Abstract

La ricerca copre un'ampia gamma di temi, tra cui i multi-armed bandit, il reinforcement learning multi-agente, il reinforcement learning inverso e il deep RL, nonché direzioni di ricerca più recenti come il RL risk-aware, preference-based e non supervisionato. Particolare attenzione è dedicata a scenari realistici caratterizzati da spazi d'azione continui, osservabilità parziale, non-stazionarietà e vincoli di sicurezza. Un aspetto centrale di questa ricerca è l'integrazione dei progressi metodologici con applicazioni del mondo reale. Sono considerate diverse collaborazioni industriali, che spaziano in ambiti quali il dynamic pricing, la pubblicità online, la finanza, l'energia, la manifattura e i sistemi autonomi, dove le tecniche di RL devono affrontare vincoli pratici e garantire prestazioni affidabili. L'intervento si conclude con una panoramica delle sfide attuali e delle direzioni future per migliorare la robustezza, la scalabilità e l'applicabilità del reinforcement learning in ambienti reali complessi.

Biografia

Marcello Restelli è Professore Ordinario presso il Dipartimento di Elettronica, Informazione e Bioingegneria del Politecnico di Milano, dove coordina il Real-Life Reinforcement Learning Research Lab (RL3). È autore di oltre 200 pubblicazioni scientifiche internazionali, incentrate principalmente sullo studio e lo sviluppo di nuove tecniche di reinforcement learning. I risultati della sua ricerca vengono applicati a problemi del mondo reale attraverso numerose collaborazioni industriali in settori diversi, tra cui finanza, e-commerce, Industria 4.0 e automotive. È Fellow ELLIS e ricopre il ruolo di responsabile della ricerca per l'Osservatorio sull'Intelligenza Artificiale del Politecnico di Milano. Nel 2020 ha co-fondato ML cube, uno spin-off del Politecnico di Milano, di cui è attualmente consulente scientifico.

Host

Loris Roveda, Professore associato in Intelligenza integrata per la robotica, Area controllo intelligente per sistemi e reti.

L'evento si svolgerà in lingua inglese.