IN.TRA: un progetto di service-learning all’interno del Dipartimento di Interpretazione e Traduzione dell’Università di Bologna

Nell’a.a. 20/21 viene attivato presso il Dipartimento di Interpretazione e Traduzione dell’Università di Bologna il corso Service Learning Laboratory. L’insegnamento si basa sul service-learning, un approccio didattico sviluppatosi alla fine del XX secolo che integra il servizio significativo reso alla comunità all’interno del curriculum. D’accordo con tale proposta, il corso di service-learning si poneva un obiettivo tanto virtuoso quanto ambizioso: la fondazione di un’agenzia di servizi linguistici pro bono a gestione studentesca. Tale scopo è stato raggiunto nel marzo del 2021 con la fondazione di IN.TRA. Il presente elaborato si pone l’obiettivo di effettuare una valutazione finale del corso Service Learning Laboratory al duplice scopo di provare la rilevanza e la qualità del servizio sociale offerto alla comunità e di dimostrare la sua utilità nella formazione degli studenti e delle studentesse che hanno preso parte al corso. A tal fine, sono state raccolte le autovalutazioni e le opinioni dei protagonisti del progetto IN.TRA e analizzate sulla base delle tre domande di valutazione: quali risultati sono stati raggiunti dal punto di vista dell’apprendimento degli studenti? Quali risultati sono stati raggiunti dal punto di vista del servizio sociale offerto? Sono stati rispettati i criteri che rendono un’esperienza di service-learning di qualità? I risultati mostrano alti livello di apprendimento da parte dei discenti a fianco di un servizio rilevante e di qualità offerto ai partner comunitari. Tutto ciò, nel pieno rispetto degli elementi cardine di un progetto di service-learning di qualità. Il presente elaborato si propone inoltre di offrire un contributo alla limitata letteratura circa l’implementazione del service-learning nei curricula di traduzione, senza tuttavia la pretesa di generalizzare i risultati ottenuti. A tale scopo, si rendono necessarie ulteriori ricerche che l’autrice si auspica possano trovare ispirazione dal presente elaborato.

Machine learning "as a service" for high energy physics (MLaaS4HEP): evolution of a framework for ML-based physics analyses

The scientific success of the LHC experiments at CERN highly depends on the availability of computing resources which efficiently store, process, and analyse the amount of data collected every year. This is ensured by the Worldwide LHC Computing Grid infrastructure that connect computing centres distributed all over the world with high performance network. LHC has an ambitious experimental program for the coming years, which includes large investments and improvements both for the hardware of the detectors and for the software and computing systems, in order to deal with the huge increase in the event rate expected from the High Luminosity LHC (HL-LHC) phase and consequently with the huge amount of data that will be produced. Since few years the role of Artificial Intelligence has become relevant in the High Energy Physics (HEP) world. Machine Learning (ML) and Deep Learning algorithms have been successfully used in many areas of HEP, like online and offline reconstruction programs, detector simulation, object reconstruction, identification, Monte Carlo generation, and surely they will be crucial in the HL-LHC phase. This thesis aims at contributing to a CMS R&D project, regarding a ML "as a Service" solution for HEP needs (MLaaS4HEP). It consists in a data-service able to perform an entire ML pipeline (in terms of reading data, processing data, training ML models, serving predictions) in a completely model-agnostic fashion, directly using ROOT files of arbitrary size from local or distributed data sources. This framework has been updated adding new features in the data preprocessing phase, allowing more flexibility to the user. Since the MLaaS4HEP framework is experiment agnostic, the ATLAS Higgs Boson ML challenge has been chosen as physics use case, with the aim to test MLaaS4HEP and the contribution done with this work.