Quando si parla di intelligenza artificiale all'interno di Meteo Gesualdo si pensa spesso a Themis, il sistema che oggi analizza le previsioni, confronta migliaia di casi storici e decide se confermare o correggere uno scenario meteorologico.

In realtà Themis non è nato dal nulla. È il risultato di un percorso iniziato diversi mesi prima, fatto di prove, errori, riscritture e miglioramenti progressivi.

Ogni versione dell'AI Engine ha aggiunto un tassello importante, trasformando un semplice sistema di confronto storico in un motore decisionale capace di valutare la qualità delle previsioni in modo sempre più preciso.

Ceo: il primo esperimento

Il primo passo è stato Ceo, la versione sperimentale dell'AI Engine.

In questa fase il sistema confrontava le previsioni salvate tramite snapshot con il risultato finale previsto. La logica era ancora molto semplice: una previsione poteva risultare corretta oppure errata.

Non esisteva ancora un vero ragionamento meteorologico avanzato, ma Ceo ha permesso di verificare una cosa fondamentale: era possibile conservare le previsioni e iniziare a costruire una memoria storica del sistema.

Da qui è nata l'idea che avrebbe guidato tutte le versioni successive: usare l'esperienza passata per migliorare le previsioni future.

Crono: il confronto con la realtà

Con Crono arriva la prima svolta importante.

Il sistema non si limita più a confrontare previsioni tra loro, ma inizia a leggere i dati reali registrati dalla stazione meteorologica di Gesualdo.

Temperatura, umidità, pressione, vento e precipitazioni diventano parte del processo di validazione.

Questo passaggio cambia completamente il valore dello storico: ogni previsione può essere confrontata con ciò che è realmente accaduto.

Da quel momento l'errore non è più solo un risultato negativo, ma diventa un'informazione utile per migliorare il sistema.

Atlante: nasce il vero KNN

La versione Atlante introduce il primo sistema KNN stabile del progetto.

Il sistema inizia a cercare nel passato i casi più simili alla situazione meteorologica attuale.

Non basta più sapere se una previsione è stata giusta o sbagliata. Diventa importante capire quanto una situazione del passato sia davvero simile a quella presente.

Entrano quindi in gioco elementi come la stagione, l'ora del giorno, la vicinanza temporale, le condizioni previste e l'esito realmente osservato.

Con Atlante l'AI Engine comincia a ragionare per analogie meteorologiche.

Oceano: il sistema diventa più completo

Con Oceano il motore cresce in modo significativo.

Il KNN non lavora più soltanto sul fenomeno principale, ma inizia a valutare anche i valori fisici della previsione.

Il sistema prende in considerazione temperatura, umidità, pressione, vento, raffiche e pioggia prevista.

In questa fase vengono migliorati anche il monitoraggio interno, i codici motivazionali e le statistiche dedicate all'AI.

Questo rende il sistema molto più leggibile: non conta solo sapere se l'AI è intervenuta, ma anche capire perché lo ha fatto.

Mnemosine: la memoria prende forma

Mnemosine rappresenta la fase in cui la memoria storica diventa più solida.

Il sistema viene reso più prudente nella gestione dei fenomeni secondari, soprattutto quelli legati al vento e ai temporali isolati.

Viene migliorata la coerenza probabilistica e viene ampliata la struttura del learning, cioè la parte del sistema che conserva le informazioni utili per l'apprendimento.

Lo storico non è più un semplice elenco di previsioni passate, ma diventa una vera base di conoscenza meteorologica.

Mnemosine non rende l'AI più aggressiva. La rende più stabile, più coerente e più consapevole dei dati che utilizza.

Themis: la grande evoluzione

Il 2 giugno 2026 nasce Themis, la quinta generazione dell'AI Engine di Meteo Gesualdo.

Con Themis cambia la filosofia del sistema.

Le versioni precedenti erano nate soprattutto per correggere le previsioni quando lo storico suggeriva uno scenario diverso.

Themis invece si comporta come un revisore intelligente: analizza la previsione, valuta i casi analoghi, controlla la qualità dello storico e decide se intervenire oppure no.

Le decisioni principali possono essere diverse:

• Conferma, quando la previsione è coerente con i casi analoghi.
• Lima, quando serve solo una piccola regolazione.
• Corregge, quando lo storico suggerisce uno scenario più coerente.
• Ribalta, quando i casi simili indicano con forza uno scenario diverso.
• Ignora, quando i dati storici non sono abbastanza solidi.

Il punto più importante è che Themis non modifica una previsione a tutti i costi.

Se il forecast è già coerente, il sistema può semplicemente confermarlo. In questo modo si riducono le modifiche inutili e si mantiene maggiore stabilità nelle previsioni finali.

L'immagine mostra il comportamento reale di Themis su migliaia di fasce previsionali analizzate. Si vede come il sistema distingua tra conferme, limature, correzioni e ribaltamenti, invece di applicare una modifica unica e automatica.

Perché Themis prende una decisione

Uno degli aspetti più importanti di Themis è la tracciabilità.

Ogni intervento viene accompagnato da una motivazione leggibile, utile per capire il ragionamento seguito dal sistema.

Questo permette di sapere, ad esempio, se Themis ha corretto il vento perché i casi storici indicavano valori più deboli, oppure se ha confermato una previsione perché lo scenario era coerente con i casi analoghi.

Le motivazioni non servono solo a spiegare il risultato finale. Sono fondamentali anche per monitorare il comportamento dell'AI e capire dove il sistema può essere ulteriormente migliorato.

Le statistiche per lead time

Themis analizza le previsioni su diversi lead time, cioè su diverse distanze temporali rispetto al momento in cui viene generato il forecast.

Una previsione a +1 ora non ha lo stesso comportamento di una previsione a +24, +72 o +120 ore.

Per questo il sistema monitora separatamente le decisioni per ogni fascia temporale, controllando quante volte l'AI viene tentata, applicata, confermata, limata o corretta.

Queste statistiche permettono di capire dove Themis lavora meglio, dove tende a intervenire di più e in quali distanze temporali lo storico offre segnali più affidabili.

Un sistema che continua a imparare

Dopo il rilascio di Themis sono stati aggiunti ulteriori miglioramenti dedicati alla qualità del dataset storico.

Il sistema ha mantenuto i lead principali già utilizzati nello storico e ha aggiunto nuovi lead dinamici selezionati a ogni ciclo di acquisizione.

Questo permette di aumentare la varietà dei campioni senza far crescere inutilmente il volume dei dati archiviati.

Sono stati inoltre introdotti controlli anti-duplicazione per evitare che lo stesso forecast venga salvato più volte nella medesima fascia temporale.

L'obiettivo è semplice: fornire all'AI una memoria più ampia, più pulita e più rappresentativa.

Da un esperimento a un motore decisionale

Guardando l'intero percorso, l'evoluzione è evidente.

Ceo ha introdotto l'idea di confrontare le previsioni.

Crono ha collegato il sistema ai dati reali della stazione meteo.

Atlante ha introdotto il primo vero confronto KNN.

Oceano ha ampliato l'analisi ai valori fisici e alle statistiche.

Mnemosine ha rafforzato la memoria storica e la qualità del learning.

Themis ha trasformato tutto questo in un sistema decisionale più maturo, capace non solo di correggere, ma anche di confermare quando è giusto non intervenire.

Conclusione

Themis rappresenta oggi il punto più avanzato dell'intelligenza artificiale di Meteo Gesualdo, ma non è un punto di arrivo definitivo.

Come il meteo che osserva ogni giorno, anche il sistema continua a evolversi.

Ogni nuova previsione, ogni validazione e ogni confronto con la realtà contribuisce ad arricchire la memoria del progetto.

Da Ceo a Themis, il percorso racconta una cosa semplice: una previsione locale può diventare più intelligente solo se impara davvero dall'esperienza.