La crescente complessità dei sistemi informativi aziendali rende sempre più onerosa la comprensione e la gestione degli schemi di database relazionali, spesso caratterizzati da migliaia di tabelle, documentazione obsoleta e una forte stratificazione storica. In questo contesto, attività fondamentali come l’analisi dei dati, la data governance e il refactoring architetturale richiedono strumenti in grado di supportare in modo automatico ed efficace la scoperta della struttura logica sottostante ai dati. Questa tesi si inserisce all’interno del progetto Dataslice AI, con l’obiettivo di investigare e sviluppare tecniche di clustering applicate a grafi di database relazionali, finalizzate all’individuazione automatica di domini funzionali coerenti. Lo schema di un database viene modellato come un grafo, in cui i nodi rappresentano le tabelle e gli archi le relazioni di integrità referenziale, consentendo l’applicazione di algoritmi di community detection per far emergere la struttura modulare latente del sistema.