Il fenomeno dell’abstention nel machine learning rappresenta un’area di grande interesse e potenziale scientifico, offrendo strumenti cruciali per migliorare la sicurezza e l’affidabilità delle decisioni automatizzate in ambiti ad alto rischio. Il nostro laboratorio offre un’opportunità unica di tesi magistrale per studenti altamente motivati a indagare il fenomeno dell’abstention nel machine learning, un tema di crescente rilevanza scientifica e applicativa. Abbiamo già compiuto passi significativi in questo campo con due tesi precedenti e ora siamo pronti a fare il prossimo grande salto. Il progetto si articolerà su tre stream di ricerca paralleli, ciascuno dei quali contribuirà a una comprensione più profonda e avanzata del fenomeno:
- Creazione di una Tassonomizzazione: progettazione di un framework innovativo per categorizzare le metodologie di abstention, identificando e descrivendo le principali tecniche utilizzate negli studi recenti.
- Verifica Sistematica delle Caratteristiche degli Studi: implementazione di una verifica sistematica e approfondita per valutare la conformità degli studi di machine learning rispetto a diverse metriche di performance, offrendo una visione quantitativa e strutturata delle potenzialità e dei limiti degli approcci esistenti.
- Progettazione di un Framework di Valutazione: sviluppo di un framework comprensivo per la valutazione dei modelli di machine learning che incorporano l’abstention, colmando il gap della mancanza di un sistema unificato a livello internazionale.
Perché partecipare?
- Impatto Scientifico: Contribuire a un tema di ricerca di grande attualità e rilevanza, con potenziali applicazioni che spaziano dalla diagnostica medica alla sicurezza informatica.
- Collaborazioni Internazionali: Lavorare in un contesto di ricerca dinamico e interconnesso, con accesso a risorse e competenze globali.
- Sviluppo Professionale: Acquisire competenze avanzate nell’analisi critica, nella revisione sistematica della letteratura e nell’applicazione di metodologie di ricerca quantitative e qualitative.
PREREQUISITI
Candidati con background in informatica o TTC, particolarmente interessati al machine learning o AI. È essenziale una buona capacità di comprensione dei principali algoritmi di machine learning. Esperienza in review sistematiche o analisi della letteratura scientifica sono preferibili. Esperienza o conoscenza di scientific writing e comunicazione scientifica sono molto apprezzate. La conoscenza delle tecniche di analisi dei dati e delle metodologie di ricerca è un plus.
OBIETTIVI FORMATIVI
- Acquisire una comprensione approfondita delle metodologie di abstention nel machine learning.
- Condurre una revisione sistematica e categorizzazione della letteratura recente, identificando strategie chiave.
- Implementare una verifica sistematica delle performance degli studi esistenti e sviluppare un framework di valutazione dei modelli.
- Sviluppare competenze avanzate in analisi critica, data analysis e ricerca di frontiera, contribuendo alla standardizzazione dell’AI.
DURATA DELLO STAGE/TESI E CONTESTO RACCOMANDATO
Adatto a: Tesi di Laurea Magistrale in Teoria e Tecnologia della Comunicazione, Informatica o Artificial Intelligence.
Durata: 6 mesi, per la tesi. Dato il lavoro già svolto in precedenti tesi sul tema, sarebbe ideale e molto apprezzato raggiungere risultati significativi e documentati entro i primi 3 mesi. Questo approccio accelerato consentirà di valorizzare fortemente il lavoro, migliorare la completezza e l’estendibilità della tesi, e contribuire in modo tempestivo alla comunità scientifica.
MODALITA’ E ORARI DI LAVORO
Il lavoro sarà principalmente remoto, con incontri periodici (online o di persona) per discutere l’avanzamento del progetto. Gli obiettivi saranno definiti su base settimanale. Impegno a tempo pieno con obiettivi definiti in collaborazione con i tutor.
CONTATTI
Per candidarsi, contattare il Dott. Luca Marconi all’indirizzo email: luca.marconi@unimib.it e in cc il Prof. Federico Cabitza (federico.cabitza@unimib.it) e il Dott. Andrea Campagner (andrea.campagner@unimib.it), avendo cura di allegare il proprio CV e riportare eventuali esperienze pregresse rilevanti (vedere sezione “Prerequisiti”).