Dipartimento di Informatica

Introduzione Nell'era dell'Intelligenza Artificiale (IA) e dei Language Models su larga scala, la creazione di prompt efficaci è un elemento chiave per ottenere risultati accurati e informativi da tali modelli. Questa tesi propone di sviluppare una metodologia sistematica per la creazione di prompt attraverso l'utilizzo combinato di Knowledge Graphs (grafici di conoscenza) e Large Language Models, al fine di garantire la produzione di informazioni complete e corrette dai modelli di linguaggio.

Obiettivi della tesi 1. Investigare l'uso di Knowledge Graphs come fonte di informazioni certificate e strutturate per la creazione di prompt mirati. Questo coinvolgerà la raccolta, l'organizzazione e la gestione di dati da fonti affidabili e verificate all'interno di un Knowledge Graph. 2. Esplorare i Large Language Models per comprendere la loro capacità di comprendere e rispondere a prompt complessi, e identificare le sfide comuni nella creazione di prompt efficaci per questi modelli. 3. Sviluppare una metodologia per la generazione di prompt basata su Knowledge Graphs, che incorpori l'uso di tali grafici per la costruzione di input comprensibili e informativi per i Large Language Models. 4. Valutare l'efficacia della metodologia proposta attraverso una serie di esperimenti che misurino la precisione e la completezza delle risposte ottenute dai Language Models in risposta ai prompt generati utilizzando il Knowledge Graph. 5. Analizzare i risultati ottenuti e confrontarli con approcci convenzionali alla creazione di prompt, evidenziando i vantaggi e le sfide nell'uso di un Knowledge Graph come base per la generazione dei prompt.

Metodologia La tesi utilizzerà un approccio misto, combinando la raccolta e la strutturazione dei dati all'interno di un Knowledge Graph, l'analisi dei Large Language Models esistenti, lo sviluppo di algoritmi per la generazione di prompt, e la conduzione di esperimenti di valutazione.