La stragrande maggioranza dell’intelligenza artificiale moderna è computazionalmente impegnativa in tutte le fasi, dalla progettazione dell’algoritmo ed il suo sviluppo, alla formazione ed alla distribuzione: la progettazione di nuovi algoritmi spesso ricorre a euristicI e lunghi processi ed errori; la formazione richiede l’elaborazione dei dati su larga scala e la garanzia di un forte prestazione finale è strettamente legata a un’estesa ricerca ed ottimizzazione per i migliori iperparametri;

Questo vale per tutti i tipi di hardware che supportano intelligenza artificiale, dal cloud e HPC con archiviazione dei dati su larga scala a edge devices con risorse computazionali e di memoria limitate. Questi due estremi framework di calcolo – l’infinitamente piccolo sull’edge e l’infinitamente grande su HPC – sono i due paradigmi emergenti di calcolo dei prossimi decenni. Progettare e studiare nuovi algoritmi di IA, in grado di sfruttare per costruzione le proprietà intrinseche dell’ dell’hardware edge e dell’exascale è una sfida aperta e cruciale. C’è bisogno di una nuova generazione di algoritmi sparsi, robusti, adattivi ed accurati per l’ottimizzazione e l’apprendimento, in grado di supportare sistemi intelligenti e agenti autonomi, con diversi gradi di supervisione, dove le applicazioni vanno dalla robotica industriale al settore bancario, alla mobilità e difesa, alla gestione dell’energia ed alla salute.