Piattaforma SaaS GIS AI-native per la verifica di conformità delle parcelle agricole, con pipeline di computer vision eseguita nel browser e interrogazione del database in linguaggio naturale.
Stack
Risultati
In Italia, la gestione delle domande PAC (Politica Agricola Comune) obbliga gli enti di controllo a verificare la conformità di milioni di appezzamenti agricoli georeferenziati rispetto alle dichiarazioni dei produttori. Ogni campagna agraria comporta sincronizzazioni massive tra regioni e agenzie centrali: gli stessi appezzamenti possono mutare identificativo o geometria da un ciclo all'altro.
Il processo tradizionale era frammentato: i dati GeoJSON arrivavano da sorgenti eterogenee, i tecnici disegnavano o correggevano manualmente i poligoni su software GIS desktop, e la classificazione del tipo di coltura si basava esclusivamente sul codice dichiarato dall'agricoltore. Non esisteva alcun sistema per verificare automaticamente che la coltivazione reale corrispondesse alla dichiarazione: un oliveto o un vigneto dichiarato potevano nascondere difformità difficili da rilevare senza analisi visiva.
A questo si aggiungeva la barriera operativa: gli uffici di controllo avevano bisogno di estrarre report e fare ricerche geografiche, ma l'accesso ai dati richiedeva competenze tecniche che i tecnici agrari non possedevano.
Abbiamo progettato e sviluppato una piattaforma SaaS costruita su ASP.NET Core + Blazor Server, con MongoDB come datastore principale per sfruttare nativamente il formato GeoJSON e gli indici spaziali. Il cuore differenziante è una pipeline di computer vision multi-modello progettata per massimizzare la qualità dell'analisi riducendo al minimo i costi operativi.
Computer vision nel browser, senza costi GPU server: i modelli di segmentazione e classificazione girano interamente nel browser dell'utente via WebGPU — nessun server GPU dedicato. Il tecnico delinea la geometria di un appezzamento con pochi click, ottenendo una maschera in tempo reale. Un secondo modello classifica zero-shot il tipo di coltura tra 25 categorie agricole. Un terzo rileva e conta automaticamente oggetti di interesse (alberi, edifici rurali, serre, pannelli solari). Questa scelta architetturale ha eliminato oltre il 60% dei costi infrastrutturali stimati rispetto a un'architettura equivalente server-side.
Analisi profonda in cloud per i casi complessi: quando serve massima accuratezza, la pipeline delega a servizi cloud per un secondo round di detection con bounding box, l'analisi orografica (quota, pendenza) e una sintesi AI finale che integra tutti i segnali in un report agronomico strutturato per tipo di terreno, vegetazione e qualità dell'analisi.
Interrogazione in linguaggio naturale: un modulo AI agent traduce domande scritte in italiano in query eseguibili sul database. Un tecnico agronomo può scrivere "quanti appezzamenti difformi ci sono con vigneto dichiarato?" e ottenere risultati ed export Excel senza competenze tecniche. La ricerca geografica sfrutta gli indici spaziali nativi di MongoDB per trovare tutti gli appezzamenti entro un raggio configurabile da qualsiasi punto sulla mappa.
La combinazione di computer vision browser-side e analisi cloud ha trasformato il flusso di lavoro: la delineazione di un appezzamento complesso, che richiedeva diversi minuti su GIS desktop, richiede ora 3–5 click con un'analisi AI completa disponibile in meno di 30 secondi.
Il sistema gestisce dataset con centinaia di migliaia di parcelle mantenendo tempi di risposta sotto il secondo, grazie all'ottimizzazione degli indici su entrambe le dimensioni — spaziale e documentale. Il modulo di interrogazione in linguaggio naturale ha abbattuto la barriera di accesso ai dati: gli operatori dei CAA producono autonomamente estrazioni e report che prima richiedevano l'intervento di un tecnico IT.
Il sistema è in uso da tecnici agrari e uffici di controllo per la gestione delle campagne PAC italiane.
Raccontaci il tuo caso. Ti diremo come affrontarlo e in quanto tempo.