Στόχος του έργου είναι η ανάπτυξη μοντέλων πρόγνωσης του ρυθμού ανάπτυξης των κυττάρων μικρο-άλγης μέσω της ανάλυσης χρονικά μεταβαλλόμενων δεδομένων. Για το σκοπό αυτό θα χρησιμοποιηθεί κατάλληλη συστοιχία πιλοτικών φωτο-βιοαντιδραστήρων (ΦΒΑ), οι οποίοι θα είναι εξοπλισμένοι με τους απαραίτητους αισθητήρες για την παρακολούθηση και την καταγραφή των αβιοτικών παραμέτρων των καλλιεργειών και σχεδιασμένοι να λειτουργούν ανεξάρτητα και να παρέχουν δεδομένα υψηλής ποιότητας σε πραγματικό χρόνο. Η χρήση IoT και μηχανικής μάθησης (ML) θα εξασφαλίσει τη μεταφορά, αποθήκευση και επεξεργασία σημαντικών παραμέτρων, όπως το pH, η θερμοκρασία και το CO₂ (απαραίτητο για τη φωτοσύνθεση), ενώ ταυτόχρονα θα παρακολουθείται και η ανάπτυξη των κυττάρων. Μέσω της διεξαγωγής παράλληλων πολλαπλών πειραμάτων με καλλιέργειες σύντομων χρονικών περιόδων θα λάβει χώρα η κατάλληλη παραμετροποίηση του συστήματος με διάφορους συνδυασμούς των αβιοτικών παραμέτρων, για την επίτευξη της απαραίτητης εκπαίδευσης του συστήματος σε διάφορες συνθήκες, ώστε να διερευνηθεί υπολογιστικά ο τρόπος με τον οποίο αλληλοεπιδρούν μεταξύ τους με στόχο τη βελτιστοποίηση της απόδοσης.

Για το σκοπό αυτό θα πραγματοποιηθούν αναλύσεις που παρέχονται από εργαλεία ML, τα οποία θα είναι ενσωματωμένα μέσω αρχιτεκτονικών MLOps, ενώ θα είναι εφικτή και η απομακρυσμένη πρόσβαση και η δυνατότητα ανάπτυξης και παρακολούθησης μοντέλων σε πραγματικό χρόνο.

Ως αποτέλεσμα, θα προκύψουν ειδικοί αλγόριθμοι που θα βελτιστοποιούν τις παραμέτρους καλλιέργειας, επιτυγχάνοντας τη μέγιστη δυνατή παραγωγή με τη μικρότερη περιβαλλοντική επίπτωση, ενώ μια διαδικτυακή εφαρμογή θα επιτρέπει στους χρήστες να παρακολουθούν (ώστε να παρέμβουν όταν κρίνεται απαραίτητο) τις συνθήκες καλλιέργειας σε πραγματικό χρόνο.