Digital twin di impianti industriali, ecco come si creano

La convergenza di tre tecnologie chiave – Edge AI, Federated Learning e Digital Twins – sta guidando una trasformazione profonda. Questa sinergia permette ai sistemi industriali di evolvere: non più solo automatizzati, ma cognitivi, predittivi e progressivamente autonomi. Si passa così dall’automazione, intesa come l’esecuzione efficiente di compiti pre-programmati, all’autonomia, ovvero la capacità di un sistema di prendere decisioni decentralizzate e di apprendere dall’esperienza per auto-ottimizzarsi.² Questo salto evolutivo risponde direttamente alle esigenze strategiche dell’industria moderna: maggiore produttività, flessibilità estrema nella personalizzazione dei prodotti e un decisivo aumento della competitività globale.⁴

Questi tre pilastri tecnologici, operando in concerto, conferiscono a macchine e processi una sorta di “cyber-coscienza”, trasformandoli da oggetti passivi a partecipanti attivi di un ecosistema intelligente e interconnesso.³ L’Edge AI sposta l’intelligenza ai margini della rete, il Federated Learning permette a questa intelligenza distribuita di apprendere collettivamente e in sicurezza, e il Digital Twin fornisce il campo da gioco virtuale dove questa intelligenza può monitorare, simulare e prevedere. Insieme, non si limitano a ottimizzare la fabbrica di oggi, ma gettano le fondamenta per le reti di valore autonome di domani.

I Pilastri della trasformazione: tecnologie a confronto

Per comprendere la portata della rivoluzione in atto, è fondamentale analizzare singolarmente i tre pilastri tecnologici che la sostengono. Ognuno di essi risponde a specifiche limitazioni dei modelli centralizzati, e la loro combinazione crea un’architettura intrinsecamente più potente, resiliente e sicura.

Edge AI

L’Edge AI, o Intelligenza Artificiale Periferica, rappresenta la fusione tra Edge Computing e AI. Invece di inviare l’enorme mole di dati generati dai sensori a un server cloud centralizzato per l’analisi, gli algoritmi di machine learning vengono eseguiti direttamente “sull’edge”, ovvero su dispositivi locali come gateway industriali, sensori intelligenti o all’interno dei macchinari stessi.⁵ Questo approccio decentralizzato ribalta il modello tradizionale e porta con sé vantaggi strategici.

I benefici chiave dell’Edge AI sono:

• Latenza Ridotta: l’elaborazione locale permette di prendere decisioni in millisecondi. Questo è un requisito non negoziabile per applicazioni critiche in tempo reale, come un veicolo a guida autonoma che deve evitare una collisione, un robot industriale che deve adattarsi istantaneamente a un cambiamento sulla linea di montaggio o un sistema di sicurezza che deve rilevare un’intrusione.⁶ L’attesa del round-trip verso il cloud sarebbe semplicemente troppo lunga.
• Efficienza di rete e riduzione dei costi: trasferire flussi continui di dati grezzi, specialmente video o dati da sensori ad alta frequenza, consuma un’enorme larghezza di banda e comporta costi significativi per l’archiviazione e l’elaborazione in cloud. Con l’Edge AI, vengono trasmessi solo i risultati rilevanti o i dati aggregati, riducendo drasticamente il carico sulla rete e i costi operativi.²
• Robustezza e autonomia operativa: i sistemi industriali spesso operano in ambienti con connettività instabile o assente, come impianti petroliferi offshore, miniere o asset mobili come droni e macchinari agricoli. L’Edge AI garantisce che questi sistemi possano continuare a funzionare in modo intelligente e autonomo anche senza una connessione costante a Internet.²
• Privacy e sicurezza dei dati: mantenere i dati sensibili e proprietari—come i parametri di un processo produttivo o le immagini di un controllo qualità—all’interno del perimetro fisico dell’azienda è un enorme vantaggio. L’elaborazione locale riduce la superficie di attacco, minimizza il rischio di intercettazione dei dati durante la trasmissione e facilita la conformità a normative sulla sovranità dei dati come il GDPR.⁸

Federated Learning

Se l’Edge AI distribuisce l’intelligenza, il Federated Learning (FL) le insegna a collaborare. Il FL è un approccio di machine learning decentralizzato che risolve un paradosso fondamentale: come addestrare modelli AI potenti, che richiedono dati vasti e diversificati, senza centralizzare tali dati e compromettere la privacy o la proprietà intellettuale?.¹¹ Il suo paradigma può essere riassunto con lo slogan “porta il modello ai dati, non i dati al modello”.¹³

Il meccanismo del Federated Learning è un processo iterativo ed elegante:

1. Distribuzione: un server centrale, o coordinatore, distribuisce un modello AI generico (il “modello globale”) a un insieme di dispositivi periferici (i “client”), che nel contesto industriale possono essere gateway di fabbrica o macchinari specifici.
2. Addestramento Locale: ogni client addestra il modello utilizzando esclusivamente i propri dati locali. Questo processo personalizza il modello in base alle condizioni operative e ai dati specifici di quel nodo, senza che nessuna informazione grezza lasci mai il dispositivo.
3. Aggiornamento sicuro: invece di inviare i dati, i client trasmettono al server centrale solo gli aggiornamenti apportati al modello, ovvero i parametri (pesi o gradienti) che rappresentano ciò che il modello ha “imparato”. Si tratta di informazioni matematiche, non di dati grezzi.
4. Aggregazione globale: il server aggrega gli aggiornamenti provenienti da tutti i client (spesso utilizzando un metodo come la media pesata, o Federated Averaging) per creare una nuova versione, migliorata, del modello globale.
5. Iterazione: il nuovo modello globale, che ora incorpora la conoscenza collettiva di tutti i partecipanti, viene ridistribuito ai client, e il ciclo ricomincia.¹⁶

Nel contesto industriale si adotta principalmente un approccio “cross-silo”, dove un numero definito di entità (ad esempio, diversi stabilimenti della stessa azienda o un consorzio di imprese) collabora per addestrare un modello condiviso.¹⁴ I benefici strategici sono immensi:

• Privacy by design: Il FL è intrinsecamente progettato per proteggere la privacy. Questo non è un “add-on”, ma il suo principio fondante, rendendolo ideale per settori altamente regolamentati e per la gestione di dati proprietari.¹³
• Collaborazione tra concorrenti: il FL apre scenari di collaborazione prima impensabili. Aziende concorrenti che utilizzano lo stesso tipo di macchinario possono collaborare per addestrare un modello di manutenzione predittiva comune, migliorando l’affidabilità per tutti senza rivelare i propri segreti industriali.¹⁰
• Modelli più robusti con meno bias: addestrare un modello su dati eterogenei provenienti da contesti operativi diversi (stabilimenti in climi diversi, con materie prime differenti) lo rende molto più robusto e generalizzabile rispetto a un modello addestrato su un set di dati limitato e omogeneo di un singolo sito. Questo riduce il rischio di bias e migliora le performance del modello nel mondo reale.¹²

Digital Twin

Il terzo pilastro è il Digital Twin (DT), o Gemello Digitale. È fondamentale non confonderlo con un semplice modello 3D o una simulazione statica. Un Digital Twin è una replica virtuale dinamica di un asset fisico (una turbina, un motore), di un processo (una linea di assemblaggio) o di un intero sistema (una fabbrica, una rete elettrica).¹⁹ La sua essenza risiede in tre componenti fondamentali:

1. L’entità fisica nel mondo reale.
2. L’entità virtuale nello spazio digitale.
3. Il flusso di dati continuo e bidirezionale che le collega, garantito da sensori IoT.²¹

Questa connessione costante permette al Digital Twin di non essere solo una rappresentazione, ma uno specchio vivo che riflette lo stato dell’asset fisico in tempo reale. Le sue funzionalità vanno oltre il semplice monitoraggio: un DT permette di analizzare lo stato presente, simulare scenari futuri (“what-if”, ad esempio testando l’impatto di un nuovo ciclo produttivo senza fermare la produzione reale) e, soprattutto, prevedere comportamenti futuri, come guasti o cali di performance.²⁰ Questo abilita una transizione strategica da una manutenzione reattiva (“riparo quando si rompe”) o preventiva (“riparo a intervalli fissi”) a una manutenzione predittiva e prescrittiva (“intervengo esattamente quando serve e nel modo più efficace”).¹⁹ Il concetto, nato per singoli componenti, si sta espandendo a sistemi complessi come intere città (Singapore) o infrastrutture energetiche, dimostrando la sua incredibile scalabilità.²⁰

Come creare il giusto digital twin per impianti industriali

Presi singolarmente, Edge AI, Federated Learning e Digital Twins sono potenti strumenti di innovazione. Ma è la loro integrazione sinergica a creare un’architettura rivoluzionaria, un vero e proprio sistema nervoso per l’industria del futuro. Questa combinazione dà vita a un ecosistema cognitivo in grado di apprendere, adattarsi e auto-ottimizzarsi in un ciclo continuo. Vediamo come funziona questo ciclo virtuoso.

L’architettura di questo sistema può essere descritta come un anello di feedback auto-migliorante che opera su tre livelli: locale, collettivo e globale.

1. Riflessi in tempo reale (Edge AI + Digital Twin): tutto parte dall’asset fisico, ad esempio un braccio robotico su una linea di montaggio. I suoi sensori (di vibrazione, temperatura, posizione) generano un flusso costante di dati. Questi dati non vengono inviati al cloud, ma sono catturati e processati istantaneamente da un gateway edge locale. Su questo gateway, un modello di Edge AI analizza i dati in tempo reale e aggiorna lo stato del Digital Twin del robot.²³ Il risultato è che il gemello digitale non è più un modello che insegue la realtà con un certo ritardo, ma uno specchio perfettamente sincronizzato, che riflette ogni micro-secondo della vita operativa dell’asset fisico.
2. Apprendimento e reazione locale (Edge AI): il modello AI sull’edge non si limita a un ruolo passivo di monitoraggio. Esegue inferenze continue, confrontando i dati in tempo reale con i pattern appresi. Se rileva un’anomalia che precede un potenziale guasto, può innescare un’azione immediata (es. ridurre la velocità del robot) o inviare un alert specifico. Contemporaneamente, il modello si “personalizza”, imparando le sfumature operative uniche di quel specifico robot nel suo specifico contesto.¹⁰
3. Intelligenza collettiva (Federated Learning): l’apprendimento locale, per quanto potente, è isolato. Qui interviene il Federated Learning per rompere i silos di conoscenza. Il gateway edge del nostro robot si connette a una rete federata che include i gateway di tutti gli altri robot simili, magari dislocati in stabilimenti diversi in tutto il mondo. Periodicamente, ogni gateway non invia i dati grezzi, ma i parametri aggiornati del suo modello locale a un server di aggregazione centrale. Questo scambio sicuro garantisce che la conoscenza venga condivisa senza esporre dati operativi sensibili.²³
4. Creazione del modello globale ottimizzato: il server di aggregazione raccoglie gli “apprendimenti” (gli aggiornamenti dei parametri) da tutta la flotta di robot. Aggregando queste informazioni, crea un “modello predittivo globale” che è esponenzialmente più intelligente e robusto di qualsiasi modello locale. Questo modello globale beneficia dell’esperienza collettiva: ha imparato a riconoscere un pattern di guasto raro che si è verificato solo in uno stabilimento in Messico, un’inefficienza energetica emersa in Germania e una vibrazione anomala rilevata in Cina.¹⁴
5. Conoscenza distribuita: il ciclo si completa quando il nuovo modello globale, arricchito dalla conoscenza collettiva, viene ridistribuito a tutti i gateway edge della flotta. Ora, il modello AI che alimenta il Digital Twin di ogni singolo robot è stato potenziato. Ogni gemello digitale è diventato più “saggio”, capace di previsioni più accurate e di simulazioni più realistiche, perché non si basa più solo sulla propria storia operativa, ma sull’esperienza combinata dell’intera flotta globale.²⁵

Questa architettura innesca un processo che va oltre il semplice miglioramento. Un Digital Twin tradizionale è uno strumento di monitoraggio e simulazione passivo, gestito da un operatore umano. L’aggiunta dell’Edge AI lo trasforma in uno strumento di monitoraggio attivo, capace di reazioni locali in tempo reale. Ma è l’integrazione del Federated Learning che cambia la natura stessa del sistema. Il Digital Twin non è più solo uno specchio; diventa un’entità che apprende, si evolve e migliora continuamente. Poiché il suo apprendimento si basa sui dati dell’asset fisico, e le operazioni dell’asset fisico vengono ottimizzate in base alle previsioni del gemello intelligente, i due entrano in un ciclo di co-evoluzione. L’asset fisico diventa più efficiente grazie all’intelligenza del suo gemello, e il gemello diventa più predittivo grazie ai dati sempre più ottimizzati provenienti dall’asset fisico. La sinergia non crea quindi un semplice “Digital Twin intelligente”, ma un Sistema Cyber-Fisico Adattivo e Auto-ottimizzante, segnando un salto concettuale fondamentale per l’industria.

Applicazioni pratiche

La teoria di questa convergenza tecnologica si traduce in valore di business tangibile e misurabile. Le aziende leader stanno già esplorando e implementando queste architetture per risolvere problemi complessi, passando da un’ottimizzazione locale a una resilienza su scala globale.

Manutenzione predittiva di flotta: Siemens

Immaginiamo un operatore di parchi eolici che gestisce migliaia di turbine distribuite in località remote, spesso offshore. La manutenzione è un’operazione logisticamente complessa e costosa, e un guasto imprevisto a una turbina può causare perdite economiche ingenti per ogni giorno di fermo.

Ogni turbina viene equipaggiata con un Edge Gateway che ospita il suo Digital Twin.¹⁹ I modelli di Edge AI analizzano in tempo reale i dati provenienti da decine di sensori: vibrazioni dei cuscinetti, temperatura dell’olio, velocità di rotazione, stress torsionale. Attraverso il Federated Learning, il modello predittivo di ogni turbina impara non solo dalla propria esperienza, ma anche dai micro-guasti, dalle anomalie e dalle condizioni operative di tutte le altre turbine della flotta globale. Questo avviene senza mai condividere dati operativi sensibili come la produzione energetica o le strategie di gestione, che rimangono di proprietà dell’operatore locale.¹⁰ Aziende come Siemens stanno attivamente perseguendo questi approcci per la manutenzione di turbine e altri asset industriali complessi, sfruttando i gemelli digitali per simulare, prevedere e ottimizzare.¹⁹

Il sistema diventa capace di prevedere un potenziale guasto con settimane o mesi di anticipo, con una precisione molto maggiore. La previsione non si basa più solo sulla storia di una singola macchina, ma sui deboli segnali e sui pattern emergenti dall’analisi dell’intera flotta. Questo permette di passare da una manutenzione reattiva a una pianificazione proattiva e ottimizzata, raggruppando gli interventi, ordinando i ricambi in anticipo e riducendo drasticamente i tempi di inattività e i costi operativi.³¹

L’esempio di Bosch

In uno stabilimento manifatturiero avanzato, come quelli del settore automotive o dell’elettronica di consumo, diverse linee di produzione assemblano prodotti sempre più complessi e personalizzati. I difetti possono essere microscopici e variare a seconda del lotto di materie prime o di piccole derive nei parametri di processo.

Su ogni linea di assemblaggio, sistemi di visione artificiale basati su Edge AI ispezionano ogni singolo prodotto in tempo reale.² Questi sistemi locali sono addestrati a riconoscere un’ampia gamma di difetti noti. Quando un sistema su una linea rileva un nuovo tipo di difetto, mai visto prima, aggiorna il suo modello locale. Tramite Federated Learning, questo “apprendimento” viene condiviso con tutti gli altri sistemi di ispezione della rete, senza mai scambiare le immagini dei prodotti, che costituiscono proprietà intellettuale. Aziende come Bosch stanno guidando questa transizione, con l’obiettivo strategico di rendere ogni prodotto abilitato all’AI o prodotto con l’aiuto dell’AI, sfruttando l’Edge AI per ottimizzare la produzione e garantire la massima qualità.³²

Una linea di produzione in Europa può imparare a riconoscere un difetto sottile che è apparso per la prima volta su una linea gemella in Asia, quasi istantaneamente. L’intelligenza collettiva permette di intercettare e correggere problemi di qualità su scala globale prima che si trasformino in costosi richiami di prodotto. Questo porta a una drastica riduzione degli scarti, a un aumento del tasso di conformità al primo tentativo (First Time Yield) e a un miglioramento complessivo della reputazione del marchio.²

Questi esempi rivelano una traiettoria evolutiva che va ben oltre l’ottimizzazione del singolo impianto. La manutenzione predittiva e il controllo qualità migliorano la resilienza operativa di una fabbrica. Il Federated Learning estende questa capacità, creando una resilienza a livello di intera organizzazione, permettendo a tutti gli stabilimenti di un’azienda di collaborare e imparare collettivamente. Il passo successivo è estendere questo concetto all’intera filiera. Si pensi a un produttore di macchinari industriali, come un robot o una macchina CNC. Utilizzando questa architettura, potrebbe offrire ai suoi clienti un servizio di manutenzione predittiva federata. Ogni client addestra il modello AI localmente, sui propri dati di produzione, contribuendo a un modello globale che migliora per tutti, senza che il produttore del macchinario o gli altri clienti possano vedere i dati operativi proprietari. Questa architettura tecnologica diventa quindi un potente abilitatore per nuovi modelli di business basati sui servizi (servitization) e per la creazione di ecosistemi di dati collaborativi lungo intere catene del valore. Non si tratta più solo di ottimizzare la propria fabbrica, ma di creare valore condiviso e resilienza collettiva in tutto l’ecosistema industriale.

OFuturo dei digital twins cognitivi

L’adozione di questa potente sinergia tecnologica, sebbene promettente, non è un percorso privo di ostacoli. Le organizzazioni devono affrontare sfide tecniche, di sicurezza e culturali significative per poter sbloccare appieno il potenziale dei Digital Twins cognitivi. Tuttavia, l’orizzonte tecnologico mostra già le soluzioni che renderanno questi ecosistemi non solo più intelligenti, ma anche più affidabili e sicuri.

Una visione realistica deve tenere conto delle complessità intrinseche di questi sistemi distribuiti:

• Eterogeneità dei sistemi: il mondo industriale è caratterizzato da una vasta gamma di macchinari, protocolli e dispositivi. I nodi edge hanno capacità computazionali, di memoria e di connettività molto diverse. Gestire un processo di apprendimento federato su una rete così eterogenea, garantendo che i dispositivi meno potenti non diventino un collo di bottiglia, è una sfida complessa.³⁷
• Sicurezza del modello: il Federated Learning protegge i dati grezzi, ma introduce nuove superfici di attacco. La minaccia più nota è il model poisoning, in cui un partecipante malintenzionato invia deliberatamente aggiornamenti del modello corrotti per sabotare le performance del modello globale. Un’altra minaccia è l’attacco di inferenza, in cui un avversario tenta di ricostruire i dati di addestramento originali analizzando gli aggiornamenti dei parametri inviati da un client.¹³
• Overhead di comunicazione e scalabilità: sebbene il FL riduca drasticamente il traffico di rete rispetto alla centralizzazione dei dati, lo scambio continuo di aggiornamenti dei modelli in una rete con migliaia o milioni di dispositivi può ancora rappresentare un carico significativo e un problema di scalabilità.¹⁸
• Il fattore umano e le competenze: l’implementazione e la gestione di questi sistemi richiedono nuove figure professionali e competenze multidisciplinari. Non bastano più solo gli ingegneri operativi o i data scientist; servono team in grado di integrare competenze di ingegneria meccanica, automazione, data science, cybersecurity e architettura di sistemi distribuiti.¹⁹

Verso un ecosistema affidabile

Fortunatamente, la ricerca e l’innovazione stanno già fornendo gli strumenti per superare queste sfide e costruire ecosistemi industriali affidabili:

• Blockchain per la fiducia e la tracciabilità: la tecnologia blockchain può agire come un “notaio” decentralizzato, immutabile e trasparente per il processo di Federated Learning. Ogni aggiornamento del modello inviato da un client può essere registrato come una transazione su un registro distribuito. Questo crea una cronologia verificabile e a prova di manomissione dell’evoluzione del modello globale. Un’architettura di questo tipo mitiga direttamente il rischio di model poisoning (gli aggiornamenti dannosi sarebbero tracciabili e potrebbero essere esclusi) e aumenta la fiducia tra i partecipanti all’ecosistema, che possono verificare l’integrità del processo.²³
• Explainable AI (XAI): in contesti critici come la produzione industriale o la gestione di infrastrutture energetiche, non è sufficiente che un modello AI sia accurato; gli operatori umani devono potersi fidare delle sue decisioni. L’Explainable AI (IA Spiegabile) fornisce un insieme di tecniche per aprire la “scatola nera” dei modelli di machine learning. La XAI può rispondere a domande come: “Su quali parametri dei sensori ti sei basato per prevedere questo guasto?” o “Quali sono le caratteristiche più importanti che hanno portato a questa raccomandazione?”. Questa trasparenza è fondamentale per costruire la fiducia necessaria ad affidare decisioni operative critiche a un sistema autonomo e per accelerarne l’adozione.²³
• 6G : Se il 5G ha rappresentato l’autostrada per l’IIoT, il 6G sarà il sistema nervoso centrale per gli ecosistemi industriali del futuro. Con la promessa di latenze nell’ordine dei sub-millisecondi, larghezza di banda nell’ordine dei Terabit al secondo e un’affidabilità estrema, il 6G eliminerà ogni residuo di ritardo nella comunicazione. Questo permetterà una sincronizzazione quasi perfetta e istantanea tra gli asset fisici e i loro gemelli digitali, abilitando applicazioni di controllo e collaborazione in tempo reale oggi inimmaginabili, come sciami di robot che si coordinano con precisione millimetrica.²⁶

Dunque la convergenza di Edge AI, Federated Learning e Digital Twins, potenziata da tecnologie di fiducia come Blockchain e XAI e da connettività di nuova generazione come il 6G, non sta semplicemente ottimizzando le fabbriche esistenti. Sta ponendo le basi per un futuro industriale radicalmente diverso, caratterizzato da reti di valore resilienti, collaborative e autonome. Questi ecosistemi saranno in grado di adattarsi dinamicamente alle fluttuazioni del mercato, di auto-ripararsi, di ottimizzare l’uso delle risorse in modo sostenibile e di creare nuove forme di valore economico in modo sicuro e collaborativo.

Non stiamo assistendo solo al futuro dell’Industria 4.0. Stiamo osservando l’alba dell’Industria 5.0, un paradigma in cui la collaborazione intelligente e affidabile tra uomo e macchina, e tra macchine stesse, raggiunge un nuovo e più profondo livello di efficacia, spostando il focus dalla semplice efficienza tecnologica a una resilienza e sostenibilità centrate sull’uomo.

_

Ringraziamenti

Si ringraziano i membri, collaboratori ed amici del gruppo di ricerca M.O.D.A.L. (Mathematical MOdelling and Data AnaLisys) del Dipartimento di Matematica e Applicazioni “Renato Caccioppoli” – Università degli Studi di Napoli Federico II per le stimolanti discussioni sull’argomento trattato.

Si ringraziano il progetto G.A.N.D.A.L.F. – Gan Approaches for Non-iiD Aiding Learning in Federations, CUP: E53D23008290006, PNRR – Missione 4 “Istruzione e Ricerca” – Componente C2 Investimento 1.1 “Fondo per il Programma Nazionale di Ricerca e Progetti di Rilevante Interesse Nazionale (PRIN)”, PNRR 2022 and (3) PNRR project FAIR – Future AI Research (PE00000013), Spoke 9, under the NRRP MUR program funded by the NextGenerationEU.

Bibliografia

Fei Tao et al., Digital twin modeling, Journal of Manufacturing Systems, Volume 64, July 2022, Pages 372-389

Liu, X.; Dong, X.; Jia, N.; Zhao, W. Federated Learning-Oriented Edge Computing Framework for the IIoT. Sensors 2024, 24, 4182. https://doi.org/10.3390/s24134182

Raghubir Singh, Sukhpal Singh Gill, Edge AI: A survey, Internet of Things and Cyber-Physical Systems, Volume 3, 2023

I. Ahmed, G. Jeon and F. Piccialli, “From Artificial Intelligence to Explainable Artificial Intelligence in Industry 4.0: A Survey on What, How, and Where,” in IEEE Transactions on Industrial Informatics, vol. 18, no. 8, pp. 5031-5042, Aug. 2022

Zhang, R., Wang, F., Cai, J. et al. Digital twin and its applications: A survey. Int J Adv Manuf Technol 123, 4123–4136 (2022), https://doi.org/10.1007/s00170-022-10445-3

T. Meuser et al., “Revisiting Edge AI: Opportunities and Challenges,” in IEEE Internet Computing, vol. 28, no. 4, pp. 49-59, July-Aug. 2024, doi: 10.1109/MIC.2024.3383758.

Y. Mao, X. Yu, K. Huang, Y. -J. Angela Zhang and J. Zhang, “Green Edge AI: A Contemporary Survey,” in Proceedings of the IEEE, vol. 112, no. 7, pp. 880-911

Applicazioni di intelligenza artificiale nel mondo reale – Ultralytics, https://www.ultralytics.com/it/blog/understanding-the-real-world-applications-of-edge-ai

Che cos’è l’edge AI? – IBM, https://www.ibm.com/it-it/topics/edge-ai

Edge AI, vantaggi dell’intelligenza artificiale locale – Mecalux.it, https://www.mecalux.it/blog/edge-ai

Federated Learning: Improving Intelligent AI Systems with Industrial Edge Computers, https://premioinc.com/blogs/blog/federated-learning-improving-intelligent-ai-systems-with-industrial-edge-computers-nbsp

Federated learning: Overview, strategies, applications, tools and future directions – PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11466570/

What are the societal benefits of federated learning? – Milvus, https://milvus.io/ai-quick-reference/what-are-the-societal-benefits-of-federated-learning

Q. Li et al., “A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection,” in IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 4, pp. 3347-3366, 1 April 2023,

Federated Learning: Benefits, Uses & Best Practices – Kanerika, https://kanerika.com/blogs/federated-learning/

How Federated Learning Empowers Edge-Computing AI – Wissen, https://www.wissen.com/blog/how-federated-learning-empowers-edge-computing-ai

What Is Federated Learning? | IBM, https://www.ibm.com/think/topics/federated-learning

Federated Learning Architectures for Scalable and Secure Edge AI – AiThority, https://aithority.com/machine-learning/federated-learning-architectures-for-scalable-and-secure-edge-ai/

Digital Twin Manufacturing: guida completa alla rivoluzione digitale nell’industria, https://biblus.acca.it/digital-twin-manufacturing-guida-completa-alla-rivoluzione-digitale-nell-industria/

Digital twin: perché sta rivoluzionando l’industria 4.0 – PMF Research, https://pmf-research.eu/digital-twin-gemello-digitale-industria40-iot-ia-machine-learning-ar-vr/

Digital Twin, cos’è e come funziona. Esempi applicativi – Lumi, https://www.lumi4innovation.it/digital-twin-cose-come-funziona-e-perche-e-utile-agli-smart-building/

Le potenzialità dei digital twin nell’industria 4.0, https://www.focusindustria40.com/digital-twin-nellindustria-4-0/

Ababio, I.B.; Bieniek, J.; Rahouti, M.; Hayajneh, T.; Aledhari, M.; Verma, D.C.; Chehri, A. A Blockchain-Assisted Federated Learning Framework for Secure and Self-Optimizing Digital Twins in Industrial IoT. Future Internet 2025, 17, 13. https://doi.org/10.3390/fi17010013

Revolutionizing Operations: The Synergy of AI and Digital Twins Explained | by Valere, https://valerelabs.medium.com/revolutionizing-operations-the-synergy-of-ai-and-digital-twins-explained-81ec5697efdf

Edge AI and Federated Learning: Transforming Data Processing at the Edge – Medium, https://medium.com/@preeti.rana.ai/edge-ai-and-federated-learning-transforming-data-processing-at-the-edge-aa50aec29f22

Y. Lu, X. Huang, K. Zhang, S. Maharjan and Y. Zhang, “Low-Latency Federated Learning and Blockchain for Edge Association in Digital Twin Empowered 6G Networks,” in IEEE Transactions on Industrial Informatics, vol. 17, no. 7, pp. 5098-5107, July 2021, doi: 10.1109/TII.2020.3017668.

Digital Twin: il tuo alleato nella manutenzione predittiva per una produzione efficiente – PTC, https://www.ptc.com/it/blogs/corporate/digital-twin-for-predictive-maintenance

Digital twin case study | Siemens Software, https://resources.sw.siemens.com/en-US/video-digital-twin-manufacturing-case-study/

Charles Onyeka Nwamekwe, Okpala Charles Chikwendu. Machine learning-augmented digital twin systems for predictive maintenance in highspeed rail networks. International Journal of Multidisciplinary Research and Growth Evaluation, 2025, 06 (01), pp.1783-1795.

Case Study on Developing Digital Twins for the Power Industry using PhysicsNeMo and Omniverse S41671 | GTC Digital Spring 2022 | NVIDIA On-Demand, https://www.nvidia.com/en-us/on-demand/session/gtcspring22-s41671/

Abdullahi, I.; Longo, S.; Samie, M. Towards a Distributed Digital Twin Framework for Predictive Maintenance in Industrial Internet of Things (IIoT). Sensors 2024, 24, 2663. https://doi.org/10.3390/s24082663

5 ways Bosch is using AI [Case Study] [2025] – DigitalDefynd, https://digitaldefynd.com/IQ/bosch-using-ai-case-study/

Edge AI Services | Bosch Global Software Technologies PVT LTD, https://www.bosch-softwaretechnologies.com/en/services/engineering-services/engineering-smart-products/edge-ai-services/

Research projects on the use of AI in manufacturing | Bosch Global, https://www.bosch.com/research/research-fields/automation/research-on-industrial-automation/research-projects-on-the-use-of-ai-in-manufacturing/

A. A. Unar, A. V. Ozcan and M. ErelOzcevik, “An Efficient Federated Learning-Based Digital Twin Edge Network: A Case Study for Industry 4.0,” 2025 IEEE Wireless Communications and Networking Conference (WCNC), Milan, Italy, 2025, pp. 1-6, doi: 10.1109/WCNC61545.2025.10978750.

L. U. Khan et al., “Federated Learning for Digital Twin-Based Vehicular Networks: Architecture and Challenges,” in IEEE Wireless Communications, vol. 31, no. 2, pp. 156-162, April 2024

Brecko, A.; Kajati, E.; Koziorek, J.; Zolotova, I. Federated Learning for Edge Computing: A Survey. Appl. Sci.2022, 12, 9124. https://doi.org/10.3390/app12189124

“Ottimizzazione del Federated Learning per Clienti Eterogenei e Dinamici: Un Approccio Avanzato per Ambienti Edge”, https://www.researchgate.net/publication/385006725_Ottimizzazione_del_Federated_Learning_per_Clienti_Eterogenei_e_Dinamici_Un_Approccio_Avanzato_per_Ambienti_Edge

Federated Learning e Sicurezza Distribuita – ICT Security Magazine, https://www.ictsecuritymagazine.com/articoli/federated-learning-fl/

Edge AI vs Federated Learning | Complete Overview – XenonStack, https://www.xenonstack.com/blog/edge-ai-vs-federated-learning

Rudresh Dwivedi, Devam Dave, Het Naik, Smiti Singhal, Rana Omer, Pankesh Patel, Bin Qian, Zhenyu Wen, Tejal Shah, Graham Morgan, and Rajiv Ranjan. 2023. Explainable AI (XAI): Core Ideas, Techniques, and Solutions. ACM Comput. Surv. 55, 9, Article 194 (September 2023), 33 pages. https://doi.org/10.1145/3561048

W. Y. B. Lim et al., “Decentralized Edge Intelligence: A Dynamic Resource Allocation Framework for Hierarchical Federated Learning,” in IEEE Transactions on Parallel and Distributed Systems, vol. 33, no. 3, pp. 536-550, 1 March 2022,

M. Adhikari and A. Hazra, “6G-Enabled Ultra-Reliable Low-Latency Communication in Edge Networks,” in IEEE Communications Standards Magazine, vol. 6, no. 1, pp. 67-74, March 2022, doi: 10.1109/MCOMSTD.0001.2100098.

Trasformazione digitale per il raggiungimento della sostenibilità: Kuza case study – Webthesis, https://webthesis.biblio.polito.it/27445/1/tesi.pdf

Beyond the Cloud: Federated Learning and Edge AI for the Next Decade, https://www.scirp.org/journal/paperinformation?paperid=140719