Ottobre 2002

Vol.III, no. 5, Ottobre 2002

Intelligenza Artificiale:
una tecnologia con un futuro



Pubblicato per conto del CEPIS da Novática. Versione italiana a cura di Tecnoteca in collaborazione con l' ALSI, con i dovuti permessi degli editori di Upgrade
 





Guest Editor: Federico Barber, Vicente J. Botti, and Jana Koehler

Numero completo:[Abstract HTML in Inglese] - [PDF in Inglese: 60 pagine; 1312 KB]

Singoli articoli

Copertina PDF in Inglese: 272 KB di Antonio Crespo Foix, © ATI 2001

L' Acrobat Reader è necessario per visualizzare i file PDF


--------------------------------------------------------------------------------

Intelligenza Artificiale: una tecnologia con un futuro
Guest Editor: Federico Barber, Vicente J. Botti, eJana Koehler

Presentation. AI: Past, Present and Future [vedi traduzione in italiano in calce] [PDF in inglese: 4 pagine, 648 KB]
(Includes a list of Useful References for those interested in knowing more about AI)
Federico Barber, Vicente J. Botti, e Jana Koehler

Riassunto italiano: Presentazione. AI: Passato, presente e futuro. (Include una lista di Referenze Utili per chi fosse interessato ad approfondire l'argomento AI). I guest editor tracciano la storia dell'Intelligenza Artificiale, presentano il numero speciale ed includono una lista di utili referenze per approfondire l'argomento. Spiegano che l'AI rappresenta un serio sforzo per capire la complessità dell'esperienza umana in termini di processamento dell'informazione, e tratta non solo di come rappresentare ed utilizzare l'informazione complessa ed incompleta in modo logico, ma pure di come vedere (visione), muoversi (robotica), comunicare (linguaggio naturale), imparare, etc.


Spoken Communication with Computers [PDF in inglese: 4 pagine, 634 KB]
Francisco Casacuberta-Nolla

Riassunto italiano: Comunicazione parlata con i computer. La tecnologia attuale ci permette di costruire sistemi IT commerciali in grado di trascrivere il parlato in testo scritto, interpretare una istruzione impartita verbalmente al fine di gestire periferiche, o accedere a informazione sulla base di un dialogo fra essere umano e macchina. La stessa tecnologia consente anche di costruire sistemi per tradurre da una lingua all'altra per settori specifici e limitati. Il grande successo di questi sistemi si deve, fra l'altro, all'uso di tecniche di pattern recognition (riconoscimento di strutture) e, in particolare, al fatto che si possono costruire automaticamente modelli a partire da specifici esempi di problemi da risolvere. Tuttavia, siamo ancora molto lontani dal raggiungere una reale comunicazione verbale fra uomo e macchina. Potremmo aver bisogno di un nuovo ambiente in cui sviluppare nuovi modelli e tecniche.


Progress in AI Planning Research and Applications [PDF in inglese: 15 pagine, 748 KB]
Derek Long e Maria Fox

Riassunto italiano:Progressi nella ricerca ed applicazione della Pianificazione con l' AI. La pianificazione ha fatto progressi significativi dai suoi inizi negli anni '70, in termini sia di efficienza dei suoi algoritmi e rappresentazioni, che del suo potenziale applicativo per problemi reali. In questo articolo tracciamo uno schizzo delle fondamenta della pianificazione come sottinsieme dell'Intelligenza Artificiale e della storia del suo sviluppo nelle ultime tre decadi. Discutiamo poi alcuni dei recenti risultati nel settore, assieme ad esempi sperimentali che dimostrano il progresso del lato applicativo, con problemi realistici e complessi. L'articolo si conclude identificando alcuni dei problemi aperti che rimangono importanti sfide per il futuro della pianificazione.


Trends in Automatic Learning [PDF in inglese: 7 pagine, 653 KB]
Ramon López de Mántaras

Riassunto italiano: Tendenze nell'apprendimento automatico. La capacità di imparare è una delle caratteristiche principale dell'intelligenza. L'apprendimento forma parte di qualunque attività intelligente, come la diagnosi, la pianificazione, il linguaggio, l'attività senso-motoria, etc. Per questa ragione l'apprendimento automatico gioca un ruolo vitale nelle applicazioni difficili da programmare manualmente. Per descrivere tutti i metodi di apprendimento automatico sarebbe necessario un libro, e comunque i metodi più classici sono descritti nei libri introduttivi all'Intelligenza Artificiale. Per questa ragione, questo articolo si concentra sulle più moderne tecniche di apprendimento automatico.


Knowledge-Based Systems [PDF in inglese: 7 pagine, 666 KB]
José Mira-Mira and Ana E. Delgado-García

Riassunto italiano: Sistemi basati sulla conoscenza. In questo articolo gli autori introducono il concetto di "sistemi basati sulla conoscenza", noti in inglese come Knowledge-Based System (KBS), come programmi per computer che codificano il modello formale soggiacente alla conoscenza che un esperto umano utilizza per risolvere un compito in un settore limitato. Vengono anche esaminate alcune delle loro caratteristiche principali, come la separazione fra la conoscenza del dominio e la conoscenza dell'inferenza, che specifica i passi di ragionamento seguiti per risolvere un problema. Poi, vengono introdotte alcune questioni metodologiche riguardo la tassonomia dei livelli ed i domini di descrizione dei nostri modelli di conoscenza umana. Vengono anche presentate le differenti fasi nello sviluppo di un KBS (modellazione al livello della conoscenza, operazionalizzazione dell'inferenza, implementazione, validazione e valutazione). Infine vengono tracciati collegamenti con le tendenze del riutilizzo dei componenti e dell'integrazione delle prospettive simboliche e connessioniste dei KBS. Una caratteristica essenziale nella prospettiva dell'articolo è l'enfasi sugli aspetti metodologici, il cui scopo è di ridurre il divario fra ingegneria della conoscenza e ingegneria elettronica.


Cooperating Physical Robots and Robotic Football [PDF in inglese: 7 pagine, 681 KB]
Bernhard Nebel e Markus Jäger

Riassunto italiano: Robot Fisici Cooperativi e Calcio Robotico. Avere un robot che porta a termine un compito per te è decisamente utile. Avere un gruppo di robot pare essere anche meglio in quanto il compito può essere portato a termine in un tempo minore e più affidabilmente. Tuttavia, possono emergere nuovi problemi. In questo articolo gli autori descrivono alcuni vantaggi e svantaggi che emergono avendo a che fare con gruppi di robot.


Multi-Agent Systems [PDF in inglese: 7 pagine, 652 KB]
Carles Sierra

Riassunto italiano: Sistemi Multi-Agente. Nel corso dell'ultima decade c'è stato un marcato incremento dell'interesse, da parte del mondo accademico ed industriale, per il paradigma di programmazione basato su agenti, sebbene molti progettisti dell'IT non ne sono ancora al corrente o lo confondono con il paradigma orientato agli oggetti. In questo articolo l'autore introduce il paradigma di programmazione basato su agenti in alcune delle sue molte sfaccettature e offre una panoramica delle linee di ricerca future, con lo scopo principale di invitare il lettore ad approfondire l'argomento attraverso la lettura di ulteriori articoli.


Artificial Intelligence and Education: an Overview [PDF in inglese: 8 pagine, 657 KB]
Maite Urretavizcaya-Loinaz e Isabel Fernández de Castro

Riassunto italiano: Intelligenza Artificiale ed Istruzione: una panoramica. Questo articolo presenta una panoramica dei vari contributi che l'Intelligenza Artificiale ha dato al mondo dell'apprendimento assistito da computer. Dopo una breve introduzione al settore, incluso una breve storia dei sistemi di istruzione intelligente, gli autori presentano alcune delle tendenze pedagogiche che hanno influenzato lo sviluppo di questi sistemi, una non-esaustiva rassegna dei sistemi intelligenti di istruzione, le tecniche di Intelligenza Artificiale in essi utilizzati, ed alcune delle correnti linee di ricerca.

 
--------------------------------------------------------------------------------

I GUEST EDITORS

Federico Barber, Ingegnere delle Telecomunicazioni e dottore in Computer Science, è attualmente Full Professor all'Universidad Politécnica de Valencia (Spagna), dove è stato il Decano della Facoltà di Computer Science. E' stato editore di "Inteligencia Artificial, Revista Iberoamericana de IA", ed è attualmente Presidente della Associazione Spagnola di Intelligenza Artificiale (AEPIA). Le sue aree di studio sono concentrate principalmente sui problemi di soddisfazione dei vincoli (scheduling, ottimizzazione, pianificazione temporale con risorse, ragionamenti temporali etc.) nelle quali ha sviluppato i suoi modelli ed applicazioni, oltre che nel campo dell'ingegneria della conoscenza. E' co-leader di un esteso gruppo di ricerca ed ha pubblicato molti articoli scientifici. Ha partecipato o guidato progetti di ricerca nazionali ed internazionali (CICYT, MC&T, ESPRIT, etc.), e ha fatto parte di vari comitati scientifici di settore. E' un membro senior dell'ATI e co-editor della sezione AI di Novática. <fbarber@dsic.upv.es>

Vicente J. Botti,  Ingegnere Elettrico e Dottore in Computer Science, è attualmente Full Professor alla Universidad Politécnica de Valencia (Spagna), dove è stato anche Direttore del Dipartimento di Sistemi Informatici e Computazione. I suoi campi di studio sono principalmente focalizzati su sistemi multi-agente, ed in particolare sistemi real time, robotica mobile (dove ha sviluppato suoi modelli, architetture ed applicazioni) oltre che l'ingegneria della conoscenza. E' co-leader di un vasto gruppo di ricerca sull'Intelligenza Artificiale ed ha pubblicato un centinaio di articoli scientifici. E' stato ed è ricercatore principale di progetti finanziati nazionalmente ed internazionalmente (CICYT, MC&T, ESPRIT, etc.). e ha fatto parte di vari comitati scientifici di settore. E' un membro senior dell'ATI e co-editor della sezione AI di Novática. <vbotti@dsic.upv.es>

Jana Koehler è membro dello staff di ricerca e leader di progetto all' IBM Research Lab di Zurigo dove è arrivata nella primavera 2001. Ha ottenuto il suo PhD nel 1994 dall' Università di Saarbruecken, dove ha lavorato al Centro Tedesco di Ricerca sull'AI dal 1990 al 1995 in progetti di pianificazione AI. Dal 1996 al 1999 è stata Professore Associato all'Università di Freiburg dove ha iniziato a lavorare come consulente per la gestione tecnologica degli Ascensori Schindler nel 1998. Dal 1999 al 2001 ha lavorato come leader di progetto per la Schindler Elevators. All'IBM, lavora sulle nuove tecnologie del middleware per l'integrazione e l'automazione del processi di business basati su servizi web. <koe@zurich.ibm.com>
 


CURATORE DELL'EDIZIONE ITALIANA

Roberto Carniel è ricercatore presso l'Università degli Studi di Udine. Laureato in Scienze dell'Informazione presso l'Università di Udine, e Dottore di Ricerca in Matematica Computazionale presso l'Università di Padova, è membro fondatore dell'ALSI, l'Associazione nazionale Laureati in Scienze dell'informazione ed Informatica, di cui è il rappresentante nel CEPIS. Collabora con il portale Tecnoteca dalla sua creazione. Nella sua ricerca predilige l'utilizzo di strumenti Free Software.



GLI EDITOR INGLESI

Mike Andersson, Richard Butchart, David Cash, Arthur Cook, Tracey Darch, Laura Davies, Nick Dunn, Rodney Fennemore, Hilary Green, Roger Harris, Michael Hird, Jim Holder, Alasdair MacLeod, Pat Moody, Adam David Moss, Phil Parkin, Brian Robson.



--------------------------------------------------------------------------------


Presentazione. AI: Passato, Presente e Futuro [PDF in inglese: 4 pagine, 648 KB]

(Include una lista di Referenze Utili per approfondire l'argomento AI)
Federico Barber, Vicente J. Botti, e Jana Koehler, Guest Editor

L'Intelligenza Artificiale(AI, dall'inglese Artificial Intelligence), definita come la scienza di far fare alle macchine cose che richiederebbero intelligenza se fatte dall'uomo” (Minsky), ha assunto un proprio status scientifico come una disciplina della Computer Science (CS) durante la seconda metà del XX secolo. E' stato il risultato diretto della convergenza di diverse correnti intellettuali (Teoria della Computazione, Cibernetica, Teoria dell'Informazione, Calcolo Simbolico, Psicologia) che si erano sviluppate dalle basi formali della Logica e della Matematica Discreta, ed avevano avuto una grande spinta con l'avvento dei computer digitali. L'AI rappresenta un serio sforzo verso la comprensione della complessità dell'esperienza umana in termini del processamento dell'informazione. Tratta non solo la rappresentazione e l'uso dell'informazione complessa ed incompleta in modo logico, ma pure di come vedere (visione), muoversi (robotica), comunicare (linguaggio naturale), imparare, etc.

Il comportamento umano intelligente del tipo che l'AI cerca di emulare comprende diversi differenti aspetti. Uno tratta principalmente dei processi di ragionamento cognitivo ed è chiaramente correlato alla logica. Un altro è di natura più percettiva (visione, linguaggio, etc.) e, sebbene condivida alcuni problemi e metodi con il precedente aspetto, tende ad essere più rigoroso in termini di espressioni formali. I suoi specifici problemi,metodi e tecniche costituiscono la disciplina nota come Pattern Recognition. Infine possiamo parlare dell'AI simbolica che si occupa del processamenteo dei simboli della conoscenza e dell'AI connessionista , dove il processo intelligente è simulato per mezzo di elementi di processamento di base, di solito quantitativi.
br> Se guardiamo al solo nucleo comune dell'AI, c'è un vasto insieme di tendenze che considera aspetti sia del pensiero che del comportamento umano. Ognuna di queste tendenze può a sua volta ricevere approcci empirici che usano ipotesi e successive conferme sperimentali, o approcci razionali che richiedono una combinazione di approcci logico-matematici ed ingegneristici. (vedi Tabella 1).

 
Tabella 1. Vari approcci all'AI da diverse prospettive
Fonte: Stuart Russell e Peter Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, 1995

Gli approcci contenuti in Tabella 1 definiscono l'AI secondo ciascuno di questi differenti aspetti. Le definizioni nella parte alta si focalizzano sui processi connessi al ragionamento o il pensiero e quelle nella parte bassa si focalizzanno sui processi connessi al comportamento. Le definizioni nella colonna di sinistra misurano il successo dell'AI dal punto di vista umano (che richiede un approccio empirico) e quelle nella colonna di destra fanno lo stesso da un punto di vista razionale, un concetto di intelligenza che può essere chiamato razionalità.

Negli ultimi anni, la ricerca nell'AI ha subito un brusco cambiamento per ciò che riguarda sia il contenuto che la metodologia. E' diventato sempre più comune costruire sistemi AI basati su teorie esistenti piuttosto che costruendone di nuove, partendo da rigorosi teoremi o solide evidenze sperimentali piuttosto che dall'intuizione e dimostrando l'uso delle applicazioni AI nel mondo reale piuttosto che con esempi-giocattolo. In aree come i giochi, l'inferenza logica, la prova di teoremi e la diagnosi medica, i sistemi basati su rigorosi principi teorici stanno emergendo, ormai in grado di competere con gli esperti umani. In altre aree, come l'insegnamento, la percezione visuale, la robotica ed il linguaggio naturale, si sono fatti grandi passi avanti grazie all'applicazione di migliori metodi analitici ed una migliore comprensione dei problemi sotto esame.

Un buon esempio di quanto sopra è la comprensione del linguaggio naturale. Negli anni '70 molte architetture ad hoc venivano provate su esempi appositamente scelti. Più di recente questi approcci hanno lasciato il posto ad altri, come i modelli di Markov nascosti, basati su una teoria matematica rigorosa nella quale i modelli sono generati da un processo di apprendimento basato su un grande insieme di dati linguistici reale. L'uso di questi modelli ci permette di ottenere migliori classificazioni, e la tecnologia del linguaggio, assieme a quella del riconoscimento della scrittura, è ormai avviata verso applicazioni industriali e consumer.

Durante gli anni '90, la Logica Fuzzy (Sfumata) si è consolidata in diversi contesti AI, ed il paradigma connessionista ha continuato a guadagnarsi favori, come pure gli algoritmi genetici, portando allo sviluppo di sistemi ibridi nella ricerca dell'adattabilità. Nuove metodologie di acquisizione della conoscenza sono state sviluppate, come i KADS (di Stewart Tansley). Nell' apprendimento significativi avanzamenti sono stati fatti e nuovi metodi portati alla ribalta. Con riferimento alle architetture cognitive abbiamo visto la rivoluzione che l'introduzione della reattività ha portato nello sviluppo degli agenti autonomi. Infine abbiamo assistito ad un cambio di paradigma nella visione artificiale, dal classico approccio passivo all'approccio attivo (Alan Yuille) dove il compito della percezione è connesso alla realizzazione di azioni. Questo ha importanti implicazioni per lo sviluppo di sistemi robotici con migliori performance.

Il lavoro di Tate e Chapman ha dato vita a un elegante sintesi di programmi di pianificazione in un framework unificato. Sistemi di pianificazione sono ora usati per la programmazione del lavoro in fabbriche e lanci spaziali. Nel frattempo, lo scheduling intelligente basato sul paradigma Constraint Satisfaction Problems (CSP) è stato esteso includendo tecniche di ragionamento temporale, ed i sistemi basati sulla conoscenza forniscono una risposta alternativa ai classici problemi irrisolti.

Il Ragionamento Probabilistico nei Sistemi Intelligenti di Pearl (1988) ha segnato l'arrivo dell'uso della probabilità e della teoria della decisione nell'AI. Lo sviluppo del formalismo delle belief network ha risposto al bisogno di ragionare efficientemente pur combinando conoscenza incerta. Questo approccio risulta molto più performante rispetto ai sistemi di ragionamento probabilistico degli anni '60 e '70, ed è ora al centro della ricerca in AI condotta su ragionamento incerto e sistemi esperti (ES). Il lavoro di Pearl, Horvitz e Heckerman è servito a promuovere l'idea di regole ES, ovvero un procedimento razionale in accordo con la teoria delle decisioni, ma senza necessità di imitare gli esperti umani. Seguendo questa linea di pensiero, la logica fuzzy, basata sulla teoria della possibilità è emersa in risposta alla difficoltà di affrontare problemi senza dati di ingresso precisi. La teoria della possibilità era stata introdotta da Zadeh nel 1965 per trattare l'incertezza nei sistemi sfumati, e ha molto in comune con la probabilità. Sebbene all'inizio i matematici la considerassero una teoria imperfetta, la teoria della possibilità affronta problemi diversi. La logica fuzzy è stata largamente usata dai giapponesi nel progetto e costruzione degli elettrodomestici.

Tendenze simili sono state osservate in robotica, visione computerizzata, apprendimento automatico (incluso le reti neurali) e rappresentazione della conoscenza. Una migliore comprensione dei problemi e della loro complessità, assieme alla maggiore capacità di calcolo, ha permesso di creare solidi metodi di ragionamento. Possibilmente incoraggiati dal progresso nella soluzione di sottoproblemi nell'AI, i ricercatori sono ritornati a lavorare sul problema dell'agente completo, adottando questa nuova, più formale, tendenza. La ricerca di Newell, Laird e Rosenbloom (SOAR) è il migliore esempio di una architettura generale per un sistema AI. Uno degli aspetti fondamentali dell'architettura generale è la sua capacità di incorporare molti modi differenti di prendere decisioni, dalle delibere basate sulla conoscenza, fino alle azioni riflessive. Le nuove architetture ad agenti vogliono trovare un bilanciamenteo fra questi due fattori: azioni riflessive, dove la velocità è essenziale, e delibere basate sulla conoscenza, quando l'agente ha il tempo di considerare più informazione per pianificare in avanti, per gestire situazioni dove non esiste una reazione immediata disponibile, e per proporre migliori risposte al problema contingente. Architetture come il SOAR hanno proprio questa struttura. Per mezzo di processi di compilazione come l'apprendimento basato su spiegazioni, essi convertono l'informazione dichiarativa al livello delle delibere decisionali in rappresentazioni più efficienti, fino a che la decisione diventa di nuovo un'azione riflessiva.

La ricerca nell'AI in tempo reale utilizza tutti gli aspetti sopra esposti. Gli agenti devono controllare le proprie decisioni, ed anche essere in grado di utilizzare il tempo consentito per il ragionamento per condurre i calcoli al fine di raggiungere i migliori risultati. Via via che i sistemi AI vengono applicati a domini sempre più complessi, tutti i problemi diventeranno problemi da risolvere in tempo reale, in quanto l'agente non avrà mai abbastanza tempo per trovare una soluzione esatta ad un problema.

C'è ovviamente un grande bisogno di metodi che lavorino bene in situazioni decisionali sempre più generali. In anni recenti sono apparse due tecniche promettenti, gli algoritmi anytime e le tecniche di teoria della decisione. L'ultimo elemento dell'architettura di un agente è il suo meccanismo di apprendimento. I meccanismi dell'apprendimento per induzione, per rinforzo e per compilazione, possono essere usati per tutte le attività di apprendimento degli agenti. Questi meccanismi dipenderanno senza dubbio dal tipo di rappresentazione scelta. Le rappresentazioni basate su logica, reti neurali e probabilistiche, sono ben note e ci sono per esse una quantità di metodi di apprendimento. Al nascere di nuove rappresentazioni, come la logica probabilistica del primo ordine, sarà necessario sviluppare nuovi algoritmi di apprendimento.

La tecnologia dei Sistemi Agente /multi-agente (MAS)sta dando importanti contributi alla soluzione di problemi in vari domini (e-commerce, e-auctions, medicina, mercato azionario, sistemi di produzione, sistemi telefonici, etc.), dove gli approcci tradizionali non davano risultati soddisfacenti. Lo studio dei sistemi multi-agente ha avuto inizio circa 20 anni fa, nell'area dell'Intelligenza Artificiale Distribuita (DAI) che è un campo di ricerca dell'AI. La DAI è lo studio del comportamento intelligente di gruppo che deriva dalla cooperazione degli agenti. Studia come gruppi di moduli possono cooperare per dividersi e condividere la conoscenza di un problema, e come raggiungere una soluzione. La DAI si concentra sul comportamento globale, dato un comportamento predeterminato dei singoli agenti. Studia le tecniche e la conoscenza richiesta per la coordinazione e la distribuzione della conoscenza e delle azioni in un ambiente multi-agente.

Quando guardiamo a come l'AI è evoluta negli ultimi 50 anni possiamo osservare una transizione dalle prime teorie embrionali all'ambiente adattabile, robusto ed amichevole di oggi, basato su una vasta classe di teorie logiche, modelli cognitivi ed approcci ingegneristici. Lo Sviluppo tecnologico ed il progresso nei campi correlati (Neurofisiologia, Psicologia, Biologia) avranno molto da dire nel futuro. Un'analisi dei correnti sistemi AI e del modo in cui possono essere estesi ci consentirà di porci moltissime domande, le cui risposte ci porteranno allo sviluppo di sistemi intelligenti general purpose e non più specifici.

In questa monografia di Upgrade abbiamo introdotto alcune delle aree e delle tecniche che non possono essere trattate in maniera omnicomprensiva. Porremo l'attenzione sull'applicabilità reale delle diverse discipline, e sul loro uso in alternativa ad altre tecniche che hanno fallito, o che potrebbero al contrario fornire soluzioni migliori.

Gli articoli inclusi sono il lavoro di ricercatori e sviluppatori molto importanti e coprono ciascun'area da multipli punti di vista - generalista, scientifico ed applicato - con un'enfasi particolare sugli sviluppi futuri. Questi contributi dovrebbero dare al lettore un'idea della prospettiva storica, dello stato dell'arte e del possibile futuro dell'AI. Speriamo che consentiranno al lettore di avere una migliore comprensione di queste aree ed una migliore intuizione delle possibili sfide da esse poste per il futuro.

Per finire, vorremmo ringraziare tutti i partecipanti a questa monografia per il loro interesse e per gli sforzi effettuati, e agli editor di Upgrade per il loro supporto, i loro suggerimenti e la loro infinita pazienza nel portare a termine questo lavoro.



--------------------------------------------------------------------------------


Copyright

1. Copyright © CEPIS 2002. Versione Italiana: © ALSI e Tecnoteca 2002. Tutti i diritti riservati.
   
2. Il riassunto e la citazione degli articoli inclusi in UPGRADE sono permessi con i dovuti crediti alla fonte. Per copie, ristampe, o ripubblicazioni, scrivete agli editor della rivista o a Tecnoteca per la versione italiana.
   
3. L'utilizzo non autorizzato di pagine, o loro parti, da parte di persone non autorizzate esplicitamente da UPGRADE è espressamente proibito e potrà essere perseguito per legge.
   

-------------------------------------------------------------------------------

 
Ritorna all'elenco delle pubblicazioni