L'approccio neurale-simbolico mira a combinare l'efficienza e la scalabilità delle reti neurali, che facilitano l'incorporazione di grandi set di dati nel processo di apprendimento, con l'interpretabilità dei metodi simbolici. Questi modelli per accrescere la conoscenza a larga scala possono trarre vantaggio dalla modellazione simbolica di ontologie, modelli matematici e fisici. Le tecniche di passaggio e integrazione da uno all’altro modello sono l’obiettivo del corso.
Obiettivi Formativi:
- Conoscenza e comprensione delle problematiche relative ai sistemi di grandi dimensioni che usano AI e che sfruttano l’integrazione fra motori di inferenza simbolica e/o logica e reti neurali, tipicamente deep, e LLM.
Contenuti:
- P0: Overview
- P1-P2: What is Symbolic, Classification, DSS, Hybrid solutions
- P3: Physically Informed NN, PINN
- equazioni differenziali e NN
- P4: Deep Reinforced Learning and Symbolic at Scale
- multi agent Deep reinforced learning
- RL and simulation
- P5: From RAG LLM to Agentic LLM
- Multi agents LLM
- P6: Knowledge base <--> NN/LLM
- Modelli e tecniche per dedurre strutture simboliche e a grafo con NN.
- Incremento di conoscenza simbolica da processi NN, etc.
- P7: MLOps at Scale
- Large Scale Machine learning Operation, MLOps, HPC, clusters of CPU/GPU
- Access to the DISIT lab and NVIDIA clusters infrastructure with clusters of H100 NVL, RTX4090, RTX3090m GV100
- see for project works: https://www.disit.org/5492
Applicazioni:
- Sistemi di supporto alle decisioni, per operation e plan
- Mobilità e trasporti, ambito legale, sviluppo codice, fluido-dynamic and PDE solutions, industrial.