Statistical learning, clustering, classificazione e intelligenza artificiale al centro dell’ottava edizione del workshop internazionale
Comprendere come costruire modelli statistici e algoritmi di apprendimento capaci di leggere, organizzare e interpretare realtà caratterizzate da una quantità e da una complessità di informazioni sempre maggiori.
Sono i temi principali dell’ottava edizione di MBC2 – Models and Learning in Clustering and Classification, workshop internazionale dedicato a uno dei nodi centrali della ricerca contemporanea nel campo dell’analisi dei dati.
Il workshop, organizzato dal Dipartimento di Economia e Impresa con il patrocinio della Società Italiana di Statistica e del Classification and Data Analysis Group nei locali del Camplus D’Aragona, in programma dal 25 al 28 agosto, rappresenta un appuntamento ormai consolidato per la comunità scientifica internazionale. La cadenza biennale e la partecipazione di studiosi provenienti da numerosi Paesi fanno di MBC2 un luogo di confronto nel quale la ricerca teorica incontra le applicazioni e nel quale vengono discussi nuovi approcci allo statistical learning, al model-based clustering e statistical modeling.
Sono ambiti strettamente connessi alla trasformazione in corso nel mondo della ricerca e della società. La crescente disponibilità di dati non rende infatti sufficiente disporre di strumenti capaci semplicemente di elaborarli: diventa fondamentale riuscire a individuare strutture, relazioni e regolarità, distinguere informazioni significative da quelle meno rilevanti e costruire modelli che siano non soltanto efficaci, ma anche capaci di comprendere e interpretare fenomeni reali, nonché fornire risultati affidabili quando vengono applicati a dati nuovi.
È proprio in questo spazio, tra teoria statistica, apprendimento automatico e intelligenza artificiale, che si colloca il confronto proposto da MBC2. Il tema della capacità dei modelli di apprendere e generalizzare, la classificazione e il clustering dei dati, la costruzione di modelli statistici sempre più sofisticati e il rapporto tra innovazione metodologica e applicazioni rappresentano alcuni dei principali fili conduttori dell’edizione 2026.
Il programma scientifico testimonia l’ampiezza del confronto: sono previste cinque relazioni plenarie, 21 contributi organizzati in sessioni tematiche e 22 comunicazioni brevi con poster. La struttura del workshop è volta a favorire il confronto ed il dialogo fra giovani ricercatori e studiosi più affermati nel panorama internazionale. I contributi potranno inoltre essere successivamente sottoposti per la pubblicazione in numeri speciali delle riviste Advances in Data Analysis and Classification e Journal of Classification.
«L’intelligenza artificiale deve aiutarci a esplorare e comprendere meglio la realtà»
Quanto più aumenta la capacità delle macchine di elaborare dati, riconoscere schemi e costruire modelli, tanto più diventa centrale una domanda che riguarda non soltanto la tecnologia, ma il modo stesso in cui produciamo conoscenza: che rapporto deve esistere tra capacità computazionale e capacità di pensiero logico?
È una delle questioni che attraversano l’ottava edizione del workshop e che il prof. Salvatore Ingrassia, da sempre promotore e organizzatore dei workshop MBC2, pone al centro della riflessione sull’evoluzione dell’intelligenza artificiale.
Professore ordinario di Statistica al Dipartimento di Economia e Impresa dell’Università di Catania, il docente ha una formazione interdisciplinare che unisce ingegneria, matematica applicata, informatica e statistica.
Laureato in Ingegneria Elettrotecnica all’Università di Catania, ha conseguito il dottorato di ricerca in Matematica Applicata e Informatica e ha svolto attività di ricerca al Département d’Intelligence Artificielle et Mathématiques dell’École Normale Supérieure de Cachan, in Francia. I suoi principali ambiti di ricerca comprendono model-based clustering, modelli di mistura, statistica computazionale, statistical learning, algoritmi stocastici e reti neurali.
La sua prospettiva parte dunque da una convinzione precisa: l’incremento della potenza computazionale e la disponibilità di strumenti sempre più sofisticati non possono tradursi in una delega della capacità di ragionare.
L’intelligenza artificiale può ampliare enormemente ciò che siamo in grado di esplorare, consentire di individuare relazioni altrimenti difficili da cogliere e aprire nuove direzioni alla ricerca; ma il passaggio dai dati alla conoscenza resta affidato alla capacità umana di formulare domande, interpretare risultati e attribuire significato alle scoperte.
È proprio in questo equilibrio tra potenza degli strumenti e autonomia del pensiero che, secondo il prof. Ingrassia, si colloca anche una delle principali responsabilità dell’università: non limitarsi a insegnare come utilizzare gli strumenti di intelligenza artificiale, anche nell’ambito delle varie discipline, ma formare persone capaci di utilizzarla senza rinunciare alla propria capacità critica e creativa.
«Intanto credo sia importante sottolineare il valore di questo workshop, arrivato all’ottava edizione - ci tiene a sottolineare il prof. Salvatore Ingrassia -. È un appuntamento biennale che continua ad attrarre studiosi da tutto il mondo. Quest’anno abbiamo partecipanti provenienti da USA, Canada, Irlanda, Gran Bretagna, Francia, Spagna, Polonia, Sudafrica, Arabia Saudita, Olanda e Belgio. Ci sono studiosi che sono affezionati a questo appuntamento e altri che, invece, scoprono il workshop nel tempo e decidono di partecipare. È proprio attraverso questi incontri che si creano e si consolidano rapporti scientifici e collaborazioni che proseguono anche oltre i giorni dell’evento».
«Per quanto riguarda le sfide scientifiche, credo che oggi una delle questioni più importanti riguardi il modo in cui proponiamo e utilizziamo questi modelli - aggiunge -. Il rischio, infatti, è che l’utilizzo acritico degli strumenti di intelligenza artificiale ostacoli lo sviluppo di una conoscenza più profonda della realtà. Questo è un aspetto che considero particolarmente importante, soprattutto guardando al futuro e al ruolo educativo proprio dell’università».
«C’è la necessità, secondo me, di ripensare anche le modalità di insegnamento - continua il docente -. Gli studenti utilizzano ormai abitualmente strumenti di intelligenza artificiale e penso che, nell’ambito delle varie discipline, abbiamo il dovere di accompagnarli nello sviluppo di un loro pensiero logico-critico attraverso questi strumenti. È infatti l’intelligenza che costruisce e che crea. L’intelligenza artificiale può essere un aiuto straordinario, ma deve rimanere uno strumento al servizio della capacità umana di ragionare, interpretare e creare».
«Anche nella ricerca l’impatto dell’intelligenza artificiale è ormai sempre più grande - sottolinea il prof. Ingrassia -. Può aiutare a costruire nuovi modelli, a individuare nuove prospettive e a scoprire correlazioni che poi possono essere spiegate scientificamente. In questo senso rappresenta un grande aiuto per la ricerca. Io la vedo soprattutto come una possibilità di maggiore esplorazione della realtà e di maggiore comprensione. L’intelligenza artificiale può aiutarci a vedere ciò che altrimenti sarebbe più difficile individuare, ma il valore scientifico nasce dalla capacità di interpretare ciò che scopriamo e di trasformarlo in conoscenza».
Il prof. Salvatore Ingrassia
Sette voci internazionali per le nuove frontiere dell’intelligenza artificiale
A dare ulteriore respiro internazionale a MBC2 2026 saranno cinque keynote speaker di riconosciuto prestigio scientifico, chiamati a portare nel workshop prospettive e competenze diverse sui temi della statistica, del machine learning e dell’intelligenza artificiale: Claire Gormley della University College Dublin (Irlanda), Francesca Greselin dell’Università di Milano-Bicocca (Italia), Mia Hubert della KU Leuven (Belgio), Julien Jacques dell’Université Lumière Lyon 2 (Francia) e Harrison H. Zhou della Yale University (USA).
Accanto a loro, il programma prevede la partecipazione di due ospiti d’onore, Pascal Germain e Ata Kaban, ai quali è affidato il tutorial Probably Approximately Correct Learning and Related Topics. Due studiosi con percorsi e interessi di ricerca distinti, ma accomunati dall’attenzione per alcune delle questioni più attuali del machine learning: dalla capacità dei modelli di generalizzare oltre i dati utilizzati per l’addestramento alla gestione della complessità dei dati ad alta dimensionalità.
Pascal Germain, professore all’Université Laval (Canada), è uno studioso di riferimento nell’ambito della teoria statistica del machine learning, con interessi che comprendono PAC-Bayes, transfer learning, representation learning e interpretabilità dei modelli. La sua ricerca si concentra in particolare sulle condizioni che permettono agli algoritmi di generalizzare oltre i dati impiegati durante l’addestramento, affrontando una delle questioni fondamentali dell’intelligenza artificiale: comprendere quando e perché un sistema di apprendimento è in grado di funzionare efficacemente anche di fronte a dati nuovi. Un tema che si intreccia direttamente con il quadro teorico del Probably Approximately Correct Learning (PAC), al centro del tutorial.
Ata Kaban, Professor of Computer Science all’University of Birmingham (UK), porta invece nel workshop una consolidata esperienza nel campo dello statistical machine learning e del data mining, con particolare attenzione ai problemi legati ai dati ad alta dimensionalità e alla cosiddetta curse of dimensionality. I suoi interessi di ricerca spaziano dal probabilistic modelling all’inferenza bayesiana, dalla dimensionality reduction alle random projections, fino al compressive learning e all’ottimizzazione su larga scala. Il suo lavoro affronta quindi una delle sfide cruciali dell’attuale sviluppo dell’AI: riuscire a estrarre informazione significativa da quantità sempre maggiori di dati senza rendere eccessivamente complessi e onerosi i processi computazionali.
Le prospettive di Pascal Germain e Ata Kaban saranno approfondite anche attraverso due interviste dedicate. Germain affronta il tema della generalizzazione dei modelli di machine learning, le garanzie teoriche offerte dai quadri PAC e PAC-Bayesiani, il rapporto tra potenza e interpretabilità dell’AI e le sfide che l’intelligenza artificiale pone oggi all’università.
Kaban si concentra, invece, sulla complessità dei dati ad alta dimensionalità, sul rapporto tra teoria e applicazioni nel machine learning e sul contributo di random projections e compressive learning allo sviluppo di sistemi di AI più efficienti.
In foto da sinistra Ata Kaban, Salvatore Ingrassia e Pascal Germain
Scientific Committee e Organizing Committee
A sostenere il profilo scientifico e organizzativo di MBC2 2026 sono due comitati internazionali. Il comitato scientifico Committee è composto da Laura Anderlucci, Andrea Cerioli, Silvia D’Angelo, Roberto Di Mari, Jianqing Fan, Luis-Angel García Escudero, Bettina Grün, Michael Gutmann, Salvatore Ingrassia, Volodymyr Melnykov, Angela Montanari, Monia Ranalli, Roberto Rocci, Peter Rousseeuw, Maurizio Vichi e Valeria Vitelli, studiosi provenienti da Italia, Irlanda, Stati Uniti, Spagna, Austria, Regno Unito, Belgio e Norvegia.
Il comitato organizzatore, oltre che Salvatore Ingrassia, è composto da Simone Di Bella, Roberto Di Mari, Cinzia Di Nuzzo, Sofia Mangano, Luca Martin, Giovanni Patanè, Dario Samuele Pishvai, Antonio Punzo, Luca Scaffidi Domianello, Salvatore Daniele Tomarchio e Gabriele Tuccio.