Appunti di Ingegneria - Universitas Mercatorum di Roma

Tesi di laurea basata sulle Yara rules applicata alla sicurezza informatica basata sulla materia Sicurezza Informatica. La tesi è stata valutata positivamente e a pieni punti dalla commissione di lLaurea.

La tesi analizza l’Intelligenza Artificiale (IA) come strumento per la trasformazione dei sistemi produttivi, considerando principalmente due aspetti, ossia l’efficienza economico – organizzativa e la sostenibilità ambientale. Il lavoro è strutturato in quattro parti: • si ricostruisce l’evoluzione dell’Intelligenza Artificiale dalle origini teoriche (neurone artificiale, Test di Turing) alla stagione contemporanea segnata da Machine Learning e Deep Learning. Definisce e distingue ANI, AGI e ASI, sottolineando che oggi la diffusione reale riguarda soprattutto l’Intelligenza Artificiale ristretta (compiti specifici, apprendimento da dati). Viene tematizzata la dimensione “onlife” delle nostre vite e la necessità di un perimetro etico – giuridico per garantire affidabilità e tutela dei diritti fondamentali. Sul piano applicativo, l’Intelligenza Artificiale abilita previsioni, auto – ottimizzazione, personalizzazione e velocità, con impatti in sanità, finanza, marketing, logistica, visione artificiale, assistenti virtuali e guida autonoma. In parallelo, il testo elenca criticità e rischi: costi di implementazione, impatti occupazionali (riqualificazione di quote significative della forza lavoro), profilazione, bias, sicurezza e trasparenza dei modelli, nonché sei macro categorie di rischio (privacy, cybersecurity, fairness, safety/performance, third‑party risks). Si sostiene la necessità di team multidisciplinari e di pratiche di AI risk management lungo tutto il ciclo dati – modello – deploy. Vengono trattati anche gli impatti macroeconomici attesi: l’Intelligenza Artificiale è un volano di crescita potenzialmente capace di aggiungere rilevanti quote al PIL globale entro il 2030. I paesi avanzati e quelli con ecosistemi tecnologici maturi dovrebbero beneficiare maggiormente, infatti le imprese che adottano l’Intelligenza Artificiale possono incrementare sensibilmente i flussi di cassa, mentre i ritardatari rischiano contrazioni. Sul lavoro, si prevede crescita delle professioni ad alta intensità digitale e riduzione delle mansioni ripetitive; • si affronta la digitalizzazione d’impresa come percorso di medio – lungo periodo che richiede non solo tecnologie, ma anche cambiamento culturale, organizzativo e competenze specifiche. In Italia, gli investimenti risultano ancora più orientati a infrastrutture (gestionali, connettività, cloud) che a tecnologie applicative avanzate e ciò segnala un gap da colmare in termini di Digital Maturity. È centrale la transizione verso la Smart Manufacturing, in cui il dato diventa fondamentale nei processi. Il lavoro descrive il ciclo di vita del dato (fonti, integrazione/ETL, storage/warehouse, processing/cleaning, analytics & feedback) e mostra come l’elaborazione Data Driven migliori efficienza, qualità e time‑to‑market anche oltre il reparto produttivo (marketing, demand planning, supply chain). Una sezione corposa è dedicata al Data Management che pone l’accento sulla continuità operativa, sulla qualità e sicurezza degli asset informativi e sull’interoperabilità tra sistemi con ruoli e responsabilità definiti. Si passa poi “dalla teoria alla pratica”, illustrando come l’Intelligenza Artificiale, integrata con i sistemi MES/PLM/CRM, abiliti manutenzione predittiva, controllo qualità in linea, scheduling dinamico, automazione intralogistica e, più in generale, la riconfigurabilità dei processi in ottica di Industria 4.0. Si menziona anche lo Smart Working come nuovo assetto organizzativo reso possibile dal digitale, con impatti su produttività, coordinamento e benessere. • si definisce cosa sia un’impresa A.I. – Driven: un’organizzazione che incorpora l’Intelligenza Artificiale nel core della strategia e della gestione, facendo leva su dati, algoritmi e piattaforme per creare, distribuire e catturare valore. Vengono presentate le competenze e le nuove figure professionali richieste, gli elementi architetturali e le quattro fasi della trasformazione del modello operativo digitale. La transizione da un modello tradizionale a uno “A.I.‑centrico” comporta: o revisione della strategia competitiva; o ridefinizione di governance e processi decisionali; o integrazione della supply chain “inside‑out” e “outside‑in”, con automazione degli ordini e gestione predittiva dei colli di bottiglia. Ostacolo critico è il reperimento di talenti. Sul fronte manageriale, l’Intelligenza Artificiale rafforza pianificazione e budgeting, controllo di gestione data‑centric e gestione del rischio. • si intreccia l’Intelligenza Artificiale con la sostenibilità ambientale e la più ampia sostenibilità digitale. Si analizzano i benefici, come la riduzione di consumi e di emissioni tramite l’efficienza energetica e l’ottimizzazione dei carichi IT; la reputazione e la fiducia ESG; i risparmi operativi; la conformità normativa; la cyber‑resilienza; le migliori decisioni Data – Driven e il contenimento sprechi, accanto ai rischi e alle esternalità, come ad esempio gli impatti dei data center. In ambito infrastrutturale, sono discussi casi e metriche come il PUE (Power Usage Effectiveness) e soluzioni per il raffreddamento efficiente (acqua di mare, climi freddi, evaporativo), anche in contesti italiani. L’idea chiave è che la sostenibilità digitale richieda interventi combinati tecnologici, organizzativi e culturali. Il testo collega il discorso alle policy europee, in particolare alla Digital Compass 2030 e agli strumenti di misurazione come il Digital Sustainability Index (DiSI), che mappa consapevolezza, competenze, comportamenti e differenze territoriali, individuando profili di popolazione e priorità di intervento. Tra le tecnologie abilitanti per la sostenibilità digitale, la tesi evidenzia: o IoT per monitoraggio energetico, gestione illuminazione/clima, qualità dell’aria, traffico, logistica e sicurezza; o Digital twin per simulazione, ottimizzazione di risorse, riduzione di CO₂, sicurezza sul lavoro e trasformazione dei processi di progettazione, produzione e manutenzione. Si richiama anche l’interesse crescente delle imprese verso obiettivi di sostenibilità nell’adozione dell’Intelligenza Artificiale, a fronte di ostacoli in competenze, costi e complessità dei dati. Le conclusioni ribadiscono che l’Intelligenza Artificiale non è solo tecnologia, ma leva di politica industriale e di trasformazione organizzativa capace di ridisegnare catene del valore, modelli decisionali e relazioni con gli stakeholder. Il valore generato è sostenibile quando l’adozione è responsabile: dati governati, rischi presidiati, processi trasparenti, persone formate e coinvolte. In produzione, l’Intelligenza Artificiale abilita manutenzione predittiva, ottimizzazione e qualità. In prospettiva, essa va considerata come General Purpose Technology: potenzialmente pervasiva, ma da integrare entro confini etici, giuridici e ambientali chiari, con investimenti in capitale umano e infrastrutture verdi.