Berliner Boersenzeitung - Da Apollo 11 a computer music, grande archivio mondiale software

Migliorare la compressione dei dati e le capacità di ricerca per rendere più fruibile il Software Heritage Archive, il più grande archivio al mondo dedicato ai codici sorgente dei software pubblicamente disponibili, da quello che guidò l'Apollo 11 sulla Luna a quelli che hanno dato vita alla computer music: è l'obiettivo del progetto biennale coordinato da Paolo Ferragina, professore di informatica della Scuola Superiore Sant'Anna e dell'Università di Pisa, che è stato finanziato dalla Alfred P. Sloan Foundation, ente filantropico statunitense tra i più importanti sostenitori della ricerca in ambito scientifico, tecnologico, ingegneristico, matematico ed economico. Il Software Heritage Archive è nato nel 2016 da un'iniziativa no profit promossa dall'Istituto nazionale francese di ricerca in informatica, in collaborazione con l'Unesco, e coordinata dall'informatico italiano Roberto Di Cosmo. Attualmente l'archivio conserva oltre 23 miliardi di file, provenienti da più di 350 milioni di progetti software disponibili pubblicamente sul web, e creati da più di 85 milioni di programmatori. Si tratta di un vero e proprio patrimonio immateriale dell'informatica che sta diventando sempre più prezioso anche per l'intelligenza artificiale: ricercatori e ingegneri stanno infatti costruendo modelli pre-addestrati per la generazione e la sintesi di codice e per migliorare le prestazioni dei Large Language Model come GPT-4 di OpenAI o Gemini di Google, addestrandoli sia sul linguaggio naturale che sul codice sorgente dei software pubblicamente disponibili. Sapersi muovere in questa gigantesca biblioteca virtuale con strumenti più efficaci ed efficienti è la sfida del progetto coordinato dalla Scuola Superiore Sant'Anna di Pisa, che svilupperà nuovi algoritmi per la compressione dati (necessaria per risparmiare spazio di memorizzazione nell'archivio) e un motore di ricerca con caratteristiche uniche (ad esempio per rilevare e tracciare parti di codice plagiate o potenzialmente dannose per la cybersecurity).

(T.Burkhard--BBZ)