Data Science e Smart Cities

L’attività di ricerca si focalizza sull’applicazione della Data Science alle Smart Cities, sviluppando modelli analitici che utilizzano tecniche di clustering e diagrammi di Voronoi per identificare somiglianze tra città intelligenti. Questi strumenti permettono di individuare pattern ricorrenti e comprendere i fattori distintivi delle Smart Cities, facilitando analisi comparative e la pianificazione di interventi urbani mirati.

Estrazione delle informazioni e scoperta della conoscenza, con applicazioni alla Bioinformatica e alla Biomedicina

L’attività di ricerca si occupa di sviluppare e impiegare tecniche di Natural Language Processing (NLP) e Machine Learning (ML) per analizzare testi, documenti, referti e dataset eterogenei per identificare concetti, entità, relazioni, pattern informativi e connessioni semantiche. Nel contesto della Bioinformatica e della Biomedicina, queste tecniche hanno lo scopo di supportare e facilitare la predizione di strutture proteiche, la modellazione molecolare e la diagnosi assistita dall’Intelligenza Artificiale, attraverso predizione di eventi clinici e analisi di referti e dati sanitari, supportando la stratificazione dei pazienti ad esempio nei percorsi di oncologia di precisione.

Filosofia dell’Intelligenza Artificiale

L’attività di ricerca affronta criticamente gli aspetti epistemologici dell’Intelligenza Artificiale, con particolare attenzione a una sua sottoarea fondamentale: l’apprendimento automatico (Machine Learning, ML). Prendendo spunto dall’esperimento mentale della stanza cinese di Searle, si mettono in discussione i concetti fondamentali di “intelligenza” e “artificialità”, interrogandosi sulla reale natura dell’apprendimento nel ML rispetto a quello umano. Si evidenziano i limiti strutturali del ML, come bias, dipendenza dall’induzione e mancanza di spiegazioni interpretabili, suggerendo la necessità di distinguere il ML dall’IA simbolica. L’emergere dell’IA generativa e dei deep fake riporta l’attenzione su temi filosofici classici come verità, autenticità e rappresentazione.

Modellazione semantica, con particolare riferimento alla Scienza dei Materiali

L’attività di ricerca si concentra nello sviluppare ontologie formali, vocabolari controllati e grafi semantici per rappresentare domini complessi in modo strutturato. Tra gli obiettivi principali c’è quello di rendere l’informazione scientifica formalizzabile, accessibile, interoperabile e riusabile, promuovendo soluzioni intelligenti per la rappresentazione e l’integrazione tra dati, modelli e processi decisionali in diversi ambiti scientifici. Utilizzando standard come OWL, RDF e SPARQL, le ontologie prodotte sono impiegate per migliorare l’interoperabilità tra sorgenti di dati, supportare l’inferenza automatica e la scoperta di conoscenza e supportare la costruzione di ambienti intelligenti per l'accesso e l'organizzazione delle informazioni in molteplici domini. Una parte rilevante dell’attività riguarda l’applicazione delle ontologie alla Scienza dei Materiali, dove la standardizzazione semantica è cruciale per poter utilizzare vocabolari condivisi relativi a materiali, proprietà fisiche, esperimenti e simulazioni, contribuendo alla costruzione di Knowledge Graph e ontologie standard europee (come la Elementary Multiperspective Material Ontology) e all’interoperabilità tra laboratori e infrastrutture digitali.

Sistemi di apprendimento intelligente

L’attività di ricerca si concentra sull’Intelligenza Artificiale, in particolare sul Machine Learning, con un’attenzione specifica verso l’apprendimento per rinforzo (Reinforcement Learning, RL) e l’apprendimento per imitazione (Imitation Learning, IL). L’obiettivo è sviluppare agenti intelligenti capaci di apprendere comportamenti ottimali per interagire con ambienti dinamici e complessi, integrando aspetti teorici e applicativi grazie all’uso del Deep Learning per rappresentare politiche decisionali e modelli predittivi in modo efficiente. Il formalismo dei Markov Decision Processes (MDP) è alla base di molte delle tecniche adottate, consentendo di modellare ambienti in cui un agente prende decisioni sequenziali in condizioni di incertezza, descrivendo le interazioni tramite stati, azioni, transizioni probabilistiche e ricompense. Nel Reinforcement Learning, la ricerca mira a far apprendere strategie ottimali attraverso l’interazione dell’agente con l’ambiente, utilizzando sia approcci tabulari sia metodi basati su funzioni di approssimazione, con particolare attenzione alla stabilità e alla generalizzazione degli algoritmi tramite reti neurali profonde. Nell’Imitation Learning un agente apprende a svolgere compiti osservando esempi forniti da un esperto, umano o artificiale. L’IL comprende sia metodi supervisionati come il behavioral cloning, che consistono nel replicare direttamente le azioni osservate, sia tecniche più avanzate come Generative Adversarial Imitation Learning (GAIL) e Soft Q Imitation Learning (SQIL). Questi ultimi offrono maggiore stabilità e capacità di generalizzazione rispetto agli approcci classici. Le tecniche sviluppate trovano applicazione nel controllo di robot, nella gestione intelligente dei flussi energetici, nell’ottimizzazione di processi industriali e nei sistemi di gestione delle batterie, dove il RL contribuisce a prolungare la vita utile delle batterie e a migliorarne l’efficienza. L’IL viene inoltre impiegato per la previsione su serie temporali e per migliorare le prestazioni dei Large Language Models tramite knowledge distillation, trasferendo conoscenza da modelli complessi a modelli più compatti e meno costosi dal punto di vista computazionale.

Valutazione delle prestazioni

L’attività di ricerca si concentra sulla modellizzazione di sistemi fisici e sociali tramite un approccio multiformalismo, che permette di scegliere il formalismo più adatto per ogni componente, come reti di Petri, reti di code, catene di Markov e Fault Trees. Tutti i formalismi vengono poi convertiti in catene di Markov a tempo continuo (CTMC) per consentire analisi sia in regime stazionario sia transitorio. In caso di esplosione dello spazio degli stati, si preferisce la simulazione, a meno che non siano applicabili tecniche di riduzione come MARCAT. L’analisi dei risultati permette di valutare le prestazioni del sistema e di intervenire sull’architettura per prevenire inefficienze. L’uso di modelli basati su agenti markoviani si è rivelato particolarmente efficace nella rappresentazione di fenomeni fisici, comportamenti collettivi in situazioni di emergenza e dinamiche sui social network.

Collaborazioni nazionali e internazionali

• Alma Mater Studiorum - Università di Bologna

• Fondazione Bruno Kessler

• IBM Corporation, Irlanda

• Massachusetts Institute of Technology, USA

• Policlinico Universitario Fondazione Agostino Gemelli

• Politecnico di Milano

• SINTEF, Norvegia

• TU Graz, Graz University of Technology, Austria

• University of California, Berkeley, USA

• University of Cambridge, UK

• University of Konstanz, Germania

• University of Notre Dame, USA

• University of Oklahoma, USA

• Università di Pavia

• Università di Trieste

• Università degli Studi di Salerno

• Università degli Studi della Campania “Luigi Vanvitelli”

• Università degli Studi di Napoli L’Orientale

• Università degli Studi Roma Tre

• Università della Basilicata

• Università Vita-Salute San Raffaele

Progetti finanziati

• BioConceptum - AI-based semantic analysis of Italian radiology reports related to oncological diseases for supporting Tumor Board discussions and diagnoses, PRIN 2022, Grant n. 2022AEEKXS (2023-2026)

• NanoMECommons - Harmonisation of EU-wide nanomechanics protocols and relevant data exchange procedures, across representative cases; standardisation, interoperability, data workflow, Horizon 2020, Grant n. 952869 (2021-2025)

• OpenModel - Integrated Open Access Materials Modelling Innovation Platform for Europe, Horizon 2020, Grant n. 953167 (2021-2025)

• OntoCommons - Ontology-driven data documentation for Industry Commons, Horizon 2020, Grant n. 958371 (2020-2023)

• OntoTrans - Ontology-driven Open Translation Environment, Horizon 2020, Grant n. 862136 (2020-2024)

• MarketPlace - Materials Modelling Marketplace for Increased Industrial Innovation, Horizon 2020, Grant n. 760173 (2020-2023)

Responsabili

• Prof. Daniele Toti (daniele.toti@unicatt.it)

• Dr. Enrico Barbierato (enrico.barbierato@unicatt.it)

• Dr. Alessandro Incremona (alessandro.incremona@unicatt.it)

• Dr. Andrea Pozzi (andrea.pozzi@unicatt.it)