L’Human Activity Recognition (HAR) in ambienti smart home permette di monitorare a lungo termine soggetti a rischio di declino cognitivo nelle loro abitazioni. Tuttavia, uno dei principali limiti in questo ambito è la scarsità di dati etichettati, che ostacola l’efficacia dei modelli di apprendimento automatico tradizionali. Questa tesi propone un approccio innovativo basato su Large Language Models (LLM) per sfruttare il common sense e la capacità di ragionamento testuale nella classificazione delle attività umane a partire da dati sensoriali, senza la necessità di svolgere training.
Le soluzioni esistenti basate su LLM hanno vari limiti, tra i quali:
- l'assenza di una stima della confidenza delle predizioni
- la loro impossibilità nell'adattarsi in soggetti/ambienti non ben catturati dal common sense degli LLM
Lo scopo di questa tesi è quindi quella di sviluppare un metodo per stimare la confidenza delle predizioni generate dagli LLM attraverso la ripetizione della stessa query multiple volte, analizzandone la stabilità e coerenza. Tale stima di confidenza permette di integrare un sistema di active learning, per chiedere al soggetto monitorato di annotare in modo efficiente i dati più incerti, migliorando progressivamente il modello con un numero minimo di annotazioni. Questi dati etichettati verranno poi forniti tramite few-shot prompting personalizzato, per favorire l’adattamento a lungo termine e la personalizzazione delle predizioni in base all’utente e al contesto specifico della smart home. L’obiettivo è sviluppare un framework robusto, adattativo e scalabile per il riconoscimento delle attività umane, capace di superare i limiti della data scarcity grazie alle potenzialità dei LLM.
Preferibilmente laurea magistrale.
Se interessati, contattare: This email address is being protected from spambots. You need JavaScript enabled to view it.