Francesco RUNDO
Francesco Rundo ha conseguito la laurea magistrale in Ingegneria Informatica e il Dottorato di Ricerca in "Matematica Applicata per la Tecnologia" presso l’Università di Catania. In precedenza ha lavorato come Senior Technical Staff Manager presso la Divisione Ricerca & Sviluppo (R&D) di STMicroelectronics, Catania. Attualmente è Ricercatore/Asst. Professor in Tenure-Track presso il Dipartimento di Matematica e Informatica dell’Università di Catania.
Ha conseguito l'Abilitazione Scientifica Nazionale (ASN) alle funzioni di professore universitario di Seconda Fascia nel Settore Concorsuale 01/B1 - INFORMATICA.
Ha conseguito l'Abilitazione Scientifica Nazionale (ASN) alle funzioni di professore universitario di Prima Fascia nel Settore Concorsuale 09/H1 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI.
È Associate Editor della rivista di fascia Q1, IEEE Open Journal of the Computer Society.
E' co-autore di oltre 120 contributi scientifici e diversi brevetti internazionali nel settore del Deep Learning teorico ed applicativo.
Ha coordinato scientificamente e/o avuto ruoli di ricercatore in svariati Progetti di Ricerca finanziati a livello nazionale ed Europeo nell’ambito del Deep Learning applicato al settore automotive/industriale (Si cita tra questi: ADAS+, NEUROKIT2E, R-PODID, ARCHIMEDES, REACTION, EdgeAI, ecc.).
È Responsabile Scientifico/Principal Investigator (per l’Università di Catania) del Progetto di Ricerca Europeo “NeAIxt” (Next Generation of edge AI crossing technology fields) – HORIZON-JU-Chips-2024-1-IA; Prop. n. 101194172.
Ha svolto il ruolo di co-organizzatore e/o Program Chair di workshop tenuti in corrispondenza di conferenze di riferimento nel settore dell'AI e della Computer Vision: CVPR, ICCV, ECCV.
È membro del Collegio dei Docenti del Dottorato di Ricerca in Informatica presso il Dipartimento di Matematica e Informatica dell’Università di Catania.
È membro del Collegio dei Docenti del Dottorato di Ricerca Nazionale in Intelligenza Artificiale "Health and Life Science" – sede di rif.: Università “Campus Bio-Medico” di Roma.
E' membro del gruppo di ricerca presso il Dipartimento di Matematica ed Informatica denominato IPLAB (Image Processing LABoratory);
E' membro dell'Associazione Italiana per la ricerca in Computer Vision, Pattern recognition e machine Learning (CVPL).
E' coordinatore scientifico dell'attività di ricerca: "AI4Industry, Legal and Financial Applications";
I suoi principali interessi di ricerca includono: modelli computazionali bio-inspired; deep learning avanzato in spazi geometrici non convenzionali (iperbolico, sferico, ecc.); deep learning percettivo per applicazioni industriali/automotive; Generative AI; imaging medico; Approcci di Neuro-modulazione/Continual learning.
Main research interests: Bio-inspired computational models, Advanced Deep learning in non-conventional geometric spaces, Perceptive Deep Learning in Industrial/Automotive applications, GenerativeAI, Medical Imaging, Neuro-Modulation in Continual Learning framework.
Esami di "Reti di Calcolatori" - 03.12.2025: Prova Orale - Canale M-Z
Si avvisano gli studenti che la prova ORALE di Reti di Calcolatori -canale M-Z- (esame scritto del 03.12.2025) si terrà VENERDI' 05.12.2025 dalle ore 09.30 (stanza Nr. 361).
Guida alle tesi di laurea
Students interested in thesis or internship topics related to Deep Learning applications in the industrial/automotive/legal field, in collaboration with industry/companies, can contact me via email to schedule a f2f meeting in my office.
Current open topics:
-
Embedding Methods and Dynamic Indexing for LLM Engines in Document-based RAG Mode;
-
Intelligent FUOA (Firmware Update Over-the-Air) – Foundation models and intelligent systems for automatic code/patch generation to monitor ECUs in next-generation electric vehicles;
-
Hybrid Approaches Based on Perceptual Deep Learning and Foundation Models for Agrifood Applications – Focus on local-satellite monitoring of soil evapotranspiration indices, water consumption, yield, etc.;
-
Implementation of a Fully Local LLM Engine with Custom Embeddings and Indexing for Business Process Support and Data-Center Monitoring;
-
Implementation of an AI-based Framework Leveraging Foundation Models and Domain Adaptation Methods;
-
Hyperbolic manifolds in Knowledge Distillation of AI architectures over resource-constrained microcontrollers;
-
Neuro-Modulation of Deep Learning Algorithms within Hierarchical Structure;