Lea Multerer
Dall’epidemiologia al machine learning: modelli per interpretare la complessità
SUPSI Image Focus
Lea Multerer è una ricercatrice presso l’Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI), nell’area scientifica del machine learning. Con una formazione in matematica e un dottorato in epidemiologia, sviluppa metodi robusti per l’analisi di dati complessi, con applicazioni nei settori della salute e della finanza.
Da dove provieni, cosa hai studiato e su cosa stai lavorando attualmente?
Sono cresciuta nel Canton Berna e ho studiato matematica a Basilea. Al termine del percorso di master ho colto un’opportunità di dottorato presso lo Swiss Tropical and Public Health Institute, focalizzata sul disegno di studi clinici per la malaria. Sebbene non avessi inizialmente previsto di orientarmi verso ambiti applicati, l’interesse per il tema mi ha portato a intraprendere questo percorso, che si è concluso con un dottorato in epidemiologia durante la pandemia di COVID-19.
In seguito, ho lavorato presso l’Ufficio federale della sanità pubblica, occupandomi della sorveglianza del COVID-19 in Svizzera, in una fase particolarmente intensa dal punto di vista professionale. Infine, sono arrivata all’Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI), dove mi occupo di metodi di machine learning applicati ai settori della salute e della finanza.
Su quali temi si concentra la tua ricerca e cosa ti entusiasma maggiormente del tuo lavoro?
La mia attività di ricerca si sviluppa in un contesto fortemente interdisciplinare, elemento che rappresenta anche la principale leva di motivazione. Un’esperienza significativa è stata il lavoro sui dati di sorveglianza del COVID-19, che ha messo in evidenza la complessità legata alla raccolta e alla strutturazione di dati realmente informativi.
Negli ultimi anni mi sono concentrata sullo sviluppo di metodi di machine learning in grado di mantenere prestazioni affidabili anche in presenza di dati limitati o rumorosi, ad esempio attraverso approcci di physics-informed machine learning. Parallelamente, mi interessa applicare questi metodi all’analisi di relazioni causali a partire dai dati.
C’è un’esperienza, personale o professionale, che ha influenzato in modo particolare il tuo percorso?
Lo studio delle dimostrazioni matematiche ha avuto un ruolo determinante nel mio percorso. Mi ha insegnato a operare con rigore e attenzione al dettaglio, richiedendo al contempo un approccio creativo. Inoltre, ha contribuito a sviluppare una buona tolleranza alla frustrazione, una competenza che si rivela tuttora utile nell’attività di ricerca.
Qual è il valore aggiunto di lavorare in SUPSI e nel Dipartimento tecnologie innovative?
Il lavoro di ricerca in team rappresenta per me un elemento centrale. In SUPSI ho l’opportunità di collaborare con colleghe e colleghi di elevato profilo e provenienze diverse. Le attività si sviluppano spesso in ambito applicato, con la possibilità di affiancare a questi progetti anche lo sviluppo di approcci metodologici innovativi.