Antonio Colamartino
Software Engineer
Machine Learning · NLP · LLMs · RAG · Agents · LangChain · PyTorch · TensorFlow · Azure · Terraform
Esperienza
Lavoro
Marzo 2025 - Giugno 2026
Software Engineer - Analyst
Deloitte Nexthub, Bari
Sviluppo software con .NET e C# per architetture scalabili. Mantenimento e sviluppo di risorse Azure.
Formazione
2026 - In corso
Laurea Magistrale in Computer Science (LM-18)
Università degli Studi di Bari
Percorso magistrale con focus su Intelligenza Artificiale e Machine Learning.
2022 - 2026
Laurea Triennale in Informatica (L-31)
Università degli Studi di Bari
Laurea conseguita con voto 106/110. Corso di laurea focalizzato su sviluppo software, algoritmi, strutture dati e machine learning.
2017 - 2022
Diploma in Informatica e Telecomunicazioni
I.I.S.S. G. Ferraris
Specializzazione in programmazione, reti di computer, database e sistemi informativi.
Progetti
Multi-Method XAI for Diabetic Retinopathy
Estrazione multi-metodo di regole da reti neurali profonde per la classificazione interpretabile della retinopatia diabetica
Un sistema di supporto alle decisioni cliniche che individua la retinopatia diabetica nelle foto del fondo oculare e spiega il perché di ogni diagnosi con regole leggibili. Sviluppato come progetto di tesi, unisce le prestazioni delle reti neurali profonde all'interpretabilità delle regole estratte.
Architettura Teacher CNN EfficientNet-B5 con Focal Loss e label smoothing; explainability con Grad-CAM++; estrazione di regole con Decision Tree, LIME e RIPPER; sistema ibrido CNN + regole.
- amicroaneurismi - salienza Grad-CAM++ 0,91
- bemorragie intraretiniche - salienza Grad-CAM++ 0,84
- cessudati duri - salienza Grad-CAM++ 0,78
- ddisco ottico
- emacula e fovea
Gradi di severità ICDR (0-4)
Note alla figura
- Teacher CNN EfficientNet-B5 (~30M parametri) addestrata con Focal Loss e label smoothing (epsilon 0,1).
- Saliency map Grad-CAM++ validate quantitativamente: Deletion/Insertion AUC e IoU con le lesioni annotate del dataset DDR.
- Estrazione di regole interpretabili con tre metodi a confronto: distillazione in Decision Tree, LIME, RIPPER one-vs-rest.
- Sistema ibrido CNN + regole: spiegazione post-hoc, predizione rule-guided ed ensemble pesato.
- Accuratezza dell'82,95% (kappa pesato 0,829) sul test set interno; la spiegazione post-hoc copre l'88,2% delle predizioni.
| Parametro | Valore |
|---|---|
| Dataset | APTOS 2019 + EyePACS 2015: 37.933 immagini del fundus, split 80/10/10; validazione XAI su DDR (12.522 immagini con annotazioni a livello di pixel) |
| Classi | 5 gradi di severità (scala ICDR 0-4) |
| Backbone | EfficientNet-B5: teacher CNN, ~30M parametri |
| Addestramento | Focal Loss + label smoothing (epsilon 0,1) |
| Explainability | Grad-CAM++, Decision Tree, LIME, RIPPER |
| Stack | Python, PyTorch, scikit-learn, Jupyter |
Codice sorgente e documentazione su GitHub
Paper in preparazione: sarà disponibile qui a pubblicazione avvenuta.