Un Framework Event-Sourced per AutoML tracciabile basato su riscrittura di Bigrafi: progettazione, implementazione e proprietà formali

Automated Machine Learning (AutoML) riguarda l'automazione, totale o parziale, delle attività di progettazione, configurazione e valutazione di modelli e processi di apprendimento automatico. In questa tesi, esso viene considerato soprattutto come esplorazione di configurazioni candidate - architetture, iperparametri e scelte di processo - tramite modifiche discrete e successive valutazioni. Nella pratica, tale ciclo sperimentale è spesso difficile da riprodurre e da verificare: le varianti architetturali si accumulano in configurazioni divergenti, la provenienza di metriche e artefatti non è sempre esplicita, e risulta complesso attribuire un miglioramento o un degrado a una specifica decisione progettuale. La tesi presenta un framework per AutoML tracciabile, basato su event sourcing e su una rappresentazione intermedia dell'architettura esprimibile tramite bigrafi e relative trasformazioni. L'unità sperimentale primaria è il trial, che raccoglie struttura del modello, iperparametri di training, stato parametrico e riferimenti agli artefatti prodotti durante l'esecuzione. L'evoluzione di ciascun trial viene registrata come log append-only di eventi, dal quale stato e viste derivate possono essere ricostruiti tramite replay deterministico. Le modifiche risultano così osservabili e confrontabili rispetto a viste mirate, mentre l'integrazione con strumenti esterni avviene tramite un'interfaccia bidirezionale di export/import con metadati di provenienza, così da preservare tracciabilità e riproducibilità. Infine, la strategia di ricerca resta intercambiabile: un'esplorazione guidata manualmente può essere sostituita da una procedura automatica senza modificare la semantica del dominio.