Il rilevamento delle anomalie è un importante campo di ricerca nella letteratura sul Machine Learning e sull'Intelligenza Artificiale, in particolare nelle applicazioni industriali. L'identificazione efficace e precoce di problemi in un processo industriale è fondamentale per operare interventi immediati, evitare danni e quindi ridurre i costi. Tuttavia, una questione spesso trascurata nel contesto della rilevazione delle anomalie è quella della spiegazione delle anomalie, sacrificando così l'interpretabilità. Il sistema di anomaly detection diventa così una cosiddetta "scatola nera", di cui ci si può fidare solo ciecamente. Questa tesi, ospitata da Data Reply, presenta un algoritmo basato su ML finalizzato all'estrazione di regole human-comprehensible che caratterizzano e spiegano la classe anomala nel contesto di un dataset supervisionato con etichette binarie, ottenuto da una precedente fase di anomaly detection.