Promuovere processi di elaborazione e di estrazione di dati in tempo reale

In un mondo caratterizzato da una vera e propria esplosione di informazioni, la raccolta e l’estrazione di dati corretti rappresentano due momenti cruciali ai fini della creazione di applicazioni high-tech più sofisticate e della progettazione di dispositivi più performanti. Uno dei principali metodi impiegati per l’esecuzione di queste attività sul piano computazionale consiste nella rimozione di dati ridondanti attraverso l’adozione di modelli potenziati basati su matrici sparse, un’area in rapida evoluzione in cui confluiscono nozioni di statistica, apprendimento automatico ed elaborazione del segnale. Da un punto di vista puramente informatico, i modelli a matrici sparse si basano principalmente su parametri nulli e solo in minima parte su parametri non nulli, sfruttando nuovi strumenti teorici e algoritmici per raggiungere questi obiettivi.

In tale scenario, il progetto SOL (Sparse Online Learning), finanziato dall’UE, è stato concepito allo scopo di sviluppare una nuova teoria e nuovi algoritmi per l’apprendimento in tempo reale basato sul concetto di “sparsità”. Ciò significa che, anziché partire dal trattamento di dati già archiviati, i ricercatori hanno tentato di compiere un’elaborazione immediata in tempo reale delle informazioni disponibili.

Per raggiungere gli obiettivi prefissati, il gruppo di lavoro ha elaborato gli algoritmi di sparsità necessari attraverso l’adozione di metodi che garantiscono un funzionamento efficace e in tempo reale. A tal fine, strutture di sparsità avanzate sono state integrate nel quadro di apprendimento online e il processo di apprendimento è stato potenziato attraverso la raccolta di dati ricavati da dispositivi a più sensori e topologie che sfruttano la presenza di strutture di sparsità congiunte. I lavori hanno condotto allo sviluppo di una piattaforma finalizzata a una valutazione accurata delle tecniche di nuova concezione rispetto a quelle ideate da altri soggetti o concorrenti del settore.

Nell’ambito dell’attuazione delle nuove tecniche nel settore biomedico, l’iniziativa SOL ha ideato un sistema di monitoraggio di elettrocardiogrammi (ECG) senza fili e all’avanguardia che garantisce maggiori livelli di efficienza sia sul piano energetico sia in termini di prestazioni rispetto alle tecnologie esistenti.

Il gruppo ha esteso il lavoro a casi di carattere più generale, in cui la sparsità e le strutture avanzate sono impiegate per la fattorizzazione e l’analisi di matrici di dati. Sono state quindi studiate attività generiche basate su algoritmi robusti di subspace tracking, sull’apprendimento online e distribuito di dizionari, nonché sulla fattorizzazione di matrici di apprendimento di dizionari nell’analisi di risonanza magnetica per immagini funzionale (functional Magnetic Resonance Imaging, fMRI).

Nuovi strumenti matematici alternativi, basati su proiezioni randomizzate, sono stati applicati alle tecniche di riduzione della dimensionalità e adattati ad algoritmi già sviluppati allo scopo di ridurre il tempo computazionale impiegato per l’analisi dei dati fMRI. Il gruppo di lavoro si è quindi concentrato sullo sviluppo di un nuovo metodo di regressione lineare robusta basato su proiezioni randomizzate per applicazioni che prevedono enormi quantità di dati.

Gli algoritmi e le tecniche di nuova concezione destinati alla modellizzazione, l’analisi e/o la ricostruzione dei segnali si sono rivelati estremamente utili, specialmente in virtù della loro capacità di operare in base ad algoritmi online anziché di tipo batch. Questi strumenti consentono di elaborare enormi quantità di dati in modo estremamente efficace, offrendo nuove prospettive per numerose applicazioni emergenti che richiedono un livello di complessità così elevato. Gli straordinari risultati raggiunti nell’ambito del progetto sono stati raccolti e pubblicati su riviste prestigiose, libri e numerosi atti di convegno.