A una dottoranda del DAUIN il "Best Late Breaking Results Award" per il contributo nell'IA per il design di interfacce utente
Francesca Russo, studentessa del dottorato in Intelligenza Artificiale presso il Dipartimento di Automatica e Informatica (DAUIN), ha ricevuto il "Best Late Breaking Results Award" al 17° ACM SIGCHI Symposium on Engineering Interactive Computing Systems (EICS 2025). Questo riconoscimento sottolinea l'importanza del suo lavoro nel campo dell'Intelligenza Artificiale (IA) applicata al design di interfacce grafiche.
Il paper premiato, intitolato "Bridging Web and Figma: Automating Large-Scale UI Dataset Generation for AI-Enhanced Design", è stato realizzato in collaborazione con il professor Luigi De Russis e il dottor Tommaso Calò, all’interno del gruppo di ricerca e-Lite del DAUIN.
La ricerca affronta una sfida cruciale nello sviluppo di strumenti basati sull'intelligenza artificiale per supportare i designer di interfacce grafiche: la mancanza di dati su larga scala. I dataset pubblici esistenti sono infatti annotati manualmente, un processo costoso e dispendioso in termini di tempo che ne limita la scalabilità, oppure sono privi di etichette semantiche e relazioni gerarchiche, essenziali per garantire buone performance dei modelli di IA. Inoltre, nessun dataset offre un formato standard per addestrare modelli che possano essere direttamente integrati negli strumenti utilizzati per il design di interfacce, come Figma.
Il lavoro di Francesca introduce una pipeline automatizzata che converte qualsiasi contenuto HTML/CSS in rappresentazioni compatibili con Figma, mantenendo informazioni cruciali quali posizione e tipo degli elementi all’interno dell’interfaccia grafica. Questo approccio elimina la necessità di annotazioni manuali, permettendo la creazione di dataset su larga scala essenziali per l'addestramento di assistenti intelligenti per il design di interfacce grafiche.
La pipeline è stata validata applicandola a WebUI, un noto dataset di siti web. Successivamente, è stata eseguita una valutazione comparativa addestrando cinque modelli di IA per la generazione di layout sia sui dati prodotti dalla pipeline che su Rico, un dataset molto usato che contiene le stesse informazioni di layout ma annotato manualmente. I risultati dimostrano che i modelli raggiungono prestazioni simili su entrambi i dataset, suggerendo che la pipeline proposta produce dati di qualità comparabile a quelli creati manualmente. Il prossimo passo della ricerca sarà sfruttare questi progressi per creare assistenti intelligenti da integrare negli strumenti di lavoro quotidiani dei designer di interfacce.