Artificial Intelligence for Manufacturing Data Quality: A Systematic Review of Trends, Techniques and Challenges

L’integrazione dell’intelligenza artificiale (IA), in particolare del machine learning e del deep learning, nei processi manifatturieri è aumentata significativamente negli ultimi anni, rendendo la qualità dei dati un prerequisito essenziale per sistemi di IA affidabili e trasparenti. La tesi indaga in modo sistematico come l’IA venga applicata per valutare e migliorare l’affidabilità dei dati in ambito manifatturiero, con l’obiettivo di consolidare le conoscenze esistenti, individuare i principali gap e fornire linee guida per approcci di IA più robusti. La ricerca si fonda su una revisione sistematica della letteratura condotta secondo le linee guida PRISMA 2020, scelte per il loro rigore metodologico, la trasparenza e la riproducibilità. La raccolta dei documenti è stata effettuata attraverso i database Scopus e Web of Science. Inoltre, è stato introdotto un innovativo passaggio di filtraggio semantico con l’utilizzo di Python , che ha permesso di selezionare i documenti in base alla similarità concettuale con parole chiave predefinite, consentendo l’analisi di oltre 22.000 record e la costruzione di un corpus finale di 164 studi. Tale filtraggio ha raggiunto un’accuratezza di circa l’86%, garantendo una valutazione solida. L’analisi del testo completo del corpus finale evidenzia un’evoluzione nella concettualizzazione della qualità dei dati, che si è spostata da attributi intrinseci come accuratezza e completezza verso dimensioni più avanzate, tra cui equità e generalizzazione tra domini differenti. Parallelamente, i metodi di IA sono passati da semplici controlli basati su regole predefinite a tecniche di deep learning e architetture ibride. Tuttavia, permangono sfide significative, in particolare l’assenza di riferimenti comparativi standardizzati , il problema dello sbilanciamento delle classi e l’elevato costo della fase di etichettatura dei dati. In conclusione, la ricerca evidenzia come l’IA sia ormai indispensabile per la gestione della qualità dei dati nei processi manufatturieri, benché presenti ancora limiti di natura strutturale e metodologica. Sebbene vi sia consenso sulla centralità della qualità dei dati, tra i settori industriali permane una notevole variabilità nella definizione e nell’implementazione delle metriche. La recente introduzione dello standard ISO/IEC 5259 rappresenta un passo promettente verso l’armonizzazione e costituisce una base per lo sviluppo futuro di framework unificati per un’AI affidabile e incentrata sui dati applicabile a contesti complessi della manifattura avanzata.