LA DIGITAL TRANSFORMATION E IL DATA SCIENTIST

• Digital Transformation: Innovazione tecnologica vs Strategia organizzativa
• La migliore strategia della Digital transformation
• I fattori abilitanti
• Il dato come miglioramento continuo
• Un approccio alla Data Analysis
• Le competenze del Data scientist
• Data Governance come fattore abilitante della Data Science
• Potenziali progetti di Data analytics - Gruppo di Lavoro

GOVERNANCE PROGETTUALE E PROJECT WORK

• Best practice ed esempi dal campo
• Governance progettuale
• Impostazione project work

EXECUTIVE LAB – SETTING UP A DATA-DRIVEN PROJECT ON A REAL USE CASE

• Project Definition: chiarire il problema aziendale, definire obiettivi misurabili e stabilire criteri chiari di successo
• Data Identification and Evaluation: mappare le fonti di dati disponibili, valutare qualità e accessibilità e identificare eventuali lacune informative
• Initial Operational Setup: definire i ruoli del team, gli strumenti, le risorse e i tempi per avviare il progetto in modo realistico e sostenibile
• Practical Data Exercise: analizzare un dataset reale, interpretare i risultati e discutere le implicazioni sulle decisioni
• Wrap-Up: riassumere i principali risultati e costruire una roadmap concreta per la fase successiva del progetto

 Riduci

RACCOLTA DATI DAL CAMPO

• Raccolta dati dal campo: Tecnologie per la raccolta e l’elaborazione dei dati, Interconnessione delle apparecchiature con protocolli tradizionali e Industry 4.0, Edge device e gateway per l’integrazione, Interconnessione tra livello OT e IT
• Architetture di elaborazione e storicizzazione: Architetture On Premises e Cloud, Concetti di Edge Computing e Fog Computing, Livelli di elaborazione e storicizzazione
• Gestione del flusso dati: Diodi dati, buffer, sistemi di data pipeline, Qualità, validazione e filtraggio del dato, Dimensionamento dei livelli di elaborazione e storicizzazione, sicurezza e continuità del flusso informativo

ROADMAP E KPI PIANO AI IN AZIENDA

• AI Act in pillole: quadro normativo, approccio “risk-based” e tempistiche
• Impatto sui settori industriali: analisi dei casi d’uso classificati “high-risk” (biometria, infrastrutture critiche, education, HSE, etc.) e relative procedure di valutazione, testing, incident reporting e trasparenza previste dall’AI Act
• Metodologia per il piano di adozione dell’AI in azienda: assessment di maturità, allineamento con la strategia di business, prioritizzazione dei casi d’uso, analisi costi-benefici e definizione di un backlog di progetti
• Governance e gestione del rischio: ruoli (AI Office, compliance team interno), policy “AI-by-design”, monitoraggio continuo, audit e documentazione tecnica per dimostrare conformità
• Fondamenti di prompt engineering: tecniche di struttura del prompt (ruolo-compito-contesto)
• Laboratorio pratico di prompt engineering: elaborazione di un caso d’uso industriale: scrittura iterativa di prompt, valutazione dei risultati
• Roadmap & KPI: come dare misura (e governance) al viaggio di adozione dell’AI

DATA LAKE E DATA VISUALIZATION

• Introduzione concetti fondamentali
• Data Warehouse e DataLake
• Trasformazione dei dati, tipologie e trasformazioni comuni
• ETL vs ELT: Scelte Architetturali
• Connessione alle fonti dati
• Data Pipeline: Dalla Progettazione all'Implementazione
• Esercitazione ed esempio pratico con PowerBi
• Piattaforma Azure e Fabric

 Riduci

STATISTICAL LEARNING

• Measurement System Analysis: l’importanza di quantificare e contenere l’errore delle misure sperimentali
• Gage R&R: ripetibilità e riproducibilità delle misure
• Attribute Agreement Analysis: misurare le valutazioni soggettive degli operatori
• AI e misure: tecnologie e soluzioni AI per rilevare difetti e valori
• Carte di controllo: monitorare grandezze fisiche e andamenti con strumenti statistici pensati per l’industria
• Capacità di processo: misurare la performance di un processo
• AI per l’automazione del controllo qualità
• Sistemi integrati intelligenti per il controllo di macchinari
• Manutenzione predittiva e analisi prescrittiva
• Analisi della varianza: capire quali variabili influenzano l’andamento di un KPI di processo o di prodotto
• Modelli matematici: cosa sono, come si creano e perché sono fondamentali
• Metodi di regressione: il cuore della modellazione statistica
• Guidelines: errori comuni da evitare e best practice
• Ottimizzazione: trovare soluzioni ottimali e robuste tramite modelli matematici
• Simulazione: come realizzare praticamente il design for six sigma e il quality by design

 Riduci

MACHINE LEARNING

• Introduzione al Machine Learning con esempi pratici in R, Python e Statistica
• Classificazione e regressione per prevedere etichette e valori numerici
• Algoritmi principali: alberi decisionali, ensemble models, random forest
• Ottimizzazione e valutazione con parametri, iperparametri e metriche di performance
• Problematiche comuni, riproducibilità e messa in opera di soluzioni ML

DEEP LEARNING

• Introduzione, obiettivi e requisiti del Deep Learning
• Dalla struttura del neurone a strati, funzioni di attivazione e apprendimento
• Backpropagation, gradient descent, ottimizzatori e tecniche di regolarizzazione
• Architetture principali, ricerca di iperparametri e utilizzo di modelli pre-addestrati
• Transfer learning, fine-tuning e messa in produzione di soluzioni Deep Learning

AI GENERATIVA

• Introduzione all’AI generativa e utilizzo di dati sintetici
• LP e embeddings per comprendere e rappresentare il linguaggio
• Large Language Models: funzionamento, costi e tokenizzazione
• Modelli cloud e on-premises, aperti e proprietari, e gestione della memoria
• Agenti AI e applicazioni avanzate con LLM

 Riduci