Language and Knowledge Engineering – LKE

Descrizione Attività

Il gruppo di ricerca svolge attività di ricerca di tipo teorico, sperimentale ed applicativo su modelli e sistemi di Intelligenza Artificiale, in grado di ragionare su dati complessi, adattarsi a contesti dinamici, interagire con l’ambiente e conversare con l’essere umano, con un focus su ingegnerizzazione della conoscenza ed interpretabilità, linguaggio naturale e multimodalità, capacità decisionali e di gestione di workflow avanzate e riduzione dell’impatto ambientale.

Una prima linea di ricerca è costituita dalle tecniche per l’ingegnerizzazione della conoscenza attraverso l’integrazione di dati eterogenei e multimodali, sia strutturati che non strutturati. L’obiettivo è costruire modelli di conoscenza neurosimbolici interpretabili, capaci di integrare l’efficienza di modelli neurali o metodi evolutivi con la trasparenza e l’esplicitazione della conoscenza tipiche dei sistemi simbolici, per garantire robustezza, generalizzazione e tracciabilità nei processi decisionali. Attenzione particolare è posta su approcci in grado di valutare informazioni provenienti da fonti eterogenee e in continua evoluzione, attraverso l’elaborazione in tempo reale e l’identificazione di tendenze, correlazioni e anomalie in contesti dinamici, anche in presenza di dati rumorosi, incompleti o parzialmente etichettati.

Una seconda linea di ricerca è focalizzata sulla definizione di modelli linguistici e multimodali small-scale per combinare efficienza computazionale e capacità semantiche, attraverso architetture leggere, strategie di addestramento adattive e incrementali, ispirate all’apprendimento umano, e l’integrazione ed allineamento di dati e segnali eterogenei. Inoltre, questa linea mira a definire tecniche di prompt engineering dinamiche, automatiche e robuste da un punto di vista linguistico, architetture di agenti intelligenti modulari, basati su modelli linguistici, per gestire autonomamente attività di reasoning, pianificazione e gestione di workflow, e approcci di Retrieval-Augmented Generation per combinare capacità generative e meccanismi di accesso alla conoscenza in modo efficiente.

Un’ultima linea di ricerca, di natura trasversale, riguarda lo studio e l’applicazione di strategie per garantire la sostenibilità dei modelli di AI, attraverso algoritmi ad alta efficienza, metodologie avanzate di gestione delle risorse computazionali e soluzioni di co-design hardware/software. Nell’ambito di tale linea, assume particolare rilievo la messa a punto di tecniche di distillazione e compressione per ridurre la complessità architetturale mantenendo elevate prestazioni, di modelli neuromorfici basati su Spiking Neural Network, in grado di imitare il funzionamento del cervello umano ottimizzando i consumi energetici, e di approcci innovativi di Quantum Machine Learning, per la risoluzione di problemi intrattabili con approcci classici.

Le soluzioni proposte sono sviluppate su infrastrutture HPC convenzionali e piattaforme specializzate (quantistiche e neuromorfiche), sia per implementazioni ad alta precisione in ambienti cloud che ad alta efficienza per dispositivi edge (smartphone, sistemi robotici).

Obiettivi

La finalità del gruppo di ricerca è realizzare sistemi di Intelligenza Artificiale capaci di analizzare, comprendere ed elaborare dati eterogenei, sia strutturati che non strutturati, con particolare attenzione al linguaggio naturale. Tali sistemi abilitano processi avanzati di estrazione di modelli predittivi, ottimizzazione di task complessi, comprensione di gesti e situazioni, ragionamento e supporto decisionale, information retrieval, question answering e gestione autonoma di workflow.

Per raggiungere tali obiettivi, vengono affrontate sfide concrete legate all’ingegnerizzazione della conoscenza, nota o nascosta nei dati, all’elaborazione e generazione scalabile di dati testuali e multimodali, al rispetto dei principi di interpretabilità e trasparenza, e alla sostenibilità computazionale e l’efficienza energetica. A tal scopo, sono integrate tecnologie d’avanguardia, da modelli neurosimbolici e di Generative AI, al calcolo quantistico e reti neuromorfiche, sino ad architetture di calcolo ibride ottimizzate ed algoritmi ad alta efficienza.

Campi Applicativi

Molteplici sono i campi di applicazione, tra cui Salute, Pubblica Amministrazione, Industria 4.0, Energia, Logistica, Beni Culturali.

Area tematica

Intelligenza Artificiale

Keywords

Knowledge Engineering, Natural Language Processing, Quantum Machine Learning, Sustainable AI.

Coordinatore del Gruppo

Massimo Esposito