Argomento tesi


1	argomento	Studente	Triennale / Magistrale	obiettivo	Breve descrizione degli obiettivi formativi specifici	Capitolo 1	Capitolo 2	Capitolo 3	Capitolo 4	Capitolo 5	Capitolo 6
2	Miglioramento dei Risultati di Prompt dei Large Language Models (LLMs) attraverso i Profili dei Knowledge Graphs (KG)		magistrale DS magistrale INF	I Large Language Models (LLMs) rappresentano una pietra miliare nell'elaborazione del linguaggio naturale, in quanto hanno dimostrato di avere la capacità di generare testi complessi e rispondere a domande in molteplici lingue. Tuttavia, migliorare ulteriormente la precisione e la pertinenza delle risposte generate dai LLMs è un obiettivo chiave. I Knowledge Graphs (KG), che organizzano le informazioni in modo semantico, sono un'importante fonte di conoscenza strutturata che potrebbe essere sfruttata per questo scopo. Questa tesi mira a esplorare e valutare come l'uso dei profili dei KG possa contribuire a migliorare i risultati di prompt dei LLMs, aumentando la comprensione e la pertinenza delle risposte generate.	lo studente dovrà dimostrare di essere in grado di usare LLM e KG. Lo studente dovrà sviluppare un promt dove può interrogare un LLM sfrutando i profili dei KG, dando la possibilità agli utenti di specificare meglio le query.	In questo capitolo, verranno introdotti i concetti chiave relativi ai LLMs e ai KG. Sarà fondamentale comprendere il funzionamento dei LLMs e come i KG organizzino e rappresentino la conoscenza. Saranno presentate le sfide nella generazione di risposte accurate e pertinenti attraverso i LLMs.	Il secondo capitolo esaminerà in dettaglio i profili dei KG. I profili dei KG sono rappresentazioni strutturate dei dati nei KG, che includono entità, relazioni e attributi associati. Saranno esplorate le tecniche per creare e arricchire profili dei KG, inclusa l'estrazione automatica di dati e la gestione di dati eterogenei.	Nel terzo capitolo, saranno discussi gli approcci e le metodologie per integrare i profili dei KG nei LLMs. Ciò potrebbe includere l'arricchimento delle conoscenze dei LLMs tramite l'associazione di entità nei profili dei KG o l'uso di metadati dei KG per raffinare i risultati delle query.	Questo capitolo si concentrerà sulla valutazione dei risultati ottenuti dall'integrazione dei profili dei KG nei LLMs. Saranno considerati parametri come la precisione, la pertinenza, la copertura delle conoscenze e la comparazione con approcci tradizionali basati esclusivamente sui LLMs.	Nel capitolo conclusivo, verranno riassunti i risultati dell'uso dei profili dei KG per migliorare i risultati dei LLMs. Saranno formulate raccomandazioni per gli sviluppatori, i ricercatori e gli utilizzatori di LLMs interessati a sfruttare questa tecnica per ottenere risposte più accurate e pertinenti nelle applicazioni basate sul linguaggio naturale.