Self-Learning and Self-Adaptive Systems – SLSAS

Descrizione Attività

L’idea alla base dei Self-Learning Systems, ispirati dalle neuroscienze e dai meccanismi basilari di apprendimento del cervello umano, è quella di apprendere soluzioni attraverso interazioni di tipo try-and-error con l’ambiente, o direttamente dai dati, piuttosto che avere soluzioni o conoscenza pre-codificate. Tale capacità di auto-apprendimento consente il conferimento di proprietà di auto-adattamento automatico in ambienti dinamici e distribuiti.

In particolare, le attività di ricerca riguardano:

definizione di metodi di Self-Learning attraverso l’integrazione di approcci di Inverse Reinforcement Learning con approcci di Forward Reinforcement Learning;
definizione di approcci gerarchici di auto-apprendimento per la soluzione di problemi multi-obiettivo;
definizione di approcci di auto-apprendimento distribuito attraverso sistemi multi-agente;
definizione di metodi e strumenti per l’ottimizzazione di parametri di QoS dei sistemi complessi, non staticamente definiti ma auto-appresi in ambienti dinamici;

L’attività si avvale delle competenze acquisite nei seguenti ambiti di ricerca: ambient intelligence e ragionamento automatico, applicazioni orientate a servizi, sistemi multi-agenti, approcci di pianificazione automatica, sistemi normativi, algoritmi e metodi di rappresentazione e descrizione.

Obiettivi

gli obiettivi dell’attività di ricerca sono finalizzati alla definizione di nuovi metodi di Self-Learning e Self-Adaptation per (o che possono essere integrati in) sistemi complessi quali sistemi cyber-fisici, sistemi multi-agente, sistemi robotici ed edge nodes, senza basarsi su conoscenza pre-codificata.

Campi Applicativi

I principali campi di applicazione sono: Healthcare, Industry 4.0, Robotics, Ambient Intelligence.