PI: Barbara Caputo (Politecnico di Torino)
co-PI: Tatiana Tommasi (Politecnico di Torino)
La stragrande maggioranza dell’AI moderna è computazionalmente pesante in tutte le sue fasi, dalla progettazione e sviluppo di algoritmi, all’addestramento e all’implementazione. La progettazione di nuovi algoritmi spesso richiede euristiche e ripetuti trial-and-error; l’addestramento richiede un’elaborazione dei dati su scala molto ampia, e per garantire una performance finale ottimale è necessaria una ricerca e ottimizzazione estensiva degli hyperparameter. Questo vale indipendentemente dal tipo di hardware su cui gira l’intelligenza artificiale, dal cloud e HPC con archiviazione dati centralizzata su larga scala, ai dispositivi edge con risorse di calcolo e memoria limitate. Questi due framework computazionali agli antipodi – l’infinitamente piccolo sull’edge e l’infinitamente grande sull’HPC – sono i due paradigmi informatici emergenti dei prossimi decenni. La progettazione e lo studio di nuovi algoritmi di intelligenza artificiale, in grado di sfruttare per costruzione le proprietà intrinseche dell’hardware edge ed exascale, è una sfida di ricerca aperta e cruciale. C’è bisogno di una nuova generazione di algoritmi per l’ottimizzazione e l’apprendimento decentralizzati, robusti, adattivi e accurati, in grado di supportare sistemi intelligenti e agenti autonomi, con vari gradi di supervisione, con applicazioni che vanno dalla robotica industriale al settore bancario, mobilità e difesa, gestione energetica e salute.
