Alta formazione

Descrizione: “Il dottorato di ricerca è stato finalizzato allo sviluppo di algoritmi e metodologie per la gestione ottimale e il controllo di sistemi di generazione termo-elettrici operanti in una configurazione a rete. L’obiettivo di introdurre nuovi paradigmi per la generazione distribuita di energia ha richiesto di considerare in modo integrato differenti vettori energertici.
La rete intelligente termo-elettrica così definita è un sistema di larga scala, in cui è necessario determinare la strategia di produzione più efficiente in un contesto di risorse condivise limitate e soddisfacendo una domanda tempo variante.
La ricerca si è concentrata sia sullo sviluppo di metodologie e strumenti per la modellazione della rete di generatori e dei sotto-sistemi, così come sugli algoritmi di controllo e ottimizzazione. Quest’ultimi includono scemi avanzati di ottimizzazione distribuita per problemi di natura misto-intera e schemi di controllo predittivi scalabili.”

Università: Politecnico di Milano

Dottorando: Spinelli Stefano

Responsabile STIIMA: Ballarino Andrea

Durata: 2016-2020

Descrizione: “The major aim of this work is to investigate novel machine learning approaches, aimed to support the development of advanced optimization tools for energy intensive industries, fostering more sustainable consumption patterns.
In particular, we focus the present research on the development of two major functional components needed to realize such implementations, namely the integration of reliable short-term energy price/load forecasting, and data-driven behavioral models of discrete/hybrid processes.”

Università: Politecnico di Milano

Dottorando: Brusaferri Alessandro

Responsabile STIIMA: Ballarino Andrea

Durata: 2017-2021

Descrizione: “L’attività di dottorato si focalizza sullo studio e l’utilizzo di modelli e metodi di machine learning e deep learning nell’ambito del Process Mining. In particolare, fino a ora, il lavoro si è incentrato sulla stima dell’incertezza insita nella previsione della prossima attività che verrà effettuata in una sequenza di eventi registrati dal sistema informatico di aziende di diverso tipo. Lo scopo è aiutare l’utente, o il sistema di decisione automatico che utilizza le previsioni considerate, a tenere conto che il modello ha diversi gradi di certezza, inversamente correlati con la sua accuratezza, e, di conseguenza, non tutte le previsioni sono allo stesso livello di affidabilità.”

Università: Politecnico di Milano

Dottorando: Portolani Pietro

Responsabile STIIMA: Ballarino Andrea

Durata: 2021-2024

Descrizione: “L’attività di dottorato si focalizza sullo studio e l’utilizzo di modelli e metodi di supporto alla processo decisionale mirati alla valorizzazione della scoria derivante dal processo di acciaieria da scarti metallici.”

Università: Politecnico di Milano

Dottorando: Falsafi Mohammadtaghi

Responsabile STIIMA: Ballarino Andrea; Rosanna Fornasiero

Durata: 2015-2018

Descrizione: “Il superamento di alcuni dei limiti dell’odierna interazione uomo-robot potrebbe rappresentare un passo avanti verso la possibilità di introdurre i robot nella nostra vita quotidiana, non solo come macchine utili, ma veicolando un senso di interazione sociale più vicino a ciò che si vive nelle relazioni umane.
La svolta scientifica mirata dalla ricerca condotta da Matteo Lavit Nicora è la determinazione e la validazione di un modello in grado di tenere conto dello stato dedotto dell’utente e delle preferenze soggettive mappate al fine di adattare automaticamente il comportamento di un sistema robotico verso un’esperienza ottimizzata . Inoltre, la definizione di procedure e metodi per la calibrazione del modello stesso è perseguita sia per individui specifici che per gruppi collettivi, come individui neurotipici o persone con diagnosi di Disturbo dello Spettro Autistico. L’approccio alla ricerca è multidisciplinare, integrando concetti di controllo del robot, ottimizzazione delle preferenze, analisi sociale e psicologica e rilevamento fisiologico insieme all’introduzione di componenti di Intelligenza Artificiale.”

Università: Università di Bologna

Dottorando: Lavit Nicora Matteo

Responsabile STIIMA: Malosio Matteo

Durata: 2021-2024

Descrizione: “Inquadrato nell’ambito del progetto MSCA- DimanD come early stage researcher.”

Università: Università degli Studi di Brescia del DRiMI

Dottorando: Patil Trunal Kashinath

Responsabile STIIMA: Rebaioli Lara; Pagano Claudia; Fassi Irene

Durata: 2019-2022

Descrizione: “Inquadrato nell’ambito del progetto MSCA- DimanD come Early Stage Researcher.”

Università: Università degli Studi di Brescia (DRIMI)

Dottorando: Mulet Alberola Jose Antonio

Responsabile STIIMA: Basile Vito; Ruggeri Serena; Fassi Irene

Durata: 2019-2022

Descrizione:

Università: Università degli Studi di Brescia (DRiMI)

Dottorando: Buddhi Charitha Liyanapathirana

Responsabile STIIMA: Fassi Irene; Valori Marcello

Durata: 2020-2023

Descrizione:

Università: Università degli Studi di Brescia (DRIMI) – Sorbonne Universitè

Dottorando: Alioune Badara Diouf

Responsabile STIIMA: Fassi Irene; Giovanni Legnani

Durata: 2021-2024

Descrizione:

Università: Università degli Studi di Brescia (DRiMI)

Dottorando: Buddhika Piyumal Samarathunga

Responsabile STIIMA: Fassi Irene

Durata: 2021-2024

Descrizione: “Studio di tecniche di visione artificiale e intelligenza artificiale per l’analisi di immagini e nuvole di punti per applicazioni di controllo di qualità e diagnostica in ambito ferroviario.”

Università: Politecnico di Bari

Dottorando: Gaetano Pernisco

Responsabile STIIMA: Stella Ettore

Durata: 2019-2022

Descrizione: “Fresh fruits and vegetables are very perishable, with the main factors implying loss of consumer acceptability being discoloration or browning, dryness, and texture loss. These parameters determine the visual appearance, which influences consumer perception and therefore the level of purchase acceptability. This is because consumers associate desirable internal characteristics (i.e., nutraceutical and organoleptic properties) with the external appearance. In this context, quality control processes are usually applied, that include: a) the evaluation of their global visual quality; b) the estimation of some internal characteristics, that determine nutraceutical and organoleptic properties; c) the verification of the sustainability of their cultivation strategies in terms of the use of critical resources (water, fertilizers, etc.). These steps are usually performed manually. However, manual inspection requires people to carry out the assessment of the entity and make a judgment on it according to some prior training or knowledge, which may introduce inconsistencies and subjectivity in the quality evaluation. In this context, this research project concerns the design and application of machine learning and data mining techniques for non-destructive contactless quality control in the agroalimentary supply chain. The use of these techniques would make it possible to reduce labour costs, improve process efficiency and quality control reliability.
In the literature, we can find methods that rely on and assume optimal conditions that are hardly achievable in real contexts. These include heavy manual feature engineering phases; the use of images with a black background and the adoption of colour charts for calibration purposes, or lamps to reduce highlights. Moreover, they usually solve a classification task to estimate the quality level, without taking into account the ordering of the classes and, therefore, different degrees of severity in making a mistake in the estimation.
Therefore, the objectives of this research project can be summarized as follows:

• Design and development of specific regression or cost-based classification methods to evaluating the fruit’s and vegetable’s visual quality and relevant internal characteristics
• Use images that are independent from the background and from calibration patches;
• Automatic identification of the most relevant features
• Explainability: understand and emphasize which parts of the images have the greatest impact on the regression/classification output.”

Università: Università degli Studi Aldo Moro di Bari

Dottorando: Stefano Polimena

Responsabile STIIMA: Attolico Giovanni

Durata: 2021-2024

Descrizione:The main goal of this work is to investigate a multi-disciplinary paradigm to integrate the Artificial Intelligence models and knowledge-based decision support systems with a Mixed Reality-based application (such as HoloLens) to control and manage the smart domestic environments incorporating the IoT network of sensors and actuators. Exploiting the data transmitted from the domestic comfort sensors on environmental data and wearable sensors on inhabitant health condition in real-time, the system can anticipate any critical condition based on AI methods and techniques to prevent any plausible injury or accident. Moreover, the system is able to recommend the appropriate action to take in order to achieve the optimum domestic comfort with minimized energy loss and suggest safe activities to perform for each user based on the heterogeneous data generated from environmental sensors, wearables, MR head mounted display motion tracking, AI inferences, learning techniques, and knowledge base reasoning. In addition, the system can leverage on data driven and machine inferences to contribute to the ontology development and enhancing the knowledge representation and data management.

Università: Università degli Studi Milano Bicocca

Dottorando: Atieh Mahroo

Responsabile STIIMA: Marco Sacco

Durata: 2022-2025

Descrizione: The research program is focused on the topic of Machine Learning for wildlife and marine environment conservation. It is hence rooted in the emerging field of advanced statistical methods and machine learning for wildlife conservation and, specifically, marine animals (such as cetaceans and sea turtles) and critical habitats monitoring. It will be focused on the design and implementation of new statistical approaches for the analysis of data, images and sounds that can provide critical information about the species of conservation interest targeted by this research. The research program will unfold through several objectives, all related to Machine Learning (ML) applied to the disciplines of ecology, computer vision, signal processing and marine bioacoustics. During the PhD it will be carried out the study and the designing, developing and validating of new techniques and solutions to tackle the identified criticalities in 1) the implementation and application of regression and classification learning methods for the analysis of multiple variables dataset, within the framework of target species distribution modelling and habitat distribution and suitability in relation to climate change and European monitoring programs; 2) the photo identification pipeline for target cetaceans species; 3) the ML for detection and classification of acoustic signals emitted by cetaceans target species. The PhD project includes the analysis of environmental data from satellites, sighting data of cetaceans and other marine species and also to build predictive models for the investigation of habitat modifications related to climate change and the distribution of marine species based on environmental and anthropogenic factors.

Università: Politecnico di Bari (Dipartimento di Ingegneria Elettrica e dell’Informazione) e Università di Bari

Dottorando: Carla Cherubini

Responsabile STIIMA: Rosalia Maglietta

Durata: 2022-2025

Descrizione: Recently plant phenomics, which focuses on identifying patterns of organization and changes in plant phenomes, played a major role in Precision crop monitoring and is rapidly advancing. Although Non-destructive monitoring of the crop in precision agriculture and plant phenotype, as well as decision-making according to food safety, led to automatically a comprehensive evaluation of complex plant traits such as growth, development, tolerance, resistance, or yield of a plant, still the identification of quantitative plant phenotypes is a big challenge In order to accurately segment plant images. In the meantime recently the computer vision, machine learning, and deep learning aspects of artificial intelligence successfully integrated into non-invasive imaging techniques that play a key role in the automation, standardization, and quantitative analysis of huge amounts of data in plant phenomics. Therefore, this study aims the analysis two macro-categories (the aerial part of a plant and the root system of a plant) in plant phenomics in order to the specific study of operational hardware, the experimental setup, and most suitable algorithms to analysis of the data produced by computer vision and artificial intelligence both in the laboratory (Phanolab) and open agricultural sites (open field). This study will be a model stable and reliable due to design the best algorithms and identification of the most suitable methods for data acquisition by Computer Vision and Artificial Intelligence.

Università: Politecnico di Bari

Dottorando: Solimani Firozeh

Responsabile STIIMA: Vito Renò

Durata: 2021-2024

Descrizione: The improvement of the anomaly detection performance in Industry 4.0 context is the key to ensure product quality, paving the way towards intelligent and zerodefect manufacturing. In the high-speed and complex industrial production scenario, the drawbacks of traditional approaches are basically poor robustness and adaptability. The main project objective is to study, design and develop new deep learning models (e.g. autoencoders, GAN, CNN) aimed at effective anomaly detection on real data.

Università: Università di Genova

Dottorando: Adriano Liso

Responsabile STIIMA: Vito Renò

Durata: 2022-2025

Descrizione: “L’obiettivo del progetto di dottorato consiste nello sviluppo di sistemi multisensoriali e algoritmi di Intelligenza Artificiale per consentire a veicoli robotici agricoli di eseguire attività di fenotipizzazione in campo e compiti di agricoltura di precisione, come individuazione preventiva di deterioramenti nel processo di crescita o patologie e agenti infestanti, applicazione locale precisa di pesticidi/fertilizzanti e stima della resa.”

Università: Università Federico II di Napoli

Dottorando: Rosa Pia Devanna

Responsabile STIIMA: Milella Annalisa

Durata: 2021-2024

Descrizione: “Le attività di ricerca riguardano l’integrazione delle conoscenze di dominio nelle tecniche di ottimizzazione basate su Intelligenza Artificiale, con applicazioni nel campo del controllo di processi industriali a livello di singole macchine. I principali obiettivi sono: riduzione dei tempi e dei dati necessari per il training dei modelli utilizzati dal controllo; preservare le caratteristiche di interpretabilità delle azioni di controllo, affinché siano comprese e accettate dagli esperti di settore; sviluppare metodi e interfacce per catturare la conoscenza degli esperti ed operare un re-training continuo del sistema.”

Università: Politecnico di Milano

Dottorando: Leonesio Marco

Responsabile STIIMA: Leonesio Marco

Durata: 2021-2025

Descrizione: “Il progetto di ricerca riguarda lo sviluppo di metodi avanzati per l’identificazione e il controllo basati su tecniche di ottimizzazione multi-objective e real-time, con lo scopo di migliorare l’efficienza energetica nei processi manifatturieri.”

Università: Politecnico di Milano

Dottorando: Roberto Boffadossi

Responsabile STIIMA: Leonesio Marco

Durata: 2021-2025

Descrizione: “Il Dottorato di ricerca si colloca nell’ambito delle tecnologie digitali per la riabilitazione e si pone l’obiettivo di investigare le potenzialità della realtà virtuale per migliorare i protocolli di riabilitazione respiratoria. La riabilitazione respiratoria è un trattamento che comprende diversi domini, tra cui l’allenamento fisica, e che si è rivelato efficace nel migliorare la condizione di salute di pazienti con patologie respiratorie croniche, quali pazienti BPCO e, più di recente, post-COVID. La problematica principale di questo trattamento è l’efficacia sul lungo termine, che è spesso ridotta a causa di perdita di motivazione e di aderenza al trattamento. In questo contesto, la realtà virtuale rappresenta una tecnologia promettente grazia alla possibilità di creare protocolli di allenamento coinvolgenti e stimolanti. L’attività di ricerca include la progettazione e lo sviluppo di ambienti digitali per l’esercizio fisico e la valutazione degli effetti di tali tecnologie sulla performance nonché dell’accettabilità da parte del paziente. Il Dottorato di ricerca ha inoltre l’obiettivo di comprendere come la realtà virtuale possa essere integrata nella pratica clinica attraverso la definizione e la valutazione di un protocollo riabilitativo completo, che segua il paziente sia nel contesto ospedaliero sia in quello domiciliare e che sia motivante e efficace dal punto di vista clinico.”

Università: Politecnico di Milano

Dottorando: Colombo Vera Maria

Responsabile STIIMA: Sacco Marco

Durata: 2017-2021

Descrizione: “L’attività di ricerca si concentra sulle tematiche del Semantic Web, in particolare sui temi dell’ontology engineering, l’applicazione di ontologie in sistemi a supporto delle decisioni, l’impiego di metodologie di knowledge engineering nell’ambito salute. I risultati della ricerca consentono di identificare i gap nella disciplina dell’ontology engineering, proponendo una nuova metodologia agile pensata per lo sviluppo di ontologie in ambito clinico. La metodologia è dunque testata per lo sviluppo di tre sistemi a supporto delle decisioni.”

Università: Università degli Studi dell’Insubria – Dipartimento di Scienze Teoriche e Applicate (DISTA)

Dottorando: Spoladore Daniele

Responsabile STIIMA: Spoladore Daniele

Durata: 2019-2022

Descrizione: “L’attività di dottorato è focalizzata sul monitoraggio del benessere fisico e cognitivo di operatori che lavorano a stretto contatto con cobot, nel contesto dell’Industria 4.0.”

Università: Politecnico di Bari

Dottorando: Romeo Laura

Responsabile STIIMA: Marani Roberto

Durata: 2020-2023

Descrizione: The research project aim is to develop Intelligent Machines for manufacturing. The work will analyze a specific application scenario (e.g. a grinding machine) and setup an intelligent framework where the production mission, in terms of workpiece, machine and process characteristics, is described. To achieve this, it will be an opportunity to use artificial intelligence techniques, such as machine learning and data clustering. It mitigates managing the large amounts of data collected during the experiments. These methodologies, will also improve model generality and accuracy, which automates analytical model building. Exploited models can be used to find hidden insights in data without being explicitly programmed.

Università: Università di Genova

Dottorando: Lohit Kumar Pentakota

Responsabile STIIMA: Marco Leonesio, Giacomo Bianchi

Durata: 2022 – 2025