Il dottorato nazionale in Intelligenza Artificiale (PhD-AI.it) è un’iniziativa nazionale che mira a superare la frammentazione esistente nella ricerca in Intelligenza Artificiale mediante l’istituzione di programmi di dottorato a livello nazionale, tali da competere con le più prestigiose iniziative europee ed internazionali.

Il progetto prevede l’istituzione di 5 programmi di dottorato nazionali su altrettante aree di specializzazione, con una base comune focalizzata sugli aspetti fondazionali dell’AI. Le aree di specializzazione sono:

  • Salute e Scienze della vita (Università capofila: Università Campus Bio-Medico di Roma)
  • Industria 4.0 (Università capofila: Politecnico di Torino)
  • Sicurezza e Cybersecurity (Università capofila: Sapienza Università di Roma)
  • Agricoltura (agrifood) e Ambiente (Università capofila: Università degli Studi di Napoli Federico II)
  • Società (Università capofila: Università di Pisa)

Il ruolo del Dipartimento

L'Università di Trento partecipa al dottorato nazionale in Intelligenza Artificiale nell’area AI e Società, coordinata dall'Università di Pisa, in virtù dell’eccellenza scientifica e della rilevanza del Dipartimento di Ingegneria e Scienza dell'Informazione nell’ambito dell’Intelligenza Artificiale. 
Per tutti i dettagli sul corso di dottorato: https://www.phd-ai.it/

Area AI e Società

Lo studio della società e della complessità dei fenomeni sociali ed economici ha ricevuto negli ultimi dieci anni un forte impulso grazie ai metodi dell’AI e della Data Science, alimentati dal microscopio sociale della big data analytics e del social mining attraverso l’ibridazione inter-disciplinare con le scienze sociali ed economiche. La combinazione degli approcci model-driven e data-driven del data mining, del machine learning e della network science sta progressivamente aumentando la capacità di osservare, misurare, modellizzare e prevedere fenomeni socio-economici complessi, come ad esempio la mobilità umana e la dinamica delle città, le migrazioni ed i loro determinanti economici, le dimensioni del benessere delle comunità, la formazione e la dinamica delle opinioni e delle conversazioni online, e l’impatto sociale dei sistemi AI. Questa linea scientifica è interlacciata con quella dell’AI antropo-centrica, Human-centric AI, lo sviluppo di forme avanzate di interazione persona-macchina in grado di migliorare la qualità delle decisioni individuali e collettive in campi delicati, dalla salute alla giustizia, alle transazioni economiche, alla valutazione del rischio in vari ambiti sociali ed economici. L’area di specializzazione AI for Society si focalizzerà su temi cruciali come explainable AI, AI for personal assistance, AI for social interaction, AI for social good, seguendo un approccio rivolto ad incorporare nei sistemi AI valori etici condivisi (ethics-by-design) e a raggiungere obiettivi comuni, in un’ottica di sostenibilità, diversità, rispetto della dignità e dell’autonomia umana, inclusività e accettabilità sociale.

Bando di Ammissione

Il bando di ammissione all'area  "AI e Società" per l'a.a. 2023-2024 è online!
Scadenza domande: 7 agosto 2023 ore 13 CET.   

Borse di studio tematiche co-finanziate - ciclo 39 - a.a. 2023-2024

L'Università di Trento partecipa al 39° ciclo del programma in AI e Società co-finanziando due borse di studio tematiche:

1. Operational Optimal Planning for Healthcare Coordination
The goal of this PhD scholarship will be to develop novel advanced planning and scheduling algorithms leveraging neuro-symbolic hybrid approaches to orchestrate and coordinate the activities within the healthcare system, by ensuring robustness and resilience to contingencies, accounting for multi-objective cost functions, and eventually providing explanations about the suggested solutions.
Referenti: prof. Giovanni Iacca (giovanni.iacca [at] unitn.it) e prof. Marco Roveri (marco.roveri [at] unitn.it)

 2. Federated multi-targed domain adaptation
Federated learning methods enable us to train machine learning models on distributed user data while preserving its privacy. However, it is not always feasible to obtain high-quality supervisory signals from users,
especially for computer vision tasks. Unlike typical federated settings with labeled client data, this research will consider a more practical scenario where the distributed client data is unlabeled, and a centralized labeled dataset is available on the server. The research will also consider the server-client and inter-client domain shifts into account and pose a domain adaptation problem with one source (centralized server data) and multiple targets (distributed client data).
Referente: prof. Nicu Sebe (niculae.sebe [at] unitn.it)

Borse di studio tematiche co-finanziate - ciclo 38 - a.a. 2022-2023

L'Università di Trento partecipa al ciclo XXXVIII del programma in AI e Società co-finanziando due borse di studio tematiche:

1. Tuning of music information retrieval models via evolutionary computing techniques.
The PhD will focus on the application of evolutionary computing methods for the optimization of machine learning models in different music information retrieval tasks. The successful candidate will design, implement and evaluate advanced techniques merging the domains of music information retrieval and evolutionary computation, in areas such as classification of genres, emotions, audio effects, and type of instrument in large datasets of musical signals. Both offline and real-time scenarios will be investigated.
Referente: prof. Luca Turchet (luca.turchet [at] unitn.it)

2. Towards hybrid human-machine learning and decision making.
The project will focus on the development of hybrid strategies combining human decision-makers and machine learning algorithms to improve the performance of the joint human-machine system. This challenging goal requires an interdisciplinary perspective, combining aspects of explainable AI, interactive machine learning, human-computer interaction, human decision-making and cognitive science. A relevant case study will be the development of hybrid strategies for effective public policy making.
Referente: prof. Andrea Passerini (andrea.passerini [at] unitn.it)

Borse di studio tematiche co-finanziate - ciclo 37 - a.a. 2021-2022

L'Università di Trento partecipa al ciclo XXXVII del programma in AI e Società co-finanziando tre borse di studio tematiche:

1. Human-cognition aware explainable AI 
[Explainable AI consapevole della cognizione umana]
La ricerca esistente su explainable artificial intelligence si concentra principalmente su metodi di progettazione "explainable by-design" o su approcci di reverse engineering post-hoc. Questa ricerca ha lo scopo di ampliare la portata dell'"explainable IA" portando l'essere umano nel ciclo del processo di apprendimento stesso. Ciò richiede da un lato lo sviluppo di approcci interattivi, in cui la macchina e l'utente dialogano cercando di migliorare la loro comprensione reciproca, e dall'altro lo sviluppo di forme di spiegabilità consapevoli dei limiti e delle specificità della cognizione umana. La ricerca sarà condotta in collaborazione tra DISI e CIMEC e il candidato sarà supervisionato congiuntamente dai docenti delle due istituzioni.
Referente: prof. Andrea Passerini (andrea.passerini [at] unitn.it)

2. Deep learning models for multi-modal human behaviour analysis and synthesis
[Modelli di deep learning per l'analisi e la sintesi multimodale del comportamento umano]
Questo progetto di dottorato ha l'ambizione di esplorare la fusione di più modalità (ad esempio video, audio, sensori inerziali, ecc.) e la progettazione di nuove architetture di reti neurali profonde cross-modali per studiare comportamenti sociali, interazioni sociali e attività umane. Inoltre, il progetto affronterà anche la sfida di sfruttare modelli generativi profondi come i GAN (Generative Adversarial Networks) o i Variational Autoencoder (VAE) per generare sequenze video che descrivono comportamenti umani realistici in una varietà di contesti sociali.
Referente: prof. Niculae Sebe (niculae.sebe [at] unitn.it)

3. Social robotics for elderly assistance
[Robotica sociale per l'assistenza agli anziani]
Il progetto mira a sviluppare nuovi approcci per migliorare le capacità percettive dei robot umanoidi nel contesto delle interazioni sociali con i pazienti anziani. Nello specifico, il progetto ha lo scopo di progettare e implementare nuove architetture di deep learning che consentano al robot di analizzare i comportamenti umani nelle interazioni multimodali e multipartitiche, con l'obiettivo finale di costruire robot auto-consapevoli che comprendano il livello di accettazione da parte dell'utente . Il dottorando dovrà analizzare algoritmi per il rilevamento e il monitoraggio delle persone, l'analisi di gruppo e il riconoscimento delle espressioni facciali. Queste attività richiederanno la progettazione di reti profonde specializzate che operino in un ambiente con risorse limitate e che consentano al robot di adattare la propria conoscenza interna ad ambienti dinamici.
Referente: prof.ssa Elisa Ricci (e.ricci [at] unitn.it)


Per maggiori informazioni sul concorso si invitano i candidati e le candidate a consultare le pagine presenti nel box "link utili".