Progetto di Design e Sviluppo Software Cloud/IoT per Servizi AI/ML-Based

L’attuale panorama industriale, guidato dal paradigma dell’Industria 4.0, richiede ai produttori di hardware una transizione strategica verso la fornitura di servizi analitici avanzati. Il presente lavoro di tesi, svolto in collaborazione con Datalogic S.p.A., documenta la progettazione e lo sviluppo di una pipeline software Cloud-Native end-to-end su architettura Azure Databricks, finalizzata alla gestione remota e alla manutenzione predittiva di flotte eterogenee di dispositivi IoT. Il progetto affronta le criticità intrinseche dei log industriali reali — quali l’elevata rumorosità, la presenza di duplicati logici e la scarsità di eventi di guasto etichettati — attraverso una duplice strategia ingegneristica. Da un lato, l’implementazione di una Medallion Architecture scalabile, ottimizzata tramite logiche di Semantic Hashing per garantire l’idempotenza e l’integrità del dato nel Data Lakehouse. Dall’altro, lo sviluppo di un motore di generazione di dati sintetici stocastico, capace di modellare il ciclo di vita dei dispositivi e iniettare anomalie fisicamente coerenti come Memory Leak, stress termici e degradazione energetica della batteria. L’intelligenza del sistema si articola su un modello ibrido: un classificatore Random Forest per la diagnostica globale dei guasti, che ha raggiunto un’accuratezza del 93,6%, e un motore di regressione lineare locale per la prognosi in tempo reale della vita utile residua (Remaining Useful Life - RUL). I servizi predittivi sono stati infine integrati in un’applicazione di Analytics interattiva sviluppata con Streamlit, validata tramite suite di test automatizzati in pytest. Il risultato è un ecosistema solido che trasforma i flussi di telemetria grezzi in insight operativi, riducendo i tempi di fermo produzione e abilitando strategie di manutenzione proattiva.