30 Maggio 2023, ore 14.30 • Fondazione Marco Biagi
Minimizing costs and CO2 emissions in a waste transfer facility location problem
Relatore
GIOMARIA COLUMBU, Ph.D Student XXXVI ciclo, Fondazione Marco Biagi – Unimore
Discussant
DARIO VEZZALI, Postdoctoral Researcher, Dipartimento di Scienze e Metodi dell’Ingegneria – Unimore
Chair
CECILIA CORREGGI , Ph.D Student XXXVII ciclo, Fondazione Marco Biagi – Unimore
Abstract
Soluzione di un problema bi-obiettivo per l’ubicazione di impianti per la gestione dei rifiuti, affrontato da una multiutility italiana operante nel settore della raccolta, trasposto agli impianti e successivo trattamento, recupero o smaltimento. Nel caso di studio, le quantità di rifiuto prodotte nei Comuni analizzati, per le diverse frazioni merceologiche, devono essere raccolte e trasportate fino agli impianti finali. Il flusso può essere ottimizzato decidendo di introdurre ulteriori impianti intermedi di trasferenza, scegliendo tra un insieme di strutture potenzialmente realizzabili. L’obiettivo è trovare soluzioni che permettano di minimizzare sia i costi totali e che le emissioni di CO2. Per la risoluzione del problema è stato realizzato un modello di programmazione lineare intera mista, e successivamente utilizzato il metodo della frontiera di Pareto, generata applicando un algoritmo approssimato con ϵ-constraint. L’efficacia dei modelli ottenuti è stata confermata anche da ulteriori esperimenti computazionali su istanze random.
Applicazione di XGBoost alla valutazione del merito creditizio di Prestiti Personali erogati via web
Relatore
DANIELE MAGNALDI, Ph.D Student XXXVI ciclo, Fondazione Marco Biagi – Unimore
Chair
CECILIA CORREGGI , Ph.D Student XXXVII ciclo, Fondazione Marco Biagi – Unimore
Abstract
Da sempre, di fronte ad una richiesta di credito, la principale domanda che si pone il concessore riguarda la certezza della restituzione della somma prestata. Se in passato gli istituti di credito cercavano di rispondere a questa domanda grazie a esperti valutatori che ben conoscevano la clientela, oggi gli istituti di credito utilizzano modelli automatizzati di valutazione del merito creditizio basati su modelli matematico-statistici. L’evoluzione tecnologica porta però a chiedersi se (i) le metodologie di costruzione dei modelli attualmente utilizzate siano ancora le migliori possibili, o se le più recenti tecniche di Machine Learning e Intelligenza Artificiale non possano contribuire a migliorare la capacità predittiva dei modelli.
Inoltre, l’evoluzione del mercato del credito, con la sempre maggiore diffusione di canali di richiesta del credito web-based o app-based, hanno portato a processi di onboarding molto diversi da quelli tradizionali. I nuovi processi, fortemente informatizzati, permettono di acquisire una gran quantità di dati sui clienti, che prima non erano disponibili: le cosiddette digital footprints. Ci si chiede dunque (ii) quale possa essere l’utilizzo delle digital footprints nella valutazione del merito creditizio della controparte: sono informazioni che contribuiscono a discriminare meglio i buoni pagatori dai cattivi pagatori, o sono informazioni che non contribuiscono al nostro obiettivo?
La nostra ricerca presenta dunque la costruzione e la successiva applicazione di un modello di machine learning per la valutazione del merito creditizio delle controparti richiedenti un prestito personale via web ad un istituto finanziario italiano, specializzato nel credito al consumo.
Il seminario si terrà in lingua italiana.
Link per partecipare a distanza (non disponibile per dottorandi/e LSI): Clicca qui
La partecipazione al seminario è libera.