In What Ways Do Data-Driven AI Algorithms Impact Complex Real-World Systems and Decision-Making? [In Che Modo Gli Algoritmi di IA Basati sui Dati Impattano i Sistemi Complessi del Mondo Reale e il Processo Decisionale ?]

In the rapidly evolving field of data-driven applications, this doctoral thesis makes advances in the field of artificial intelligence (AI) algorithms designed to process large datasets across various application domains. Data plays a critical role in this context, as it contains valuable information that drives decision-making. Raw data are utilized by AI algorithms to extract knowledge, enabling the development of models that accurately replicate real-world behaviors. A central focus of this thesis is on metaheuristic algorithms, which are integral part of AI and serve as essential tools for solving real-world problems where deterministic algorithms might fail. These algorithms are particularly effective in addressing complex optimization challenges, real-time scenarios, and improving the overall performance of machine learning models. This research introduces a new methodology for adapting metaheuristics to real-time optimization challenges and presents a novel technique that integrates machine learning principles to enhance the search capabilities of metaheuristic algorithms. This integration allows these algorithms to converge more rapidly to optimal solutions, address existing weaknesses, and improve performance in real-world applications. A primary application of the proposed algorithms is the development of a reverse engineering framework capable of capturing the complex relationships within dynamic systems, particularly in the field of gene regulation. This framework aims to replicate actual gene behavior based on temporal observations, thereby enhancing the understanding of the intricate interactions among genes. To achieve this objective, advancements will be made in automated machine learning by comparing various search strategies for hyperparameter optimization and proposing a novel algorithm that autonomously constructs deep neural networks tailored to specific tasks. Finally, this thesis examines the role of multivariate time series forecasting in decision-making processes, introducing a framework that enhances decision-making by incorporating future state information through a combination of Automated Machine Learning and Metaheuristics.

Nel campo in rapida evoluzione delle applicazioni basate sui dati, questa tesi di dottorato fa progressi nel settore degli algoritmi di intelligenza artificiale (IA) progettati per elaborare grandi dataset in vari domini applicativi. I dati giocano un ruolo critico in questo contesto, poiché contengono informazioni preziose che guidano il processo decisionale. I dati grezzi vengono utilizzati dagli algoritmi di IA per estrarre conoscenza, consentendo lo sviluppo di modelli che replicano accuratamente i comportamenti del mondo reale. Un focus centrale di questa tesi è sugli algoritmi metaeuristici, che sono una parte integrante dell'IA e servono come strumenti essenziali per risolvere problemi reali dove gli algoritmi deterministici potrebbero fallire. Questi algoritmi sono particolarmente efficaci nell'affrontare sfide complesse di ottimizzazione, scenari in tempo reale e nel migliorare le prestazioni complessive dei modelli di apprendimento automatico. Questa ricerca introduce una nuova metodologia per adattare le metaeuristiche alle sfide di ottimizzazione in tempo reale e presenta una tecnica innovativa che integra i principi dell'apprendimento automatico per migliorare le capacità di ricerca degli algoritmi metaeuristici. Questa integrazione consente a tali algoritmi di convergere più rapidamente verso soluzioni ottimali, affrontare le debolezze esistenti e migliorare le prestazioni nelle applicazioni reali. Una delle principali applicazioni degli algoritmi proposti è lo sviluppo di un framework di reverse engineering capace di catturare le complesse relazioni all'interno dei sistemi dinamici, in particolare nel campo della regolazione genica. Questo framework mira a replicare il comportamento reale dei geni sulla base di osservazioni temporali, migliorando così la comprensione delle intricate interazioni tra geni. Per raggiungere questo obiettivo, saranno compiuti progressi nell'apprendimento automatico automatizzato confrontando varie strategie di ricerca per l'ottimizzazione degli iperparametri e proponendo un algoritmo innovativo che costruisce autonomamente reti neurali profonde su misura per compiti specifici. Infine, questa tesi esamina il ruolo della previsione delle serie temporali multivariate nei processi decisionali, introducendo un framework che migliora il processo decisionale incorporando informazioni sullo stato futuro attraverso una combinazione di Apprendimento Automatico Automatizzato e Metaeuristiche.