Giovanni Pinna

Ricercatore AI & Ingegnere | Ph.D. in Data Science & AI Applicata

University of Trieste

Ciao!

Sono Giovanni Pinna, un Ricercatore e Ingegnere AI di Trieste, Italia. Ho conseguito il Dottorato di Ricerca in Data Science & Intelligenza Artificiale Applicata presso l'Università di Trieste (marzo 2026).

La mia ricerca si concentra sull'intersezione tra Natural Language Processing, Large Language Models e Computazione Evolutiva — in particolare sull'ottimizzazione del codice generato dai LLM attraverso tecniche di Genetic Improvement e sullo sviluppo di metriche di valutazione per sistemi Text-to-SQL.

Ho esperienza internazionale presso l'University College London (CREST Centre) e la NOVA IMS di Lisbona, e sono autore di 10+ pubblicazioni in sedi internazionali come Scientific Reports (Nature), IEEE Access e EuroGP.

🗞️ Novità

• Apr 2026 Pubblicato due papers “Comparing ai coding agents: A task-stratified analysis of pull request acceptance” e “Analyzing Message-Code Inconsistency in AI Coding Agent-Authored Pull Requests” su MSR 2026.
• Mar 2026 Completato il Dottorato di Ricerca in Applied Data Science & AI presso l'Università di Trieste!
• Sep 2025 Iniziato il periodo di ricerca presso University College London (UCL), gruppo della Prof.ssa Federica Sarro.
• 2025 Pubblicato “Redefining Text-to-SQL Metrics” su Scientific Reports (Nature) e 2 paper a SSBSE 2025 (GA4GC e HotCat).

🎓 Tesi di Dottorato

Application of Large Language Models: Addressing Real-World Challenges

Ph.D. Thesis — University of Trieste, 2025

I Large Language Models promettono di trasformare il modo in cui scriviamo codice, interroghiamo dati e accediamo alla conoscenza — ma mantengono davvero la promessa? Questa tesi affronta la domanda su quattro fronti: come valutare gli LLM, come possono democratizzare la conoscenza, come renderli affidabili e come distribuirli in modo sostenibile. Uno studio con utenti reali su testi giuridici rivela che gli esperti battono ancora i modelli più avanzati proprio dove la posta in gioco è più alta. Per colmare il divario di affidabilità propongo un framework di Genetic Improvement che ripara sistematicamente il codice generato dagli LLM, e una nuova metrica continua per il Text-to-SQL che coglie distinzioni invisibili ai punteggi binari. Sul versante della sostenibilità, l'ottimizzazione multi-obiettivo scopre configurazioni di agenti di coding con un miglioramento dell'hypervolume superiore di oltre cento volte. Il risultato: una via verso un uso degli LLM non solo potente, ma affidabile e responsabile. Supervisori: Prof. Luca Manzoni, Prof. Andrea De Lorenzo.

📄 Pubblicazioni Selezionate

• Redefining Text-to-SQL Metrics by Incorporating Semantic and Structural Similarity
  G. Pinna, Y. Perezhohin, L. Manzoni, M. Castelli, A. De Lorenzo
  Scientific Reports 15.1 (Nature), 2025
  Paper
• Comparing AI Coding Agents: A Task-Stratified Analysis of Pull Request Acceptance
  G. Pinna, J. Gong, D. Williams, F. Sarro
  arXiv:2602.08915, 2026
  arXiv
• Analyzing Message-Code Inconsistency in AI Coding Agent-Authored Pull Requests
  J. Gong, G. Pinna, Y. Bian, J. M. Zhang
  arXiv:2601.04886, 2026
  🏆 Distinguished Mining Challenge Paper Award, MSR 2026
  Paper
• Enhancing Large Language Models-Based Code Generation by Leveraging Genetic Improvement
  G. Pinna, D. Ravalico, L. Rovito, L. Manzoni, A. De Lorenzo
  EuroGP 2024, Springer LNCS vol. 14631
  Paper
• An Artificial Intelligence System for Automatic Recognition of Punches in Fourteenth-Century Panel Painting
  M. Zullich, V. Macovaz, G. Pinna, F.A. Pellegrino
  IEEE Access, 2023
  Paper

📝 Ultimi Articoli

🚀 Progetti

🏷️ Argomenti

🛠️ Competenze