PI: Nicola Gatti (Politecnico di Milano)
Co-PI: Nicolò Cesa-Bianchi (Università degli Studi di Milano Statale)
L’adattabilità è stata uno degli obiettivi primari dell’intelligenza artificiale sin dalla sua concezione ed è ora capillarmente necessaria non solo nel mondo virtuale ma anche nel mondo fisico. In particolare, l’adattabilità è correlata alla capacità di un’entità di interagire con l’ambiente, percepire il contesto e le relative informazioni che cambiano nel tempo e agire tempestivamente. In particolare, il machine learning è emerso finora come la principale tecnologia abilitante per progettare sistemi artificiali adattivi.
Nonostante la sua onnipresente adozione, ci sono gravi lacune nella nostra comprensione teorica di come i sistemi di apprendimento possano fornire garanzie e di come possano essere efficacemente combinati con altri paradigmi di intelligenza artificiale durante la progettazione di sistemi artificiali adattivi. Le sfide da affrontare includono: i fondamenti della teoria dell’apprendimento per l’adattabilità, la comprensione dell’ottimizzazione non convessa per i modelli di machine learning (tenendo conto dell’interazione tra gli aspetti statistici e algoritmici del processo di addestramento), lo studio delle caratteristiche dello specifico contesto che possono essere utilizzate per fornire migliori garanzie di adattamento.
