AI generativa affidabile per l’osservabilità delle infrastrutture scientifiche

Le grandi infrastrutture di ricerca producono in continuo enormi quantità di telemetria testuale come log, messaggi di stato, allarmi la cui interpretazione richiede oggi conoscenza specialistica e tempi lunghi. Il progetto studia e sviluppa metodi di intelligenza artificiale generativa per rendere questa informazione interrogabile, comprensibile e utilizzabile a supporto delle decisioni: strutturazione automatica dei log, ragionamento temporale-causale sugli eventi, rilevazione di anomalie e precursori di guasto, uso di risorse di calcolo ad alte prestazioni per la vettorializzazione dei corpora e l’adattamento di modelli linguistici aperti eseguibili in locale, e agenti diagnostici con risposte ancorate alle fonti e tracciabili, secondo i principi di trasparenza e supervisione umana dell’AI Act. Il caso di studio primario è il sistema di controllo ACADA di CTAO, per cui a INAF OACT esistono dati operativi reali e il prototipo LogSense.

I metodi verranno inoltre validati su infrastrutture HPC: un secondo dominio deliberatamente distante per struttura e modalità di guasto. Il confronto tra un sistema di controllo orchestrato (ACADA) e un’infrastruttura di calcolo permette di misurare la trasferibilità dei metodi di strutturazione.

Large research infrastructures continuously produce enormous quantities of textual telemetry such as logs, status messages, and alarms, whose interpretation currently requires specialized knowledge and extended processing times. The project studies and develops generative artificial intelligence methods to make this information interrogable, understandable, and usable to support decision-making: automatic log structuring, temporal-causal reasoning on events, detection of anomalies and failure precursors, use of high-performance computing resources for corpus vectorization and adaptation of open language models executable locally, and diagnostic agents with responses anchored to sources and traceable, in accordance with the principles of transparency and human oversight established by the AI Act. The primary case study is the ACADA control system of CTAO, for which INAF OACT possesses real operational data and the LogSense prototype.

The methods will furthermore be validated on HPC infrastructures: a second domain deliberately distant in structure and failure modes. The comparison between an orchestrated control system (ACADA) and a computing infrastructure allows for measuring the transferability of the structuring methods.

AREA DI RICERCA: Calcolo ad Alte Prestazioni e AI per l’Astrofisica

PREREQUISITI: Sono richieste conoscenze iniziali di Python, Linux, Git, database, statistica, machine learning e sistemi distribuiti. / Initial knowledge of Python, Linux, Git, databases, statistics, machine learning, and distributed systems is expected. 

Il candidato acquisirà competenze in RAG, FAISS, Sentence Transformers, LangChain, benchmarking, containerizzazione e software engineering. / The candidate will gain expertise in RAG, FAISS, Sentence Transformers, LangChain, benchmarking, containerization, and software engineering.