OrchestraML

Che cos’è OrchestraML?

OrchestraML è uno strumento di workflow machine learning assistito dall’AI che trasforma un obiettivo ML espresso in italiano semplice in una pipeline guidata. Supporta ricerca o caricamento del dataset, analisi esplorativa dei dati, pulizia, feature engineering, selezione del modello con AutoML, valutazione e deployment o esportazione del pacchetto.

Il prodotto è progettato attorno a un workflow multi-agent con approvazione umana nei punti critici. Registra le decisioni in italiano semplice, genera report con metriche e artefatti di explainability e può produrre un pacchetto modello scaricabile o un endpoint API live.

Funzionalità principali

• Orchestrazione pipeline multi-agent: agenti separati gestiscono orchestrazione, selezione del dataset, EDA, pulizia, feature engineering, modeling, valutazione e deployment.
• Checkpoint umani: la pipeline si ferma in 6 gate critici per consentire agli utenti di approvare o guidare le decisioni prima di proseguire.
• Ricerca modello AutoML: usa FLAML AutoML con budget di tempo adattivi per selezionare un modello in base alla dimensione del dataset e alla complessità del task.
• Tracciabilità e reporting: registra le decisioni dell’AI con motivazioni in italiano semplice e produce un report a schede con metriche, grafici, SHAP, controlli di bias e opzioni di deployment.
• Preparazione dati e diagnostica: include profiling automatico, gestione di valori nulli e outlier, rilevamento dello sbilanciamento, selezione delle feature e grafici EDA come distribuzioni, heatmap, grafici di bilanciamento delle classi e boxplot.
• Opzioni di export e deployment: genera uno ZIP pronto all’uso con file come model.pkl, scaler.pkl, predict.py, requirements.txt e un README, oppure esegue il deployment di una API live.
• Gestione della sicurezza: cripta i dataset al caricamento e li elimina al termine della pipeline, mantenendo solo il modello addestrato.

Come usare OrchestraML

Inizia descrivendo il tuo obiettivo ML in italiano semplice e carica un dataset oppure lascia che gli agenti ne trovino uno per te. Il sistema esegue poi la pipeline passo dopo passo, mostrando i log e chiedendo approvazione nei checkpoint chiave.

Al termine del workflow, rivedi il report con metriche, spiegazioni SHAP, analisi del bias e log delle decisioni dell’AI. Da lì, scarica il pacchetto del modello oppure distribuisci il modello risultante come API.

Casi d’uso

• Uno studente che sta realizzando il suo primo progetto di machine learning senza scrivere manualmente preprocessing, selezione del modello o deployment.
• Un analista che ha un CSV e vuole un workflow guidato per pulire i dati, addestrare un modello e valutarne le prestazioni.
• Un utente che ha bisogno di artefatti di explainability come grafici SHAP e spiegazioni per singola previsione prima di condividere un modello.
• Un team che vuole una pipeline controllata in cui i passaggi principali richiedono approvazione invece di un’automazione completamente unattended.
• Un workflow che richiede un deliverable locale del modello in formato pacchetto, inclusi modello addestrato, file di preprocessing e uno script di previsione.

FAQ

• OrchestraML richiede competenze ML? No. La fonte dice che gli utenti possono descrivere il loro obiettivo in italiano semplice e non hanno bisogno di competenze ML per iniziare.
• Posso caricare il mio dataset? Sì. Il prodotto supporta sia il caricamento del dataset sia la ricerca del dataset gestita dagli agenti.
• La pipeline gira senza supervisione? No. Include 6 checkpoint umani in cui la pipeline si ferma per l’approvazione prima che proseguano le azioni critiche.
• Cosa include l’output? Il report include metriche, explainability SHAP, analisi del bias e opzioni di deployment, e il prodotto può anche esportare un pacchetto scaricabile.
• Supporta il deployment live? Sì. La fonte dice che gli utenti possono scaricare il pacchetto del modello oppure distribuire una API live.

Alternative

• Workflow tradizionali basati su notebook: offrono più controllo manuale e flessibilità, ma richiedono all’utente di gestire analisi, pulizia, training e packaging passo dopo passo.
• Piattaforme AutoML gestite: si concentrano sulla selezione e sul training automatici del modello, ma potrebbero non dare enfasi a un workflow multi-agent basato su checkpoint né allo stesso livello di dettaglio nell’audit delle decisioni.
• Pipeline MLOps costruite con strumenti separati: possono coprire la preparazione dei dati fino al deployment, ma in genere richiedono di assemblare e mantenere più componenti invece di usare un’unica interfaccia guidata.
• Scripting manuale con librerie ML Python: offre la massima personalizzazione, ma scarica sull’utente l’intero peso di EDA, feature engineering, valutazione e configurazione del deployment.