Angela Lombardi

Angela Lombardi è Professoressa Associata di Sistemi di Elaborazione delle Informazioni presso il Dipartimento di Ingegneria Elettrica e dell'Informazione (DEI) del Politecnico di Bari, dove afferisce al SisInfLab. La sua ricerca si colloca all'incrocio tra intelligenza artificiale e neuroscienze computazionali: si occupa di brain-computer interfaces (BCIs), sistemi EEG low-cost e sparsi per il monitoraggio di stati affettivi e cognitivi, explainable e human-centered AI per il supporto alle decisioni cliniche e modelli predittivi e generativi per le neuroscienze computazionali. Sviluppa inoltre metriche quantitative di XAI per valutare stabilità, plausibilità e sicurezza delle spiegazioni dei modelli in contesti reali.

IINF-05/A

Angela Lombardi si è laureata con lode in Ingegneria delle Telecomunicazioni presso il Politecnico di Bari nel 2014 e nel 2018 ha conseguito con lode il Dottorato di Ricerca in Information Engineering, con una tesi sull'analisi dinamica multidimensionale dei segnali cerebrali fisiologici.

Dal 2018 al 2020 è stata assegnista di ricerca in Neuroscienze Computazionali presso l'Istituto Nazionale di Fisica Nucleare (INFN), partecipando agli esperimenti nextMR e AIM. Dal 2020 al 2022 è stata Ricercatrice presso il Dipartimento di Fisica dell'Università di Bari, dove ha sviluppato metodi basati sull'intelligenza artificiale per la diagnosi precoce e la stadiazione personalizzata delle malattie neurodegenerative, prima di approdare al Politecnico di Bari come Professoressa Associata.

La sua attività di ricerca riguarda le brain-computer interface, i sistemi EEG low-cost e sparsi per il monitoraggio di stati affettivi e cognitivi e la modellazione predittiva e generativa per le neuroscienze computazionali, con applicazioni alla stima della brain age, alla simulazione di digital twin e al federated learning per la medicina privacy-preserving.

Un filone centrale del suo lavoro è l'explainable e human-centered AI, con particolare attenzione ai contesti ad alto impatto come il supporto alle decisioni cliniche. Il punto di partenza è che una spiegazione non è utile di per sé: per orientare una decisione deve essere affidabile quanto il modello che descrive. Per questo sviluppa metriche quantitative di XAI che trattano le spiegazioni come oggetti da valutare con rigore, misurandone la stabilità rispetto a perturbazioni dei dati e variazioni dei modelli, la plausibilità rispetto alla conoscenza del dominio e la sicurezza, intesa come capacità di non indurre interpretazioni fuorvianti o un'eccessiva fiducia nel sistema. Accanto alla valutazione, studia come rendere le spiegazioni comprensibili e utilizzabili dai diversi destinatari, dagli esperti di dominio agli utenti finali, adattandone contenuto e forma al contesto d'uso. L'obiettivo complessivo è rendere verificabile l'affidabilità dei sistemi di AI nelle condizioni reali in cui vengono impiegati.

Lunedì 16:00-17:00 (Ufficio del docente. Si prega di verificare sempre al seguente link: https://outlook.office.com/bookwithme/user/9a11953549914c65a914c079e13b5d14@poliba.it/meetingtype/050r64PRcEGQ-3H_Fwseew2?anonymous&ismsaljsauthenabled&ep=mcard)