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.
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;