Corsi e Seminari

8 Ottobre 2024 – 15.00
Sala Seminari
Edificio Abacus (u14),
Viale Sarca 336, Milano

Lo sviluppo di modelli che imparino a ragionare è un problema impegnativo, soprattutto nei domini relazionali. Le reti neurali grafiche (GNN) sono un approccio promettente, ma spesso hanno difficoltà a generalizzare sistematicamente dagli esempi di addestramento. I metodi neuro-simbolici tradizionali affrontano il ragionamento attraverso l’apprendimento di regole, ma devono affrontare problemi di scalabilità e forti assunzioni sui percorsi di inferenza.

Per superare queste limitazioni, è stato introdotto il GNN epistemico (EpiGNN), un’architettura GNN nuova e scalabile progettata per il ragionamento sistematico. Gli EpiGNN collegano gli embeddings agli stati epistemici e adattano di conseguenza il passaggio dei messaggi e le operazioni di pooling. L’architettura evita alcune operazioni di pooling che sono incompatibili con questa prospettiva, consentendo un ragionamento basato su principi. Gli EpiGNN dimostrano prestazioni all’avanguardia in vari compiti di previsione dei collegamenti, compresi quelli che richiedono un ragionamento sistematico, e possono imparare a ragionare su regole disgiuntive, superando le capacità dei metodi esistenti.

Speaker: Professor Steven Schockaert della Cardiff University

16 Settembre 2024 – 09.30/12.30
Aula Martini, piano -1
Edificio Agorà (U6),
Piazza dell’Ateneo Nuovo 1, Milano

Nell’era del machine learning, le pipeline di analisi dei dati stanno diventando sempre più articolate per gestire volumi crescenti e una varietà sempre maggiore di informazioni. Questo fenomeno non solo aumenta la complessità dell’integrazione e dell’elaborazione dei dati, ma richiede anche strumenti e approcci avanzati per garantire che le informazioni vengano estratte in modo efficiente, affidabile e tempestivo. In tale contesto, l’ingegneria del software gioca un ruolo cruciale: è fondamentale per costruire infrastrutture robuste e scalabili che possano supportare il ciclo di vita completo dei modelli di machine learning, dall’addestramento all’implementazione fino al monitoraggio continuo.

Il 16 settembre, dalle 9:30 alle 12:30, nell’ambito del Progetto Dipartimenti di Eccellenza del DISCo, il dott. Marco Scutari e Mauro Malvestio terranno un tutorial che affronterà queste tematiche fondamentali, esplorando i legami tra software engineering, machine learning e MLOps (Machine Learning Operations). Questo evento rappresenta un’opportunità preziosa per approfondire come la sinergia tra l’ingegneria del software e le pipeline di machine learning possa favorire l’efficienza operativa, la scalabilità e l’ottimizzazione continua dei modelli.

Il rapporto tra uomo e tecnologia ha da sempre sollevato dibattiti filosofici ed etici, e oggi, con la rivoluzione scientifica e tecnologica in corso, queste riflessioni sono più rilevanti che mai. L’intelligenza artificiale, la robotica e la digitalizzazione stanno trasformando la società, influenzando ambiti come la medicina, la produzione e i rapporti personali, portando l’individuo a vivere sempre più in una realtà virtuale.

In questo contesto, il percorso si propone come un’esplorazione, attraverso il cinema, dell’impatto delle nuove tecnologie sui diritti umani e sulla società, con un focus sul biopotenziamento. Come dobbiamo accogliere, come individui e come società, lo sviluppo tecnologico e scientifico in grado di modificare o di “potenziare” l’essere umano a livello genetico o cognitivo? Può il potenziamento morale rappresentare una risposta valida come strumento di controllo sociale? La fusione/connessione tra l’uomo e la macchina può trasformare il nostro concetto di umanità? 

Il percorso cercherà di affrontare queste e altre domande attraverso la selezione di 3 film che ci permettono di esaminare 3 potenziali declinazioni: il biopotenziamento genetico, la neurotecnologia e il concetto del cyborg in quanto illustrativo del rapporto uomo-macchina.

Terzo incontro del Neuro – Neuro-Symbolic Seminar (NeSS)

19 Novembre 2024 – 16.30
Evento in streaming

La mancanza di trasparenza nei processi decisionali dei sistemi di deep learning rappresenta una sfida significativa per la moderna intelligenza artificiale (IA), in quanto compromette la capacità degli utenti di affidarsi a questi sistemi e di verificarli. Per affrontare questa sfida, i modelli basati sui concetti (Concept-Based Models, CBM) hanno compiuto progressi significativi incorporando concetti interpretabili dall’uomo nelle architetture di deep learning. Questo approccio consente di ricondurre le previsioni a modelli concettuali specifici che gli utenti possono comprendere e su cui possono intervenire.

Tuttavia, i predittori di compiti dei CBM esistenti non sono completamente interpretabili, il che impedisce un’analisi approfondita e qualsiasi forma di verifica formale del loro processo decisionale prima dell’implementazione, sollevando così notevoli problemi di affidabilità. Per colmare questa lacuna, presentiamo Concept Memory Reasoner (CMR), un nuovo CBM progettato per fornire un processo di previsione dei compiti comprensibile all’uomo e verificabile. Il nostro approccio consiste nel modellare ogni previsione di attività come un meccanismo di selezione neurale su una memoria di regole logiche apprendibili, seguito da una valutazione simbolica della regola selezionata. La presenza di una memoria esplicita e la valutazione simbolica consentono agli esperti di dominio di ispezionare e verificare formalmente la validità di alcune proprietà globali di interesse per il processo di previsione dei compiti.

I risultati sperimentali dimostrano che la DCR raggiunge un compromesso migliore tra accuratezza e interpretabilità rispetto ai CBM più avanzati, scopre regole logiche coerenti con le verità di base, consente di intervenire sulle regole e permette la verifica prima dell’implementazione.

Speaker: Giuseppe Marra della Katholieke Universiteit Leuven

Secondo incontro del Neuro – Neuro-Symbolic Seminar (NeSS)

10 Luglio 2024 – 15.30
Evento in streaming

La maggior parte degli approcci all’intelligenza artificiale neuro-simbolica si basa su un accoppiamento relativamente debole tra apprendimento e ragionamento. Per consentire un’integrazione più stretta tra questi componenti, abbiamo bisogno di una sorta di allineamento tra le rappresentazioni dello spazio vettoriale e la conoscenza simbolica.

In questo intervento verrà illustrata una strategia per raggiungere questo obiettivo, che si basa sull’idea che i predicati possano essere rappresentati come regioni convesse in uno spazio vettoriale. La conoscenza simbolica, ad esempio sotto forma di regole esistenziali, può essere codificata in termini di vincoli sulla disposizione spaziale di queste regioni. Per poter apprendere efficacemente tali rappresentazioni, in pratica si possono considerare solo regioni sufficientemente semplici. Allo stesso tempo, però, la scelta delle regioni da considerare può avere un impatto notevole sull’espressività della struttura.

Tra le altre cose, il Professor Schockaert sosterrà che l’utilizzo di rappresentazioni basate su ottagoni allineati agli assi presenta particolari vantaggi. Tali regioni sono chiuse sotto intersezione e composizione, pur essendo sufficientemente espressive per catturare un’ampia classe di regole.

Speaker: Professor Steven Schockaert della Cardiff University

Primo incontro del Neuro – Neuro-Symbolic Seminar (NeSS)

13 Maggio 2024 – 14.30
Evento in streaming

L’apprendimento profondo ha recentemente causato progressi molto rapidi nell’intelligenza artificiale, aprendo opportunità senza precedenti nell’apprendimento automatico. Tuttavia, ad oggi l’accuratezza dei sistemi di apprendimento profondo può essere valutata solo statisticamente: sono essenzialmente delle scatole nere, il che significa che il razionale delle loro decisioni o previsioni non può essere analizzato. Allo stesso tempo, è stato dimostrato che mostrano pregiudizi e talvolta allucinazioni, cioè producono risultati non basati sui fatti.

In questa presentazione verranno discussi alcuni risultati recenti per capire cosa accade all’interno della scatola nera. Più precisamente, verrà presentata l’analisi di una rete neurale convoluzionale per il riconoscimento di una scena.

Speaker: Professor Pascal Hitzler della Kansas State University