La ricerca dellUniversità di Cagliari premiata a livello internazionale affronta i limiti dellIA centralizzata, proponendo un apprendimento distribuito più robusto, attento a privacy, energia e applicazioni concrete.
Diego Deplano ha vinto nel 2026 il Best Young Author Paper Award della IEEE Control Systems Society. Il riconoscimento stato assegnato a Parma, durante lassemblea nazionale della Societ Italiana dei Docenti e Ricercatori in Automatica, organizzata nellambito del convegno Automatica.it. Il ricercatore dellUniversit degli Studi di Cagliari stato premiato per il paper Robust Online Learning Over Networks, scritto insieme a Nicola Bastianello e al KTH Royal Institute of Technology di Stoccolma.
Dietro il premio individuale c una questione pi ampia: come costruire modelli di intelligenza artificiale condivisi senza concentrare tutti i dati in un unico server? La ricerca affronta proprio questo problema, cercando di mantenere affidabile lapprendimento anche quando la rete non funziona in condizioni ideali.
Il tema riguarda un passaggio tecnico spesso nascosto dietro espressioni generiche come machine learning e IA. Dispositivi diversi devono collaborare, scambiandosi le informazioni necessarie per aggiornare un modello, mentre i dati possono restare nei sistemi in cui sono stati prodotti. Il lavoro premiato propone strumenti matematici per descrivere e governare questa situazione, tenendo conto di comunicazioni irregolari, capacit di calcolo non omogenee e informazioni che cambiano nel tempo.
Il premio internazionale assegnato a Deplano
Il Best Young Author Paper Award 2026 promosso dalla IEEE Control Systems Society, la comunit internazionale dellInstitute of Electrical and Electronics Engineers che riunisce studiosi dei sistemi di controllo e delle discipline collegate. Il riconoscimento rivolto ad autori under 35 affiliati alla sezione italiana dellIEEE, selezionati per pubblicazioni apparse sulle principali riviste internazionali della Societ.
A Parma sono arrivati tre ricercatori in finale. Oltre a Deplano, la selezione comprendeva rappresentanti dellUniversit di Napoli Federico II e dellUniversit di Bologna. Le candidature finaliste provenivano dunque da tre atenei italiani con competenze consolidate nellautomatica e nellingegneria dellinformazione. La commissione ha assegnato il premio al ricercatore cagliaritano per il contributo pubblicato su IEEE Transactions on Automatic Control.
La cerimonia si tenuta durante lassemblea nazionale della Societ Italiana dei Docenti e Ricercatori in Automatica, lassociazione che riunisce la comunit accademica italiana attiva nello studio del controllo, dellautomazione e dei sistemi dinamici. La dimensione internazionale delliniziativa dipende dallorganismo che attribuisce il premio, dalla rivista scientifica coinvolta e dalla collaborazione con il KTH Royal Institute of Technology, istituto svedese di ricerca tecnologica.
Il significato del titolo Robust Online Learning Over Networks
Il titolo pu essere tradotto come apprendimento online robusto attraverso le reti. Le tre espressioni descrivono altrettanti aspetti del problema.
Online indica che il modello si aggiorna mentre arrivano nuovi dati. Non si parte, quindi, soltanto da un archivio raccolto una volta per tutte: il sistema riceve osservazioni progressive e modifica le proprie stime durante il funzionamento. Over Networks segnala che il calcolo distribuito tra nodi collegati. Robust chiarisce lobiettivo: conservare prestazioni e propriet teoriche anche quando comunicazioni ed elaborazioni si discostano dallideale.
Deplano co-first author del lavoro insieme a Bastianello. La formula significa che i due ricercatori condividono il primo contributo autoriale secondo lorganizzazione scelta per il paper. Lo studio nasce dalla collaborazione tra lUniversit di Cagliari e il KTH Royal Institute of Technology di Stoccolma, ateneo tecnologico impegnato nella ricerca ingegneristica e informatica.
Premio e pubblicazione svolgono funzioni diverse. Il riconoscimento esprime la valutazione positiva di una commissione della comunit scientifica; il paper contiene invece il metodo e i risultati sottoposti alla valutazione. In questo caso i due piani convergono su un settore dellintelligenza artificiale che tocca la gestione dei dati, la privacy, i sistemi connessi e laffidabilit degli algoritmi.
Perch concentrare tutti i dati non sempre conveniente
In unarchitettura centralizzata, pi dispositivi inviano le proprie informazioni a un server o a uninfrastruttura comune. Il modello di intelligenza artificiale viene addestrato in quel punto principale, dove confluiscono dati, comunicazioni e capacit di calcolo. Il coordinamento pu risultare pi semplice, ma lintero processo dipende dallambiente centrale.
Lapprendimento distribuito organizza il lavoro in modo diverso. Ogni dispositivo o nodo elabora localmente i dati di cui dispone e comunica agli altri partecipanti gli aggiornamenti utili alla costruzione di un modello condiviso. I dati grezzi possono cos rimanere nei sistemi in cui sono stati prodotti, mentre la rete scambia parametri o informazioni necessarie allapprendimento.
La distribuzione non cancella automaticamente i rischi. Gli aggiornamenti devono essere protetti, i nodi possono essere vulnerabili e il modello dipende dal coordinamento tra partecipanti con caratteristiche differenti. Evitare il trasferimento integrale dei dati, per, pu ridurre la necessit di concentrare informazioni sensibili in ununica infrastruttura.
| Approccio | Gestione dei dati | Problema principale |
| Centralizzato | I dati confluiscono in un ambiente comune | Concentrazione delle informazioni e dipendenza dal server |
| Distribuito | I nodi elaborano localmente e collaborano alla costruzione del modello | Coordinamento tra dispositivi e comunicazioni non uniformi |
Il lavoro di Deplano e Bastianello si colloca nella seconda impostazione. Non si limita a descrivere il vantaggio teorico della decentralizzazione: studia che cosa accade quando collegamenti, dati e tempi di elaborazione cambiano durante il processo di apprendimento.
Il limite dei modelli costruiti in condizioni ideali
I modelli matematici diventano pi facili da analizzare quando assumono una rete affidabile, dispositivi con capacit simili e tempi di comunicazione regolari. In uno scenario simile ogni nodo riceve gli aggiornamenti attesi e partecipa al calcolo seguendo una sequenza prevedibile. Le dimostrazioni risultano pi lineari, ma il modello si allontana dalle condizioni presenti nelle applicazioni reali.
Una rete pu perdere messaggi. Un dispositivo pu elaborare i dati pi lentamente di un altro. La connessione pu rallentare o interrompersi per un periodo limitato. Anche le informazioni utilizzate per laddestramento non restano necessariamente uguali: nuovi eventi cambiano la distribuzione dei dati e rendono poco realistico pensare che tutti i partecipanti osservino fenomeni dello stesso tipo.
Il risultato sono ritardi, aggiornamenti incompleti e differenze tra ci che i singoli nodi conoscono. Se il metodo non considera questi fattori, il modello comune pu apprendere pi lentamente, ricevere contributi sbilanciati oppure perdere le garanzie previste dalla teoria. La robustezza studiata nel paper riguarda il divario tra la rete ideale e quella concreta.
Il problema tecnico affrontato dal gruppo
La ricerca prende in esame pi imperfezioni nello stesso quadro, anzich trattarle come eccezioni isolate. Tra le condizioni considerate figurano la perdita di messaggi, le differenti velocit di comunicazione, le capacit di calcolo non omogenee e dati che cambiano nel tempo. Sono situazioni compatibili con una rete formata da apparecchiature diverse e collegata attraverso infrastrutture non sempre stabili.
Non basta far arrivare un messaggio da un nodo allaltro. Gli aggiornamenti devono contribuire al modello comune senza compromettere il processo quando alcuni partecipanti comunicano in ritardo, lavorano su dati differenti o non completano ogni passaggio computazionale. Il problema conservare un apprendimento efficace anche quando la partecipazione alla procedura irregolare.
Il paper propone strumenti matematici per lapprendimento online su rete in questo tipo di scenario. Le informazioni disponibili descrivono lobiettivo e le condizioni analizzate, ma non riportano una metrica numerica unica, una percentuale di miglioramento o un numero di esperimenti da usare come sintesi del risultato. La portata del contributo va quindi spiegata attraverso il problema affrontato e le garanzie perseguite, senza attribuire al lavoro valori quantitativi non documentati.
Come opera lapprendimento online distribuito
Nel machine learning tradizionale il modello viene spesso addestrato su un insieme di esempi gi raccolto. Lapprendimento online procede mentre arrivano nuove osservazioni: il sistema aggiorna progressivamente le proprie stime, seguendo un flusso di dati. una modalit adatta a sensori, dispositivi mobili, impianti produttivi e sistemi che registrano eventi nel tempo.
In una rete distribuita ogni nodo osserva soltanto una parte del fenomeno. Un sensore industriale pu controllare una sezione dellimpianto; un robot pu conoscere soprattutto ci che avviene nella propria area; una struttura sanitaria dispone dei dati prodotti dal suo sistema. Per costruire un modello comune, la rete deve combinare questi contributi senza spostare necessariamente tutti gli archivi.
Il modello condiviso nasce da una successione di elaborazioni locali e comunicazioni tra nodi. A ogni passaggio il sistema deve gestire la possibilit che i partecipanti non lavorino allo stesso ritmo o non dispongano delle medesime informazioni. Il paper premiato analizza le condizioni matematiche che rendono il meccanismo resistente a ritardi, perdite e variazioni.
La robustezza non equivale allinvulnerabilit. Nel lavoro indica la capacit del metodo di conservare lefficacia dellapprendimento in presenza delle imperfezioni considerate dal modello. Non significa che qualunque rete, indipendentemente dallarchitettura o dal tipo di attacco, funzioner senza problemi.
Gli strumenti matematici introdotti dalla ricerca
Il lavoro mette a disposizione strumenti matematici per descrivere e controllare lapprendimento quando i nodi non sono sincronizzati. In questo caso la matematica serve a stabilire come combinare gli aggiornamenti, quali ritardi tollerare e in quali condizioni il processo conserva propriet utili.
Un modello teorico non un software pronto per ogni applicazione. Costituisce una base per progettare algoritmi, dimostrarne la controllabilit e definire i limiti entro cui possono essere usati. Tra una dimostrazione e un prodotto finale resta una distanza che va considerata quando si parla di ricadute industriali o sanitarie.
Il risultato riportato per il paper consiste nella costruzione di metodi capaci di mantenere efficace lapprendimento anche quando comunicazioni, capacit di calcolo e dati variano. La novit non risiede quindi nella semplice distribuzione dei calcoli, gi studiata in precedenza, ma nella possibilit di trattare con un impianto matematico unitario condizioni realistiche che possono presentarsi contemporaneamente.
Privacy: un vantaggio possibile, non automatico
Lasciare i dati presso i nodi che li producono pu aiutare a progettare sistemi destinati a trattare informazioni sensibili. In ambito sanitario, per esempio, pi strutture potrebbero collaborare alla costruzione di un modello senza trasferire tutti i dati clinici a un unico centro. Il principio riduce la necessit di creare un archivio centralizzato, ma non sostituisce le misure di sicurezza n gli obblighi applicabili ai dati personali.
Anche gli aggiornamenti del modello possono contenere informazioni indirette. Unarchitettura distribuita deve quindi affrontare lautenticazione, la protezione delle comunicazioni, la gestione degli accessi e la possibilit che un nodo invii contributi alterati. La decentralizzazione modifica la superficie di rischio; non la elimina.
Il paper di Deplano e Bastianello non viene presentato come una risposta a tutti i problemi di privacy o cybersecurity. Il contributo riguarda laffidabilit dellapprendimento in una rete soggetta a imperfezioni operative. Quando il sistema viene trasferito in ambienti regolamentati o esposti ad attacchi, servono altre tecniche di protezione.
Le applicazioni tra sensori e robotica
Le reti di sensori sono uno degli ambiti pi immediati. In un ambiente industriale o urbano molti dispositivi raccolgono dati con frequenze e capacit differenti. Alcuni possono perdere temporaneamente la connessione, altri hanno una potenza di calcolo limitata. Un metodo capace di tollerare queste differenze pu aiutare a costruire modelli senza subordinare il funzionamento dellintera rete a ogni singolo nodo.
La robotica collaborativa presenta una difficolt analoga. Pi robot devono coordinare movimenti e decisioni mentre operano in luoghi diversi oppure condividono lo stesso spazio. Uninfrastruttura completamente centralizzata pu diventare un punto di dipendenza; un sistema distribuito chiede alle macchine di scambiarsi informazioni e conservare coerenza anche in presenza di ritardi.
In entrambi i casi, la ricerca fornisce una base teorica. Per arrivare a un impiego effettivo servirebbero test sul campo, valutazioni di sicurezza e adattamenti alle caratteristiche dellhardware, della rete e dellapplicazione. Le possibilit indicate non corrispondono quindi a prodotti gi disponibili.
Energia e sanit tra i settori interessati
I sistemi energetici distribuiti comprendono reti in cui produzione e consumo non dipendono da un solo impianto. Fonti rinnovabili, dispositivi di accumulo e punti di consumo generano informazioni che possono cambiare rapidamente. Un apprendimento condiviso, capace di resistere a comunicazioni irregolari, potrebbe sostenere modelli per il bilanciamento e la previsione. Restano da verificare le condizioni operative e normative di ogni implementazione.
La sanit pone un problema diverso ma collegato. Ospedali e strutture differenti possono possedere dati utili per addestrare sistemi di supporto alla diagnosi o alla gestione clinica; la condivisione degli archivi, per, incontra vincoli di riservatezza, sicurezza e governance. Lapprendimento distribuito offre un modo per collaborare sul modello mantenendo i dati nei sistemi dorigine.
La robustezza matematica del modello non basta a garantire una diagnosi corretta o una decisione clinica appropriata. Servono validazione medica, controllo dei bias, tracciabilit degli aggiornamenti e supervisione professionale. La ricerca pu contribuire allinfrastruttura tecnica; la responsabilit delluso resta legata al contesto in cui lIA viene applicata.
Perch la collaborazione con il KTH conta
Il paper unisce lUniversit di Cagliari al KTH Royal Institute of Technology di Stoccolma e inserisce il lavoro in una rete scientifica europea. La presenza di un partner internazionale, da sola, non dimostra la qualit di una ricerca. Indica per che il progetto stato sviluppato attraverso competenze e interlocuzioni che oltrepassano il perimetro di un singolo ateneo.
Il valore della collaborazione si vede soprattutto nella natura del problema. Lapprendimento distribuito richiede conoscenze di controllo, ottimizzazione, teoria delle reti e intelligenza artificiale. Il confronto tra gruppi pu contribuire alla formulazione di modelli pi generali e a una valutazione scientifica pi ampia.
Per lUniversit di Cagliari il premio rende visibile una linea di ricerca capace di collegare teoria matematica e sistemi intelligenti. Lateneo non soltanto la sede di affiliazione di un giovane autore: parte della collaborazione che ha prodotto il paper premiato.
Il rapporto con la ricerca italiana sullIA
La finale con ricercatori dellUniversit di Napoli Federico II e dellUniversit di Bologna mostra una competizione interna a un sistema accademico distribuito tra pi poli. Il riconoscimento a Deplano non dimostra che lItalia abbia risolto le principali sfide dellintelligenza artificiale. Documenta per la presenza di competenze in un settore specialistico e fortemente internazionale.
La pubblicazione su una rivista della IEEE Control Systems Society e la collaborazione con un istituto come il KTH mostrano che giovani ricercatori italiani possono inserirsi in circuiti scientifici globali. Per arrivarci non basta disporre di infrastrutture: servono formazione, continuit dei gruppi, scambi internazionali e risultati verificabili.
Il premio aggiunge visibilit a un percorso fondato su una pubblicazione internazionale e su un lavoro dedicato a un problema con applicazioni in pi settori. Il suo significato istituzionale va oltre la gratificazione personale. Rafforza limmagine dellUniversit di Cagliari come luogo in cui una ricerca teorica sullIA pu raggiungere una platea scientifica internazionale.
Il contesto degli altri riconoscimenti cagliaritani
Nello stesso periodo lUniversit di Cagliari ha ricevuto attenzione internazionale anche per una ricerca dedicata alla sicurezza dellintelligenza artificiale. Battista Biggio, professore ordinario di Ingegneria Informatica, stato nominato IAPR Fellow 2026 dallInternational Association for Pattern Recognition, associazione internazionale attiva nel riconoscimento di forme e immagini.
La nomina stata conferita a Lione durante ICPR 2026. Per ledizione 2026 sono stati nominati 15 Fellow su 33 candidature provenienti da tutto il mondo. Il riconoscimento riguarda i contributi di Biggio alladversarial machine learning, il settore che studia come manipolazioni dei dati o degli input possano ingannare i sistemi di apprendimento automatico.
Le due notizie restano distinte. Deplano stato premiato per un paper sullapprendimento distribuito robusto; Biggio stato riconosciuto per la ricerca sulla sicurezza dei modelli. Letti insieme, i due riconoscimenti descrivono esigenze complementari dellIA: apprendere in modo affidabile quando i nodi sono distribuiti e resistere ai tentativi di manipolazione.
Dalla teoria alle amministrazioni e alle imprese
Una ricerca accademica pu produrre ricadute fuori dai laboratori, ma il passaggio richiede tempo, prove e verifiche. Un esempio vicino alla pubblica amministrazione laccordo del Comune di Quartu SantElena con lUniversit di Cagliari per finanziare due borse triennali di dottorato in Matematica e Informatica.
Il Comune ha stanziato 150mila euro complessivi, distribuiti sui tre esercizi del progetto. Lobiettivo studiare architetture ibride neuro-simboliche, Explainable AI e modelli linguistici specializzati per gli enti locali. I risultati attesi comprendono algoritmi, modelli e prototipi destinati a diventare patrimonio tecnologico dellamministrazione, senza sostituire la responsabilit umana nei procedimenti.
Liniziativa non direttamente collegata al paper di Deplano e non dimostra che il Comune utilizzi gi strumenti di apprendimento distribuito. Mostra per che lUniversit di Cagliari coinvolta in filoni differenti dellinnovazione applicata: da una parte sistemi robusti e decentralizzati, dallaltra tecnologie spiegabili e strumenti destinati alla pubblica amministrazione.
Che cosa resta oltre il premio
Il paper di Diego Deplano e Nicola Bastianello affronta un problema concreto dellapprendimento distribuito: mantenere efficace laggiornamento di un modello quando messaggi, tempi di calcolo e dati non sono uniformi. Il contributo teorico e definisce strumenti e condizioni utili per analizzare queste situazioni.
Le possibili applicazioni a sensori, robotica, energia e sanit richiederebbero ancora test sul campo, adattamenti allhardware e verifiche di sicurezza. Lasciare i dati nei sistemi dorigine pu ridurre la centralizzazione, ma non elimina la necessit di proteggere gli aggiornamenti, gestire gli accessi e validare i risultati nel contesto specifico.