A Machine Learning and Explainable AI Approach to Evaluating Environmental Sensors on Workplace Productivity. Case Study: Eurix Company

Analisi dati da multisensore ambientale Questa tesi indaga la relazione tra le condizioni ambientali, la produttività e le percezioni individuali negli ambienti di lavoro. Esplora metriche di produttività sia soggettive che oggettive, utilizzando punteggi di produttività auto-riferiti e indici di performance basati su compiti cognitivi. Lo studio incorpora fattori ambientali come temperatura, qualità dell'aria, luce e rumore, insieme a variabili demografiche quali genere, età e sensibilità al disagio ambientale. È stato adottato un approccio analitico avanzato, comprendente preprocessamento dei dati, segmentazione, analisi delle correlazioni e rilevamento di anomalie. Gli indici ambientali sono stati calcolati dai dati dei sensori, mentre gli indici di produttività sono stati derivati mediante tecniche di ottimizzazione per massimizzare la loro correlazione con le variabili ambientali. Lo studio ha identificato tendenze chiave nella produttività dei dipendenti, dimostrando come i livelli di comfort influenzino le prestazioni cognitive in diversi momenti, luoghi e gruppi demografici. Modelli di apprendimento automatico, tra cui Regressione Lineare, XGBoost e Support Vector Machines (SVM), sono stati impiegati per prevedere gli esiti della produttività. L'uso di un campionamento stratificato ha garantito l’equilibrio dei dati, mentre un'ottimizzazione rigorosa degli iperparametri ha migliorato le prestazioni dei modelli. Tecniche di Intelligenza Artificiale Esplicabile (XAI), come SHAP e DiCE, sono state applicate per interpretare le previsioni dei modelli e fornire spiegazioni controfattuali, evidenziando l'influenza dei fattori ambientali sulla produttività. I risultati rivelano che temperatura, qualità dell'aria e rumore influenzano significativamente l'efficienza nei compiti cognitivi, con individui sensibili che mostrano correlazioni più forti con i disagi ambientali. Sono state inoltre osservate variazioni nella percezione del comfort in base al genere e all'età. L’integrazione di analisi basate sui dati con modelli di intelligenza artificiale contribuisce all'ottimizzazione degli ambienti di lavoro, offrendo raccomandazioni basate su evidenze per migliorare il benessere e le prestazioni dei dipendenti.