Ogni giorno nel mondo viene prodotta un’enorme quantità di dati. Questa abbondanza ha favorito progressi straordinari nell’intelligenza artificiale (AI), che sta trasformando società, economie e vita quotidiana. I dati sono ormai una risorsa centrale in tutti i settori, dalla sanità alla finanza, dall’istruzione all’intrattenimento.
Gran parte della ricerca in AI si concentra sullo sviluppo di sistemi basati sul machine learning, capaci di apprendere dai dati. Tuttavia, questi sistemi non sono semplici: spesso sono organizzati in complesse pipeline che coinvolgono più attori, i quali possono avere obiettivi diversi o non perfettamente allineati. Ad esempio, possono dover raccogliere informazioni da fonti indipendenti, acquisire dati dall’esterno o delegare ad altri alcune fasi dell’apprendimento.
Quando entrano in gioco più soggetti con interessi differenti, la dimensione strategica diventa fondamentale. Alcuni attori potrebbero infatti avere incentivi a comportarsi in modo opportunistico, ad esempio nascondendo informazioni o manipolando i modelli di apprendimento automatico per trarne vantaggio. Nonostante la rilevanza di questi aspetti, la componente strategica è stata finora poco esplorata dalla ricerca in AI.
Il progetto STRATDATA, coordinato dal Prof. Alberto Marchesi del Dipartimento di Elettronica, Informazione e Bioingegneria del Politecnico di Milano e finanziato dal Fondo Italiano per la Scienza (FIS), nasce proprio per affrontare questa sfida. L’obiettivo è sviluppare un quadro teorico solido e strumenti metodologici in grado di comprendere e governare le interazioni strategiche che emergono nei sistemi basati sul machine learning. In particolare, il progetto mira a individuare meccanismi che prevengano comportamenti non veritieri, garantendo un utilizzo affidabile e trasparente di dati e modelli da parte di tutti gli attori coinvolti.
STRATDATA si articola in tre pilastri principali. Il primo riguarda i problemi di raccolta delle informazioni, molto comuni nelle infrastrutture di dati distribuite. Il secondo si concentra sui mercati dell’informazione, in cui dati e modelli di machine learning vengono scambiati tra sistemi di AI. Il terzo affronta il tema della delega dei compiti di apprendimento, analizzando come garantire correttezza e affidabilità quando un’attività viene affidata a terzi.
Alberto Marchesi è ricercatore al Dipartimento di Elettronica, Informazione e Bioingegneria del Politecnico di Milano, all’interno dell’Artificial Intelligence and Robotics Lab. La sua ricerca si colloca all’intersezione tra teoria algoritmica dei giochi e machine learning, con l’obiettivo di integrare questi due ambiti per progettare sistemi di AI innovativi e più robusti.
Ha conseguito il dottorato di ricerca in Ingegneria dell’Informazione con lode presso il Politecnico di Milano. La sua tesi è stata premiata con il Chorafas Award 2020 della Dimitris N. Chorafas Foundation e ha ricevuto una menzione d’onore all’EurAI Dissertation Award 2020. È autore di oltre 60 pubblicazioni scientifiche su riviste e conferenze internazionali di primo piano, tra cui Journal of the ACM, Artificial Intelligence Journal, NeurIPS, ICML e AAAI. Nel 2020 uno dei suoi lavori ha ricevuto l’“Outstanding Paper Award” a NeurIPS, massimo riconoscimento assegnato a soli 3 articoli su 9467 sottomissioni.
È coinvolto in numerosi progetti di ricerca nazionali ed europei, in diversi casi con il ruolo di principal investigator o co-PI. Nel 2020 ha inoltre co-fondato ML cube s.r.l., startup nata nell’ambito del programma di spin-off del Politecnico di Milano. Svolge attività didattica nei corsi di laurea triennale, magistrale e di dottorato nell’area dell’informatica e dell’intelligenza artificiale.