Home » Notizie Puglia » News Bari »
Gianluca Pagliara, studente dell’Università degli Studi di Bari Aldo Moro ha conseguito il terzo posto nell’edizione di una competizione internazionale, conosciuta con il nome di Loop Q PRIZE 2019. L’appuntamento con questo evento, aperto agli studenti italiani, ha visto la cerimonia di premiazione svolgersi lo scorso 5 luglio a Milano.
La challenge, promossa dall’azienda americana con sede nella Silicon Valley, si è svolta nell’ambito dell’automazione intelligente in ambito industriale, prediligendo le tecnologie di cognitive computing. Lo scopo di questa competizione, infatti, è proprio quello di promuovere la capacità di riuscire ad attrarre l’attenzione verso le tecnologie cognitive che hanno il compito di favorire l’adozione di soluzioni innovative, naturalmente basandosi sull’intelligenza artificiale e l’apprendimento automatico, il cui nome tecnico è quello di machine learning.
Gianluca Pagliara, studente del corso di laurea triennale in Informatica presso l’ateneo pugliese, sotto la supervisione del prof. Nicola Fanizzi, ha iniziato il suo tirocinio presso il Department of Computer Science della University of Liverpool, luogo che gli ha permesso di intraprendere lo studio su diversi aspetti cognitivi dell’ingegneria.
La competizione si è svolta e tenuta in due differenti fasi, meglio conosciute come qualifying challenge e final challenge.
Per ottenere il premio, Gianluca Pagliara ha dovuto prima superare la fase di qualificazione preliminare, per poi conseguire nella fase finale il terzo posto. La soluzione ideata dallo studente dell’Uniba si è rivelata decisiva grazie all’intuizione di utilizzare una soluzione basata su Deep Learning (apprendimento profondo) a uno dei problemi proposti: la produzione di recensioni riassuntive, che sono state generate automaticamente a partire da recensioni fornite da utenti reali.
Questo rimedio ha consentito di produrre modelli accurati che avvengono attraverso le rappresentazioni dei dati senza che vengano richiesti degli interventi umani per la loro rielaborazione.
Nello specifico il sistema realizzato prevede tre diverse fasi:
Dopo la prima fase di normalizzazione del testo (fino alla tokenizzazione), nella seconda fase il sistema si basa su un particolare tipo di rete neurale detto autoencoder; nella generazione dei sommari esso sfrutta embedding derivati sulla base di reti semantiche (ConceptNet) ed è stato addestrato su un dataset di recensioni messe a disposizione da note piattaforme di E-commerce. Nella terza fase il sistema riordina le recensioni riassuntive precedentemente generate in base alla loro similarità rispetto a una recensione-prototipo (centroide) che può essere calcolata sfruttando le proprietà composizionali delle rappresentazioni numeriche.
Data: 9 Lug 2019
Riproduzione riservata. La riproduzione è concessa solo citando la fonte con link all'articolo.