In What Ways Do Data-Driven AI Algorithms Impact Complex Real-World Systems and Decision-Making? [In Che Modo Gli Algoritmi di IA Basati sui Dati Impattano i Sistemi Complessi del Mondo Reale e il Processo Decisionale ?]

Nel campo in rapida evoluzione delle applicazioni basate sui dati, questa tesi di dottorato fa progressi nel settore degli algoritmi di intelligenza artificiale (IA) progettati per elaborare grandi dataset in vari domini applicativi. I dati giocano un ruolo critico in questo contesto, poiché contengono informazioni preziose che guidano il processo decisionale. I dati grezzi vengono utilizzati dagli algoritmi di IA per estrarre conoscenza, consentendo lo sviluppo di modelli che replicano accuratamente i comportamenti del mondo reale. Un focus centrale di questa tesi è sugli algoritmi metaeuristici, che sono una parte integrante dell'IA e servono come strumenti essenziali per risolvere problemi reali dove gli algoritmi deterministici potrebbero fallire. Questi algoritmi sono particolarmente efficaci nell'affrontare sfide complesse di ottimizzazione, scenari in tempo reale e nel migliorare le prestazioni complessive dei modelli di apprendimento automatico. Questa ricerca introduce una nuova metodologia per adattare le metaeuristiche alle sfide di ottimizzazione in tempo reale e presenta una tecnica innovativa che integra i principi dell'apprendimento automatico per migliorare le capacità di ricerca degli algoritmi metaeuristici. Questa integrazione consente a tali algoritmi di convergere più rapidamente verso soluzioni ottimali, affrontare le debolezze esistenti e migliorare le prestazioni nelle applicazioni reali. Una delle principali applicazioni degli algoritmi proposti è lo sviluppo di un framework di reverse engineering capace di catturare le complesse relazioni all'interno dei sistemi dinamici, in particolare nel campo della regolazione genica. Questo framework mira a replicare il comportamento reale dei geni sulla base di osservazioni temporali, migliorando così la comprensione delle intricate interazioni tra geni. Per raggiungere questo obiettivo, saranno compiuti progressi nell'apprendimento automatico automatizzato confrontando varie strategie di ricerca per l'ottimizzazione degli iperparametri e proponendo un algoritmo innovativo che costruisce autonomamente reti neurali profonde su misura per compiti specifici. Infine, questa tesi esamina il ruolo della previsione delle serie temporali multivariate nei processi decisionali, introducendo un framework che migliora il processo decisionale incorporando informazioni sullo stato futuro attraverso una combinazione di Apprendimento Automatico Automatizzato e Metaeuristiche.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• ZITO, Francesco

Contributors dc:contributor

• PAVONE, MARIO FRANCESCO

• Artificial Intelligence
• Data-driven Algorithm
• Optimization
• Metaheuristic
• Complex System
• Automated Machine Learning
• Machine Learning
• Decision-Making
• Real-Time Optimization
• Intelligenza Artificiale
• Algoritmi Basati sui Dati
• Ottimizzazione
• Metaeuristiche
• Sistemi Complessi
• Apprendimento Automatico Automatizzato
• Apprendimento Automatico
• Processo Decisionale
• Ottimizzazione in tempo reale

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/685256

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/685256