Obiettivi formativi Conoscere i concetti di base della rappresentazione della conoscenza in Intelligenza Artificiale. Conoscere i linguaggi di riferimento della rappresentazione della conoscenza basata sulla logica, in particolare le famiglie dei linguaggi di rappresentazione della conoscenza basate sul concetto di classe (class-based) e sul concetto di regola (rule-based), e le principali tecniche di ragionamento per tali linguaggi. Conoscere le principali tecnologie basate su tali formalismi di rappresentazione della conoscenza, in particolare i linguaggi RDF e OWL, con l'obiettivo di progettare e gestire una base di conoscenza ontologica. Conoscere gli approcci alla rappresentazione numerica (embedding) di conoscenza logico-simbolica (knowledge graph) e alla loro elaborazione. Conoscere elementi di rappresentazione della conoscenza e ragionamento nelle applicazioni di Intelligenza Artificiale non simbolica, in particolare nell’IA generativa e nei Large Language Models.
Conoscenza e comprensione
• Ricordare e definire i concetti e i principi fondamentali che guidano la rappresentazione della conoscenza (KR) all'interno dei sistemi informatici.
• Comprendere la sintassi e la semantica formale dei formalismi logici basati su classi e di quelli basati su regole.
• Comprendere i limiti espressivi di ALC, l'assunzione di mondo aperto (open-world assumption) tipica delle Logiche Descrittive e le differenze strutturali rispetto alla Logica del Primo Ordine (FOL) e a SQL.
• Comprendere il funzionamento degli algoritmi fondamentali di ragionamento automatico per Logiche Descrittive e per Datalog.
• Ricordare e comprendere gli standard, le tecnologie e i protocolli del Web Semantico definiti dal W3C, tra cui RDF, RDF Schema (RDFS), SPARQL, OWL e i diversi profili di OWL 2.
• Comprendere la struttura e le proprietà dei Knowledge Graph, le metodologie di machine learning ad essi applicate e il concetto di Knowledge Graph embedding.
• Comprendere l'intersezione tra la rappresentazione della conoscenza simbolica e i modelli linguistici di grandi dimensioni (Large Language Models - LLM), analizzando le reali capacità di ragionamento logico di questi ultimi e l'integrazione di OWL e Datalog al loro interno.
Capacità di applicare conoscenza e comprensione
• Applicare formalismi logici (Logiche Descrittive ALC, Datalog e ASP) per modellare domini di conoscenza reali, traducendo requisiti applicativi in vincoli, regole e assiomi formali.
• Applicare l'algoritmo di Tableau per risolvere manualmente o in modo assistito compiti di ragionamento logico (reasoning tasks) su TBox e ABox espresse in ALC.
• Applicare e implementare programmi Datalog e ASP per la risoluzione di problemi di ragionamento.
• Applicare gli standard RDF, RDFS e OWL per la progettazione strutturata di ontologie e grafi di conoscenza, formulando query di interrogazione semantica complesse mediante il linguaggio SPARQL.
• Applicare le specifiche tecniche dei profili OWL 2 (OWL 2 QL, OWL 2 RL e OWL 2 EL), sfruttando opportunamente la tecnica del query rewriting o la ABox materialization per ottimizzare l'interrogazione e l'accesso ai dati in base al profilo selezionato.
• Utilizzare (applicare) in modo efficace strumenti software professionali e ampiamente diffusi nel settore, come l'editor di ontologie Protégé, per la modellazione e la validazione di ontologie reali.
• Creare e sviluppare un progetto pratico e autonomo di ingegneria della conoscenza, integrando tecnologie semantiche, ontologie OWL, motori di regole logiche o grafi di conoscenza per risolvere uno specifico problema applicativo.
Autonomia di giudizio
• Analizzare e confrontare criticamente le differenze computazionali, espressive e strutturali tra i diversi modelli di gestione dei dati e della conoscenza (SQL vs Logiche Descrittive vs Datalog vs ASP).
• Valutare la complessità computazionale delle operazioni di ragionamento all'interno di Datalog, ASP e dei vari profili OWL 2, al fine di selezionare lo strumento tecnologico e il formalismo più efficiente e scalabile per un dato scenario applicativo.
• Valutare criticamente i limiti e i vantaggi dei sistemi basati su ragionamento logico formale rispetto ai moderni approcci sub-simbolici basati su machine learning, Knowledge Graph Embeddings e Large Language Models (LLM), comprendendo quando sia preferibile adottare soluzioni ibride o puramente simboliche.
Abilità comunicative
• Analizzare e strutturare in modo chiaro la documentazione e la presentazione di un progetto pratico di ingegneria della conoscenza, illustrando con rigore formale e terminologia appropriata le scelte di modellazione effettuate, i vincoli inseriti e i motori di ragionamento impiegati.
• Comprendere come esporre e descrivere concetti teorici complessi (come i dettagli di un algoritmo di tableau, le logiche di query rewriting o la semantica Answer Set) a un pubblico di specialisti (ingegneri informatici) e non specialisti.
Capacità di apprendimento
• Comprendere e assimilare autonomamente l'evoluzione degli standard e delle raccomandazioni del W3C legati al Web Semantico e alle tecnologie semantiche d'avanguardia.
• Analizzare in modo indipendente la letteratura scientifica più recente e i nuovi strumenti software per la rappresentazione della conoscenza, in particolare quelli incentrati sull'integrazione sinergica tra intelligenza artificiale simbolica (ontologie, logiche) e intelligenza artificiale generativa/sub-simbolica (LLM e machine learning su grafi).
|
Obiettivi formativi Fatta salva l'acquisizione di una serie di obiettivi di fondo comuni ai corsi di laurea magistrale in filosofia e in filosofia e intelligenza artificiale, il corso si propone di raggiungere più specificamente i seguenti ulteriori obiettivi: Conoscenza e capacità di comprensione (descrittore di Dublino A): conoscenza dettagliata e articolata di un problema filosofico in prospettiva storica; conoscenza approfondita di un periodo e contesto filosofico con attenzione alla lunga durata dei problemi trattati; conoscenza di concetti e termini chiave, anche molto specialistici, in prospettiva storica. Capacità applicative (descrittore B): capacità di comprensione ed ermeneutica di testi classici della disciplina, anche con consapevolezza dei problemi di traduzione; capacità di profonda analisi storica e di critica teorica matura ed originale di testi. Autonomia di giudizio (descrittore C): capacità di ricostruzione nel dettaglio di un contesto storico-filosofico; capacità di argomentazione e di guadagno di una prospettiva personale sul tema in oggetto (anche mediante la partecipazione attiva di natura seminariale). Abilità comunicative (descrittore D): capacità di servirsi di un lessico tecnico, anche molto specifico; capacità di argomentare con proprietà di linguaggio sui temi trattati. Capacità di apprendimento (descrittore E): capacità di approfondire le questioni in modo anche spiccatamente personale, autonomo ed originale (tramite ricerche bibliografiche personali, approfondimenti specifici etc…).
|
Obiettivi formativi Obiettivi Generali
Lo scopo del corso è quello di fornire una panoramica sulle tecniche più avanzate di elaborazione del linguaggio naturale e le loro applicazioni.
Obiettivi Specifici
Gli studenti impareranno i principi del trattamento automatico delle lingue, comprendendo come le macchine possono interpretare, generare e rispondere al linguaggio umano. Questo include temi come la rappresentazione delle parole, i word e i sense embedding, le architetture neurali per l'NLP, la traduzione automatica, e più in generale la generazione di testo.
Conoscenza e Comprensione
- Conoscenza delle architetture di reti neurali, come le reti neurali ricorrenti e i Transformer, utilizzate per l'elaborazione del linguaggio naturale.
- Conoscenza dei metodi di apprendimento supervisionato e non supervisionato in NLP.
- Conoscenza delle tecniche di semantica computazionale lessicale e frasale.
- Comprensione dei modelli di linguaggio per interpretare e generare testo.
Applicazione di Conoscenza e Comprensione
- Come sviluppare modelli per la comprensione del linguaggio
- Come sviluppare modelli per la generazione del linguaggio
- Come utilizzare le architetture neurali per l'NLP
Autonomia di Giudizio
Gli studenti saranno in grado di valutare l'efficacia delle tecniche di NLP nelle diverse applicazioni.
Abilità Comunicative
Gli studenti saranno in grado di spiegare i principi e le tecniche di elaborazione del linguaggio naturale.
Capacità di Apprendimento Successivo
Gli studenti interessati alla ricerca scopriranno quali sono le principali sfide aperte nell'area dell'NLP, ottenendo le basi necessarie per studi più approfonditi in materia.
|
Obiettivi formativi Al termine del corso lo studente avrà acquisito i seguenti risultati di apprendimento.
Conoscenza e comprensione:
conoscenza dei principi teorici e matematici alla base dei principali modelli generativi (autoencoder variazionali, GAN, normalizing flow, modelli di diffusione, modelli linguistici di grandi dimensioni);
comprensione delle architetture di deep learning e del meccanismo di attenzione alla base dei modelli generativi moderni;
conoscenza delle tecniche di generazione per immagini, testo e dati multimodali.
Capacità di applicare conoscenza e comprensione:
essere in grado di implementare e addestrare modelli generativi in domini diversi (immagini, testo);
saper applicare tecniche di allineamento e adattamento dei modelli linguistici (RLHF, DPO, LoRA) e di Retrieval-Augmented Generation;
saper utilizzare librerie Python avanzate (es. PyTorch) per la progettazione di sistemi generativi.
Autonomia di giudizio:
saper valutare criticamente le prestazioni dei modelli generativi mediante metriche appropriate;
saper analizzare limiti, rischi e potenzialità dei modelli generativi nei diversi contesti applicativi.
Abilità comunicative:
saper descrivere e motivare le scelte progettuali e i risultati sperimentali con terminologia tecnica appropriata.
Capacità di apprendimento:
saper aggiornare autonomamente le proprie conoscenze seguendo la letteratura scientifica di un settore in rapida evoluzione.
|
Obiettivi formativi L'obiettivo del corso è di comunicare agli studenti i concetti di base della gestione dei sistemi informativi a larga scala. Verranno esaminati in dettaglio due argomenti specifici, vale a dire i modelli informativi per la gestione dei Big Data e l'integrazione delle informazioni. Entrambi gli argomenti sono estremamente rilevanti nella società basata sui dati, in cui praticamente tutti i sistemi informativi di organizzazioni di dimensioni ragionevoli devono sia gestire grandi set di dati sia interagire con diverse fonti di dati. Obiettivi specifici: Studiare i modelli di dati utilizzati nella gestione di Big Data, in particolare i modelli di dati NoSQL, che includono i modelli di dati basati su colonne, su coppie chiave-valore e su documenti, e acquisire familiarità con le nozioni e le tecniche per l'integrazione delle informazioni. Conoscenza e comprensione: Dopo il corso lo studente avrà una buona conoscenza delle differenze e delle somiglianze tra il modello relazionale e le varie classi di modelli di dati NoSQL. Inoltre, gli studenti capiranno le questioni teoriche relative all'integrazione e allo scambio dei dati e avranno una buona conoscenza delle varie architetture dei sistemi di integrazione delle informazioni. Applicare conoscenza e comprensione: Gli studenti saranno in grado di progettare il proprio repository Big Data utilizzando uno dei modelli di dati adottati nella pratica, di scegliere un'architettura appropriata per l'integrazione delle informazioni e di costruire e mantenere un sistema di integrazione delle informazioni strutturato in base all'architettura scelta. Capacità critiche e di giudizio: Lo studente sarà in grado di valutare i requisiti per un sistema di gestione di Big Data e sarà in grado di scegliere il giusto modello di dati e l'infrastruttura adeguata. Analogamente, lo studente sarà in grado di comprendere i requisiti per uno specifico sistema di integrazione delle informazioni e scegliere gli approcci e le tecniche appropriate per la progettazione di una soluzione di alta qualità. Capacità comunicativa: Gli studenti acquisiranno una buona conoscenza su come illustrare i risultati di un processo di progettazione, sia nel contesto della gestione dei Big Data, sia nel contesto dei sistemi di integrazione delle informazioni. Capacità di apprendimento: Lo studente sarà in grado di comprendere qualsiasi nuova architettura e approccio alla gestione dei Big Data e all'integrazione delle informazioni che diventeranno popolari in futuro
|
Obiettivi formativi Consentono allo studente di sostenere un'attività formativa conforme ai propri individuali interessi scientifici.
|
Obiettivi formativi Questo corso introduce i concetti relativi alla pianificazione automatica e ai meccanismi di ragionamento logico dell'intelligenza artificiale. Lo scopo del corso e' quello di permettere allo studente di usare i sistemi esistenti di pianificazione automatica e di capire i loro meccanismi interni, in modo da poterli sfruttare nel modo migliore ed eventualmente estendere a fronte di problemi specifici. Inoltre, lo studente verrà messo in condizione di comprendere i fondamenti teorici alla base dei meccanismi di ragionamento logico usati in intelligenza artificiale
|
Obiettivi formativi L'idoneità è collegata con la tesi. Per acquisirla, bisogna concordare con il relatore un testo in lingua straniera (articolo, saggio, libro, etc.) di argomento attinente alla tesi. Bisogna quindi preparare un elaborato in italiano lungo circa 2 cartelle sul testo letto (una specie di recensione, o commento da inserire eventualmente nella tesi stessa) e sottoporlo al relatore, il quale fornirà un attestato. Per la verbalizzazione dell'idoneità bisogna quindi presentarsi a uno dei docenti indicati portando l'attestato e la prenotazione su Infostud.
La Commissione risulta così composta: prof. Marco Mazzeo.
|
Obiettivi formativi La prova finale consiste nella stesura, nella presentazione e nella discussione davanti ad una commissione di un elaborato in italiano o in inglese, preparato autonomamente dallo studente. Alla prova finale sono assegnati 24 crediti.
|
