Al Campus di Cesena IEEE ACSOS 2026

Una serie di interviste "Dialoghi sul Futuro Digitale" dedicate ad offrire spunti di riflessione e approfondimenti, a partire da convegni, seminari, progetti. Uno spazio per interagire e dialogare con docenti del Dipartimento, al fine di tratteggiare e comprendere alcuni percorsi futuribili o già presenti. 

L'articolo è di Francesca Montuschi, del Settore della comunicazione e informazione del dipartimento.

Dall'integrazione tra intelligenza artificiale e sistemi distribuiti ai nuovi paradigmi dell'apprendimento federato, fino alle sfide poste dall'affidabilità e dalla verificabilità dei sistemi autonomi: sono questi alcuni dei temi al centro di ACSOS 2026 (IEEE International Conference on Autonomic Computing and Self-Organizing Systems), in programma al Campus di Cesena dal 7 all'11 settembre. L'edizione 2026 vede il prof. Danilo Pianini, del Dipartimento di Informatica - Scienza e Ingegneria dell'Università di Bologna, nel ruolo di General Chair, membro dello stesso gruppo di ricerca del prof. Mirko Viroli, tra i fondatori della conferenza stessa. Nata nel 2020 dalla fusione di ICAC (International Conference on Autonomic Computing) e SASO (International Conference on Self-Adaptive and Self-Organizing Systems), ACSOS rappresenta oggi uno dei principali punti di riferimento internazionali per la ricerca sull'autonomia computazionale, l'adattamento e l'auto-organizzazione nei sistemi distribuiti. Questa convergenza riflette una trasformazione di più ampia portata dell'informatica di frontiera: intelligenza artificiale, sistemi distribuiti e ingegneria del software tendono ad essere sempre più integrate nella progettazione di infrastrutture autonome, distribuite e capaci di apprendere.

L’IA ha prodotto modelli sempre più potenti dal punto di vista inferenziale. In che misura i Large Language Models stanno modificando il paradigma dei sistemi auto-adattivi?

Storicamente i sistemi auto-adattivi si sono basati su modelli espliciti del sistema stesso e del suo ambiente operativo; le decisioni venivano assunte attraverso meccanismi trasparenti, costruiti attorno a informazioni osservabili e a obiettivi formalizzati. Con i Large Language Models si hanno a disposizione componenti software capaci di operare su conoscenza non strutturata, effettuare inferenze in domini molto ampi e produrre strategie non necessariamente previste in fase di progettazione. La sfida maggiore è capire come integrare gli LLM in sistemi che devono garantire proprietà di correttezza, affidabilità e resilienza. In molti scenari che studiamo abitualmente, dai sistemi distribuiti ai robot autonomi, non possiamo assumere la disponibilità continua di una connessione verso grandi infrastrutture centralizzate. Per questo motivo la ricerca si sta orientando verso architetture ibride, nelle quali capacità generative e processi decisionali adattivi vengono integrati con meccanismi di monitoraggio, controllo e validazione.

L'evoluzione delle infrastrutture distribuite sembra superare la tradizionale separazione tra elaborazione centralizzata ed elaborazione distribuita. Il continuum cloud-edge propone infatti una visione unitaria delle risorse computazionali.

Le infrastrutture contemporanee sono composte da risorse computazionali distribuite e fortemente eterogenee, che spaziano da sensori e piccoli dispositivi periferici (edge) fino a cluster e data center ad alte prestazioni. In questo contesto il continuum cloud-edge deve essere considerato come un sistema adattivo integrato, nel quale le decisioni relative a posizionamento delle computazioni, distribuzione dei carichi di lavoro e utilizzo delle risorse devono essere continuamente rivalutate in funzione delle condizioni operative. La sfida è ottimizzare simultaneamente obiettivi spesso concorrenti tra loro, come latenza, consumo energetico, disponibilità di banda, affidabilità e qualità del servizio. L'adattamento non riguarda più una singola applicazione, ma l'intero ecosistema computazionale e le interdipendenze tra le sue componenti. Diventano quindi centrali meccanismi di orchestrazione decentralizzata, coordinamento distribuito e auto-organizzazione, capaci di operare in presenza di elevata eterogeneità e incertezza.

Come cambia il concetto di assurance in sistemi sempre più autonomi e adattivi?

Gli approcci tradizionali assumevano che il comportamento di un sistema fosse sostanzialmente noto e stabile nel tempo. Nei sistemi auto-adattivi questa assunzione viene meno: il comportamento evolve durante l'esecuzione, in risposta ai cambiamenti dell'ambiente operativo, della disponibilità delle risorse o degli obiettivi da perseguire. Per questo motivo la verifica non può più essere considerata un'attività confinata alla sola di fase di progettazione, ma deve accompagnare l'intero ciclo di vita del sistema. La ricerca si sta orientando verso forme di continuous assurance, basate su tecniche di runtime verification, monitoraggio distribuito, simulazione e validazione dinamica del comportamento. Una parte importante dell'attività scientifica consiste, inoltre, nello studiare il comportamento dei sistemi in condizioni degradate o estreme, introducendo guasti, perdita di connettività o indisponibilità di componenti critiche. Questo consente di comprendere fino a che punto un sistema sia in grado di preservare affidabilità, sicurezza e resilienza in presenza di cambiamenti non previsti.

L'apprendimento federato affronta direttamente una delle principali tensioni intrinseche dell'Intelligenza Artificiale contemporanea: come beneficiare della conoscenza prodotta senza richiedere la centralizzazione dei dati che l'hanno generata.

L'idea alla base del federated learning è che dispositivi o organizzazioni distribuite collaborino all'addestramento di un modello condividendo non i dati, ma la conoscenza appresa a partire da essi. La difficoltà principale è dovuta al fatto che i contesti reali sono intrinsecamente dinamici: i dati non sono stazionari, le distribuzioni statistiche evolvono nel tempo e i diversi nodi osservano fenomeni solo parzialmente sovrapponibili. La sfida non consiste quindi soltanto nell'addestrare un modello efficace, ma nel preservarne prestazioni e capacità di adattamento in presenza di cambiamenti continui. In questo senso, il federated learning rappresenta uno dei più significativi punti di convergenza tra machine learning, sistemi distribuiti e autonomia computazionale, poiché affronta simultaneamente problemi di apprendimento, coordinamento distribuito e adattamento al cambiamento all'interno di ecosistemi eterogenei e in continua evoluzione.

L'aggregate computing assume la collettività dei dispositivi come unità fondamentale di programmazione. Le infrastrutture hanno raggiunto un livello di complessità tale da rendere sempre meno efficace una progettazione centrata sul singolo dispositivo.

Pensiamo alle reti di sensori, ai sistemi IoT, alle smart cities, alle flotte di robot autonomi: in questi contesti il comportamento complessivo emerge dall'interazione di migliaia o milioni di componenti distribuite. L'aggregate computing rappresenta un diverso livello di astrazione: definisce le proprietà che devono emergere a livello collettivo. Questo approccio consente di affrontare in modo più efficace problemi di scala, eterogeneità e resilienza.

Quale valore rappresenta per Cesena ospitare una conferenza internazionale come ACSOS 2026?

L'assegnazione della sede presuppone innanzitutto il riconoscimento di una rilevante presenza scientifica del DISI, consolidata all'interno della comunità internazionale, su tematiche quali i sistemi distribuiti, i sistemi multi-agente, l'auto-organizzazione e l'aggregate computing. Le conferenze internazionali svolgono una funzione che va ben oltre la semplice disseminazione dei risultati scientifici. Rappresentano momenti in cui si costruiscono relazioni, collaborazioni e nuove traiettorie di ricerca. Ospitare ACSOS 2026 a Cesena significa rendere il territorio un punto di incontro per studiosi provenienti da tutto il mondo e inserirlo, per alcuni giorni, al centro di un dibattito scientifico su temi strategici per il futuro delle tecnologie digitali.

ACSOS 2026 ha ricevuto oltre 100 sottomissioni, quasi il doppio rispetto alla precedente edizione di Tokyo. Tra queste, circa il 10% dei contributi sono stati esclusi già in fase preliminare perché generati con IA.

Credo che questo sia un aspetto molto importante e che riguarda oggi l'intera comunità scientifica internazionale. La credibilità dell'attività di ricerca poggia su principi molto precisi: tracciabilità dei risultati, verificabilità dei metodi, responsabilità degli autori e trasparenza del percorso scientifico. Il processo di peer review è fondamentale sia per selezionare i lavori migliori, sia per garantire la qualità e l'affidabilità della conoscenza prodotta dalla comunità scientifica. Preservare, al tempo stesso, rigore metodologico e integrità scientifica rappresenta una condizione essenziale per mantenere la fiducia nella ricerca.

 Riproduzione riservata © copyright 

Hai qualcosa da raccontarci? Desideri essere intervistato?

La redazione web del dipartimento è sempre alla ricerca di nuovi contenuti.

Scrivi una mail a disi-redazioneweb@unibo.it