Introduzione

Grazie ai fondi del PNRR, la nostra scuola dispone ora di un nuovo laboratorio di Machine Learning e Intelligenza Artificiale (che si trova nell’ex laboratorio multimediale).

Questa risorsa è dotata di 30 postazioni studente con potenti personal computer all-in-one, accompagnate da una connessione di rete ultraveloce a 10 gigabit pensata per supportare e arricchire l’offerta formativa didattica e di ricerca in un settore tecnologico in rapida evoluzione.

Il laboratorio è organizzato in isole di lavoro, per promuovere un apprendimento collaborativo tra docenti e studenti, facilitando il lavoro di gruppo e la sperimentazione condivisa.
Il laboratorio è a disposizione di tutti i docenti, per l’utilizzo in attività di formazione laboratoriale, progettazione e sperimentazione.

La disponibilità di questi strumenti offre un’ulteriore opportunità per integrare innovazione e tecnologia nei propri percorsi educativi e professionali.

Attività

Creazione di modelli di machine learning:

• Sviluppo di algoritmi: Progettare e testare algoritmi di ML per risolvere problemi di classificazione, regressione e di clustering, come, ad esempio, alberi decisionali e reti
• Selezione e ottimizzazione dei modelli: Si scelgono i modelli più appropriati per un determinato problema e si ottimizzano i loro parametri per ottenere le migliori prestazioni.

Preprocessing e analisi dei dati:

• Raccolta e pulizia dei dati: I dati vengono raccolti da diverse fonti, puliti da errori e trasformati in un formato adatto per l’analisi.
• Esplorazione e visualizzazione dei dati: Si utilizzano tecniche di visualizzazione per comprendere le caratteristiche dei dati e identificare pattern rilevanti.

Addestramento e valutazione di modelli:

• Addestramento dei modelli: Gli algoritmi di ML vengono addestrati utilizzando i dati preparati.
• Valutazione delle prestazioni: Si utilizzano metriche di valutazione per misurare l’accuratezza e l’efficacia dei modelli.

Sperimentazione e analisi dei risultati:

• Sperimentazione con diversi approcci: Si testano diverse architetture di modelli e parametri per trovare la soluzione migliore.
• Analisi dei risultati: Si analizzano i risultati delle sperimentazioni per comprendere i punti di forza e di debolezza dei modelli.

Progetti applicativi:

• Sviluppo di applicazioni pratiche: I modelli di ML vengono utilizzati per sviluppare applicazioni ispirandosi a vari settori, come il turismo, l’industria. i trasporti, la sanità e la finanza

Deployment e integrazione:

• Deployment dei modelli: I modelli addestrati vengono implementati per essere utilizzati in applicazioni simulate.
• Integrazione con sistemi esistenti: I modelli di ML vengono integrati con i applicazioni sviluppate nelle altre materie di indirizzo  per automatizzare processi e migliorare l’efficienza.

Collaborazione e condivisione della conoscenza:

• Collaborazione: Gli studenti condividono idee, risultati e risorse per accelerare il progresso della ricerca.
• Condivisione di strumenti e librerie: Si sviluppano e condividono strumenti e librerie open-source per facilitare lo sviluppo di applicazioni di ML.

Obiettivi

Ricerca e innovazione:

• Ricerca su nuove tecniche di ML: Si apprendono e sperimentano nuove architetture di modelli, algoritmi di apprendimento e tecniche di ottimizzazione.
• Sviluppo di nuove applicazioni: Si identificano nuove aree di applicazione per l’AI e si sviluppano soluzioni innovative.

Sostenibilità ed etica:

• Sviluppo di AI responsabile: Ci si assicura che le applicazioni di AI siano sviluppate in modo etico e responsabile, tenendo conto dell’impatto sociale e ambientale.
• Mitigazione dei bias: Ci si impegna a mitigare i bias nei dati e nei modelli per garantire l’equità e la trasparenza.

Conclusione

Formazione e diffusione della conoscenza:

• Formazione di nuovi esperti: Si formano nuovi esperti di ML/AI .
• Diffusione della conoscenza: Condividere i risultati e promuovere la consapevolezza sull’AI.

Presentazione del Laboratorio ML/AI (Machine Learning e Intelligenza Artificiale)