Referente scientifico:

Principali persone coinvolte:
ROMEO LAURA

Partner:
Università di Bologna
Istituto Nazionale di Fisica Nucleare

Tipologia: PNRR

Anno fine: 2025

Anno inizio: 2023

Durata: 36 mesi

Costo complessivo: 122.043.643,75 €

Finanziamento complessivo: 114.493.643,75 €

Costo CNR: 8.639.807,31 €

Finanziamento CNR: 8.639.807,31 €

Costo STIIMA: 264.092,05 €

Finanziamento STIIMA: 264.092,05 €

Coordinatore: Marco Conti

Future Artificial Intelligence Research

Rendere l’Intelligenza Artificiale (IA) pervasiva richiede un approccio olistico che copra più scale, dimensioni, orizzonti temporali e fonti di dati. Lo scopo generale è supportare il processo decisionale umano in applicazioni diverse e complesse, intervenendo a tutti i livelli, dall’elaborazione del segnale di basso livello, fino all’ottimizzazione e al ragionamento di alto livello, per produrre un approccio unificato, data-driven, trasparente e olistico.

La metodologia alla base dei sistemi di IA pervasivi si basa sull’analisi di dati multimodali, sull’apprendimento e sull’inferenza multilivello e sull’integrazione di approcci data-driven e basati sulla conoscenza. Questi aspetti del processo decisionale presentano notevoli problematiche in settori in cui l’incertezza è un aspetto cruciale.

Il progetto FAIR mira ad indagare tutti gli aspetti relativi alla modellazione e agli algoritmi per generare nuove soluzioni fondazionali, implementando nuove architetture, ma trattando allo stesso tempo le tematiche di politica e governance della tecnologia, i principi legali ed etici dell’IA pervasiva, l’educazione, la consapevolezza e la creatività umana e artificiale.

L’attività specifica del CNR-STIIMA riguarderà nuovi paradigmi di elaborazione di dati multimodali riguardanti l’interazione di esseri umani con l’ambiente, le macchine e i sistemi di IA. Saranno studiati modelli di rilevamento, tracciamento, comprensione dell’attività e visione artificiale, anche nel caso di uso di sistemi semi-autonomi e autonomi. Il CNR-STIIMA proporrà nuove soluzioni semi-supervisionate e generative per la comprensione e la ricostruzione di scene e oggetti 3D, la segmentazione e la comprensione di immagini e video in contesti industriali, migliorando la generalizzazione del modello. La ricerca sarà inoltre dedicata alla scalabilità e all’interpretabilità, per mantenere prestazioni coerenti tra i domini applicativi, anche in presenza di limitate risorse hardware e enormi quantità di dati da apprendere.