Fishalytics - Precision Aquaculture

Confronto mappa clorofilla e mappa trasparenza (dati CMEMS)
Mappa Clorofilla (dati CMEMS)
Mappa trasparenza (dati CMEMS)
Mappa Ossigeno disciolto (dati CMEMS)
Utilizzo dashboard CMEMS
Utilizzo software ncview per visualizzazione dati CMEMS

Inspiration

Fishalytics nasce da una riflessione: Il sovrasfruttamento ittico è un problema rilevante in un pianeta che si accinge a raggiungere i nove miliardi di abitanti. L’acquacoltura sta fornendo un importante contributo alla riduzione della pressione sugli stock ittici. Basti pensare che il 50% del pesce che consumiamo è allevato e che nei prossimi 10 anni le produzioni nel Mediterraneo aumenteranno del 112%. L’acquacoltura, tuttavia, è un settore caratterizzato da inefficienze operative e un forte potenziale tecnologico inespresso: le principali pratiche produttive vengono ancora svolte con metodi tradizionali, non sfruttando le opportunità offerte dalle più evolute tecnologie che consentirebbero di massimizzare la produttività, riducendo al contempo l’impatto sull’ecosistema marino.

What it does

Fishalytics è un'applicazione mobile che consente di gestire e monitorare impianti di acquacoltura off-shore, sfruttando dati satellitari, IoT e modelli di intelligenza artificiale e machine learning.

How I built it

Tramite l’analisi combinata di dati sullo stato del mare scaricabili tramite piattaforma Copernicus elaborati dal Copernicus Marine Environment Monitoring Service (CMEMS) e dati provenienti da sensori IoT in situ, verranno sviluppati degli algoritmi di intelligenza artificiale che permettono di fornire un sistema di supporto alle decisioni agli acquacoltori per la gestione dell’impianto e la pianificazione della raccolta. Tramite dashboard grafiche ottimizzate per dispositivi mobili sará possibile visualizzare i dati di output degli algoritmi in maniera semplice ed efficace, fornendo un sistema innovativo e utile allo scopo.

Challenges I ran into

Le sfide che stiamo affrontando in questa prima fase progettuale sono: Approfondimento degli user requirements; Individuazione della migliore strumentazione IoT per l’acquisizione dati in situ; Individuazione delle variabili estraibili dai dati satellitari e sviluppo del codice back-end per l’avvio del download dei dati; Analisi sul dataset migliore per rendere la fase di apprendimento dell'algoritmo di intelligenza artificiale la piú accurata possibile. L’Oceanthon ci ha permesso di affrontare queste sfide al meglio grazie anche all’aiuto dei mentor.

Accomplishments that I'm proud of

Nella prima fase progettuale abbiamo avviato una campagna di interviste a stakeholder e potenziali user. Questo ci ha permesso di definire gli use requirements da cui abbiamo identificato i requisiti funzionali dell’applicativo. Abbiamo pertanto individuato lo scopo degli algoritmi da sviluppare e i dati da visualizzare sulla dashboard per l’utente finale. Abbiamo sviluppato la strategia di business utilizzando il Business Model Canvas che ci ha consentito di ragionare a 360 gradi sul progetto.

What I learned

Durante l’Oceanthon, siamo riusciti ad apprendere e implementare diversi ambiti del nostro progetto. Abbiamo avuto la possibilità di approfondire le variabili rilevanti per gli utenti finali, attraverso interviste che sono state svolte con acquacoltori, biologi, associazioni di categoria. Grazie al supporto dei mentor, siamo riusciti agilmente ad individuare, estrarre e interpretare i dati satellitari Copernicus elaborati dal CMEMS di cui abbiamo bisogno. Abbiamo approfondito conoscenza di questi dati, ottenendo informazioni utili su come sviluppare gli algoritmi di intelligenza artificiale che alimenteranno il sistema Fishalytics.

What's next for fishalytics

A seguito dell’Oceanthon, abbiamo stimato di avere un MVP pronto nell’arco di 2 mesi. Grazie al supporto di e.on, inizieremo rapidamente la fase di apprendimento e commercializzazione.