Il machine learning entra nelle app: quattro direttive, zero server

Un’app Reactive sapeva già raccogliere dati, mostrarli in tabelle, grafici e mappe, interrogarci sopra un’AI. Da oggi sa anche farci machine learning — senza scrivere codice, senza server, senza che un solo dato lasci il dispositivo.

Quattro direttive, un principio

La nuova famiglia ml-* porta scikit-learn nel browser (via Pyodide, lo stesso motore dei blocchi Python). Come tutto in Reactive, è una riga di Markdown:

::range[k]{min="2" max="8" value="4" legend="Numero di gruppi"}

::ml-cluster{data="comuni" features="reddito,eta,stranieri" k="#k" into="gruppi"}

:::map{path="gruppi" geojson="geojson" fill="cluster"}
**{comune}** — gruppo {cluster}
:::

Muovi lo slider: il clustering si ricalcola e la mappa si ricolora. I risultati finiscono in una collezione normale (into=), quindi funzionano con qualunque vista — tabelle, grafici, aggregazioni, perfino un riassunto AI.

• ::ml-cluster — raggruppamento K-means: comuni, clienti, letture di sensori… righe simili nello stesso gruppo, con la colonna cluster pronta per una mappa o un filtro.
• ::ml-anomaly — rilevamento anomalie (Isolation Forest): un punteggio 0-1 per riga, alto = fuori norma. Per trovare l’outlier in mezzo a mille.
• ::ml-predict — regressione (lineare o random forest): impara dalle righe che hanno già il valore e lo prevede per le altre, con l’R² in vista.
• ::ml-correlate — matrice di correlazione: quali campi si muovono insieme.

Il principio che le governa: il codice eseguito è un template fisso — i dati e i parametri non entrano mai nel codice, l’AI non genera nulla a runtime, lo stesso input dà sempre lo stesso risultato. La prima esecuzione in assoluto scarica scikit-learn (~60 MB, poi in cache) dietro un click; da lì in poi è tutto automatico e reattivo. E i calcoli restano sul tuo dispositivo.

Per provarle c’è un’app pronta nel catalogo: Laboratorio comuni — scegli una regione, raggruppa i suoi comuni per reddito, età e presenza straniera, trova quelli fuori norma, scopri quali indicatori corrono insieme.

Un warehouse che sale a 15 tabelle di fatti

Il servizio dati open è cresciuto parecchio. Ai carburanti, alle gare ANAC, alla popolazione e all’anagrafe delle PA si sono aggiunti:

• i redditi IRPEF per comune (MEF) — reddito medio, imponibile, fasce;
• gli infortuni sul lavoro (INAIL) — per provincia, con i casi mortali;
• le farmacie (Ministero della Salute) — geolocalizzate, pronte per la mappa;
• le scuole statali (MIUR) — 50.000, per comune e grado;
• gli indicatori socio-demografici ISTAT — età media, indice di vecchiaia, presenza straniera;
• gli aggiudicatari delle gare (ANAC) — chi vince gli appalti: si chiude il cerchio amministrazione → gara → vincitore;
• i confini amministrativi ISTAT — il poligono di ogni comune, provincia e regione come GeoJSON: qualunque numero per comune diventa una mappa coropletica (la direttiva :::map ha imparato geojson= e fill=).

Un warehouse che si descrive da solo

Sotto c’è una novità meno visibile ma più profonda: un layer semantico. Tre tabelle di metadati — le chiavi concettuali (con gli URI delle ontologie OntoPiA), le relazioni formali tra le tabelle e le colonne annotate — interrogabili come tutto il resto. La particolarità: ogni relazione dichiarata viene verificata sul dato reale a ogni aggiornamento, e la percentuale di copertura del join finisce nella tabella stessa. «Come si uniscono X e Y?» è una SELECT.

Tutto questo si tocca con mano nella pagina Dati open, rifatta come esploratore dal vivo: la mappa coropletica dell’Italia (popolazione, densità, reddito medio — clicca una regione per scendere ai comuni), il grafo navigabile delle relazioni tra le tabelle, il catalogo con anteprima e, per chi vuole sporcarsi le mani, un playground SQL in sola lettura.

Come sempre: le app sono Markdown, i dati restano tuoi, e tutto quello che hai letto qui funziona anche offline dopo il primo caricamento.