Impegno nella Ricerca
Oltre a sviluppare soluzioni software di alto livello, in ASC27 dedichiamo una parte significativa delle nostre risorse alla ricerca. Collaboriamo con università e istituti di ricerca per esplorare nuove frontiere dell’intelligenza artificiale. Partecipiamo attivamente a progetti di ricerca che mirano a espandere le conoscenze nel campo dell’IA e a sviluppare nuove tecnologie.
Collaborazioni Universitarie
La collaborazione con il mondo accademico è per noi fondamentale. Lavoriamo a stretto contatto con rinomate università per contribuire a progetti di ricerca avanzati. Queste partnership ci permettono di rimanere all’avanguardia delle innovazioni e di integrare le ultime scoperte nei nostri prodotti.
Ricerca Applicata
Partecipiamo anche a ricerche applicate, lavorando su progetti che hanno un impatto diretto e tangibile. Che si tratti di migliorare algoritmi esistenti, sviluppare nuove metodologie o esplorare applicazioni innovative dell’IA, il nostro impegno nella ricerca ci consente di offrire soluzioni sempre più sofisticate e efficaci.
Le ricerche
a cui abbiamo contribuito
Comparison of Machine Learning-based Approaches to Predict the Conversion to Alzheimer’s Disease from Mild Cognitive Impairment
Raffaella Franciotti, Davide Nardini, Mirella Russo, Marco Onofrj, Stefano L. Sensi
Parole chiave: Previsione della demenza di Alzheimer (AD); intelligenza artificiale; gradient boosting; algoritmi di machine learning (ML); mild cognitive impairment (MCI); random forest (RF).
A Machine Learning-Based Holistic Approach to Predict the Clinical Course of Patients within the Alzheimer’s Disease Spectrum
Massetti N, Russo M, Franciotti R, Nardini D, Mandolini GM, Granzotto A, Bomba M, Delli Pizzi S, Mosca A, Scherer R, Onofrj M, Sensi SL
Parole chiave: Malattia di Alzheimer; conversione; demenza; apprendimento automatico; decadimento cognitivo lieve; foresta casuale.
Aurora-M: The First Open Source Multilingual Language Model Red-teamed according to the U.S. Executive Order
Taishi Nakamura, Mayank Mishra, Simone Tedeschi, Yekun Chai, Jason T Stillerman, Felix Friedrich, Prateek Yadav, Tanmay Laud, Vu Minh Chien, Terry Yue Zhuo, Diganta Misra, Ben Bogin, Xuan-Son Vu, Marzena Karpinska, Arnav Varma Dantuluri, Wojciech Kusa, Tommaso Furlanello, Rio Yokota, Niklas Muennighoff, Suhas Pai, Tosin Adewumi, Veronika Laippala, Xiaozhe Yao, Adalberto Junior, Alpay Ariyak, Aleksandr Drozd, Jordan Clive, Kshitij Gupta, Liangyu Chen, Qi Sun, Ken Tsui, Noah Persaud, Nour Fahmy, Tianlong Chen, Mohit Bansal, Nicolo Monti, Tai Dang, Ziyang Luo, Tien-Tung Bui, Roberto Navigli, Virendra Mehta, Matthew Blumberg, Victor May, Huu Nguyen, Sampo Pyysalo
Il primo LLM multilingua Red-Teamed
Omnidirectional people’s gathering monitoring by using deep learning algorithms
Pernechele, C., Grandis, N., Bondanza, I., Capucci, A, Lessio, L., Paoletti, L., Sparc, S.
Tomasin, M., Yusupova, R.
Parole chiave: Deep learning algorithms, Viral epidemics, Social distancing, Mitigate spread, Monitoring gatherings, Bifocal omnidirectional lens
Ricerche future
Ricerche future
SEI UN RICERCATORE?
Contattaci!
Se vuoi partecipare ai nostri progetti di ricerca, scrivici!