A partire dalla tesi di laurea, sono stato coinvolto in diversi progetti di ricerca, in collaborazione con industrie (Diesse s.p.a., Quid Informatica s.p.a. e bioMeriéux), nel campo della computer vision e del machine learning. In particolare, ho lavorato alla progettazione di uno strumento biomedico in grado di classificare automaticamente il tipo e la gravità delle infezioni batteriche da urinocoltura. Ho inoltre lavorato all'implementazione di un pacchetto software per localizzare il testo nei documenti di identità (es. carte d’identità, patenti di guida) e digitalizzarlo tramite Optical Character Recognition. Successivamente, il mio interesse si è spostato sul Deep Learning, e ho trascorso i tre anni di dottorato ad approfondire le mie conoscenze in questo ambito. Ho implementato e addestrato diversi tipi di reti in varie applicazioni (estrazione di testo dalle immagini, riconoscimento di nei e melanomi, segmentazione del fondo oculare...). L’utilizzo di questo tipo di reti richiede generalmente una grande quantità di immagini e, purtroppo, soprattutto in alcuni campi, i set di dati etichettati sono molto rari e difficili da trovare. Pertanto, la mia attività di ricerca si è focalizzata sullo sviluppo di soluzioni per addestrare i modelli in assenza di grandi quantità di dati. In particolare, ho lavorato a due strategie. La prima è legata ad un approccio weakly supervised per generare annotazioni a livello di pixel (utilizzando ad esempio una notazione meno precisa data dai bounding–box). Un altro approccio si basa invece sulla generazione di immagini sintetiche. Al termine del dottorato, durante il periodo da assegnista di ricerca presso l’Università della Tuscia, ho collaborato a “VRAILEXIA”, un progetto Erasmus+, che mira a costruire una piattaforma basata su intelligenza artificiale e realtà virtuale per aiutare gli studenti dislessici durante il loro percorso universitario. Successivamente, nel periodo da assegnista presso l’Università di Pisa, in collaborazione con GSK Italia, ho analizzato sequenze di DNA utilizzando tecniche di Deep Learning. In questo caso, per superare il problema dato dalla lunghezza delle sequenze di DNA, ho lavorato a una soluzione che, utilizzando un vocabolario, permette di segmentare la sequenza in parole che poi sono state analizzate con due diversi approcci (Bag of Words e Transformers). Attualmente, presso il Dipartimento di Scienze Sociali, Politiche e Cognitive dell’Università di Siena mi occupo dello sviluppo di un moderatore automatico utilizzabile in ambienti di discussione multilingua.