Mauro Castelli

Professore assistente di Intelligenza Artificiale e Apprendimento Automatico - NOVA IMS, Universidade Nova de Lisboa, Portugal

Mauro Castelli

Professore assistente di Intelligenza Artificiale e Apprendimento Automatico - NOVA IMS, Universidade Nova de Lisboa, Portugal

Profilo

Uni-LisbonaMauro Castelli è nato a Lecco (Italia) il 18 aprile 1984. Ha conseguito la laurea triennale in Informatica con lode presso l’Università di Milano Bicocca nel 2006, con una tesi nel campo della bioinformatica. Ha conseguito la laurea specialistica con lode nel 2008, con una tesi riguardante l’applicazione di tecniche evolutive nell’ambito dell’analisi di dati oncologici. Ha completato il dottorato di ricerca in Informatica presso l’Università di Milano Bicocca nel 2012, con una tesi nell’ambito della programmazione genetica. Ha trascorso un semestre presso l’università di Dublino, dove si è occupato della definizione di una nuova variante di Programmazione Genetica basata sull’uso di particolari operatori genetici. Ha inoltre collaborato con INESC-ID, gruppo di ricerca dell’Instituto Superior Técnico (Lisbona), dove è stato coinvolto nello sviluppo di un progetto finanziato dal Ministero della Scienza e dell’Università del Portogallo. Attualmente è Professore assistente presso NOVA IMS, Universidade Nova de Lisboa. La sua attuale area di attività scientifica si colloca nel campo dell’informatica. In particolare, i suoi interessi di ricerca comprendono: Computazione Evolutiva, Programmazione Genetica, Big Data, Algoritmi Genetici, Swarm Intelligence, Intelligenza Artificiale, Machine Learning, Soft Computing, Euristiche per Ottimizzazione Combinatoria.


Big Data – Sfide e Opportunità.
La Prospettiva dell’Intelligenza Computazionale

Abstract:
L’ Intelligenza Computazionale (CI) è un insieme di metodologie bio-ispirate ideate per affrontare problemi complessi del mondo reale, legati all’analisi dei dati, per i quali approcci tradizionali (come ad esempio first principles modelling o la modellazione statistica esplicita) sono inefficaci o irrealizzabili. L’avvento dei Big Data porta con sé nuove sfide per i metodi di CI, generalmente identificate tramite “le quattro V”: Volume (grande quantità di dati), Variety (dati originati da fonti diverse e con diversi formati), Veracity (possibilità che parti delle informazioni siano errate o mancanti) e Velocity (soluzioni robuste ed efficaci che devono essere fornite in tempi brevi). Gli ambienti caratterizzati da “le quattro V” rappresentano una sfida per i metodi di CI esistenti, rendendo l’innovazione nel settore della CI di critica importanza per una vasta serie di applicazioni in settori come la finanza, l’economia, la logistica, la biologia, la biomedicina, l’ingegneria, la sicurezza, la gestione dell’energia e molti altri. Questa presentazione è incentrata sulla Programmazione Genetica (GP) e sulla sua capacità di lavorare in ambienti di calcolo massicciamente paralleli e altamente dinamici. Saranno anche presentati nuovi progressi della ricerca in GP, con particolare riferimento alla cosiddetta GP geometrica-semantica (GS-GP), sviluppata recentemente e nota per la sua grande capacità di ottimizzazione e generalizzazione, insieme con la sua elevata capacità di auto-configurazione. Basata sull’idea che i sistemi complessi (composti da centinaia di popolazioni di GP distribuite e cooperanti) dovrebbero sostituire semplici algoritmi per risolvere problemi complessi, questa nuova versione di GP dovrebbe aprire nuove vie alla ricerca, con la finalità di affrontare con successo le nuove sfide dei Big Data.