Rosa Arboretti Giancristofaro, rosa.arboretti@unipd.it

Tematiche di ricerca:

Disegno degli esperimenti e verifica di ipotesi non parametrica
La ricerca è volta a individuare soluzioni metodologiche di progettazione e analisi di esperimenti complessi in cui è di interesse il confronto tra diversi trattamenti (condizioni sperimentali, processi, prodotti) e lo studio di come variabili di input possono influire su una o più variabili di output (variabili risposta). La complessità può risiedere sia nelle caratteristiche dell’esperimento (disegni a blocchi, misure ripetute, randomizzazione ristretta, disegni di miscele), sia nella tipologia delle variabili risposta multivariate o miste e nel tipo di ipotesi da sottoporre a verifica tramite test statistici di ipotesi (alternative multivariate e direzionali, dominanza stocastica). Dopo una progettazione opportuna dell’esperimento tramite tecniche di Disegno degli esperimenti (DoE), l'inferenza non parametrica basata sulla metodologia della combinazione non parametrica di test di permutazione dipendenti (NPC), può consentire di superare la maggior parte delle problematiche inferenziali. Sviluppi della metodologia NPC possono rappresentare soluzioni interessanti a supporto della ricerca ingegneristica, dello sviluppo industriale e dell’innovazione tecnologica.

Disegno degli esperimenti e tecniche di Machine Learning per l’analisi di Big Data
Un ulteriore tema di ricerca riguarda l’uso integrato di tecniche di Disegno degli esperimenti (DoE) e di Machine Learning (ML) per l’analisi di Big Data per fini previsionali, di classificazione o di ottimizzazione di prodotti. Uno dei limiti delle tecniche ML è la difficoltà a individuare nessi causali tra variabili e di limitarsi a evidenziare solo correlazioni. Inoltre i modelli ML tendono a funzionare come una black box in cui l’algoritmo di analisi, dopo una fase di addestramento, procede in autonomia a sviluppare le proprie logiche, rendendo difficile la comprensione generale del percorso di analisi. Al fine di attenuare tali problematiche, è in fase di studio un approccio innovativo per integrare la metodologia DoE con la modellizzazione ML. Uno dei settori nei quali poter testare e implementare il metodo è quello della manutenzione predittiva. La grande disponibilità di sensori per il monitoraggio della condizione dei macchinari, assieme alla possibilità di avere il controllo sul funzionamento degli stessi e quindi poter effettuare delle prove sperimentali, rende tale ambito uno dei contesti naturali di applicazione di un approccio integrato DoE/ML per lo sviluppo di sistemi di fault detection.

Parole chiave: Verifica di ipotesi non parametrica, Analisi di Big Data, Disegno degli esperimenti