Research Project
HAIR: un hub per la ricerca sull'intelligenza artificiale
Modelli di Linguaggio di Grandi Dimensioni (LLM) avanzati made in Europe per aumentare la capacità linguistica dell'intelligenza artificiale.
Where: Italy
Where: Italy
Challenge
Ad oggi, l’AI è uno strumento strategico per tutte le organizzazioni, ma i modelli linguistici più avanzati sono progettati per comprendere prevalentemente contenuti in lingua inglese. HAIR affronta questa sfida offrendo soluzioni di elaborazione del linguaggio accurate e multilingue, per valorizzare le lingue europee e sfruttare a pieno il potenziale dell’AI nei diversi contesti di utilizzo.
Approach
HAIR è un’iniziativa del ICSC - Centro Nazionale di Ricerca in High Performance Computing, Big Data and Quantum Computing e beneficia delle capacità computazionali offerte da CINECA. HAIR adotta un approccio innovativo nello sviluppo, nell'addestramento e nell'integrazione di una suite completa di LLM multilingue e scala il loro addestramento in modo efficiente, mantenendo i più elevati standard di sicurezza e offrendo una elaborazione del linguaggio più precisa e con maggiori sfumature di significato per le diverse lingue.
Digital Ecosystem
Solution
Digital Ecosystem
HAIR è un hub di strumenti che facilita lo sviluppo dei dataset per l'addestramento di LLM in alcune lingue europee, utilizzandoli per migliorare le performance degli LLM attraverso tecniche di fine-tuning. Engineering è responsabile della raccolta dati per la messa a punto degli LLM e dell'implementazione dell'hub di sviluppo degli LLM.
Il progetto di ricerca è finanziato dal Piano Nazione di Ripresa e Resilienza (PNRR), Spoke 0 - Supercomputing Cloud Infrastructure
Results
Dataset di training per fine-tuning in lingue europee
Strumenti per il management di dataset
Infrastruttura scalabile per i training degli LLM
Impacts
Technologies
AI & Data
![]()
Dai dati all’Intelligenza Artificiale: servizi, prodotti e processi per un business a prova di futuro.
To know more
Recommended for you
Explore additional content associated with the topic
