Per candidarti, o per chiedere ulteriori informazioni, ti basterà scrivere una mail a people@onit.it indicando il titolo che ti interessa.
Onit Sanità
1. Digitalizzazione della terapia farmacologica in Cartella Clinica Elettronica
Il progetto di tesi approfondisce il processo di gestione della terapia farmacologica, con l'obiettivo di ripensarlo in chiave digitale all'interno della Cartella Clinica Elettronica.
L'attività si concentra sull'analisi delle criticità (errori di prescrizione, interazioni tra farmaci, tracciabilità delle somministrazioni) e sulla progettazione di soluzioni che rendano il percorso terapeutico più sicuro, controllabile e integrato nei sistemi clinici.
2. Sviluppo di un gateway sanitario per il telemonitoraggio dei pazienti
La tesi prevede la progettazione di una piattaforma in grado di raccogliere e gestire dati clinici provenienti da dispositivi domiciliari (sensori, wearable, strumenti medicali).
Il progetto si focalizza sull'integrazione tra app mobili e sistemi sanitari, sulla gestione continua dei flussi informativi e sulla costruzione di un modello di telemonitoraggio affidabile, capace di supportare il follow‑up e la presa in carico dei pazienti a distanza.
3. Ottimizzazione della pianificazione della sala operatoria mediante modelli avanzati
Il progetto di tesi affronta uno dei problemi più complessi dell'organizzazione ospedaliera: la pianificazione delle attività in sala operatoria. L'attività consiste nella modellazione dei vincoli (risorse, équipe, tempi, priorità cliniche) e nello sviluppo di algoritmi in grado di migliorare l'efficienza complessiva del sistema.
Il lavoro può includere simulazioni e analisi di scenario per valutare l'impatto delle soluzioni progettate su tempi, costi e qualità del servizio.
4. Sistemi per la sicurezza clinica e la rilevazione automatica di nearmiss
La tesi si concentra sulla progettazione di sistemi intelligenti per individuare automaticamente situazioni a rischio nei processi sanitari. Il progetto prevede l'analisi dei flussi informativi provenienti da Cartella Clinica, ADT e altri sistemi, con l'obiettivo di identificare pattern anomali e prevenire eventi avversi.
L'attività include lo sviluppo di modelli basati su regole e tecniche di analisi dei dati per supportare il monitoraggio proattivo della sicurezza clinica.
5. Utilizzo dell'Intelligenza Artificiale generativa a supporto dell'attività medica
Il progetto di tesi esplora l'applicazione dell'AI generativa nei contesti clinici, con l'obiettivo di supportare attività a elevato contenuto decisionale. L'attività include l'analisi dei possibili ambiti di utilizzo (sintesi cliniche, supporto alla diagnosi, gestione della documentazione) e lo sviluppo di prototipi capaci di integrarsi nei flussi di lavoro sanitari.
Particolare attenzione viene posta alla qualità dei risultati, ai limiti della tecnologia e alle implicazioni operative ed etiche.
Onit Operations
1. AI per l'estrazione automatica di informazioni da documenti logistici
Studio e sperimentazione di motori open-source per riconoscere e classificare automaticamente i dati chiave contenuti in documenti di trasporto e amministrativi (DDT, ordini, fatture).
L'attività prevede la realizzazione di un proof-of-concept (POC) per valutare l'accuratezza dei modelli e individuare scenari concreti di applicazione in azienda (riduzione tempi di data-entry, minori errori).
2. Digital Twin di un parcheggio tramite localizzazione GPS
Progettazione e sviluppo di un prototipo di Digital Twin per monitorare in tempo reale l'occupazione degli spazi di parcheggio attraverso la localizzazione GPS.
Output atteso: un modello digitale funzionante utile per ottimizzare la gestione delle aree di sosta.
3. Ottimizzazione dei processi produttivi industriali
Analisi e sviluppo di metodi per ottimizzare la sequenza delle operazioni in una linea produttiva, riducendo i tempi di attrezzaggio e aumentando la produttività. Approcci possibili: modelli di scheduling, simulazioni a eventi discreti, strumenti software di pianificazione avanzata.
Output atteso: un modello validato su scenari reali o simulati, con indicatori di miglioramento rispetto alla situazione di partenza.
4. Ottimizzazione delle movimentazioni di magazzino
Definizione di logiche e algoritmi per assegnare in modo efficiente le missioni di movimentazione a una flotta di carrelli. Date priorità e regole operative, l'analisi terrà conto di distanze e disponibilità. Potranno essere impiegati approcci algoritmici tradizionali o, in opzione, strumenti di intelligenza artificiale.
Output atteso: un POC che dimostri la riduzione dei tempi di missione o un miglior bilanciamento dei mezzi.
5. Stoccaggio efficiente in magazzino
Sviluppo di un sistema per proporre strategie di stoccaggio ottimali in base a giacenze, rotazione articoli e previsioni di utilizzo. Possibili approcci: modelli predittivi, algoritmi di ottimizzazione, simulazioni logistiche.
Output atteso: un prototipo o simulatore in grado di dimostrare miglioramenti nella saturazione degli spazi e nella riduzione dei costi di movimentazione.
6. Analisi dati da piattaforma IoT per modelli predittivi
Progettazione di sistemi di analisi dati storici su attività produttive e consumi energetici, per manutenzione preventiva o individuazione di pattern di consumo eccessivo, attraverso tecniche AI.
Output atteso: un POC che identifichi dati rilevanti, evidenziando o anticipando anomalie e favorendo decisioni operative rapide.
7. Localizzazione in ambienti industriali con Bluetooth Low-Energy
Sperimentazione di soluzioni basate su BLE per tracciamento di asset e persone. L'attività prevede analisi delle tecnologie disponibili, progettazione di scenari di test e misurazioni su accuratezza, scalabilità e costi.
Output atteso: un POC che evidenzi potenzialità e limiti di questa tecnologia in contesti industriali.
8. Sensor-fusion per la localizzazione precisa in fabbrica
Progettazione di algoritmi che integrino più fonti di dati (BLE, GPS, odometria, computer vision, ecc.) per aumentare l'accuratezza della localizzazione in stabilimento. L'attività prevede la definizione di modelli di fusione, la realizzazione di un POC e la validazione su scenari di test.
Output atteso: dimostrare il miglioramento in termini di precisione rispetto a sistemi mono-tecnologia.
9. Analisi dati per soluzioni di Safety in magazzino
Progettazione di pipeline di analisi dati, per osservare le segnalazioni di possibili collisioni (Safety Alert) tra veicoli e persone in magazzino ed estrarne informazioni utili, individuando le aree di maggior rischio, i momenti settimanali di maggior traffico, gli operatori meno prudenti o falsi positivi più frequenti.
L'attività prevede di estrarre, pulire, strutturare ed analizzare i dati, con tecniche statistiche o di Machine Learning.
10. Analisi dati su ciclo di vita dei prodotti in magazzino
Progettazione di pipeline di analisi dati, osservando lo storico delle operazioni logistiche o inventariali sugli articoli, derivandone il ciclo di vita naturale (tempo di permanenza, aree attraversate) e individuando prodotti outlier o operazioni erronee, investigando anomalie e cause possibili.
L'attività prevede di estrarre, pulire, strutturare ed analizzare i dati, con tecniche statistiche o di Machine Learning.
Onit Analytics
1. Dai Dati al Contesto: un layer semantico per agenti AI data-driven
Progettazione di un sistema capace di arricchire i dati con significato business, relazioni e contesto operativo, così da renderli comprensibili e utilizzabili da agenti AI.
L'obiettivo è trasformare metadata tecnici in conoscenza utile per supportare analisi, spiegazioni e decisioni nei prodotti della suite OnData.
2. OnData Context: modelli e metodi per rendere i dati comprensibili agli agenti AI
La tesi affronta il tema della costruzione di un layer di contesto capace di descrivere il significato dei dati oltre la loro struttura tecnica.
Il lavoro esplora come collegare entità dati, concetti di business e segnali operativi per migliorare la capacità degli agenti AI di interpretare anomalie, generare insight e supportare configurazioni intelligenti.
3. Data Context Intelligence: semantica, rilevanza di business e AI per i dati aziendali
La tesi studia come costruire un sistema in grado di identificare e organizzare il contesto dei dati aziendali, mettendo in evidenza semantica, rilevanza di business e relazioni tra entità informative.
L'obiettivo è abilitare un uso più consapevole dei dati da parte di persone e sistemi intelligenti, migliorando discovery, explainability e supporto decisionale.
4. Oltre gli Outlier: AI per l'interpretazione delle anomalie
Sviluppo di modelli di Explainable AI che non solo rilevano anomalie, ma ne spiegano le cause e suggeriscono azioni correttive automatiche, integrando feedback umano per migliorare la prevenzione di errori e inefficienze nei processi aziendali.
5. Modelli e metodi per l'analisi prescrittiva dei KPI: individuazione delle cause e supporto alle decisioni
La tesi affronta il tema dell'analisi prescrittiva applicata ai Key Performance Indicator in contesti complessi. Dopo aver analizzato i limiti degli approcci descrittivi e predittivi, viene proposto un framework in grado di identificare automaticamente scostamenti significativi.
Il sistema integra tecniche di analisi delle anomalie e modelli causali per individuare i fattori determinanti. Sulla base dei risultati, vengono generate raccomandazioni operative per il miglioramento delle performance. L'obiettivo è abilitare un supporto decisionale avanzato, basato su dati, nei domini sanitario e logistico.
6. Data Quality Autoadattiva: AI che impara dai dati e dagli errori
Progettazione di un sistema di Data Quality che sfrutta il reinforcement learning per adattare dinamicamente le regole di controllo, imparando dai pattern di errore e dai feedback degli utenti, per una qualità del dato sempre più robusta e personalizzata.
7. Synthetic Data Generator: Generazione di dati realistici per il training di AI
Estensione della soluzione OnData\Forecast con un modulo di generazione di dati sintetici, basato su modelli generativi avanzati, per simulare scenari rari o estremi e migliorare il training di algoritmi di machine learning in ambito sanitario, logistico o industriale.
Onit Smart
1. Reasoning trace strutturata: cattura, rappresentazione e visualizzazione del ragionamento di un agente AI
Un agente AI in contesto regolamentato deve rendere conto del proprio ragionamento. La tesi progetta una trace structure che cattura, per ogni risposta, gli hop interni: query alla KB, citazioni, pattern decisionale, alternative scartate, assunzioni, confidence score.
Costruita intercettando Semantic Kernel via wrapper, è mostrata con vista sintetica e vista estesa on-demand. Tre sotto-problemi: modellazione dello schema dati, algoritmo di sintesi per la vista compressa, valutazione UX con consulenti privacy reali su fiducia/sfiducia.
Risvolti: explainable AI, AI Act art. 12-13 su trasparenza.
2. Confidence scoring per output di Large Language Model in contesto regolato
Gli LLM rispondono con tono assertivo indipendentemente dalla qualità della risposta: l'agente non sa quando non sa. La tesi progetta un servizio di confidence scoring che attribuisce a ogni risposta uno score 0-100 combinando hit count e similarity dei chunk recuperati, passaggi di bilanciamento del pattern decisionale, coerenza valutata da un LLM-as-judge, presenza di casistica analoga. Si esplora regola lineare pesata vs classifier supervisionato, si calibra la soglia per validazione umana, si valuta l'accuracy correlando con giudizio umano.
Risvolti: explainable AI, calibration, settori regolati.
3. Structured Reasoning Pipeline: framework di ragionamento strutturato per agenti AI verticali
In contesto consulenziale il valore del consulente senior è la sequenza metodologica con cui applica il sapere al caso concreto. La tesi formalizza uno Structured Reasoning Pipeline: un servizio di orchestrazione che accetta N fasi configurabili (es. contesto → norma → casistica → bilanciamento → conclusione → confidenza) ed esegue il ragionamento step-by-step, passando l'output di ogni fase alla successiva.
Framework verticale-agnostico, testato su privacy, fiscale, medico. Affronta: DSL configurativo, gestione dipendenze tra fasi, cattura del ragionamento, instanziazione su 2-3 verticali.
Risvolti: prompt engineering strutturato, chain-of-thought verificabile.
4. Sandboxing infrastrutturale per sub-agenti AI: container ephemeral con enforcement seccomp/AppArmor
L'AI agentica solleva un problema di sicurezza: ogni sub-agente esegue codice sulla base di prompt potenzialmente corrotti da injection.
La tesi progetta un isolamento infrastrutturale: ogni sub-agente parte in container ephemeral con profilo seccomp dedicato, filesystem read-only tranne /tmp, network policy con endpoint whitelisted, limiti CPU/RAM via cgroups, teardown a fine esecuzione. Confronto tra Docker e systemd-nspawn su overhead di latenza, memoria e startup; libreria di profili seccomp/AppArmor; test simulando attacchi noti.
Output: framework open-source, paper sull'overhead, workshop di AI security. aper su misure quantitative dell'overhead, eventuale presentazione a workshop di AI security.
5. AEPD Rule of 2 come invariante architetturale: policy engine per agenti AI ad alto impatto
La guidance AEPD del 18/02/2026 introduce la Rule of 2: un agente non dovrebbe combinare input non fidato, dati sensibili e azione autonoma ad alto impatto senza human oversight.
La tesi traduce la regola in invariante architetturale enforced a runtime: un policy engine valuta prima di ogni azione la combinazione di classe input, sensibilità dati e criticità azione secondo una tassonomia configurabile, bloccando o attivando oversight. Sviluppa tassonomia, DSL di regole settoriali, motore integrato nel flusso conversazionale, logging per audit. Casi di studio su privacy, medicale, finanziario, con misura di falsi positivi/negativi.
6. Approval token e human-in-the-loop per azioni critiche di agenti AI
Quando un agente può eseguire azioni irreversibili, l'human oversight dell'art. 14 AI Act non può restare a livello di prompt, deve essere strutturale. La tesi progetta un sistema di approval token: l'agente prepara la chiamata ma il backend la blocca finché un reviewer non rilascia un token firmato crittograficamente, con scadenza.
Affronta: classificazione azioni critiche/non critiche, workflow di notifica al reviewer, gestione dello store dei token con TTL e revoca, integrazione con Keycloak/OIDC, audit log che distingue azione richiesta da AI e confermata da umano. Ricerca su trade-off friction/safety e conformità art. 14.
7. Privilege minimization fine-grained per Tool Plugin di agenti AI
I framework di orchestrazione (Semantic Kernel, LangChain) espongono tool con granularità grossolana: connettore acceso o spento, mentre servirebbe il minor privilegio sui singoli metodi. La tesi progetta uno scope per-method che abilita/disabilita metodi di un Tool Plugin a livello di configurazione, con enforcement runtime nel kernel via wrapper che filtra i metodi disponibili.
Sviluppa: modello dichiarativo degli scope, wrapper di enforcement, pattern d'uso reali (email read-only, full access, assistenti dedicati), valutazione del rischio residuo via penetration test.
Output: estensione open-source di Semantic Kernel, confronto con OAuth 2.0
Onit Sistemi
1. Gestione documentale IT con integrazione AI
Il progetto si occupa dell'implementazione e personalizzazione di un sistema di gestione documentale in ambito IT, integrando una componente AI. L'obiettivo è quello di organizzare e rendere ricercabile la documentazione tecnica, introducendo agenti AI capaci di classificare, riassumere ed estrarre informazioni dai documenti in autonomia.
La tesi permette di approfondire temi legati al document management, ai workflow approvativi e all'AI applicata ai contenuti. Vengono utilizzate tecnologie e metodologie come piattaforme DMS, LLM e framework per agenti. L'attività può includere l'analisi dei requisiti e lo sviluppo di agenti per l'automazione documentale.
2. Monitoraggio infrastrutturale open source con integrazione AI
Il progetto si occupa dell'implementazione di una piattaforma open source per il monitoraggio dell'infrastruttura IT e degli applicativi, integrando una componente di AI agentica. L'obiettivo è quello di raccogliere e visualizzare metriche, log e alert, introducendo agenti AI capaci di analizzare anomalie e proporre azioni correttive in autonomia.
La tesi permette di approfondire temi legati all'observability, alla gestione degli alert e all'AI applicata all'IT operations. Possono essere utilizzate tecnologie e metodologie come Zabbix, Grafana, LLM e framework per agenti. L'attività può includere la definizione di soglie intelligenti e l'automazione della risposta agli incidenti.