{"id":3581,"date":"2026-08-08T09:00:00","date_gmt":"2026-08-08T07:00:00","guid":{"rendered":"https:\/\/brentasoft.com\/blog\/ai-ml-iot-traceability-odoo-19-pmi-manifattura-italiane\/"},"modified":"2026-06-10T09:56:55","modified_gmt":"2026-06-10T07:56:55","slug":"ai-ml-iot-traceability-odoo-19-pmi-manifattura-italiane","status":"publish","type":"post","link":"https:\/\/brentasoft.com\/blog\/ai-ml-iot-traceability-odoo-19-pmi-manifattura-italiane\/","title":{"rendered":"AI e ML applicata a IoT+traceability in Odoo: predictive manufacturing (guida PMI)"},"content":{"rendered":"<p><em>Sessantaduesima guida operativa Odoo 19 per PMI italiane. Hai implementato IoT (guida #59), traceability completa (#60) e OEE monitoring (#61). Ora hai un&#8217;enorme massa di dati strutturati: sensori, lotti, performance work center, customer behavior. Senza AI\/ML questi dati restano &#8220;report storici&#8221;. Con AI\/ML diventano predizioni: quale macchina si guaster\u00e0, quale lotto dar\u00e0 problemi qualit\u00e0, quale cliente abbandoner\u00e0, quale pattern produttivo sta degradando. In questa guida vediamo come applicare AI\/ML pratica ai dati IoT+traceability+OEE in Odoo 19 per PMI manifatturiere italiane.<\/em><\/p>\n<p>Vediamo: prerequisiti AI\/ML in manifattura, 6 casi d&#8217;uso prioritari, architettura AI applicata a manufacturing data, tooling consigliato, costi\/ROI, governance ML in produzione, casi pratici PMI manifattura.<\/p>\n<h2>Perch\u00e9 AI\/ML \u00e8 critico nella manifattura PMI<\/h2>\n<h3>I dati che hai gi\u00e0<\/h3>\n<ul>\n<li>IoT: milioni di record sensori real-time<\/li>\n<li>Traceability: lotti \u00d7 prodotti \u00d7 operatori \u00d7 macchine<\/li>\n<li>OEE: serie storiche performance per macchina<\/li>\n<li>Quality: pattern difetti per causa<\/li>\n<li>Demand: storico ordini cliente<\/li>\n<\/ul>\n<h3>Cosa non vedi senza AI<\/h3>\n<ul>\n<li>Pattern subdoli (correlazioni cross-dataset)<\/li>\n<li>Anomalie precoci (drift lento nel tempo)<\/li>\n<li>Predittive (cosa succeder\u00e0 tra X giorni)<\/li>\n<li>Prescrittive (cosa dovrei fare per evitarlo)<\/li>\n<li>Optimization globale (vs locale)<\/li>\n<\/ul>\n<h2>Predictive maintenance AI<\/h2>\n<h3>Setup tipico<\/h3>\n<ul>\n<li>Sensori vibration, temperature, current<\/li>\n<li>3-6 mesi di dati per training modello<\/li>\n<li>Algoritmo: Random Forest o LSTM per time-series<\/li>\n<li>Target: predire guasto 5-30 giorni in anticipo<\/li>\n<\/ul>\n<h3>ROI tipico<\/h3>\n<ul>\n<li>Reduce fermi non programmati: -50-80%<\/li>\n<li>Saving maintenance corrective: 30-50%<\/li>\n<li>Vita macchine: +20-40%<\/li>\n<li>Payback: 12-18 mesi<\/li>\n<\/ul>\n<h2>MO data come fondamento AI<\/h2>\n<p>Ogni MO completato genera un dataset ricco: input (lotti componenti, BOM revision), output (lotti prodotti, quality result), processing (tempi, operatori, anomalie). Aggregato su anni, diventa il training set per modelli predittivi:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-01-mo.png\" alt=\"MO data AI ML training Odoo 19 PMI manifattura italiane predictive\" class=\"aligncenter size-full wp-image-3576\"\/><\/p>\n<ul>\n<li>Time series per ogni macchina\/MO<\/li>\n<li>Feature: componenti, operatori, tempi, condizioni<\/li>\n<li>Label: quality output, performance, costi<\/li>\n<li>Cross-MO pattern detection<\/li>\n<li>Causal analysis automatizzata<\/li>\n<\/ul>\n<h2>Quality prediction per lotto<\/h2>\n<p>Ogni prodotto ha caratteristiche misurabili. AI\/ML analizza correlazioni tra input components, processing conditions e output quality. Predice difetti prima che si manifestino:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-02-product.png\" alt=\"Quality prediction AI per product Odoo 19 PMI manifattura italiane\" class=\"aligncenter size-full wp-image-3577\"\/><\/p>\n<ul>\n<li>Pattern detection su lotti difettosi storici<\/li>\n<li>Feature engineering: componenti, condizioni, operatori<\/li>\n<li>Modello: gradient boosting o neural network<\/li>\n<li>Score qualit\u00e0 predittivo per MO in corso<\/li>\n<li>Alert su MO ad alto rischio<\/li>\n<li>Action preventiva (stop production, check)<\/li>\n<\/ul>\n<h2>BOM optimization tramite AI<\/h2>\n<p>L&#8217;AI pu\u00f2 analizzare migliaia di MO completed per identificare BOM con waste eccessivo, componenti sostituibili con saving, routing sub-ottimali. La BOM &#8220;ottimale&#8221; emerge dai dati:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-03-bom.png\" alt=\"BOM AI optimization Odoo 19 ML pattern PMI manifattura\" class=\"aligncenter size-full wp-image-3578\"\/><\/p>\n<ul>\n<li>Cluster di MO simili<\/li>\n<li>Variance cost reali per BOM<\/li>\n<li>Identification componenti substituibili<\/li>\n<li>Routing optimization suggestions<\/li>\n<li>Cost reduction quantified<\/li>\n<\/ul>\n<h2>I 6 casi d&#8217;uso AI\/ML prioritari in manifattura<\/h2>\n<h3>1. Predictive maintenance<\/h3>\n<ul>\n<li>Dati input: sensori IoT (vibration, temp, current)<\/li>\n<li>Output: probability of failure 7\/14\/30 giorni<\/li>\n<li>Algoritmo: Random Forest + LSTM<\/li>\n<li>Investimento: 25-60k \u20ac<\/li>\n<\/ul>\n<h3>2. Quality prediction<\/h3>\n<ul>\n<li>Dati input: components lots, process conditions<\/li>\n<li>Output: score qualit\u00e0 predittivo per output<\/li>\n<li>Algoritmo: gradient boosting<\/li>\n<li>Investimento: 20-50k \u20ac<\/li>\n<\/ul>\n<h3>3. Demand forecasting<\/h3>\n<ul>\n<li>Dati input: storico vendite, seasonality, eventi<\/li>\n<li>Output: forecast 90 giorni per SKU<\/li>\n<li>Algoritmo: Prophet, ARIMA, XGBoost<\/li>\n<li>Investimento: 18-45k \u20ac<\/li>\n<\/ul>\n<h3>4. Anomaly detection<\/h3>\n<ul>\n<li>Dati input: process parameters real-time<\/li>\n<li>Output: alert su deviation<\/li>\n<li>Algoritmo: Isolation Forest, autoencoder<\/li>\n<li>Investimento: 15-40k \u20ac<\/li>\n<\/ul>\n<h3>5. Customer churn prediction<\/h3>\n<ul>\n<li>Dati input: order history, communication, payment<\/li>\n<li>Output: probability customer attrition<\/li>\n<li>Algoritmo: gradient boosting + survival analysis<\/li>\n<li>Investimento: 15-35k \u20ac<\/li>\n<\/ul>\n<h3>6. Process optimization<\/h3>\n<ul>\n<li>Dati input: tutti i parametri produttivi<\/li>\n<li>Output: setting ottimali per minimize cost\/maximize quality<\/li>\n<li>Algoritmo: reinforcement learning<\/li>\n<li>Investimento: 40-100k \u20ac<\/li>\n<\/ul>\n<h2>Customer intelligence con AI<\/h2>\n<p>Ogni partner Odoo accumula history: ordini, comunicazioni, payments. AI estrae pattern: chi sta per churn, chi pronto per cross-sell, chi richiede attention. Trasforma customer relationship da reactive a predictive:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-04-partner.png\" alt=\"Customer intelligence AI partner Odoo 19 churn prediction PMI manifattura\" class=\"aligncenter size-full wp-image-3579\"\/><\/p>\n<ul>\n<li>Customer 360 view consolidato<\/li>\n<li>Churn probability score<\/li>\n<li>Cross\/up-sell next best action<\/li>\n<li>Sentiment analysis comunicazioni<\/li>\n<li>Lifetime value prediction<\/li>\n<\/ul>\n<h2>Demand forecasting + Sale Order intelligence<\/h2>\n<p>Sale order accumulati negli anni diventano dataset di apprendimento. AI predice non solo &#8220;quanto vender\u00f2&#8221; ma &#8220;chi comprer\u00e0 quando cosa&#8221; con granularit\u00e0 mai vista:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-05-sale.png\" alt=\"Sale order demand forecasting AI Odoo 19 PMI manifattura italiane\" class=\"aligncenter size-full wp-image-3580\"\/><\/p>\n<ul>\n<li>Demand forecast per SKU \u00d7 cliente \u00d7 periodo<\/li>\n<li>Inventory optimization automatica<\/li>\n<li>Production planning AI-driven<\/li>\n<li>Pricing dinamico opzionale<\/li>\n<li>Stockout\/overstock minimizzati<\/li>\n<\/ul>\n<h2>Architettura AI per manufacturing<\/h2>\n<h3>Layer 1: Data collection<\/h3>\n<ul>\n<li>IoT sensors + edge processing<\/li>\n<li>Odoo come single source of truth<\/li>\n<li>Time series DB (InfluxDB) per high-frequency data<\/li>\n<li>Data lake (S3) per raw data<\/li>\n<\/ul>\n<h3>Layer 2: Data engineering<\/h3>\n<ul>\n<li>ETL pipeline (Airflow, Dagster)<\/li>\n<li>Feature store (Feast, Tecton)<\/li>\n<li>Data quality monitoring (Great Expectations)<\/li>\n<li>Versioning data sets<\/li>\n<\/ul>\n<h3>Layer 3: Model training<\/h3>\n<ul>\n<li>Notebook environment (JupyterHub, Databricks)<\/li>\n<li>Tracking experiments (MLflow)<\/li>\n<li>Hyperparameter tuning (Optuna)<\/li>\n<li>Cross-validation rigorous<\/li>\n<\/ul>\n<h3>Layer 4: Model serving<\/h3>\n<ul>\n<li>API REST per real-time prediction<\/li>\n<li>Batch prediction per analytics<\/li>\n<li>Monitoring drift performance<\/li>\n<li>A\/B testing modelli<\/li>\n<\/ul>\n<h3>Layer 5: Application<\/h3>\n<ul>\n<li>Integration Odoo via API<\/li>\n<li>Dashboard executive<\/li>\n<li>Workflow automation triggered da AI<\/li>\n<li>Human-in-the-loop per decisioni critical<\/li>\n<\/ul>\n<h2>Stack tecnologico raccomandato<\/h2>\n<h3>Open source (PMI lean budget)<\/h3>\n<ul>\n<li>Python + scikit-learn + XGBoost (modelling)<\/li>\n<li>Pandas + Polars (data manipulation)<\/li>\n<li>MLflow (experiment tracking)<\/li>\n<li>FastAPI (serving)<\/li>\n<li>Grafana (monitoring)<\/li>\n<li>Costo: 0 \u20ac software + infra<\/li>\n<\/ul>\n<h3>Managed (PMI velocit\u00e0)<\/h3>\n<ul>\n<li>Databricks o Snowflake (data platform)<\/li>\n<li>SageMaker (AWS) \/ Vertex AI (GCP) \/ Azure ML<\/li>\n<li>Pro: managed, scaling, support<\/li>\n<li>Contro: costo ricorrente + vendor lock-in<\/li>\n<li>Costo: 2-15k \u20ac\/mese<\/li>\n<\/ul>\n<h3>Hybrid (raccomandato PMI media)<\/h3>\n<ul>\n<li>Open source per modelli<\/li>\n<li>Cloud managed per infrastructure<\/li>\n<li>Best of both worlds<\/li>\n<li>Costo: 500-3k \u20ac\/mese infra<\/li>\n<\/ul>\n<h2>Governance ML in produzione<\/h2>\n<h3>MLOps practices<\/h3>\n<ul>\n<li>Version control modelli (git + DVC)<\/li>\n<li>CI\/CD per deploy modelli<\/li>\n<li>Monitoring drift dati input<\/li>\n<li>Monitoring performance modello<\/li>\n<li>Rollback automatico se degrade<\/li>\n<\/ul>\n<h3>Ethics &amp; bias<\/h3>\n<ul>\n<li>Audit bias modelli (gender, age, geographic)<\/li>\n<li>Explainability (SHAP, LIME)<\/li>\n<li>Compliance GDPR per dati personali<\/li>\n<li>Right to explanation per decisioni automatiche<\/li>\n<\/ul>\n<h3>Human-in-the-loop<\/h3>\n<ul>\n<li>AI suggerisce, umano decide su critical<\/li>\n<li>Override sempre possibile<\/li>\n<li>Feedback loop per training continuo<\/li>\n<li>Tracking decisioni umane vs AI<\/li>\n<\/ul>\n<h2>Costi tipici AI\/ML setup<\/h2>\n<h3>1\u00b0 caso d&#8217;uso (Foundation)<\/h3>\n<ul>\n<li>Discovery + business case: 5-12k \u20ac<\/li>\n<li>Data preparation + feature engineering: 8-20k \u20ac<\/li>\n<li>Model development + validation: 12-30k \u20ac<\/li>\n<li>Integration Odoo + deployment: 8-20k \u20ac<\/li>\n<li>Training utenti: 3-8k \u20ac<\/li>\n<li><strong>Totale: 36-90k \u20ac<\/strong><\/li>\n<\/ul>\n<h3>Casi d&#8217;uso successivi<\/h3>\n<ul>\n<li>Setup costo: -40-60% (infrastructure shared)<\/li>\n<li>Effort focused su business case specifico<\/li>\n<li>Compounding learning effects<\/li>\n<\/ul>\n<h3>Ricorrente annuale<\/h3>\n<ul>\n<li>Infrastructure ML: 6-18k \u20ac<\/li>\n<li>Model retraining: 8-20k \u20ac<\/li>\n<li>Monitoring + maintenance: 5-15k \u20ac<\/li>\n<li>Evolutivi: 10-30k \u20ac<\/li>\n<li><strong>Totale ricorrente: 29-83k \u20ac\/anno<\/strong><\/li>\n<\/ul>\n<h2>Errori comuni AI\/ML in manifattura<\/h2>\n<h3>&#8220;Iniziare senza data quality&#8221;<\/h3>\n<p><strong>Problema<\/strong>: model training su dati sporchi, accuracy mediocre.<br \/>\n<strong>Soluzione<\/strong>: 60-70% effort iniziale su data cleaning + validation.<\/p>\n<h3>&#8220;Modelli complessi senza business case&#8221;<\/h3>\n<p><strong>Problema<\/strong>: deep learning sexy, no ROI quantificato.<br \/>\n<strong>Soluzione<\/strong>: business case quantificato prima di scegliere algoritmo.<\/p>\n<h3>&#8220;AI senza domain expert&#8221;<\/h3>\n<p><strong>Problema<\/strong>: data scientist senza understanding manifattura, features sbagliate.<br \/>\n<strong>Soluzione<\/strong>: pair data scientist + plant engineer per ogni caso d&#8217;uso.<\/p>\n<h3>&#8220;Model degrade non monitorato&#8221;<\/h3>\n<p><strong>Problema<\/strong>: modello deployed, dopo 6 mesi performance crollata.<br \/>\n<strong>Soluzione<\/strong>: monitoring continuo + retraining trigger automatico.<\/p>\n<h3>&#8220;No human-in-the-loop&#8221;<\/h3>\n<p><strong>Problema<\/strong>: AI prende decisioni autonome critical, errori non identificati.<br \/>\n<strong>Soluzione<\/strong>: human review per decisioni critical, AI per low-risk automation.<\/p>\n<h2>Casi pratici PMI manifatturiere italiane<\/h2>\n<h3>Caso 1 \u2014 Metalmeccanica: predictive maintenance<\/h3>\n<ul>\n<li>15 macchine sensorizzate<\/li>\n<li>Modello LSTM su 18 mesi dati<\/li>\n<li>Accuracy prediction: 87%<\/li>\n<li>Investimento: 75k \u20ac<\/li>\n<li>Saving: 280k \u20ac\/anno (-65% fermi non programmati)<\/li>\n<li>Payback: 4 mesi<\/li>\n<\/ul>\n<h3>Caso 2 \u2014 Alimentare: quality prediction<\/h3>\n<ul>\n<li>Modello gradient boosting<\/li>\n<li>Feature: 45 variabili processo<\/li>\n<li>AUC: 0.89<\/li>\n<li>Scarti: -42%<\/li>\n<li>Customer complaints: -68%<\/li>\n<li>Payback: 11 mesi<\/li>\n<\/ul>\n<h3>Caso 3 \u2014 Tessile: demand forecasting<\/h3>\n<ul>\n<li>Modello Prophet + ML correction<\/li>\n<li>Accuracy 30 giorni: 91%<\/li>\n<li>Accuracy 90 giorni: 78%<\/li>\n<li>Inventory: -28%<\/li>\n<li>Stockout: -55%<\/li>\n<li>ROI 3 anni: 320%<\/li>\n<\/ul>\n<h3>Caso 4 \u2014 Mobile: AI ambizioso fallito<\/h3>\n<ul>\n<li>Tentativo reinforcement learning per process optimization<\/li>\n<li>Dati insufficienti per training stable<\/li>\n<li>Production downtime durante experiments<\/li>\n<li>Rollback dopo 8 mesi, 95k \u20ac sprecati<\/li>\n<li>Lesson learned: iniziare semplice, scaling gradual<\/li>\n<\/ul>\n<h2>FAQ<\/h2>\n<h3>Devo essere PMI grande per fare AI\/ML?<\/h3>\n<p>No. PMI 30-100 dipendenti possono fare AI\/ML pragmatic con primo caso d&#8217;uso 35-60k \u20ac. ROI tipicamente positivo entro 12-18 mesi. Scaling progressivo nel tempo.<\/p>\n<h3>Quanto serve data scientist interno?<\/h3>\n<p>Per progetti standard: partner esterno + part-time interno sufficiente. Per AI strategic con vantaggio competitivo: data scientist senior interno (60-90k \u20ac\/anno) raccomandato a partire dal 2\u00b0 caso d&#8217;uso.<\/p>\n<h3>Quali dati servono minimo per AI?<\/h3>\n<p>12-18 mesi storico minimo per pattern stagionali. Volumi: 1.000+ MO per quality prediction, 500+ macchina-mesi per predictive maintenance, 2.000+ ordini per demand forecasting. Sotto: bias rischio alto.<\/p>\n<h3>Posso usare ChatGPT\/Claude per analisi dati?<\/h3>\n<p>Per exploratory analysis e prototyping s\u00ec. Per production con SLA: serve modelli dedicati, training su dati propri, monitoring. LLM esterni utili come complement, non sostitutivi.<\/p>\n<h3>Come misurare ROI AI\/ML?<\/h3>\n<p>3 KPI: (1) business impact (\u20ac saved\/generated), (2) model performance (accuracy, AUC), (3) adoption (% decisions data-driven). Tutti e 3 misurati before\/after per attribuzione causale.<\/p>\n<h2>Prossimi passi<\/h2>\n<p>Nelle prossime guide vedremo come <strong>gestire compliance multi-paese<\/strong> per PMI export, come <strong>implementare circular economy<\/strong> con Odoo (recupero\/riciclo\/seconda vita), e come <strong>integrare ESG reporting<\/strong> per sustainability tracking.<\/p>\n<p style=\"margin-top:30px;background:#f4f4f8;padding:18px;border-radius:8px;\"><strong>Vuoi implementare AI\/ML su dati IoT+traceability nella tua PMI manifatturiera?<\/strong><br \/>\nG Tech Group sviluppa soluzioni AI\/ML integrate con Odoo per PMI manifatturiere italiane: predictive maintenance, quality prediction, demand forecasting, anomaly detection. Track record di payback 8-18 mesi per caso d&#8217;uso.<br \/>\n<a href=\"https:\/\/brentasoft.com\/preventivatore.php\"><strong>Richiedi un preventivo gratuito<\/strong><\/a> oppure prova la nostra <a href=\"https:\/\/odoo.brentasoft.com\/\">demo Odoo 19 live<\/a>. Oppure <a href=\"https:\/\/www.odoo.com?utm_campaign=partner-d192ce8a&amp;utm_source=partner_ref\" target=\"_blank\" rel=\"noopener noreferrer\">prova Odoo direttamente su odoo.com<\/a> (link partner Brentasoft).<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Sessantaduesima guida Odoo 19: AI\/ML applicata a IoT+traceability+OEE. 6 casi d&#8217;uso, architettura, stack tecnologico, governance MLOps, costi, casi pratici PMI manifattura.<\/p>\n","protected":false},"author":2,"featured_media":3576,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"AI\/ML manufacturing Odoo: guida PMI","_seopress_titles_desc":"AI\/ML applicata a IoT+traceability+OEE Odoo 19 per PMI manifatturiere italiane: 6 casi d'uso, architettura, MLOps, costi, casi pratici.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"https:\/\/brentasoft.com\/blog\/ai-ml-iot-traceability-odoo-19-pmi-manifattura-italiane\/","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-aiml-01-mo.png","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[689],"tags":[],"class_list":["post-3581","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-guide-odoo"],"_links":{"self":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3581","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/comments?post=3581"}],"version-history":[{"count":0,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3581\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media\/3576"}],"wp:attachment":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media?parent=3581"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/categories?post=3581"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/tags?post=3581"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}