Metodologie di Sviluppo

Software Development Life Cycle (SDLC)

Insieme di fasi che descrivono lo sviluppo di un sistema software dall'ideazione al ritiro:

1. Analisi requisiti (functional, non-functional)
2. Progettazione (architettura, design dettagliato)
3. Implementazione (coding)
4. Testing (unit, integration, system, acceptance)
5. Deployment (rilascio in produzione)
6. Manutenzione (correttiva, evolutiva, adattativa, perfettiva)
7. Dismissione

Tipologie sistemi (per ambito)

• Gestionali: ERP, CRM, contabilità, HR, gestione documentale (workflow strutturato, transazionali)
• Web: applicazioni internet/intranet, e-commerce, portali (architetture distribuite, multi-utente)
• Conoscitivi: sistemi esperti, AI/ML, decision support, knowledge management (basati su conoscenza/dati)

Waterfall (cascata, Royce 1970)

Modello sequenziale rigido: ogni fase produce documenti che alimentano la successiva. Niente ritorni indietro (in pratica revisioni iterative ammesse).

Vantaggi: pianificazione chiara, deliverable misurabili, documentazione completa.
Svantaggi: rigido, costo elevato del cambiamento, requisiti devono essere stabili.
Quando: progetti con requisiti molto stabili (sistemi mission-critical, normativi, contratti rigidi).

V-Model (1991)

Estensione del Waterfall: a ogni fase di sviluppo (sinistra) corrisponde una fase di test (destra) — V-shape:

• Requisiti ↔ Acceptance Test
• Analisi ↔ System Test
• Design alto livello ↔ Integration Test
• Design dettagliato ↔ Unit Test
• Codice (vertice)

Forte focus su qualità e tracciabilità requisiti-test.

Spiral Model (Boehm 1986)

Modello iterativo + risk-driven: ogni iterazione (giro di spirale) ha 4 quadranti:

1. Definire obiettivi e vincoli
2. Analisi rischi + prototipazione
3. Sviluppo + test
4. Pianificazione iterazione successiva

Adatto a sistemi grandi, complessi, ad alto rischio.

RUP (Rational Unified Process — IBM 1998)

Iterativo, incrementale, basato su use case e UML. 4 fasi (Inception, Elaboration, Construction, Transition) e 9 discipline (Business Modeling, Requirements, Analysis & Design, Implementation, Test, Deployment, Configuration & Change Mgmt, Project Mgmt, Environment).

Modello Incrementale

Sviluppo per incrementi successivi, ogni incremento aggiunge funzionalità al sistema. Combina elementi waterfall (per ogni incremento) e iterativo (tra incrementi).

Approcci agili — overview

Manifesto Agile (2001) → 4 valori, 12 principi. Frameworks: Scrum, XP, Kanban, Lean, Crystal, DSDM, FDD (Feature Driven Development).

Specificità applicazioni web

• Cicli rilascio brevi (deploy continuo, settimanale o più frequente)
• Forte feedback utenti (analytics, A/B testing)
• Architettura distribuita (frontend / backend / DB / CDN / cache)
• DevOps integrato (CI/CD)
• Compatibilità multi-device (responsive, mobile-first, PWA)

Web Information Systems Development (WISD)

Approccio dedicato sviluppo applicazioni web. Fasi: site analysis, content modeling, UI design, navigation design, hypertext design, implementation, testing.

UWE / OOHDM / WebML

Metodologie specifiche modellazione applicazioni web (anni 2000-2010): UWE (UML-based Web Engineering), OOHDM (Object-Oriented Hypermedia Design Method), WebML (Web Modeling Language). Oggi superate da framework component-based moderni.

Stack tecnologici web moderni

• MEAN/MERN/MEVN: MongoDB + Express + (Angular/React/Vue) + Node.js
• LAMP/LEMP: Linux + Apache/Nginx + MySQL + PHP
• JAMstack: JavaScript + API + Markup (statico+API)
• Serverless: AWS Lambda, Cloudflare Workers, Vercel

Microservizi nel web

Architettura per applicazioni cloud-scale: servizi piccoli, autonomi, comunicano via REST/gRPC. Vedi report Architetture Software per dettagli.

Sistemi esperti — architettura classica

1. Knowledge Base (regole + fatti)
2. Inference Engine (motore inferenziale forward/backward chaining)
3. User Interface
4. Knowledge Acquisition Module (per esperti dominio)
5. Explanation Module

Esempi storici: MYCIN (medico, anni '70), DENDRAL (chimico), XCON (DEC, configurazione VAX).

KADS / CommonKADS (anni '90)

Metodologia europea sviluppo sistemi knowledge-based. 6 modelli: organizzazione, task, agente, comunicazione, conoscenza, design.

CRISP-DM (Cross Industry Standard Process for Data Mining, 1996)

Metodologia standard per progetti data mining / data science. 6 fasi cicliche:

1. Business Understanding
2. Data Understanding
3. Data Preparation (~80% del lavoro)
4. Modeling
5. Evaluation
6. Deployment

Machine Learning Lifecycle

1. Problem definition
2. Data collection
3. Data preprocessing (cleaning, feature engineering)
4. Model selection
5. Training
6. Validation (cross-validation)
7. Testing
8. Deployment
9. Monitoring (model drift, retraining)

MLOps

Estensione DevOps al Machine Learning: versioning di codice + dati + modelli, pipeline automatiche di training/deploy, monitoring performance modello in produzione, gestione drift.

Approcci moderni AI

• Supervised learning (classificazione, regressione)
• Unsupervised learning (clustering, dimensionality reduction)
• Reinforcement learning
• Deep learning (reti neurali profonde)
• LLM (Large Language Models — GPT, Claude, Gemini, LLaMA)
• RAG (Retrieval-Augmented Generation): combina LLM + knowledge base

Knowledge Management — modello SECI (Nonaka & Takeuchi, 1995)

4 modi di conversione conoscenza tacita ↔ esplicita:

1. Socialization (tacita → tacita)
2. Externalization (tacita → esplicita)
3. Combination (esplicita → esplicita)
4. Internalization (esplicita → tacita)

Livelli di test

Livello	Cosa testa	Chi
Unit	Singola funzione/classe	Sviluppatori
Integration	Interazione tra moduli	Sviluppatori
System	Sistema completo	QA
Acceptance (UAT)	Conformità a requisiti utente	Cliente/PO

Tipi di test

• Funzionali: verificano "cosa" fa il sistema
• Non funzionali: performance, sicurezza, usabilità, scalabilità, accessibilità
• Regression: verificano che modifiche non rompano funzionalità esistenti
• Smoke: test rapidi su funzionalità chiave dopo build
• Sanity: verifica funzionalità specifica dopo bug fix

Tecniche black-box vs white-box

• Black-box: test basati su specifiche (no conoscenza interna): equivalence partitioning, boundary value analysis, decision table
• White-box: test basati su codice: statement coverage, branch coverage, path coverage

TDD vs BDD

• TDD (Test-Driven Development): test → codice → refactor
• BDD (Behavior-Driven Development): scenari Given-When-Then in linguaggio naturale (Cucumber, Gherkin)

Piramide del test (Cohn)

Livello	Quantità
E2E (top)	Pochi
Integration	Moderato
Unit (base)	Molti, veloci

Git — concetti base

Sistema distribuito di version control (Linus Torvalds 2005, per kernel Linux). Ogni clone è repository completo con storia.

Comandi essenziali

• git init — inizializza repository
• git clone — copia repository remoto
• git add — stage modifiche
• git commit — crea snapshot
• git push / git pull — sincronizza con remoto
• git branch — gestione branch
• git merge / git rebase — integra modifiche
• git log — storia commit

Branching strategies

• GitFlow: branch main, develop, feature, release, hotfix
• GitHub Flow: main + feature branches + PR
• Trunk-Based Development: tutti su trunk principale, feature flag per gradual rollout

Pull Request / Merge Request

Strumento collaborativo: proposta di merge con review codice, discussione, CI automatica, approvazioni richieste.