Curriculum
Gabriele Piantadosi è ricercatore a tempo indeterminato (Full Researcher) presso ENEA, dove svolge attività di ricerca applicata su intelligenza artificiale per la sostenibilità energetica, con un focus sulle energie rinnovabili e in particolare sul fotovoltaico. La sua linea di lavoro più recente riguarda lo sviluppo di metodi di forecasting della produzione (anche su orizzonti medio-lunghi) e di fault/anomaly detection a supporto di esercizio e manutenzione, integrando dati eterogenei provenienti da sensori, SCADA e fonti esterne. In questo contesto, progetta attività orientate a trasformare grandi volumi di dati operativi in strumenti decisionali concreti: pipeline di analisi robuste, modelli predittivi affidabili e indicatori utili per diagnosi precoce e gestione proattiva degli impianti.
Dal punto di vista metodologico, il suo lavoro combina time series analysis e deep learning, con attenzione ai vincoli tipici dei contesti reali (rumore, dati mancanti, drift stagionali e operativi, cambi di regime, generalizzazione tra siti). Accanto ai modelli per serie temporali, mantiene una forte impronta su computer vision e apprendimento profondo, competenze che abilitano approcci multimodali e scenari di monitoraggio/ispezione avanzata. Questa combinazione, previsione, diagnostica e analisi di dati complessi, costituisce il nucleo della sua attività attuale su rinnovabili, con estensioni anche ad altri domini energetici.
Parallelamente all’attività in ENEA, dal 2024 è docente presso Università degli Studi di Napoli Federico II, dove insegna “Elements of Computer Science”, contribuendo alla formazione di studenti su basi informatiche e approcci moderni all’elaborazione dei dati.
Il suo percorso scientifico nasce in ambito accademico e biomedicale, dove ha maturato una solida base in pattern recognition, data mining e image processing. Ha conseguito il Dottorato di Ricerca in Information Technology and Electrical Engineering con una tesi su metodi per l’analisi automatica di immagini DCE-MRI mammarie (segmentazione, rilevamento di lesioni e strategie data-driven per gestire artefatti e variabilità). Questo background, centrato su problemi ad alta complessità e requisiti di affidabilità, rappresenta oggi un punto di forza nel trasferire tecniche di AI verso l’energia, dove la qualità delle decisioni dipende dalla capacità di gestire incertezza e non-stazionarietà.
Prima dell’ingresso in ENEA ha maturato esperienza in contesti industriali e di trasferimento tecnologico presso Capgemini Engineering, ricoprendo ruoli di responsabilità tecnica (advanced consultant, technical leader, fino ad architect) su progetti basati su deep learning e sistemi intelligenti. È autore di pubblicazioni scientifiche su riviste e conferenze internazionali, con contributi che riflettono una traiettoria coerente: dalle fondamenta in computer vision e pattern recognition fino alle applicazioni avanzate su dati energetici e sistemi predittivi per le rinnovabili.