Tatiana Tommasi
30 maggio
- Supercomputing
Biografia
Tatiana Tommasi è Professore Associato presso il dipartimento di Ingegneria Informatica e Automatica del Politecnico di Torino (Italia) e direttore dell'Unità ELLIS di Torino. Ha conseguito il dottorato di ricerca presso l'EPFL di Losanna nel 2013 e ha trascorso periodi post-dottorato in Belgio e negli Stati Uniti prima di ricoprire il ruolo di professore assistente presso l'Università La Sapienza (Roma, IT) e ricercatore presso l'Istituto Italiano di Tecnologia. Tatiana ha pubblicato oltre 50 articoli nelle principali conferenze e riviste nel campo dell'apprendimento automatico e della visione artificiale. È stata pioniera nell'area del trasferimento dell'apprendimento nella visione artificiale e ha una vasta esperienza nell'adattamento di domini, nella generalizzazione, nell'apprendimento multimodale e open-set con applicazioni di robotica. Tatiana è Associate Editor delle riviste IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI) e IEEE Transactions on Emerging Topics in Computing (IEEE TETC).
Biografia
Tatiana Tommasi è Professore Associato presso il dipartimento di Ingegneria Informatica e Automatica del Politecnico di Torino (Italia) e direttore dell'Unità ELLIS di Torino. Ha conseguito il dottorato di ricerca presso l'EPFL di Losanna nel 2013 e ha trascorso periodi post-dottorato in Belgio e negli Stati Uniti prima di ricoprire il ruolo di professore assistente presso l'Università La Sapienza (Roma, IT) e ricercatore presso l'Istituto Italiano di Tecnologia. Tatiana ha pubblicato oltre 50 articoli nelle principali conferenze e riviste nel campo dell'apprendimento automatico e della visione artificiale. È stata pioniera nell'area del trasferimento dell'apprendimento nella visione artificiale e ha una vasta esperienza nell'adattamento di domini, nella generalizzazione, nell'apprendimento multimodale e open-set con applicazioni di robotica. Tatiana è Associate Editor delle riviste IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI) e IEEE Transactions on Emerging Topics in Computing (IEEE TETC).
Abstract
Intelligenza Artificiale dall'Edge all'Exascale: lo Spoke 7 del Progetto FAIR
In questo breve intervento verranno presentate alcune delle attività del progetto PNRR FAIR (Future of Artificial Intelligence) svolte all'interno dello Spoke 7 dedicato allo sviluppo di tecniche di intelligenza artificiale dall'edge all'exascale. Per operare localmente su sistemi embedded a scala molto piccola (edge) è necessaria una particolare attenzione alla riduzione delle reti neurali pur mantenendo elevata accuratezza. All'altro estremo dello spettro, per l'elaborazione di milioni dati in exascale è essenziale saper distribuire le informazioni in modo efficiente. Discuteremo alcuni risultati rilevanti ottenuti in entrambe le aree.
Presentazioni
Video
Bio
Tatiana Tommasi is Associate Professor at the department of Control and Computer Engineering of Polytechnic of Turin (Italy), and director of the ELLIS Unit in Turin. She received her PhD from EPFL Lausanne in 2013 and spent post-doctoral periods in Belgium and USA before covering the role of assistant professor at Sapienza University (Rome, IT) and researcher at the Italian Institute of Technology. Tatiana has published over 50 papers at top conferences and journals in machine learning and computer vision. She pioneered the area of transfer learning in computer vision and has extensive experience in domain adaptation, generalization, multimodal and open-set learning with robotics applications. Tatiana serves as Associate Editor of the IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI) and IEEE Transactions on Emerging Topics in Computing (IEEE TETC).
Abstract
Artificial Intelligence from Edge to Exascale: the Spoke 7 of Project FAIR
This brief presentation will introduce some of the activities of the PNRR FAIR (Future of Artificial Intelligence) project conducted within Spoke 7, dedicated to the development of AI techniques ranging from edge to exascale. For local operations on very small-scale embedded systems (edge), special attention is required to reduce neural networks' complexity while maintaining high accuracy. At the other end of the spectrum, for processing millions of data points at the exascale level, it is essential to efficiently distribute the information. We will discuss some significant results achieved in both areas.