazioni riguardanti le elaborazioni effettuate, le scelte degli utenti, il time on page nella navigazione ecc.
Req11	Interfaccia	Schede interattive dei bandi
Req12	Interfaccia	Calcolo predittivo dei risultati ottenuti dalle iniziative proposte con usabilità migliorata
Req13	Interfaccia	Fornitura di una gamma completa di soluzioni per la finanza agevolata migliorata
Req14	Economics	Rapporto qualità prezzo ottimizzato

Inoltre sono stati analizzati i requisiti minimi software. Trattandosi di una applicazione web, il requisito è un browser web Firefox, Chrome, Safari, Edge, Internet Explorer o similari.

Il software consigliato è nella tabella sottostante:

Browser	Versione minima
Chrome	70
Internet Explorer	11
Edge	18
Firefox	63
Safari	12
Opera	56
IOS Safari	12
Chrome for Android	70

Introduzione

Sono state individuate le specifiche dell’architettura di sistema necessaria ad interfacciare la piattaforma on line con gli engine di data-mining, con particolare riguardo alla definizione della modalità di selezione degli algoritmi che il sistema deve utilizzare e ai protocolli di comunicazione tra i moduli software.

Partendo dalle specifiche funzionali stabilite, si è è proceduto alla progettazione di dettaglio di tutti i moduli software richiesti. In particolare è stato progettato il core del sistema di data-mining e i requisiti funzionali di ogni modulo. Sono state inoltre definite le interfacce e le pagine che costituiranno le parti fondamentali della piattaforma on-line. Per ogni scenario di analisi è stato individuato il tipo di algoritmo da adottare. E’ tato inoltre inoltre predisposta l’integrazione del modulo di data mining con le banche dati e le interfacce della piattaforma on-line.

A.2.1 Miglioramento delle linee guida di business analytics da implementare nel sistema I.A.F.C.E.R. - Progettazione del modulo software di interfaccia utente, con questionario step-to-step per i dati aziendali utili all’analisi dell’impatto ambientale

Requisiti del modulo software di interfaccia utente, con questionario step-to-step per i dati aziendali utili all’analisi dell’impatto ambientale

Si riassumono di seguito i requisiti dell’improvement della progettazione di competenza della presente attività:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req01	Data sorucing	guidare la raccolta delle informazioni necessarie al cliente;
Req02	Data sourcing;	reperire sulla base delle informazioni raccolte i relativi documenti richiesti da apposite banche dati di enti pubblici o privati;
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint
Req08	Interfaccia	Fornire all’utente finale, con il supporto di contenuti grafici e testuali, una serie completa di tutte le strategie di Corporate Environmental Responsability finanziare e reputazionali confacenti alle caratteristiche specifiche dell’azienda cliente, in maniera tale da guidare l’utente nella valutazione.
Req09	Interfaccia	Fornire una diagnostica finanziaria completa dell’attività dell’azienda cliente permettendo di risalire, anche ad esempio tramite la presentazione a video di grafici descrittivi, in maniera semplice e veloce alle cause che determinano eventuali vulnerabilità di bilancio, rischi di insolvenza o impatti ambientali negativi.
Req10	Interfaccia, Control Room	Interfacciarsi con un sistema informativo interno di più alto livello da cui ad esempio ricevere le informazioni riguardanti la percentuale di successo delle strategie finanziare e di miglioramento di impatto ambientale suggerite in casi analoghi in passato, e verso cui fornire informazioni riguardanti le elaborazioni effettuate, le scelte degli utenti, il time on page nella navigazione ecc.
Req11	Interfaccia	Schede interattive dei bandi
Req12	Interfaccia	Calcolo predittivo dei risultati ottenuti dalle iniziative proposte con usabilità migliorata

Progettazione di dettaglio del modulo software di interfaccia utente, con questionario step-to-step per i dati aziendali utili all’analisi dell’impatto ambientale

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req01	Data sourcing	guidare la raccolta delle informazioni necessarie al cliente;

Tecniche e tecnologie previste

Framework python Django. Django è un framework web Python di alto livello che consente un rapido sviluppo di siti web sicuri e manutenibili.

Si propone il miglioramento dell’interfaccia attraverso implementazione del package specifico per la raccolta di dati tramite questionario Django survey

Si riportano gli step necessari per l’implementazione

1) Aggiunta ai requisiti tramite comando pip

echo 'django-survey-and-report' > requirements.txt

pip install -r requirements.txt

Aggiungere bootstrapforme surveynel INSTALLED_APPSnelle impostazioni:

INSTALLED_APPS = [

# Your own installed apps here

]

from pathlib import Path

CSV_DIRECTORY = Path("csv") # Define the directory where csv are exported

TEX_DIRECTORY = Path("tex") # Define the directory where tex files and pdf are exported

INSTALLED_APPS += [

'bootstrapform',

'survey'

]

Aggiungi una voce URL a urls.py del tuo progetto, ad esempio:

from django.conf import settings

from django.conf.urls import include, url

urlpatterns = [

# Your own url pattern here

]

if 'survey' in settings.INSTALLED_APPS:

urlpatterns += [

url(r'^survey/', include('survey.urls'))

]

Si possono inoltre aggiungere le seguenti opzioni:

# Permit to open the csv in excel without problem with separator

# Using this trick : https://superuser.com/a/686415/567417

EXCEL_COMPATIBLE_CSV = True

# The separator for questions (Default to ",")

CHOICES_SEPARATOR = "|"

# What is shown in export when the user do not answer (Default to "Left blank")

USER_DID_NOT_ANSWER = "NAA"

# Path to the Tex configuration file (default to an internal file that should be sufficient)

from pathlib import Path

TEX_CONFIGURATION_FILE = Path("tex", "tex.conf")

# Default color for exported pdf pie (default to "red!50")

SURVEY_DEFAULT_PIE_COLOR = "blue!50"

Utilizzando l'interfaccia di amministrazione è possibile creare sondaggi, aggiungere domande, fornire categorie di domande e contrassegnarle come richieste o meno. È possibile definire le scelte per le risposte utilizzando parole separate da virgole:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req02	Data sourcing;	reperire sulla base delle informazioni raccolte i relativi documenti richiesti da apposite banche dati di enti pubblici o privati;

Per quanto riguarda il modulo software di interfaccia utente si prevede che il reperimento di documenti verrà effettuato tramite API connect.myclimate.org per quanto riguarda la performance ambientale e tramite API di talkwalker per quanto riguarda la company reputation.

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint

Per quanto riguarda la misurazione dell’impatto ambientale si prevede l’utilizzo delle API fornite da https://connect.myclimate.org/

Si prevede la raccolta dei seguenti dati:

nome

necessario

string

nazione

necessario

string

Codice di 2 lettere in maiuscolo (ISO 3166-1 alpha-2)

numero di dipendenti

necessario

numero < float > > = 0

Numero di posti a tempo pieno. Due dipendenti al 70% danno un valore di 1.4.

riscaldata_area

numero < float > > = 0

nel m2

stima_energia

necessario

string

Predefinito: "0"

Enum : "0" "1"

1se il consumo di energia non è noto e dovrebbe essere stimato. In questo caso, non forniscono power_consumption_kwh, green_electricity, oil_liters, natural_gas_m3, biogas_m3, district_heat_kwh, wood_pellets_kwh, wood_chips_kwh, heat_pump, cooling_agent_type,cooling_agent_power

power_consumption_kwh

numero < float > > = 0

In kWh. Non fornire se estimate_energyè1

green_electricity

booleano

non fornire se lo estimate_energyè1

litri_olio

numero < float > > = 0

In litri. Non fornire se estimate_energyè1

gas_aturale_m3

numero < float > > = 0

in m3. Non fornire se estimate_energyè1

biogas_m3

numero < float > > = 0

In m3. Non fornire se estimate_energyè1

district_heat_kwh

numero < float > > = 0

in kWh. Non fornire se estimate_energyè1

pompa di calore

booleano

non fornire se lo estimate_energyè1

cooling_agent_type

string

Enum : "R-134a" "R-22 (Standard)" "R-401A" "R-402B" "R-407A" "R-407C" "R-410A" "R-170" "R-290" "R-717" "R-1270" "R-718"

non fornire se lo estimate_energyè1

consider_advanced_energy_inputs

string

Predefinito: "0"

Enum : "0" "1"

Deve essere 1se qualcuno di wood_chips_kwh, biogas_m3, district_heat_kwh, heat_pump, cooling_agent_type, cooling_agent_powerè fornito. Non fornire se estimate_energyè1

wood_pellets_kwh

numero < float > > = 0

In kWh. Non fornire se estimate_energyè1

legno_chips_kwh

numero < float > > = 0

In kWh. Non fornire se estimate_energyè1

cooling_agent_power

numero < float > > = 0

nel kW

stima_mobilità

necessario

string

Predefinito: "0"

Enum : "0" "1"

1se è necessario stimare le emissioni di mobilità. In questo caso, non forniscono average_commuting_distance_km, public_transportation_commute_per_cent, commuted_yearly_bus_km, commuted_yearly_train_km, commuted_yearly_car_km, business_yearly_car_km, business_yearly_public_transportation_km, hotel_nights_amount, flights_amount, car_fuel_gasoline_liters, car_fuel_diesel_liters, car_fuel_natural_gas_kg, car_fuel_biogas_kg, short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent

consider_advanced_commute_inputs

string

Predefinito: "1"

Enum : "0" "1"

se 0: fornire average_commuting_distance_kmepublic_transportation_commute_per_cent

se 1: fornire commuted_yearly_bus_km, commuted_yearly_train_km,commuted_yearly_car_km

consider_advanced_business_trip_inputs

string

Predefinito: "0"

Enum : "0" "1"

se 0: fornire business_yearly_car_km, business_yearly_public_transportation_km,hotel_nights_amount

se 1: fornire car_fuel_gasoline_liters, car_fuel_diesel_liters, car_fuel_natural_gas_kg,car_fuel_biogas_kg

consider_advanced_flight_inputs

string

Predefinito: "0"

Enum : "0" "1"

se 0: fornireflights_amount

se 1: fornire short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent

consider_rough_flight_inputs

string

Predefinito: "1"

Enum : "0" "1"

se 0: fornire short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent

se 1: fornireflights_amount

average_commuting_distance_km

numero < float >

A kmsenso unico. Fornisci solo se consider_advanced_commute_inputsè 0.

public_transportation_commute_per_cent

numero < float > > = 0

In percentuale, ad esempio 50.3se il valore è 50.3%. Fornisci solo se consider_advanced_commute_inputs è0

commuted_yearly_bus_km

numero < float >

fornire solo se consider_advanced_commute_inputs è1

commuted_yearly_train_km

numero < float >

fornire solo se consider_advanced_commute_inputsè1

commuted_yearly_car_km

numero < float >

fornire solo se consider_advanced_commute_inputsè1

business_yearly_car_km

numero < float >

fornire solo se consider_advanced_business_trip_inputsè0

business_yearly_public_transportation_km

numero < float >

fornire solo se estimate_mobilityè1

hotel_nights_amount

numero intero

fornire solo se estimate_mobilityè1

flight_amount

numero intero

fornire solo se consider_rough_flight_inputsè 1 ed consider_advanced_flight_inputsè0

car_fuel_gasoline_liters

numero < float >

fornire solo se consider_advanced_business_trip_inputsè1

car_fuel_diesel_liters

numero < float >

fornire solo se consider_advanced_business_trip_inputsè1

car_fuel_natural_gas_kg

numero < float >

fornire solo se consider_advanced_business_trip_inputsè1

car_fuel_biogas_kg

numero < float >

fornire solo se consider_advanced_business_trip_inputsè1

short_flights_amount

numero intero

Fino a 3 ore di volo. i voli di andata e ritorno contano come 2 voli

fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0

medium_flights_amount

numero intero

3-6 ore di volo. i voli di andata e ritorno contano come 2 voli

fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0

long_flights_amount

numero intero

più di 6 ore di volo. i voli di andata e ritorno contano come 2 voli

fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0

business_or_first_flights_per_cent

numero < float > > = 0

In percentuale, ad esempio 50.3se il valore è 50.3%. Fornisci solo se consider_advanced_commute_inputsè0

stima_cibo_e_bevande

necessario

string

Predefinito: "0"

Enum : "0" "1"

warm_meal_meat_amount_per_day

numero intero

fornire solo se estimate_food_and_beveragesè0

warm_meal_vegetarian_amount_per_day

numero intero

fornire solo se estimate_food_and_beveragesè0

spuntini

numero intero

Numero di spuntini al giorno. Fornisci solo se estimate_food_and_beveragesè0

soda_liters_per_day

numero < float >

in litri al giorno il consumo di acqua minerale e soda fornisce solo se estimate_food_and_beveragesè0

coffee_portions_per_day

numero intero

In tazze. Fornisci solo se estimate_food_and_beveragesè1

tea_portions_per_day

numero intero

In tazze. Fornisci solo se estimate_food_and_beveragesè0

stima_forniture

necessario

string

Predefinito: "0"

Enum : "0" "1"

consider_advanced_supplies_inputs

string

Predefinito: "0"

Enum : "0" "1"

consider_advanced_garbage_inputs

string

Predefinito: "0"

Enum : "0" "1"

paper_kg

numero < float >

fornire solo se estimate_suppliesè0

printed_matters_kg

numero < float >

fornire solo se estimate_suppliesè0

electronic_devices_amount

numero < numero intero >

Numero di nuovi computer, laptop, monitor, ecc. Acquistati. Fornisci solo se estim_supplies è 1

garbage_kg

numero < float >

fornire solo se estimate_suppliesè0

paper_recycling_paper_per_cent

numero < float >

fornire solo se consider_advanced_supplies_inputsè1

print_matters_recycling_paper_per_cent

numero < float >

fornire solo se consider_advanced_supplies_inputsè1

toners_amount

numero intero

fornire solo se consider_advanced_supplies_inputsè1

acqua_m3

numero < float >

fornire solo se consider_advanced_supplies_inputsè1

garbage_recycling_kg

numero < float >

fornire solo se consider_advanced_garbage_inputsè1

garbage_electronics_kg

numero < float >

fornire solo se consider_advanced_garbage_inputsè1

garbage_hazardous_kg

numero < float >

fornire solo se consider_advanced_garbage_inputsè1

Codice requisito

Area

Requisito funzionale, tecnico, archietturale o infrastrutturale

Req08

Interfaccia

Fornire all’utente finale, con il supporto di contenuti grafici e testuali, una serie completa di tutte le strategie di Corporate Environmental Responsability finanziare e reputazionali confacenti alle caratteristiche specifiche dell’azienda cliente, in maniera tale da guidare l’utente nella valutazione.

La progettazione dell’interfaccia utente può essere migliorata con l’implementazione della seguente libreria per la visualizzazione di grafici interattivi: Python Altair.

Si forniscono i seguenti esempi di implementazione interattiva per supportare lo sviluppo:

import altair as alt

from vega_datasets import data

source = data.seattle_weather()

brush = alt.selection(type='interval', encodings=['x'])

bars = alt.Chart().mark_bar().encode(

x='month(date):O',

y='mean(precipitation):Q',

opacity=alt.condition(brush, alt.OpacityValue(1), alt.OpacityValue(0.7)),

).add_selection(

brush

)

line = alt.Chart().mark_rule(color='firebrick').encode(

y='mean(precipitation):Q',

size=alt.SizeValue(3)

).transform_filter(

brush

)

alt.layer(bars, line, data=source)

import altair as alt

from vega_datasets import data

source = data.movies.url

pts = alt.selection(type="single", encodings=['x'])

rect = alt.Chart(data.movies.url).mark_rect().encode(

alt.X('IMDB_Rating:Q', bin=True),

alt.Y('Rotten_Tomatoes_Rating:Q', bin=True),

alt.Color('count()',

scale=alt.Scale(scheme='greenblue'),

legend=alt.Legend(title='Total Records')

)

circ = rect.mark_point().encode(

alt.ColorValue('grey'),

alt.Size('count()',

legend=alt.Legend(title='Records in Selection')

)

).transform_filter(

pts

)

bar = alt.Chart(source).mark_bar().encode(

x='Major_Genre:N',

y='count()',

color=alt.condition(pts, alt.ColorValue("steelblue"), alt.ColorValue("grey"))

).properties(

width=550,

height=200

).add_selection(pts)

alt.vconcat(

rect + circ,

bar

).resolve_legend(

color="independent",

size="independent"

)

E’ stato prodotto il seguente mokup per l’interfaccia di supporto alla corporate reputation

E’ stato prodotto il seguente mokup per l’interfaccia di supporto alla corporate enviromental resposability

E’ stato prodotto il seguente mokup per l’interfaccia di supporto alla finanza agevolata:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req09	Interfaccia	Fornire una diagnostica finanziaria completa dell’attività dell’azienda cliente permettendo di risalire, anche ad esempio tramite la presentazione a video di grafici descrittivi, in maniera semplice e veloce alle cause che determinano eventuali vulnerabilità di bilancio, rischi di insolvenza o impatti ambientali negativi.

Sulla base dei requisiti si prevede l’utilizzo della libreria python Bokeh https://bokeh.org/ dal momento che in questo caso l’integrazione tra i diversi grafici può essere fondamentale per far indiviuare correlazioni. La libreria bokeh dispone di una toolbar specifica per l’itnerazione con i grafici.

Si restituisce un esempio di codice con relativo grafico:

from functools import lru_cache
	from os.path import dirname, join

	import pandas as pd

	from bokeh.io import curdoc
	from bokeh.layouts import column, row
	from bokeh.models import ColumnDataSource, PreText, Select
	from bokeh.plotting import figure

	DATA_DIR = join(dirname(__file__), 'daily')

	DEFAULT_TICKERS = ['AAPL', 'GOOG', 'INTC', 'BRCM', 'YHOO']

	def nix(val, lst):
	return [x for x in lst if x != val]

	@lru_cache()
	def load_ticker(ticker):
	fname = join(DATA_DIR, 'table_%s.csv' % ticker.lower())
	data = pd.read_csv(fname, header=None, parse_dates=['date'],
	names=['date', 'foo', 'o', 'h', 'l', 'c', 'v'])
	data = data.set_index('date')
	return pd.DataFrame({ticker: data.c, ticker+'_returns': data.c.diff()})

	@lru_cache()
	def get_data(t1, t2):
	df1 = load_ticker(t1)
	df2 = load_ticker(t2)
	data = pd.concat([df1, df2], axis=1)
	data = data.dropna()
	data['t1'] = data[t1]
	data['t2'] = data[t2]
	data['t1_returns'] = data[t1+'_returns']
	data['t2_returns'] = data[t2+'_returns']
	return data

	# set up widgets

	stats = PreText(text='', width=500)
	ticker1 = Select(value='AAPL', options=nix('GOOG', DEFAULT_TICKERS))
	ticker2 = Select(value='GOOG', options=nix('AAPL', DEFAULT_TICKERS))

	# set up plots

	source = ColumnDataSource(data=dict(date=[], t1=[], t2=[], t1_returns=[], t2_returns=[]))
	source_static = ColumnDataSource(data=dict(date=[], t1=[], t2=[], t1_returns=[], t2_returns=[]))
	tools = 'pan,wheel_zoom,xbox_select,reset'

	corr = figure(plot_width=350, plot_height=350,
	tools='pan,wheel_zoom,box_select,reset')
	corr.circle('t1_returns', 't2_returns', size=2, source=source,
	selection_color="orange", alpha=0.6, nonselection_alpha=0.1, selection_alpha=0.4)

	ts1 = figure(plot_width=900, plot_height=200, tools=tools, x_axis_type='datetime', active_drag="xbox_select")
	ts1.line('date', 't1', source=source_static)
	ts1.circle('date', 't1', size=1, source=source, color=None, selection_color="orange")

	ts2 = figure(plot_width=900, plot_height=200, tools=tools, x_axis_type='datetime', active_drag="xbox_select")
	ts2.x_range = ts1.x_range
	ts2.line('date', 't2', source=source_static)
	ts2.circle('date', 't2', size=1, source=source, color=None, selection_color="orange")

	# set up callbacks

	def ticker1_change(attrname, old, new):
	ticker2.options = nix(new, DEFAULT_TICKERS)
	update()

	def ticker2_change(attrname, old, new):
	ticker1.options = nix(new, DEFAULT_TICKERS)
	update()

	def update(selected=None):
	t1, t2 = ticker1.value, ticker2.value

	df = get_data(t1, t2)
	data = df[['t1', 't2', 't1_returns', 't2_returns']]
	source.data = data
	source_static.data = data

	update_stats(df, t1, t2)

	corr.title.text = '%s returns vs. %s returns' % (t1, t2)
	ts1.title.text, ts2.title.text = t1, t2

	def update_stats(data, t1, t2):
	stats.text = str(data[[t1, t2, t1+'_returns', t2+'_returns']].describe())

	ticker1.on_change('value', ticker1_change)
	ticker2.on_change('value', ticker2_change)

	def selection_change(attrname, old, new):
	t1, t2 = ticker1.value, ticker2.value
	data = get_data(t1, t2)
	selected = source.selected.indices
	if selected:
	data = data.iloc[selected, :]
	update_stats(data, t1, t2)

	source.selected.on_change('indices', selection_change)

	# set up layout
	widgets = column(ticker1, ticker2, stats)
	main_row = row(corr, widgets)
	series = column(ts1, ts2)
	layout = column(main_row, series)

	# initialize
	update()

	curdoc().add_root(layout)
	curdoc().title = "Stocks"

E’ stato quindi predisposto il seguente mokup:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req10	Interfaccia, Control Room	Interfacciarsi con un sistema informativo interno di più alto livello da cui ad esempio ricevere le informazioni riguardanti la percentuale di successo delle strategie finanziare e di miglioramento di impatto ambientale suggerite in casi analoghi in passato, e verso cui fornire informazioni riguardanti le elaborazioni effettuate, le scelte degli utenti, il time on page nella navigazione ecc.

E’ stato quindi predisposto il seguente mokup:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req11	Interfaccia	Schede interattive dei bandi

Si prevede che ogni bando sia presentato con relativa interfaccia di scheda interattiva, con elementi salienti corredo. Un esempio efficace può essere dato da ambienti di visualizzazione documenti interattivi come coda (https://coda.io/).

E’ stato quindi predisposto il seguente mokup:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req12	Interfaccia	Calcolo predittivo dei risultati ottenuti dalle iniziative proposte con usabilità migliorata

Sulla base della libreria bokeh si prevede un intevento sull’interaffaccia già prevista per il supporto alle strategie di finanza agevolata secondo il seguente mockup:

Dove la linea rossa rappresenta il momento attuale e sulla destra vengono restituiti i risultati previsti per i mesi successivi.

A.2.2 Miglioramento dei parametri del modulo software di sourcing da banche dati, riconoscimento documenti e selezione delle informazioni

Requisiti del modulo software di sourcing da banche dati, riconoscimento documenti e selezione delle informazioni

Si riassumono di seguito i requisiti dell’improvement della progettazione di competenza dell’attività:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req01	Data sorucing	guidare la raccolta delle informazioni necessarie al cliente;
Req02	Data sourcing;	reperire sulla base delle informazioni raccolte i relativi documenti richiesti da apposite banche dati di enti pubblici o privati;
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.

Progettazione di dettaglio del modulo software di sourcing da banche dati, riconoscimento documenti e selezione delle informazioni

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req01	Data sorucing	guidare la raccolta delle informazioni necessarie al cliente;
Req02	Data sourcing;	reperire sulla base delle informazioni raccolte i relativi documenti richiesti da apposite banche dati di enti pubblici o privati;
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint

La misurazione del carbon footprint può avvenire tramite chiamata API.

Si restituisce un esempio di chiamata con relativa risposta

{

"name": "Acme Inc.",

"country": "CH",

"number_of_employees": 5,

"estimate_energy": "1",

"estimate_mobility": "1",

"estimate_food_and_beverages": "1",

"estimate_supplies": "1"

}

Risposta:

{

"kg": 37975,

"energy_kg": "16435.0",

"mobility_kg": "17125.0",

"food_kg": "1440.0",

"supplies_kg": "2975.0",

"price_in_eur_cents": 0,

"input_params": {

"name": "Acme Inc.",

"country": "CH",

"number_of_employees": 5,

"heated_area": null,

"estimate_energy": "1",

"consider_advanced_energy_inputs": "0",

"power_consumption_kwh": null,

"green_electricity": null,

"oil_liters": null,

"natural_gas_m3": null,

"biogas_m3": null,

"district_heat_kwh": null,

"wood_pellets_kwh": null,

"wood_chips_kwh": null,

"heat_pump": null,

"cooling_agent_type": null,

"cooling_agent_power": null,

"estimate_mobility": "1",

"consider_advanced_commute_inputs": "1",

"consider_advanced_business_trip_inputs": "0",

"consider_advanced_flight_inputs": "0",

"consider_rough_flight_inputs": "1",

"average_commuting_distance_km": null,

"public_transportation_commute_per_cent": null,

"commuted_yearly_bus_km": null,

"commuted_yearly_train_km": null,

"commuted_yearly_car_km": null,

"business_yearly_car_km": null,

"business_yearly_public_transportation_km": null,

"hotel_nights_amount": null,

"flights_amount": null,

"car_fuel_gasoline_liters": null,

"car_fuel_diesel_liters": null,

"car_fuel_natural_gas_kg": null,

"car_fuel_biogas_kg": null,

"short_flights_amount": null,

"medium_flights_amount": null,

"long_flights_amount": null,

"business_or_first_flights_per_cent": null,

"estimate_food_and_beverages": "1",

"warm_meal_meat_amount_per_day": null,

"warm_meal_vegetarian_amount_per_day": null,

"snacks": null,

"soda_liters_per_day": null,

"coffee_portions_per_day": null,

"tea_portions_per_day": null,

"estimate_supplies": "1",

"consider_advanced_supplies_inputs": "0",

"consider_advanced_garbage_inputs": "0",

"paper_kg": null,

"printed_matters_kg": null,

"electronic_devices_amount": null,

"garbage_kg": null,

"paper_recycling_paper_per_cent": null,

"printed_matters_recycling_paper_per_cent": null,

"toners_amount": null,

"water_m3": null,

"garbage_recycling_kg": null,

"garbage_electronics_kg": null,

"garbage_hazardous_kg": null

}

A seconda dei dati disponibili, ogni sezione del calcolatore può essere stimata o calcolata in base ai dati forniti. Per alcune sezioni questo viene fatto su una scala ancora più preciso. Ad esempio, se vengono forniti dati sulla mobilità, è possibile stimare le emissioni dei voli sulla base di una quantità complessiva di voli. Se sono disponibili dati precisi sulla durata di questi voli, possono essere forniti per calcolare le emissioni in modo più preciso.

La misurazione della corporate reputation può essere svolta tramite chiamata api su talkwalker.com

L'API di ricerca di Talkwalker ti consente di recuperare fino a 500 risultati ordinati per un determinato periodo di tempo negli ultimi 30 giorni . Inoltre, può essere restituito anche un istogramma del numero di risultati. Si possono ordinare i risultati per ora di pubblicazione, tempo di indicizzazione, coinvolgimento o altre metriche. Una singola query di ricerca può supportare fino a 50 operandi. Per creare query complesse, gli operandi possono essere combinati utilizzando operatori booleani.

I risultati della ricerca possono essere ordinati per coinvolgimento, tempo o altre metriche ed essere limitati a intervalli di valori di attributi specifici (ad esempio restituiscono solo risultati pubblicati in un determinato intervallo di tempo). Quando non vengono applicati filtri speciali, una singola richiesta di ricerca restituirà i risultati di tutti i tipi di media e di tutte le lingue negli ultimi 30 giorni ordinati per coinvolgimento per impostazione predefinita. Non è necessario eseguire una richiesta di ricerca per ogni lingua e tipo di supporto separatamente. Per ottenere un insieme più piccolo di risultati, puoi ottenere solo i risultati con il punteggio più alto o ottenere un set campione casuale.

L'endpoint dei risultati di ricerca dell'API Talkwalker ( https://api.talkwalker.com/api/v1/search/results) viene utilizzato per eseguire ricerche sull'API Talkwalker. (A scopo di test access_token demopuò essere utilizzato. L'impostazione della variabile pretty=truerestituirà risultati formattati)

Si fornisce un esempio di chiamata

curl -XGET 'https://api.talkwalker.com/api/v1/search/results?access_token=demo&q=cats&pretty=true'

e relativa risposta:

{

"status_code" : "0",

"status_message" : "OK",

"request" : "GET /api/v1/search/results?access_token=demo&q=cats&pretty=true",

"pagination" : {

"next" : "GET /api/v1/search/results?access_token=demo&q=cats&pretty=true&offset=10",

"total" : 298138

"result_content" : {

"data" : [ {

"data" : {

"url" : "http://example.blogspot.com/cats",

"indexed" : 1417999367498,

"search_indexed" : 1417999504832,

"published" : 1417999319393,

"title" : "Something cats",

"content" : "Welcome to my colorful little island (...)",

"title_snippet" : "Something with cats",

"root_url" : "http://example.blogspot.com/",

"domain_url" : "http://blogspot.com/",

"host_url" : "http://example.blogspot.com/",

"parent_url" : "http://example.blogspot.com/cats",

"lang" : "en",

"porn_level" : 0,

"fluency_level" : 90,

"spam_level" : 20,

"sentiment" : 5,

"source_type" : [ "BLOG", "BLOG_OTHER" ],

"post_type" : [ "TEXT" ],

"tokens_title" : [ "Something", "Something", "Cats", "Cats" ],

"tokens_content" : [ "Bead Hoarder Blog", "Bead Hoarder Blog"],

"tokens_mention" : [ "@yahoo" ],

"tags_internal" : [ "isQuestion" ],

"article_extended_attributes" : {

"num_comments" : 3

"source_extended_attributes" : {

"alexa_pageviews" : 0

"extra_article_attributes" : {

"world_data" : { }

"extra_author_attributes" : {

"world_data" : { },

"id" : "ex:example.blogspot.com-698904645",

"name" : "view my complete profile",

"gender" : "MALE"

"extra_source_attributes" : {

"world_data" : {

"continent" : "North America",

"country" : "United States",

"region" : "District of Columbia",

"city" : "Washington, D.C.",

"longitude" : -77.0094185808,

"latitude" : 38.8995493765,

"country_code" : "us"

"id" : "ex:example.blogspot.com",

"name" : "http://example.blogspot.com/"

"engagement" : 3,

"reach" : 0

}

}, {

"data" : {

"url" : "http://example.wordpress.com/2014/12/06/high-rez-snobbery-715-winter-trend-ice/",

Parametri

parametro	descrizione	necessario?	valore predefinito
access_token	Token di accesso API	necessario
q	La query da cercare	necessario
offset	Numero di risultati da saltare (per la paginazione)	opzionale	predefinito: 0 / massimo: 500
hpp	Numero di visite per pagina (per paging)	opzionale	predefinito: 10 / massimo: 500
sort_by	Criteri per l'ordinamento dei risultati.	opzionale	default: coinvolgimento
sort_order	Ordinamento (ascendente o discendente)	opzionale	predefinito: desc
hl	Attiva o disattiva l'evidenziazione	opzionale	predefinito: 1
pretty	Json formattato per il test	opzionale	falso

Per quanto riguarda gli aspetti finanziari si consolida la scelta di utilizzo delle API CERVED l’estrazione del codice ATECO può essere quindi effettuata in modo automatico a partire dalla partita iva:

INPUT (CERVED API)	OUTPUT (CERVED API)
Partita IVA (Numero intero)	Codice ateco (stringa)

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;

Per il filtering dei risultati si prevedono i seguenti passaggi:

1. Trasformazione dei dati in dataframe tramite libreria pandas.

2. Utilizzo delle utility della libreria pandas per il filtering dei risultati

Si fornisce il seguente esempio

In [96]: df

Out[96]:

A B C D

a 1 4 9 1

b 4 5 0 2

c 5 5 1 0

d 1 3 9 6

In [99]: df[(df.A == 1) & (df.D == 6)]

Out[99]:

A B C D

d 1 3 9 6

In [90]: def mask(df, key, value):

....: return df[df[key] == value]

....:

In [92]: pandas.DataFrame.mask = mask

In [93]: df = pandas.DataFrame(np.random.randint(0, 10, (4,4)), index=list('abcd'), columns=list('ABCD'))

In [95]: df.ix['d','A'] = df.ix['a', 'A']

In [96]: df

Out[96]:

A B C D

a 1 4 9 1

b 4 5 0 2

c 5 5 1 0

d 1 3 9 6

In [97]: df.mask('A', 1)

Out[97]:

A B C D

a 1 4 9 1

d 1 3 9 6

In [98]: df.mask('A', 1).mask('D', 6)

Out[98]:

A B C D

d 1 3 9 6

Si fa riferimento alla documentazione ufficiale per il supporto allo sviluppo:

https://pandas.pydata.org/docs/

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.

Il requisito viene soddisvatto attraverso lo sviluppo di un recommender system. Per Recommendation System si intende un sistema software che ha il compito di prevedere quanto è quantitativamente forte l’interesse di un utente nei confronti di un oggetto, al fine di essere in grado di consigliare l’oggetto che più lo interessa. In parole semplici: un Recommendation System valuta sulla base del comportamento precedente, quanto sia forte l’attrazione che determinati elementi esercitano su di un utente, per poi automaticamente cercare dei elementi simili e potenzialmente ugualmente interessanti. Lo scopo di un Recommender System è fornire all’utente suggerimenti che corrispondano alle sue preferenze. Per raggiungere tale obiettivo, ci sono una serie di proprietà che un Recommender System dovrebbe garantire: la trasparenza, la possibilità di correzione, l’affidabilità, l’efficacia, la capacità di persuasione, l’efficienza, la soddisfazione del cliente, l’ampiezza dei risultati, l’aggiornamento costante, la serendipità, la varietà dei suggerimenti, la robustezza, il rispetto della privacy, la scalabilità.

Adottando come criterio di classificazione di un Recommender System l’origine dei suggerimenti si possono distinguere quattro tipi di RS:

1. Collaborative Based (o Social based). Il RS suggerisce all’utente gli item preferiti dalle persone simili a lui

2. Content Based. Gli item suggeriti dal sistema sono simili a quelli che l’utente ha giudicato positivamente in passato.

3. Economic Factor Based. Il sistema suggerisce gli item che possiedono il miglior rapporto qualità prezzo, in base ai costi oggettivi e alle valutazioni soggettive degli utenti.

4. Hybrid. Nei suggerimenti di questo tipo vi è la compresenza di due o più fattori tra quelli sopracitati (preferenze degli utenti simili, item preferiti dall’utente, rapporto qualità prezzo).

Nel caso del sistem IAFCER si prevede un RS di tipo Hybrid.

I suggerimenti possono essere forniti in base a specifiche richieste dell’utente oppure proposti in automatico. In base al modello di information retrieval utilizzato si distinguono tre tipi di Recommender System:

1. Pull information model. L’utente deve eseguire una query per ricevere il suggerimento, specificando i parametri necessari alla ricerca.

2. Push information model. L’utente riceve i suggerimenti in base alle informazioni contenute nel suo profilo.

3. Hybrid. È una combinazione dei due modelli.

Nel caso del sistem IAFCER si prevede un RS di tipo push. Il profilo dell’azienda arricchito dai dati raccolti fornisce ovvero la base per il RS.

In base alle modalità di generazione dei suggerimenti si possono identificare sei diverse tipologie di Recommender System:

1. User Centered. Il sistema calcola la somiglianza tra un utente e tutti gli altri attraverso una misura di similarità e seleziona i cosiddetti vicini, cioè quegli utenti per i quali il valore della misura di similarità supera una soglia prefissata. Sulla base delle valutazioni dei vicini il RS calcola i rating medi degli item e redige una classifica.

2. Item Based. Il Recommender System calcola la somiglianza tra le preferenze specificate nel profilo dell’utente e le caratteristiche contenute nella descrizione degli item. Gli item che ottengono una misura di similarità sopra una certa soglia vengono proposti all’utente, gli altri vengono scartati.

3. Mining associate rules. Diversamente dai primi due casi, qui ci si affida ad un metodo statistico. Fissata una soglia m, se un oggetto X viene acquistato da n utenti e di questi n utenti almeno m acquistano anche Y, allora esiste una regola XY. In tal caso il RS suggerisce Y agli utenti che sono interessati a X.

4. Demography Based. Il RS classifica l’utente in base ai dati demografici contenuti nel suo profilo. Per una determinata categoria, quindi, identifica le informazioni più rilevanti e su tale base determina i suggerimenti più appropriati. Il sistema, quindi, propone alle persone appartenenti alla stessa categoria i medesimi suggerimenti.

5. Knowledge Based. Un Recommender System può generare i suggerimenti sfruttando le sue informazioni implicite sull’utente. I tre modi possibili sono: la deduzione di preferenze a partire da dati relativi a necessità e desideri dell’utente; l’utilizzo delle esperienze passate dell’utente per determinare le sue valutazioni su item per lui nuovi; la derivazione di inferenze attraverso l’applicazione di strumenti di data mining ai dati sull’utente.

6. Hybrid. Il RS produce i suggerimenti sfruttando due o più strategie tra quelle sopracitate.

Nel caso del sistem IAFCER si prevede un RS di tipo Hybrid.

Si propone un’architettura del tipo:

Si fornisce un esempio di RS basato su filtering collaborativo di diretto supporto allo sviluppo:

# Recommendation System Tutorial - Netflix
	# URL: https://towardsai.net/recommendation-system-tutorial

	# Download datasets
	!wget https://datasets.towardsai.net/combined_data_4.txt
	!wget https://raw.githubusercontent.com/towardsai/tutorials/master/recommendation_system_tutorial/movie_titles.csv
	!wget https://raw.githubusercontent.com/towardsai/tutorials/master/recommendation_system_tutorial/new_features.csv

	!pip install scikit-surprise

	from datetime import datetime
	import pandas as pd
	import numpy as np
	import seaborn as sns
	import os
	import random
	import matplotlib
	import matplotlib.pyplot as plt
	from scipy import sparse
	from sklearn.metrics.pairwise import cosine_similarity
	from sklearn.metrics import mean_squared_error

	import xgboost as xgb
	from surprise import Reader, Dataset
	from surprise import BaselineOnly
	from surprise import KNNBaseline
	from surprise import SVD
	from surprise import SVDpp
	from surprise.model_selection import GridSearchCV

	def load_data():
	netflix_csv_file = open("netflix_rating.csv", mode = "w")
	rating_files = ['combined_data_4.txt']
	for file in rating_files:
	with open(file) as f:
	for line in f:
	line = line.strip()
	if line.endswith(":"):
	movie_id = line.replace(":", "")
	else:
	row_data = []
	row_data = [item for item in line.split(",")]
	row_data.insert(0, movie_id)
	netflix_csv_file.write(",".join(row_data))
	netflix_csv_file.write('\n')

	netflix_csv_file.close()
	df = pd.read_csv('netflix_rating.csv', sep=",", names = ["movie_id","customer_id", "rating", "date"])
	return df

	netflix_rating_df = load_data()
	netflix_rating_df
	netflix_rating_df.head()

	netflix_rating_df.duplicated(["movie_id","customer_id", "rating", "date"]).sum()

	split_value = int(len(netflix_rating_df) * 0.80)
	train_data = netflix_rating_df[:split_value]
	test_data = netflix_rating_df[split_value:]

	plt.figure(figsize = (12, 8))
	ax = sns.countplot(x="rating", data=train_data)

	ax.set_yticklabels([num for num in ax.get_yticks()])

	plt.tick_params(labelsize = 15)
	plt.title("Count Ratings in train data", fontsize = 20)
	plt.xlabel("Ratings", fontsize = 20)
	plt.ylabel("Number of Ratings", fontsize = 20)
	plt.show()

	def get_user_item_sparse_matrix(df):
	sparse_data = sparse.csr_matrix((df.rating, (df.customer_id, df.movie_id)))
	return sparse_data

	train_sparse_data = get_user_item_sparse_matrix(train_data)

	test_sparse_data = get_user_item_sparse_matrix(test_data)

	global_average_rating = train_sparse_data.sum()/train_sparse_data.count_nonzero()
	print("Global Average Rating: {}".format(global_average_rating))

	def get_average_rating(sparse_matrix, is_user):
	ax = 1 if is_user else 0
	sum_of_ratings = sparse_matrix.sum(axis = ax).A1
	no_of_ratings = (sparse_matrix != 0).sum(axis = ax).A1
	rows, cols = sparse_matrix.shape
	average_ratings = {i: sum_of_ratings[i]/no_of_ratings[i] for i in range(rows if is_user else cols) if no_of_ratings[i] != 0}
	return average_ratings

	average_rating_user = get_average_rating(train_sparse_data, True)

	avg_rating_movie = get_average_rating(train_sparse_data, False)

	total_users = len(np.unique(netflix_rating_df["customer_id"]))
	train_users = len(average_rating_user)
	uncommonUsers = total_users - train_users

	print("Total no. of Users = {}".format(total_users))
	print("No. of Users in train data= {}".format(train_users))
	print("No. of Users not present in train data = {}({}%)".format(uncommonUsers, np.round((uncommonUsers/total_users)*100), 2))

	total_movies = len(np.unique(netflix_rating_df["movie_id"]))
	train_movies = len(avg_rating_movie)
	uncommonMovies = total_movies - train_movies

	print("Total no. of Movies = {}".format(total_movies))
	print("No. of Movies in train data= {}".format(train_movies))
	print("No. of Movies not present in train data = {}({}%)".format(uncommonMovies, np.round((uncommonMovies/total_movies)*100), 2))

	def compute_user_similarity(sparse_matrix, limit=100):
	row_index, col_index = sparse_matrix.nonzero()
	rows = np.unique(row_index)
	similar_arr = np.zeros(61700).reshape(617,100)

	for row in rows[:limit]:
	sim = cosine_similarity(sparse_matrix.getrow(row), train_sparse_data).ravel()
	similar_indices = sim.argsort()[-limit:]
	similar = sim[similar_indices]
	similar_arr[row] = similar

	return similar_arr

	similar_user_matrix = compute_user_similarity(train_sparse_data, 100)

	similar_user_matrix[0]

	movie_titles_df = pd.read_csv("movie_titles.csv",sep = ",",
	header = None, names=['movie_id', 'year_of_release', 'movie_title'],
	index_col = "movie_id", encoding = "iso8859_2")
	movie_titles_df.head()

	def compute_movie_similarity_count(sparse_matrix, movie_titles_df, movie_id):
	similarity = cosine_similarity(sparse_matrix.T, dense_output = False)
	no_of_similar_movies = movie_titles_df.loc[movie_id][1], similarity[movie_id].count_nonzero()
	return no_of_similar_movies

	similar_movies = compute_movie_similarity_count(train_sparse_data, movie_titles_df, 1775)
	print("Similar Movies = {}".format(similar_movies))

	def get_sample_sparse_matrix(sparse_matrix, no_of_users, no_of_movies):
	users, movies, ratings = sparse.find(sparse_matrix)
	uniq_users = np.unique(users)
	uniq_movies = np.unique(movies)
	np.random.seed(15)
	user = np.random.choice(uniq_users, no_of_users, replace = False)
	movie = np.random.choice(uniq_movies, no_of_movies, replace = True)
	mask = np.logical_and(np.isin(users, user), np.isin(movies, movie))
	sparse_matrix = sparse.csr_matrix((ratings[mask], (users[mask], movies[mask])),
	shape = (max(user)+1, max(movie)+1))
	return sparse_matrix

	train_sample_sparse_matrix = get_sample_sparse_matrix(train_sparse_data, 400, 40)

	test_sparse_matrix_matrix = get_sample_sparse_matrix(test_sparse_data, 200, 20)

	def create_new_similar_features(sample_sparse_matrix):
	global_avg_rating = get_average_rating(sample_sparse_matrix, False)
	global_avg_users = get_average_rating(sample_sparse_matrix, True)
	global_avg_movies = get_average_rating(sample_sparse_matrix, False)
	sample_train_users, sample_train_movies, sample_train_ratings = sparse.find(sample_sparse_matrix)
	new_features_csv_file = open("new_features.csv", mode = "w")

	for user, movie, rating in zip(sample_train_users, sample_train_movies, sample_train_ratings):
	similar_arr = list()
	similar_arr.append(user)
	similar_arr.append(movie)
	similar_arr.append(sample_sparse_matrix.sum()/sample_sparse_matrix.count_nonzero())

	similar_users = cosine_similarity(sample_sparse_matrix[user], sample_sparse_matrix).ravel()
	indices = np.argsort(-similar_users)[1:]
	ratings = sample_sparse_matrix[indices, movie].toarray().ravel()
	top_similar_user_ratings = list(ratings[ratings != 0][:5])
	top_similar_user_ratings.extend([global_avg_rating[movie]] * (5 - len(ratings)))
	similar_arr.extend(top_similar_user_ratings)

	similar_movies = cosine_similarity(sample_sparse_matrix[:,movie].T, sample_sparse_matrix.T).ravel()
	similar_movies_indices = np.argsort(-similar_movies)[1:]
	similar_movies_ratings = sample_sparse_matrix[user, similar_movies_indices].toarray().ravel()
	top_similar_movie_ratings = list(similar_movies_ratings[similar_movies_ratings != 0][:5])
	top_similar_movie_ratings.extend([global_avg_users[user]] * (5-len(top_similar_movie_ratings)))
	similar_arr.extend(top_similar_movie_ratings)

	similar_arr.append(global_avg_users[user])
	similar_arr.append(global_avg_movies[movie])
	similar_arr.append(rating)

	new_features_csv_file.write(",".join(map(str, similar_arr)))
	new_features_csv_file.write("\n")

	new_features_csv_file.close()
	new_features_df = pd.read_csv('new_features.csv', names = ["user_id", "movie_id", "gloabl_average", "similar_user_rating1",
	"similar_user_rating2", "similar_user_rating3",
	"similar_user_rating4", "similar_user_rating5",
	"similar_movie_rating1", "similar_movie_rating2",
	"similar_movie_rating3", "similar_movie_rating4",
	"similar_movie_rating5", "user_average",
	"movie_average", "rating"])
	return new_features_df

	train_new_similar_features = create_new_similar_features(train_sample_sparse_matrix)

	train_new_similar_features = train_new_similar_features.fillna(0)
	train_new_similar_features.head()

	test_new_similar_features = create_new_similar_features(test_sparse_matrix_matrix)

	test_new_similar_features = test_new_similar_features.fillna(0)
	test_new_similar_features.head()

	x_train = train_new_similar_features.drop(["user_id", "movie_id", "rating"], axis = 1)

	x_test = test_new_similar_features.drop(["user_id", "movie_id", "rating"], axis = 1)

	y_train = train_new_similar_features["rating"]

	y_test = test_new_similar_features["rating"]

	def error_metrics(y_true, y_pred):
	rmse = np.sqrt(mean_squared_error(y_true, y_pred))
	return rmse

	clf = xgb.XGBRegressor(n_estimators = 100, silent = False, n_jobs = 10)
	clf.fit(x_train, y_train)

	y_pred_test = clf.predict(x_test)

	rmse_test = error_metrics(y_test, y_pred_test)
	print("RMSE = {}".format(rmse_test))

	def plot_importance(model, clf):
	fig = plt.figure(figsize = (8, 6))
	ax = fig.add_axes([0,0,1,1])
	model.plot_importance(clf, ax = ax, height = 0.3)
	plt.xlabel("F Score", fontsize = 20)
	plt.ylabel("Features", fontsize = 20)
	plt.title("Feature Importance", fontsize = 20)
	plt.tick_params(labelsize = 15)

	plt.show()

	plot_importance(xgb, clf)

A.2.3 Miglioramento dei parametri del modulo software di elaborazione dati e data-mining

Requisiti del modulo software di elaborazione dati e data-mining

Si riassumono di seguito i requisiti dell’improvement della progettazione di competenza dell’attività

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.
Req06	Architecture Documentation	confrontare i parametri dell’azienda cliente con parametri individuati nelle normative e negli atti pubblici inerenti la Corporate Environmental Responsability, la finanza agevolata e la performance reputazionale;

Progettazione di dettaglio modulo software di elaborazione dati e data-mining

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req03	Data sourcing; Data processing	Misurazione del Carbon Footprint

L’inserimento nella progettazione delle API di myclimate permette di sopperire alle necessità di elaborazione dati e data-mining per quanto riguarda la misurazione del Carbon Footprint.

i dati necessari per il calcolo sono già stati affrontati nella sezione precedente

Codice requisito

Area

Requisito funzionale, tecnico, archietturale o infrastrutturale

Req04

Data processing

riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;

Per riconoscere e selezionare le informazioni necessarie da documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili, si prevede l’utilizzo di modelli di NER (Named entity recognition) e Text Classification concatenati, con inoltre un merge dei dati con le API individuate, secondo il seguente schema:

All’interno del sistema IAFCER si prevede la seguente architettura:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req06	Architecture Documentation	confrontare i parametri dell’azienda cliente con parametri individuati nelle normative e negli atti pubblici inerenti la Corporate Environmental Responsability, la finanza agevolata e la performance reputazionale;

All’interno del sistema IAFCER si prevede la seguente architettura:

In particolare sono stati individuati i seguenti parametri di interesse dalle API:

FONTE API	NOME PARAMETRO	DESCRIZIONE E NOTE PER LA PROGETTAZIONE IAFCER
CERVED API	activity_status	Stato attività del soggetto trovato
CERVED API	business_name	Ragione sociale del soggetto trovato
CERVED API	codice_fiscale	Ragione sociale del Soggetto
CERVED API	dati_anagrafici	DatiAnagraficiPeople
CERVED API	denominazione	denominazione
CERVED API	dt_nascita	Data di nascita del soggetto
CERVED API	economic_activity	Info sull'attività economica (settore) del soggetto trovato
CERVED API	ente	E' un soggetto appartenente alla Pubblica Amministrazione
CERVED API	fornitore	E' un soggetto fornitore della Pubblica Amministrazione
CERVED API	head_office	Valore booleano indicante se il soggetto trovato è sede della società o no
CERVED API	id_soggetto	Data di nascita del soggetto
CERVED API	indirizzo	Codice fiscale del Soggetto
CERVED API	legal_form	Info sulla forma giuridica del soggetto trovato
CERVED API	lei_code	Codice LEI (Legal Entity Identifier) del soggetto trovato
CERVED API	operational_flag	Valore booleano indicante se il soggetto trovato risulta operativo o no
CERVED API	partecipata	E' un soggetto che ha partecipazioni da parte della Pubblica Amministrazione
CERVED API	public_administration	Info sulla relazione tra soggetto e pubblica amministrazione

MYCLIMATE API	namerequired	string
MYCLIMATE API	countryrequired	string Codice di 2 lettere in maiuscolo (ISO 3166-1 alpha-2)
MYCLIMATE API	number_of_employeesrequired	numero < float > > = 0 Numero di posti a tempo pieno. Due dipendenti al 70% danno un valore di 1.4.
MYCLIMATE API	heated_area	numero < float > > = 0 nel m2
MYCLIMATE API	estimate_energyrequired	string Predefinito: "0" Enum : "0" "1" 1se il consumo di energia non è noto e dovrebbe essere stimato. In questo caso, non forniscono power_consumption_kwh, green_electricity, oil_liters, natural_gas_m3, biogas_m3, district_heat_kwh, wood_pellets_kwh, wood_chips_kwh, heat_pump, cooling_agent_type,cooling_agent_power
MYCLIMATE API	power_consumption_kwh	numero < float > > = 0 In kWh. Non fornire se estimate_energyè1
MYCLIMATE API	green_electricity	booleano non fornire se lo estimate_energyè1
MYCLIMATE API	oil_liters	numero < float > > = 0 In litri. Non fornire se estimate_energyè1
MYCLIMATE API	natural_gas_m3	numero < float > > = 0 in m3. Non fornire se estimate_energyè1
MYCLIMATE API	biogas_m3	numero < float > > = 0 In m3. Non fornire se estimate_energyè1
MYCLIMATE API	district_heat_kwh	numero < float > > = 0 in kWh. Non fornire se estimate_energyè1
MYCLIMATE API	heat_pump	booleano non fornire se lo estimate_energyè1
MYCLIMATE API	cooling_agent_type	string Enum : "R-134a" "R-22 (Standard)" "R-401A" "R-402B" "R-407A" "R-407C" "R-410A" "R-170" "R-290" "R-717" "R-1270" "R-718" non fornire se lo estimate_energyè1
MYCLIMATE API	consider_advanced_energy_inputs	string Predefinito: "0" Enum : "0" "1" Deve essere 1se qualcuno di wood_chips_kwh, biogas_m3, district_heat_kwh, heat_pump, cooling_agent_type, cooling_agent_powerè fornito. Non fornire se estimate_energyè1
MYCLIMATE API	wood_pellets_kwh	numero < float > > = 0 In kWh. Non fornire se estimate_energyè1
MYCLIMATE API	wood_chips_kwh	numero < float > > = 0 In kWh. Non fornire se estimate_energyè1
MYCLIMATE API	cooling_agent_power	numero < float > > = 0 nel kW
MYCLIMATE API	estimate_mobilityrequired	string Predefinito: "0" Enum : "0" "1" 1se è necessario stimare le emissioni di mobilità. In questo caso, non forniscono average_commuting_distance_km, public_transportation_commute_per_cent, commuted_yearly_bus_km, commuted_yearly_train_km, commuted_yearly_car_km, business_yearly_car_km, business_yearly_public_transportation_km, hotel_nights_amount, flights_amount, car_fuel_gasoline_liters, car_fuel_diesel_liters, car_fuel_natural_gas_kg, car_fuel_biogas_kg, short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent
MYCLIMATE API	consider_advanced_commute_inputs	string Predefinito: "1" Enum : "0" "1" se 0: fornire average_commuting_distance_kmepublic_transportation_commute_per_cent se 1: fornire commuted_yearly_bus_km, commuted_yearly_train_km,commuted_yearly_car_km
MYCLIMATE API	consider_advanced_business_trip_inputs	string Predefinito: "0" Enum : "0" "1" se 0: fornire business_yearly_car_km, business_yearly_public_transportation_km,hotel_nights_amount se 1: fornire car_fuel_gasoline_liters, car_fuel_diesel_liters, car_fuel_natural_gas_kg,car_fuel_biogas_kg
MYCLIMATE API	consider_advanced_flight_inputs	string Predefinito: "0" Enum : "0" "1" se 0: fornireflights_amount se 1: fornire short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent
MYCLIMATE API	consider_rough_flight_inputs	string Predefinito: "1" Enum : "0" "1" se 0: fornire short_flights_amount, medium_flights_amount, long_flights_amount,business_or_first_flights_per_cent se 1: fornireflights_amount
MYCLIMATE API	average_commuting_distance_km	numero < float > A kmsenso unico. Fornisci solo se consider_advanced_commute_inputsè 0.
MYCLIMATE API	public_transportation_commute_per_cent	numero < float > > = 0 In percentuale, ad esempio 50.3se il valore è 50.3%. Fornisci solo se consider_advanced_commute_inputsè0
MYCLIMATE API	commuted_yearly_bus_km	numero < float > fornire solo se consider_advanced_commute_inputsè1
MYCLIMATE API	commuted_yearly_train_km	numero < float > fornire solo se consider_advanced_commute_inputsè1
MYCLIMATE API	commuted_yearly_car_km	numero < float > fornire solo se consider_advanced_commute_inputsè1
MYCLIMATE API	business_yearly_car_km	numero < float > fornire solo se consider_advanced_business_trip_inputsè0
MYCLIMATE API	business_yearly_public_transportation_km	numero < float > fornire solo se estimate_mobilityè1
MYCLIMATE API	hotel_nights_amount	numero intero fornire solo se estimate_mobilityè1
MYCLIMATE API	flights_amount	numero intero fornire solo se consider_rough_flight_inputsè 1 ed consider_advanced_flight_inputsè0
MYCLIMATE API	car_fuel_gasoline_liters	numero < float > fornire solo se consider_advanced_business_trip_inputsè1
MYCLIMATE API	car_fuel_diesel_liters	numero < float > fornire solo se consider_advanced_business_trip_inputsè1
MYCLIMATE API	car_fuel_natural_gas_kg	numero < float > fornire solo se consider_advanced_business_trip_inputsè1
MYCLIMATE API	car_fuel_biogas_kg	numero < float > fornire solo se consider_advanced_business_trip_inputsè1
MYCLIMATE API	short_flights_amount	numero intero Fino a 3 ore di volo. Tieni presente che i voli di andata e ritorno contano come 2 voli fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0
MYCLIMATE API	medium_flights_amount	numero intero 3-6 ore di volo. Tieni presente che i voli di andata e ritorno contano come 2 voli fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0
MYCLIMATE API	long_flights_amount	numero intero più di 6 ore di volo. Tieni presente che i voli di andata e ritorno contano come 2 voli fornire solo se consider_advanced_flight_inputsè 1ed consider_rough_flight_inputsè0
MYCLIMATE API	business_or_first_flights_per_cent	numero < float > > = 0 In percentuale, ad esempio 50.3se il valore è 50.3%. Fornisci solo se consider_advanced_commute_inputsè0
MYCLIMATE API	estimate_food_and_beveragesrequired	string Predefinito: "0" Enum : "0" "1"
MYCLIMATE API	warm_meal_meat_amount_per_day	numero intero fornire solo se estimate_food_and_beveragesè0
MYCLIMATE API	snacks	numero intero Numero di spuntini al giorno. Fornisci solo se estimate_food_and_beveragesè0
MYCLIMATE API	soda_liters_per_day	numero < float > in litri al giorno il consumo di acqua minerale e soda fornisce solo se estimate_food_and_beveragesè0
MYCLIMATE API	coffee_portions_per_day	numero intero In tazze. Fornisci solo se estimate_food_and_beveragesè1
MYCLIMATE API	tea_portions_per_day	numero intero In tazze. Fornisci solo se estimate_food_and_beveragesè0
MYCLIMATE API	estimate_suppliesrequired	string Predefinito: "0" Enum : "0" "1"
MYCLIMATE API	consider_advanced_supplies_inputs	string Predefinito: "0" Enum : "0" "1"
MYCLIMATE API	paper_kg	numero < float > fornire solo se estimate_suppliesè0
MYCLIMATE API	printed_matters_kg	numero < float > fornire solo se estimate_suppliesè0
MYCLIMATE API	electronic_devices_amount	numero < numero intero > Numero di nuovi computer, laptop, monitor, ecc. Acquistati. Fornisci solo se estim_supplies è 1
MYCLIMATE API	garbage_kg	numero < float > fornire solo se estimate_suppliesè0
MYCLIMATE API	printed_matters_recycling_paper_per_cent	numero < float > fornire solo se consider_advanced_supplies_inputsè1
MYCLIMATE API	toners_amount	numero intero fornire solo se consider_advanced_supplies_inputsè1
MYCLIMATE API	garbage_recycling_kg	numero < float > fornire solo se consider_advanced_garbage_inputsè1
MYCLIMATE API	garbage_electronics_kg	numero < float > fornire solo se consider_advanced_garbage_inputsè1
MYCLIMATE API	garbage_hazardous_kg	numero < float > fornire solo se consider_advanced_garbage_inputsè1
TALKWALKER API	published	Timestamp di pubblicazione (tempo dell'epoca in millisecondi)
TALKWALKER API	search_indexed	Timestamp dell'indicizzazione in Talkwalker (tempo dell'epoca in millisecondi)
TALKWALKER API	reach	La portata di un articolo / post rappresenta il numero di persone che sono state raggiunte da questo articolo / post.
TALKWALKER API	engagement	Il coinvolgimento di un articolo / post è la somma delle azioni compiute da altri su quell'articolo / post.
TALKWALKER API	facebook_shares	Numero di condivisioni Facebook di un articolo
TALKWALKER API	facebook_likes	Numero di Mi piace su Facebook di un articolo
TALKWALKER API	twitter_retweets	Numero di retweet di Twitter di un articolo
TALKWALKER API	twitter_shares	Numero di condivisioni Twitter di un articolo
TALKWALKER API	twitter_likes	Numero di Mi piace su Twitter di un articolo
TALKWALKER API	twitter_followers	Numero di follower su Twitter di una fonte
TALKWALKER API	instagram_likes	Numero di Mi piace su Instagram che ha un articolo
TALKWALKER API	youtube_views	Numero di visualizzazioni su YouTube di un video
TALKWALKER API	youtube_likes	Numero di Mi piace su YouTube di un video
TALKWALKER API	youtube_dislikes	Numero di Non mi piace su YouTube che un video ha
TALKWALKER API	comment_count	Numero di commenti di un articolo
TALKWALKER API	language	Numero di documenti scritti in una lingua
TALKWALKER API	gender	Numero di documenti scritti da un autore di un particolare sesso
TALKWALKER API	age	Numero di documenti scritti da un autore in un gruppo di età predefinito
TALKWALKER API	unique_author	Numero totale di autori diversi
TALKWALKER API	hashtag	Numero di documenti contenenti un determinato hashtag
TALKWALKER API	theme_cloud	Numero di documenti contenenti una parola o un hashtag particolare
TALKWALKER API	interest	Numero di documenti all'interno di un particolare gruppo di interesse
TALKWALKER API	occupation	Numero di documenti all'interno di un particolare gruppo di professioni
TALKWALKER API	sentiment	Numero di documenti con un sentimento particolare

A.2.4 Miglioramento dei parametri del modulo software interno di apprendimento con algoritmi intelligenti e controllo del sistema

Requisiti del modulo software interno di apprendimento con algoritmi intelligenti e controllo del sistema

Si riassumono di seguito i requisiti dell’improvement della progettazione di competenza dell’attività:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da tali documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.
Req07	Interoperability	applicare adeguati algoritmi predittivi per supportare l’interpretazione dei dati;

Progettazione di dettaglio del modulo software interno di apprendimento con algoritmi intelligenti e controllo del sistema

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req04	Data processing	riconoscere e selezionare le informazioni necessarie da documenti, uniformare la formattazione dei dati ed elaborarli secondo schemi prestabiliti per ricavare parametri utili;

All’interno del sistema IAFCER si prevede la seguente architettura:

Per i modelli NER e Textcat si individua la libreria python Spacy .

Un'entità testuale è un "oggetto del mondo reale" a cui è assegnato un nome, ad esempio una persona, un paese, un prodotto o il titolo di un libro. spaCy può riconoscere vari tipi di entità denominate in un documento, chiedendo una previsione al modello. Poiché i modelli sono statistici e dipendono fortemente dagli esempi su cui sono stati addestrati, non sempre funziona perfettamente e potrebbe essere necessario un po 'di ottimizzazione in seguito, a seconda del caso d'uso.

Si riporta un esempio di codice:

I modelli di classificazione del testo possono essere utilizzati per risolvere un'ampia varietà di problemi. Le differenze in termini di lunghezza del testo, numero di etichette, difficoltà e vincoli di prestazioni di runtime significano che nessun singolo algoritmo funziona bene su tutti i tipi di problemi. Per gestire una più ampia varietà di problemi, l’oggetto spacy textcategorizer consente la configurazione della sua architettura del modello, utilizzando i seguenti argomenti:

NOME	DESCRIZIONE
"ensemble"	Impostazione predefinita: insieme in pila di un modello di borsa di parole e un modello di rete neurale. La rete neurale utilizza una CNN con media pooling e attenzione. Gli argomenti "ngram_size" e "attr" possono essere utilizzati per configurare l'estrazione delle caratteristiche per il modello bag-of-words.
"simple_cnn"	Un modello di rete neurale in cui i vettori di token vengono calcolati utilizzando una CNN. I vettori sono mediamente raggruppati e utilizzati come caratteristiche in una rete feed-forward. Questa architettura è solitamente meno accurata dell'insieme, ma funziona più velocemente.
"bow"	Un modello ngram "bag-of-words". Questa architettura dovrebbe funzionare molto più velocemente delle altre, ma potrebbe non essere così accurata, soprattutto se i testi sono brevi. Le funzionalità estratte possono essere controllate utilizzando gli argomenti delle parole chiave ngram_sizee attr. Per esempio, ngram_size=3e attr="lower"darebbe caratteristiche unigram, trigram e sui bigrammi in minuscolo. 2, 3 o 4 sono generalmente buone scelte per la dimensione del ngram.

Si fornisce esempio di codice di riferimento:

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req05	Algoritmo, Engine, Intelligenza artificiale	Permettere che il funzionamento degli algoritmi si adatti in modo intelligente alle specifiche esigenze imprenditoriali dell’utente finale, ad esempio modulando la selezione dei parametri da elaborare in funzione della tipologia di investimento (ad esempio acquisto di macchinari, formazione, innovazione di prodotto o di processo ecc) o di strategia di miglioramento di impatto ambientale (ad esempio certificazioni come. Global Gap, FSC, Ecolabel, VeganOK) per cui si dimostra interesse.

Sulla base di (Shuai Zhang, Lina Yao, Aixin Sun, and Yi Tay. 2019. Deep Learning Based Recommender System: A Survey and New Perspectives. ACM Comput. Surv. 52, 1, Article 5 (February 2019), 38 pages. DOI:https://doi.org/10.1145/3285029) gli algoritmi di intelligenza artificiale per il RS possono essere i seguenti:

1. I-AutoRec e U-AutoRec (www'15)

2. CDAE (WSDM'16)

3. NeuMF (WWW'17)

4. CML (WWW'17)

5. LRML (WWW'18) (versione DRAFT)

6. NFM (SIGIR'17)

7. NNMF (arxiv)

8. PRME (IJCAI 2015)

9. CASER (WSDM 2018)

10. AttRec (AAAI 2019 RecNLP)

I modelli compresi coprono tre principali scenari di raccomandazione: previsione della valutazione, raccomandazione top-N (cioè, classificazione degli articoli) e raccomandazione sequenziale.

I modelli si trovano codificati in python al seguente URL https://github.com/cheungdaven/DeepRec e possono essere implementati per individuare il più efficace nel caso applicativo di IAFCER

A titolo di riferimento riportiamo l’implementazione dell’algoritmo di reccomending system ( Rendle, Steffen, et al. "BPR: Bayesian personalized ranking from implicit feedback “Proceedings of the twenty-fifth conference on uncertainty in artificial intelligence. AUAI Press, 2009.)

import time

import tensorflow as tf

from tensorflow.keras import Input, Model

from tensorflow.keras.layers import Dense, Lambda

from utils.evaluation.RankingMetrics import *

__author__ = "Shuai Zhang"

__license__ = "GPL"

__version__ = "1.0.0"

__maintainer__ = "Shuai Zhang"

__email__ = "cheungdaven@gmail.com"

__status__ = "Development"

class EmbeddingLookup(tf.keras.layers.Layer):

def __init__(self, input_embedding, **kwargs):

super(EmbeddingLookup, self).__init__(**kwargs)

self.input_embedding = input_embedding

# def build(self, input_shape):

# self.embeddings = self.add_weight(

# shape=(self.input_dim, self.output_dim),

# initializer='random_normal',

# dtype='float32')

def call(self, inputs):

return tf.nn.embedding_lookup(self.input_embedding, inputs)

class BPRMF(object):

def __init__(self, num_user, num_item, learning_rate=0.001, reg_rate=0.1, epoch=500, batch_size=1024,

verbose=False, t=5, display_step=1000):

self.num_user = num_user

self.num_item = num_item

self.learning_rate = learning_rate

self.reg_rate = reg_rate

self.epochs = epoch

self.batch_size = batch_size

self.verbose = verbose

self.T = t

self.display_step = display_step

self.user_id = Input(shape=(1,), dtype=tf.int32, name='user_id')

self.item_id = Input(shape=(1,), dtype=tf.int32, name='item_id')

self.neg_item_id = Input(shape=(1,), dtype=tf.int32, name='neg_item_id')

self.P = None

self.Q = None

self.pred_y = None

self.pred_y_neg = None

self.loss = None

self.loss_estimator = tf.keras.metrics.Mean(name='train_loss')

self.optimizer = tf.keras.optimizers.Adam(learning_rate=self.learning_rate)

self.test_data = None

self.user = None

self.item = None

self.neg_items = None

self.test_users = None

self.num_training = None

self.total_batch = None

print("You are running BPRMF.")

def build_network(self, num_factor=30):

self.P = tf.Variable(tf.random.normal([self.num_user, num_factor], stddev=0.01))

self.Q = tf.Variable(tf.random.normal([self.num_item, num_factor], stddev=0.01))

# user_id = tf.squeeze(self.user_id)

# item_id = tf.squeeze(self.item_id)

# neg_item_id = tf.squeeze(self.neg_item_id)

user_id = Lambda(lambda x: tf.squeeze(x))(self.user_id)

item_id = Lambda(lambda x: tf.squeeze(x))(self.item_id)

neg_item_id = Lambda(lambda x: tf.squeeze(x))(self.neg_item_id)

user_latent_factor = EmbeddingLookup(self.P)(user_id)

item_latent_factor = EmbeddingLookup(self.Q)(item_id)

neg_item_latent_factor = EmbeddingLookup(self.Q)(neg_item_id)

# user_latent_factor = tf.nn.embedding_lookup(self.P, user_id)

# item_latent_factor = tf.nn.embedding_lookup(self.Q, item_id)

# neg_item_latent_factor = tf.nn.embedding_lookup(self.Q, neg_item_id)

pred_y = tf.reduce_sum(tf.multiply(user_latent_factor, item_latent_factor), 1)

pred_y_neg = tf.reduce_sum(tf.multiply(user_latent_factor, neg_item_latent_factor), 1)

self.model = Model(inputs=[self.user_id, self.item_id, self.neg_item_id],

outputs=[pred_y, pred_y_neg])

# self.optimizer = tf.train.AdamOptimizer(learning_rate=self.learning_rate).minimize(self.loss)

def prepare_data(self, train_data, test_data):

"""

You must prepare the data before train and test the model

:param train_data:

:param test_data:

:return:

"""

t = train_data.tocoo()

self.user = t.row.reshape(-1)

self.item = t.col.reshape(-1)

self.num_training = len(self.item)

self.test_data = test_data

self.total_batch = int(self.num_training / self.batch_size)

self.neg_items = self._get_neg_items(train_data.tocsr())

self.test_users = set([u for u in self.test_data.keys() if len(self.test_data[u]) > 0])

print("data preparation finished.")

@tf.function

def train_op(self, batch_user, batch_item, batch_item_neg):

with tf.GradientTape() as tape:

pred_y, pred_y_neg = self.model([batch_item, batch_user, batch_item_neg])

loss = - tf.reduce_sum(

tf.math.log(tf.sigmoid(pred_y - pred_y_neg))) + \

self.reg_rate * (tf.nn.l2_loss(self.P) + tf.nn.l2_loss(self.Q))

gradients_of_model = tape.gradient(loss, self.model.trainable_variables)

self.optimizer.apply_gradients(zip(gradients_of_model, self.model.trainable_variables))

self.loss_estimator(loss)

def train(self):

idxs = np.random.permutation(self.num_training) # shuffled ordering

user_random = list(self.user[idxs])

item_random = list(self.item[idxs])

item_random_neg = []

for u in user_random:

neg_i = self.neg_items[u]

s = np.random.randint(len(neg_i))

item_random_neg.append(neg_i[s])

# train

for i in range(self.total_batch):

start_time = time.time()

batch_user = np.array(user_random[i * self.batch_size:(i + 1) * self.batch_size])

batch_item = item_random[i * self.batch_size:(i + 1) * self.batch_size]

batch_item_neg = item_random_neg[i * self.batch_size:(i + 1) * self.batch_size]

np_batch_user = np.expand_dims(np.array(batch_user), -1)

np_batch_item = np.expand_dims(np.array(batch_item), -1)

np_batch_item_neg = np.expand_dims(np.array(batch_item_neg), -1)

self.train_op(np_batch_user, np_batch_item, np_batch_item_neg)

if i % self.display_step == 0:

if self.verbose:

print("Index: %04d; cost= %.9f" % (i + 1, self.loss_estimator.result()))

print("one iteration: %s seconds." % (time.time() - start_time))

def test(self):

evaluate(self)

def execute(self, train_data, test_data):

self.prepare_data(train_data, test_data)

for epoch in range(self.epochs):

self.train()

if epoch % self.T == 0:

print("Epoch: %04d; " % epoch, end='')

self.test()

def save(self, path):

saver = tf.train.Saver()

saver.save(self.sess, path)

def predict(self, user_id, item_id):

user_id = tf.expand_dims(tf.convert_to_tensor(user_id), -1)

item_id = tf.expand_dims(tf.convert_to_tensor(item_id), -1)

dummy_neg_id = tf.zeros(item_id.shape, tf.int32)

pred_y, pred_y_neg = self.model([user_id, item_id, dummy_neg_id])

return pred_y.numpy()

def _get_neg_items(self, data):

all_items = set(np.arange(self.num_item))

neg_items = {}

for u in range(self.num_user):

neg_items[u] = list(all_items - set(data.getrow(u).nonzero()[1]))

return neg_items

*Codice requisito*	*Area*	*Requisito funzionale, tecnico, archietturale o infrastrutturale*
Req07	Interoperability	applicare adeguati algoritmi predittivi per supportare l’interpretazione dei dati;

Per quanto riguarda l’uso di algoritmi predittivi per l’interpretazione dei dati si definisce il seguente caso d’uso:

1. Il sistema registra le percentuali di successo degli utenti che selezionano soluzioni di finanza agevolata/Corporate Enviromental Responsability/ Corporate reputation.

2. Il sistema registra un set di metadati che associano il cliente alla soluzione selezionata.

3. L’utente seleziona una soluzione di finanza agevolata/Corporate Enviromental Responsability/ Corporate reputation.

4. Sulla base dei dati registrati su utenti simili il sistema utilizza un algoritmo predittivo per predire la percentuale di successo possibile dell’utente con la soluzione selezionata.