Partecipazione e vincoli¶
Linee guida vincolanti¶
- Possono essere utilizzate solo fonti di dati e documenti pubblicamente disponibili.
- Dati interni, operativi, sensibili o classificati non fanno parte di questa challenge.
- Ogni fonte deve essere documentata con URL, formato, percorso di accesso e data di acquisizione.
- API ufficiali o download ufficiali sono chiaramente da preferire allo scraping.
- Gli output basati su LLM sono accettabili solo se le fonti sottostanti restano visibili e tracciabili.
- Il focus è un MVP piccolo ma funzionante.
- Codice, schema, logica di accesso e documentazione dovrebbero essere riutilizzabili dopo l’hackathon.
Obbligatorio per tutti i team
I partecipanti devono reperire e documentare le proprie fonti di dati pubbliche. Questo sito offre orientamento ed esempi, ma non un dataset completo.
Modalità di lavoro attesa¶
| Tema | Attesa |
|---|---|
| Scelta dei dati | base di fonti volutamente limitata e giustificata |
| Integrazione dati | passaggi di mapping e trasformazione tracciabili |
| Trasparenza | evidenza visibile e riferimenti di fonte chiari |
| Tecnologia | prototipo pragmatico e manutenibile invece di over-engineering |
| Documentazione | compatta ma riproducibile |
Focus di valutazione¶
La configurazione esatta della giuria può variare, ma in una buona submission dovrebbero essere visibili soprattutto i seguenti aspetti:
| Area | Cosa conta |
|---|---|
| Aderenza al problema | chiaro allineamento con analisi prospettica del contesto e indicatori di resilienza |
| Chiarezza delle fonti | documentazione pulita, origine tracciabile e percorsi di accesso chiari |
| Qualità dell’integrazione | modello dati robusto e processing coerente su più fonti |
| MVP funzionante | flusso end-to-end dimostrabile con interfaccia utile |
| Valore analitico | indicatori comprensibili, trend card o weak signals con evidenza |
| Riutilizzabilità | architettura, codice e documentazione restano riutilizzabili |
| Visualizzazione | informazioni chiare e spiegabili per utenti professionali |
Raccomandazione pratica¶
- limitare presto lo scope
- stabilizzare prima interfacce e modello dati
- mantenere i riferimenti di fonte fin dall’inizio
- estendere la visualizzazione solo quando la catena di evidenza è affidabile
Così aumenta la probabilità che il risultato sia non solo dimostrabile, ma anche riutilizzabile dal punto di vista analitico.