La conferenza MLISE ha come obiettivo la creazione di una piattaforma di scambio sui risultati di ricerca e le applicazioni tecnologiche nel campo nel machine learning e dell’ingegneria dei sistemi intelligenti, affrontando numerosi temi, tra cui deep learning, data mining, visione artificiale ed elaborazione del linguaggio naturale.
Durante l’ultima edizione svoltasi a Napoli tra il 28 e il 31 maggio 2026, il Prof. Flammini ha tenuto un intervento in qualità di relatore plenario sul tema Safe Perception for Trustworthy Autonomy: From Robust Sensor Fusion to Run-Time Adaptation ed è stato premiato per il paper dal titolo Towards Energy-Efficient Federated Anomaly Detection in Dynamic Environments, sviluppato in collaborazione con ricercatori dell'Università degli Studi di Napoli Federico II e della Scuola IMT Alti Studi Lucca. Il lavoro è stato selezionato come il migliore tra gli oltre 100 sottomessi al convegno.
La ricerca affronta una delle principali sfide dei sistemi IoT distribuiti: riconoscere in modo affidabile anomalie e malfunzionamenti anche quando le condizioni operative cambiano nel tempo, tecnicamente si parla del fenomeno del “concept drift”. Un esempio può riguardare un sensore installato all’interno di una fabbrica che registra valori diversi a seconda dell’usura dei macchinari o dei cambiamenti nei processi produttivi. Un dato che ad oggi è ritenuto normale potrebbe non esserlo più tra qualche settimana o mese.
Per superare questo limite, è stato sviluppato un approccio che consente ai dispositivi di apprendere in modo collaborativo senza condividere direttamente i dati raccolti e senza trasferire continuamente grandi quantità di dati verso un server centrale.
“Quando le condizioni cambiano, il sistema di monitoraggio rischia di generare falsi allarmi oppure di non individuare correttamente i problemi” spiega Flammini. “La soluzione che abbiamo sviluppato monitora costantemente l’evoluzione delle condizioni operative e, se rileva cambiamenti significativi nei comportamenti ritenuti normali, aggiorna in modo autonomo i propri modelli di analisi. Ogni dispositivo elabora i dati localmente e contribuisce all'aggiornamento del modello comune, riducendo il traffico di dati e le risorse di calcolo necessarie per l'elaborazione”.
Nel prossimo futuro, tecnologie di questo genere potranno contribuire a rendere più sicuri ed efficienti i sistemi di monitoraggio utilizzati in contesti strategici quali l'industria manifatturiera, le infrastrutture critiche, la mobilità intelligente e le reti energetiche.