Proposte per Tesi e Stage
Abstention in decision support systems
Studio della letteratura specialistica del concetto di “astensione” (abstention, o rifiuto, rejection) da parte di sistemi a supporto delle decisioni in condizioni di incertezza. Studio sperimentale per stabilire in 3 domini applicativi (e.g., medicina, diritto, selezione personale) quale sia il livello minimo accettabile di confidenza del supporto decisionale (intelligenza artificiale) per considerare attendibile il suo suggerimento in contesti di supported decision making.
Contatto: Prof. Federico Cabitza
Estrazione di dati astro-metereologici
Il candidato dovrà realizzare un’applicazione (sviluppata in qualsiasi lingua) che, dati un set di dati di date e orari e indirizzi IP, interroga i database aperti necessari per recuperare e associare tali dati:
- Informazioni meteorologiche,come temperatura, umidità (necessarie per calcolare un indice di calore, come humidex), manto nevoso, precipitazioni cumulative, copertura nuvolosa.
- Dati astronomici (come orari di alba, tramonto, crepuscolo, vedi ad esempio: http://www.meteo.sm/solare.php)
- Dati sul mese sinodico (fasi lunari, vedi ad esempio: moon.py http://bazaar.launchpad.net/~keturn/py-moon-phase/trunk/annotate/head:/moon.py).
L’obiettivo è verificare eventuali correlazioni tra i dati dei PRO (risultati riportati dai pazienti), ovvero i risultati di interventi chirurgici come questi sono riportati dai pazienti su scale psicometriche standard e varie condizioni contestuali, come condizioni biometeorologiche, circadiane e sinodiche.
Contatto: Prof. Federico Cabitza
Visualizzazione dei livelli di incertezza
Il candidato dovrà creare (in Javascript, HTML5 o CSS) viste alternative che rappresentino un livello di incertezza su una previsione (ad esempio di un punteggio di rischio) espresso in percentuale (cioè un numero reale compreso tra 0 e 1). Il candidato riceverà più modelli statici da replicare e rendere adattivi rispetto all’input numerico di cui sopra, in modo che il sistema generi la visualizzazione secondo la suddetta percentuale; alcune viste saranno foto ad alta risoluzione alle quali il sistema dovrà associare un algoritmo di sfocatura (ad esempio Pixastic, StackBlur o Superfast Blur) o simulare un disallineamento artificiale. Il candidato dovrà anche testare la comprensibilità di queste opinioni, ovvero coinvolgere diversi utenti in un semplice esperimento in cui valutare quali visualizzazioni ed effetti su di esse consentono agli utenti generici di discriminare e confrontare correttamente livelli grossolani di incertezza (es.: 25 % contro 50%, 50% contro 75%, 70% contro 90%, 80% contro 90%). L’obiettivo è individuare il metodo di visualizzazione più appropriato da integrare in un vero e proprio sistema a supporto delle decisioni medico-prognostiche (integrazione non compresa nello stage) in modo che medico e paziente non ricevano indicazioni numeriche da questo sistema ma indicazioni analogiche corrispondenti.
Contatto: Prof. Federico Cabitza
Activation maps in eXplainable medical AI
Studio sperimentale in ambito medico sulla utilità e comprensibilità di mappe visuali di attivazione (o saliency maps) nel task diagnostico di fratture vertebrali con il supporto di intelligenza artificiale medica. Inquadramento nella letteratura di riferimento. Sviluppo di una piattaforma di somministrazione test a personale medico (radiologi e ortopedici) con tecnologia Limesurvey. Analisi delle risposte e discussione implicazioni per la pratica medica e l’interazione umano-intelligenza artificiale.
Contatto: Prof. Federico Cabitza
