PROPOSTE DI TESI E TIROCINI

Ti piace sperimentare nuove tecnologie?
Anche a noi!

Se sei uno studente o un laureando puoi svolgere il tuo percorso di tesi o il tuo tirocinio in azienda con noi. Scopri le nostre proposte più tecnologicamente innovative, e se non c'è la sfida giusta per te, definiamola assieme.

Welcome SPOT @Sprint Reply

Breaking news! I robot SPOT di Boston Dynamics sono finalmente arrivati nelle sedi Reply di Milano. Mesi fa Reply si è iscritta al programma Early Developers e ora possiamo iniziare a sperimentare questo fantastico dispositivo. Sprint Reply sta ora iniziando a lavorare con i robot per alcuni progetti promettenti in collaborazione con i nostri clienti. Stay tuned!

Xiaomi Cyberdog: ROS2 come middleware di integrazione

Sblocca le potenzialità dell'IoT e della Computer Vision

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Robotic OS (ROS) è uno standard de facto nel mondo della Robotica e anche il quadrupede Cyberdog di Xiaomi utilizza questa tecnologia. ROS è un middleware che permette di astrarre l’interazione con l’hardware sottostante e sfruttare una architettura dotata di nodi e code per scambiare messaggi a bassa latenza di varia natura: dati dei sensori, controllo, stato, telemetria e non solo. Inoltre, la community esistente mette a disposizione funzionalità e applicazioni usate comunemente come hardware driver, planning, percezione, localizzazione e mapping, strumenti di simulazione e altri algoritmi per facilitare l’utilizzo e l’integrazione di sensori e scenari di utilizzo.

OBIETTIVI:
Lo scopo del lavoro di tesi è quello di analizzare l’SDK di Xiaomi Cyberdog basata su ROS2 e documentarne le funzionalità ed eventuali estensioni. Avendo il robot fisicamente disponibile è inoltre possibile testarne le potenzialità in modo pragmatico, integrando un sensore a scelta (ad es. GPS, sensore di temperatura, camera) per acquisire dati reali sul campo.

TECNOLOGIE:
C++, Python, ROS2

Boston Dynamics Spot: Configuratore di missioni autonome

Computer Vision e Machine Learning per predirre eventi

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Spot, il robot quadrupede di Boston Dynamics, tra le sue funzionalità principali, è in grado di affrontare autonomamente un percorso e continuare a replicarlo per eseguire ronde ispettive. Questo percorso, che prende il nome di “missione”, deve essere precedentemente memorizzato guidando manualmente il robot in modalità registrazione missione. Ci sono ambiti in cui non è possibile o svantaggioso registrare la missione sul campo, perciò nasce l’esigenza di definirla a partire da una data planimetria dell’ambiente in cui Spot sarà ingaggiato.

OBIETTIVI:
L’obiettivo della tesi è quello di analizzare l’attuale implementazione delle missioni autonome del robot fornita dalle Spot Mission API per giungere alla creazione di un configuratore che permetta la definizione di una missione a partire da una planimetria 2D/3D dell’ambiente. Il robot dovrà essere in grado di eseguire il percorso definito sulla planimetria senza l’uso di sensori GPS, ma sfruttando le camere integrate e/o il sensore LIDAR. Avendo il robot fisicamente disponibile è inoltre possibile testare il prototipo direttamente sul campo.

TECNOLOGIE:
C++, Python, ROS2

Sperimentazione e comparazione dei più avanzati modelli LLM nell’ambito NLP della Named-Entity Recognition con aggiunta di tecniche di Computer Vision per documenti semi-strutturati.

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Nell'Elaborazione del Linguaggio Naturale (NLP) diversi approcci e modelli possono essere utilizzati per eseguire la cosidetta Named-Entity Recognition, ovvero il compito di estrarre da fonti strutturate o non strutturate alcune informazioni chiave, chiamate entità. Risulta cruciale la scelta del modello da utilizzare, se un LLM (Large Language Model) come GPT-3, BLOOM o OPT o una soluzione più standard come BERT tant’è che spesso più di uno deve essere implementato e devono essere misurate le performance. Per documenti semi strutturati, si possono aggiungere, tramite computer vision, features spaziali e posizionali delle entità da estrarre all’allenamento di questi modelli, in modo da arricchire la qualità della predizione.

OBIETTIVI:
Lo scopo del lavoro è quello di analizzare, sperimentare e comparare i più avanzati modelli LLM nell’ambito della Named-Entity Recognition, quali GPT-3, BLOOM, OPT rispetto a soluzioni ormai standard come BERT. Inoltre, nel caso di documenti semi-strutturati, è necessario capire come poter integrare all’allenamento di tali modelli anche features spaziali e posizionali delle singole entità da estrarre, ricavate tramite tecniche di Computer vision. L’applicazione di tali modelli verrà effettuata su diversi casi reali.

TECNOLOGIE:
Python, Transformers, Semantica, LLM, Deep Learning, Machine Learning, Computer vision, TensorFlow, PyTorch, Hardware GPU.

Sperimentazione e comparazione di differenti approcci per l’estrazione di topic da documenti nell'ambito dell’ Elaborazione del Linguaggio Naturale

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Nell'Elaborazione del Linguaggio Naturale (NLP) diversi approcci possono essere utilizzati per eseguire la cosidetta Topic-Extraction, ovvero il compito di estrarre l’argomento principale e di interesse da un documento o porzione di documento, data una serie di argomenti pre-stabiliti. In base ai dati a disposizione ed alla tipologia di documento si può decidere di utilizzare un approccio tradizionale, come quello Rule-based, LSA, LDA, SVM oppure spostarsi su quelli Machine Learning-based con l’adozione di reti neurali convoluzionali (CNN), reti neurali ricorrenti (RNN) o Trasformers.

OBIETTIVI:
Lo scopo del lavoro è quello di analizzare, sperimentare e comparare i vari approcci Machine Learning-based nell’ambito della Topic-Extraction, quali l’utilizzo di Trasformers o modelli di reti neurali. L’allenamento di tali modelli deve essere arricchito anche da Word-Embeddings, cioè la vettorizzazione di tutto il contenuto testuale. L’applicazione dei modelli allenati verrà effettuata su casi reali.

TECNOLOGIE:
Python, Transformers, Classificatori, Semantica, Deep Learning, Machine Learning, TensorFlow, PyTorch, Hardware GPU.

Individuazione a priori della migliore tecnologia da applicare in un task NLP

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Nell'ambito della Elaborazione del Linguaggio Naturale (NLP) diverse tecnologie possono essere applicate per eseguire un singolo task. Una soluzione può essere basata su un approccio statistico (Machine Learning), su un approccio semantico, o su una combinazione delle due diverse strade. A seconda del task e del problema, l'esecuzione di un particolare approccio può permettere il raggiungimento di migliori performance, perciò è importante capire a priori quale tecnologia utilizzare nel problema da aggredire. Inoltre spesso in casi d'uso reali l'applicazione dell'approccio migliore è minata da diverse difficoltà: nel caso statistico può essere difficile creare un dataset ampio e consistente, mentre nell'approccio semantico può essere difficile creare una knowledge base sufficiente per il task.

OBIETTIVI:
L'obiettivo del lavoro è quello di definire un approccio analitico per individuare a priori la tecnologia da applicare e gli strumenti necessari per eseguire un task NLP comune (classificazione, estrazione di entità), e di confrontare le performance dei due diversi approcci (statistico, semantico) nell'esecuzione di un task NLP in un caso reale.

TECNOLOGIE:
Python, Transformers, Semantica, Knowledge base, Knowledge Graphs, Ontologie, Deep Learning, Machine Learning, TensorFlow, PyTorch, Hardware GPU

Definizione di un approcco standard per l'esecuzione di Relation Extraction e Entity Linking nell'Elaborazione del Linguaggio Naturale

Sede: Smart Working e/o Torino | Durata 6 mesi | Scade il 30/06/2023

CONTESTO:
Nell'Elaborazione del Linguaggio Naturale (NLP) diversi approcci statistici e semantici possono essere utilizzati per eseguire la cosidetta Named-Entity Recognition, ovvero il compito di estrarre da fonti strutturate o non strutturate alcune informazioni chiave, chiamate entità. In uno scenario reale la sola estrazione dei dati non è sufficiente, perché sono cruciali anche l'estrazione delle relazioni tra le diverse entità estratte (Relation Extraction) e il loro corretto collegamento attraverso le relazioni individuate (Entity Linking). Queste due ultime attività sono tuttora una challenge molto importante nel panorama NLP.

OBIETTIVI:
Lo scopo del lavoro è quello definire una pipeline standard, generale e strutturata di tecnologie (potenzialmente differenti) per l'esecuzione dei task di Relation Extraction ed Entity Linking. Tale definizione sarà il risultato di una prima analisi delle diverse metodologie attualmente disponibili per questi scopi, e di una loro successiva applicazione in esperimenti su diversi casi reali.

TECNOLOGIE:
Python, Transformers, Semantica, Knowledge base, Knowledge Graphs, Ontologie, Deep Learning, Machine Learning, TensorFlow, PyTorch, Hardware GPU

Non hai trovato la tesi che fa per te?

Contattaci, abbiamo anche altre tesi. Ti risponderemo prima possibile ed aiutarti a scegliere il caso d'uso e le tecnologie più innovative.

Vorrei valutarne altre