Luciano Serafini

Responsabile dell’unità di ricerca Data and Knowledge Management presso FBK ed EURAI Fellow, i suoi interessi di ricerca includono rappresentazione della conoscenza, Intelligenza artificiale, Web semantico, Ontologia applicata e Architetture neuro-simboliche.

I suoi principali contributi scientifici possono essere così riassunti:

• Sistemi multi-contesto. Luciano Serafini, nella prima fase della sua carriera scientifica, è stato il principale contributore, insieme a Fausto Giunchiglia, di un approccio al ragionamento contestuale denominato “Sistemi Multi-Contesto”. Questa direzione di ricerca è ancora attiva come mostra la recente pubblicazione Durante 30 anni, i Sistemi Multi-Context sono stati applicati a varie aree di KR&R, Web Semantico, Database, Ontologie Modulari e Sistemi Multi-Agente.La formulazione originale di MC-system è stata estesa e modificata generando una serie di sistemi per sistemi distribuiti rappresentazione della conoscenza, come Descrizioni distribuite, logiche distribuite, logica distribuita del primo ordine, repository di conoscenze contestualizzate, linguaggio web ontologico contestualizzato (C-OWL).
• Ontology Semantic Matching. Nell’era del web semantico, Luciano Serafini è stato il primo a proporre di codificare il problema dell’ontologia matching in un problema di soddisfacibilità. Questa idea, implementata in un algoritmo chiamato CtxMatch, ha influenzato un ampio insieme di sistemi per il matching ontologico che rientrano nella categoria chiamata “match semantico”. Uno dei documenti più citati sulla corrispondenza semantica è stato derivato direttamente dall’algoritmo CTXmatch.
• Quantum Programming Language. Tra il 2000 e il 2004 collabora allo sviluppo di un linguaggio per il Quantum Computing. Collabora alla definizione del linguaggio Q per la programmazione quantistica e del relativo compilatore su un gatecircuit quantistico. La proposta ha ricevuto una particolare attenzione nella community accumulando 180 citazioni.
• Integrazione di machine learning e ragionamento automatizzato. Negli ultimi anni si è interessato ad approcci che integrano ragionamento logico e machine learning, cosa che lo porta ad essere impegnato nell’apprendimento relazionale statistico e nelle architetture di integrazione neuro-simbolica. Durante la visita del Research Centre for Machine Learning presso la City University di Londra, ha iniziato lo sviluppo di una nuova architettura che integra reti neurali e logiche fuzzy, denominata Logic Tensor Networks. Il sistema ha ricevuto un’attenzione particolare da parte della comunità scientifica raccogliendo più di 100 citazioni dalla sua pubblicazione.
• Comprendere il contenuto multimediale. Uno dei compiti principali in cui le tecnologie di cui sopra vengono applicate e ulteriormente sviluppate è il compito di comprendere il linguaggio e la visione con l’aiuto di conoscenze di base (logiche) (ad esempio allineare il testo) e immagini sfruttando ontologie.
• Domini di pianificazione dell’apprendimento online agendo nel mondo reale e osservandone l’effetto tramite sensori. La ricerca è piuttosto promettente.