Problema
Un'azienda construction-tech aveva bisogno di riconciliare schizzi di cantiere 2D con lo stato 3D reale del progetto, poi identificare quali delle ~7.000 feature riportate effettivamente guidavano la varianza di schedule. Un tool di reporting produceva dashboard su cui nessuno poteva agire — "lo schedule sta slittando" senza isolare il perché.
Approccio
Build in due parti. Pipeline di visione: YOLOv8 per object detection su immagini di cantiere, matrici di omografia per normalizzare gli schizzi 2D nello spazio coordinato 3D, così plan-vs-actual diventa calcolabile invece di stimato a occhio. Layer causale: Causal Forest applicato alle decisioni di allocazione risorse per stimare l'impatto controfattuale sullo schedule. Sulle ~7.000 feature tracciate, 200 isolate come schedule-critical.
Stack
PyTorch · OpenCV · YOLOv8 · scikit-learn / EconML for causal inference · Python service layer
Risultato
Il tool di reporting si è trasformato da dashboard passive in un motore di simulazione "What-If" con cui i project manager potevano effettivamente sterzare. La riduzione 200 / 7.000 feature è stata lo sblocco — il team finalmente sapeva quale 3% di input monitorare in tempo reale e quale 97% ignorare.