91261 - ARTIFICIAL INTELLIGENCE IN INDUSTRY

Scheda insegnamento

Anno Accademico 2021/2022

Conoscenze e abilità da conseguire

Al termine dell'attività formativa, lo studente ha una conoscenza approfondita sulle applicazioni industriali che beneficiano di tecniche di apprendimento automatico, ottimizzazione, e simulazione. Lo studente ha una conoscenza specifica di casi pratici presentati dal docente e da seminari tenuti da esperti di dominio in vari settori come quello manifatturiero, automobilistico, e multimediale.

Contenuti

Il corso consiste primariamente di una serie di casi di studio industriali semplificati. L'obiettivo è di esemplificare le problematiche che abitualmente insorgono nel risolvere un caso d'uso industriale. 

I casi di studio considerati potranno coprire temi quali:

  • Problemi di individuazione di anomalie
  • Predizione del tempo di vita residuo
  • Politiche di manutenzione basate sul tempo di vita residuo
  • Pianificazione dell'utilizzo di risorse
  • Sistemi di raccomandazione con vincoli di equità
  • Problemi di gestione della rete di distribuzione elettrica
  • Controllo di epidemie
  • Pianificazione della produzione

L'enfasi è sulle capacità di adattamento e sulla visione dei problemi nel loro complesso, il che porta di frequente all'utilizzo di combinazione di tecniche eterogenee per la soluzione di un problema.

Le metodologie utilizzate saranno:

  • Modellazione matematica di problemi industriali
  • Modelli predittivi e diagnostici per serie temporali
  • Ottimizzazione combinatoria
  • Metodologie per integrazione di modelli probabilistici ed Apprendimento Automatico
  • Metodologie per l'integrazione di vincoli ed Apprendimento Automatico
  • Metodologie per l'integrazione di ottimizzazione combinatoria ed Apprendimento Automatico

Il corso includerà seminari e casi di studio presentati da esperti industriali.

I contenuti del corso potranno (e tipicamente saranno) modificati durante lo svolgimento del corso, in modo da adattarsi per quanto possibile agli interessi e caratteristiche degli studenti frequentanti. 



Testi/Bibliografia

Il materiale didattico principale sarà costituito da notebook interattivi sviluppati con lo strumento Jupyter, che conterranno collegamenti ai riferimenti rilevanti.

Metodi didattici

Lezioni frontali, discussioni di gruppo ed esempi su notebook Jupyter (Python)

Modalità di verifica e valutazione dell'apprendimento

Progetti individuali o di gruppo (da uno a tre studenti).

Gli studenti possono proporre liberamente un tema di progetto, o scegliere tra un insieme di temi proposti indicativamente a metà corso.

In ogni caso il tema specifico di progetto va concordato con il docente prima dell'inizio delle attività. 

L'esame consisterà nella presentazione e discussione del lavoro di progetto. La valutazione:

  • Non terrà conto dell'esito positivo o negativo dell'attività
  • Terrà invece conto della qualità del metodo, con enfasi su: 1) motivazioni per scelte effettuate; 2) interpretazione dei risultati; 3) consapevolezza delle capacità e dei limiti degli strumenti utilizzati

Strumenti a supporto della didattica

Il corso farà uso estensivo di notebook interattiviti sviluppati con lo strumento Jupyter.

Il corso richiederà diverse librerie per apprendimento automatico ed ottimizzazione, gratuite per uso accademico. La loro installazione sarà semplificata mediate l'utilizzo di container Docker.

Le lezioni saranno abitualmente registrate.

Orario di ricevimento

Consulta il sito web di Michele Lombardi