Ma cosa succede quando si devono analizzare dati complessi come le serie temporali?
Sbloccare il vero potenziale dei modelli predittivi sequenziali richiede un approccio ibrido.
Alcuni widget di default per il Machine Learning nei software visuali faticano a gestire la dipendenza temporale dei dati e mancano di architetture nate per la dimensionalità sequenziale.
Se vuoi implementare reti ricorrenti profonde senza rinunciare alla comodità dell'interfaccia grafica, c'è una soluzione nuova.
Quale? Il widget Python Script supportato da un Canvas strategico.
Invece di abbandonare l'interfaccia visuale, ho costruito un workflow ibrido in cui lascio a Orange il lavoro noioso di manipolazione temporale e indicizzazione, uso Python per il cuore del Deep Learning, e ritorno sulla grafica per l'ispezione dei risultati.
Ecco come si struttura l'architettura completa dei widget sul mio Canvas:
La Pipeline di preparazione (prima del codice)
- File/Time Series Sequences: caricamento del dataset storico grezzo.
- As Timeseries: il widget fondamentale per ordinare cronologicamente i dati e definire la periodicità (oraria, giornaliera, mensile).
- Windowing: la chiave per le reti sequenziali. Crea automaticamente i cosiddetti lag temporali, impacchettando il passato e servendolo su un piatto d'argento all'ingresso del codice.
Il motore deep learning (dentro il Python Script)
Architettura della rete: una rete neurale ricorrente LSTM in PyTorch, progettata per memorizzare pattern storici a lungo e breve termine. All'interno della classe ho strutturato uno strato LSTM che elabora la sequenza temporale (batch_first), seguito da una funzione di attivazione ReLU e da un layer lineare finale (Fully Connected) per proiettare la predizione sul futuro.
Ottimizzazione: algoritmo Adam (LR = 0.01) guidato da una funzione di perdita MSE Loss (Mean Squared Error), ideale per la regressione continua lungo l'asse del tempo su 100 epoche di addestramento.
La pipeline di analisi grafica (dopo il codice)
Bar Plot: collegato all'uscita dello script per visualizzare istantaneamente la Feature Importance (estratta dai pesi interni della LSTM) per capire quali finestre temporali passate hanno guidato la scelta della rete.
Line Plot: per sovrapporre la linea del passato reale al trend del futuro previsto dalla LSTM, valutando visivamente l'errore del modello a colpo d'occhio.
La mappa dei collegamenti prende questa forma lineare e pulita:
[ File ] ➔ [ As Timeseries ] ➔ [ Windowing ] ➔ [ Python Script ] ➔ [ Bar Plot ] & [ Line Plot ]
La morale della favola?
Il Low-Code/No-Code non è una gabbia, e il codice puro non deve per forza rinunciare alla potenza della visualizzazione immediata. Delegare la pipeline di preprocessing ai widget e il “core” matematico a PyTorch permette di concentrarsi sul vero valore: validare i trend e rendere i processi predittivi dell'IA avanzata trasparenti e accessibili a tutti.