Il contesto che circonda l'utente (luogo in cui si trova, condizioni climatiche, giorno della settimana ed ora, conpresenza di persone, etc.) è un'informazione preziosa non solo per personalizzare servizi ma anche per comprendere al meglio le attività in corso di svolgimento e prevedere le future. Un filone di ricerca studiato da svariati anni in EveryWare Lab è proprio quello di sfruttare il contesto che circonda l'utente per supportare il riconoscimento di attività. In particolare, l'approccio che è stato adottato è quello di modellare il contesto e la sua relazione con le attività umane tramite tecniche simboliche (ad esempio ontologie). Le tecniche sviluppate in laboratorio prevedono in particolare di combinare la modellazione simbolica del contesto con tecniche di machine learning.

 

Argomento 1: Modellazione probabilistica del contesto per il riconoscimento di attività

Tesi per laurea magistrale

Questa tesi si propone di studiare metodi e tecniche per la modellazione probabilistica del contesto che circonda l'utente. Una modellazione probabilistica permette infatti di ottenere un sistema flessibile e robusto rispetto all'incertezza intrinseca dei dati ottenuti da sensori. Il candidato dovrà studiare e utilizzare strumenti come ontologie e knowledge-graph probabilistici per modellare in modo accurato il contesto e valutare l'efficacia della modellazione per il riconoscimento di attività umane, combinando questo approccio probabilistico con tecniche di machine learning già studiate in laboratorio.  

Requisiti: buone capacità di programmazione, machine learning, logica


Argomento 2: Creazione semi-automatica di Ontologie/Knowledge Graph 

Tesi per laurea magistrale

La modellazione del contesto che circonda l'utente viene normalmente svolta manualmente da ingegneri della conoscenza. Chiaramente, risulta complicato riuscire ad ottenere una modellazione esaustiva e corretta delle relazioni tra contesto e attività. Lo scopo di questa tesi è quella di progettare, implementare e valutare una tecnica semi-automatica per la creazione di ontologie/knowledge-graph per la modellazione del contesto. Queste informazioni possono ad esempio essere ottenute dal Web considerando descrizioni testuali di attività. Il candidato dovrà validare l'efficacia della tecnica proposta per il riconoscimento di attività umane.

Requisiti: buone capacità di programmazione, information retrieval, (preferibilmente) machine learning

 

Per ulteriori informazioni rivolgersi a Claudio Bettini o Gabriele Civitarese.