Le meravigliose e terribili conseguenze dei computer che possono imparare
-
0:01 - 0:05Un tempo se volevate
far fare qualcosa di nuovo ad un computer -
0:05 - 0:06dovevate programmarlo.
-
0:06 - 0:10La programmazione, per quelli di voi
che non l'hanno mai provata, -
0:10 - 0:13richiede una spiegazione dettagliata
-
0:13 - 0:17di ogni singolo passaggio che volete
che il computer faccia -
0:17 - 0:19per ottenere il vostro scopo.
-
0:19 - 0:23Se volete fare qualcosa
che nemmeno voi sapete come si faccia, -
0:23 - 0:25potrebbe essere una sfida eccezionale.
-
0:25 - 0:28Questa è la sfida affrontata
da quest'uomo, Arthur Samuel. -
0:28 - 0:32Nel 1956 voleva che il suo computer
-
0:32 - 0:35fosse in grado di batterlo a dama.
-
0:35 - 0:37Come si può scrivere un programma
-
0:37 - 0:40che spieghi in modo dettagliato
come essere migliori di voi a dama? -
0:40 - 0:42Ebbe un'idea:
-
0:42 - 0:46fece giocare il computer
contro sé stesso migliaia di volte -
0:46 - 0:48per imparare a giocare a dama.
-
0:48 - 0:52E ha davvero funzionato,
infatti nel 1962 -
0:52 - 0:56questo computer ha battuto
il campione del Connecticut. -
0:56 - 0:59Così Arthur Samuel è stato
il padre dell'apprendimento automatico, -
0:59 - 1:00ed ho un grande debito con lui,
-
1:00 - 1:03perché sono un professionista
dell'apprendimento automatico. -
1:03 - 1:04Sono stato il presidente di Kaggle
-
1:04 - 1:06una comunità di oltre 200 000
-
1:06 - 1:08professionisti
dell'apprendimento automatico. -
1:08 - 1:10Kaggle crea delle competizioni
-
1:10 - 1:14per cercare di risolvere
problemi irrisolti -
1:14 - 1:17e ce l'ha fatta
centinaia di volte. -
1:17 - 1:19Da questo punto di osservazione
sono stato in grado di scoprire -
1:19 - 1:22molto su quanto l'apprendimento automatico
-
1:22 - 1:24ha potuto fare in passato,
su quel che può fare oggi, -
1:24 - 1:26e su cosa potrà fare in futuro.
-
1:26 - 1:30Probabilmente il primo grande successo
dell'apprendimento automatico -
1:30 - 1:31in commercio è stato Google.
-
1:31 - 1:34Google ha mostrato che
è possibile trovare informazioni -
1:34 - 1:36usando un algoritmo informatico,
-
1:36 - 1:38un algoritmo basato
sull'apprendimento automatico. -
1:38 - 1:42Da allora ci sono stati numerosi successi
commerciali nell'apprendimento automatico. -
1:42 - 1:44Società quali Amazon e Netflix
-
1:44 - 1:46usano l'apprendimento automatico
per suggerire -
1:46 - 1:48prodotti che potreste voler acquistare,
-
1:48 - 1:50film che potreste voler vedere.
-
1:50 - 1:52A volte è quasi inquietante.
-
1:52 - 1:54Società come Linkedin e Facebook
-
1:54 - 1:56talvolta vi diranno
chi potrebbe essere vostro amico -
1:56 - 1:58e non avete idea di come ci riescano
-
1:58 - 2:01e questo perché stanno utilizzando
l'apprendimento automatico. -
2:01 - 2:04Sono algoritmi che hanno imparato
tutto questo dai dati -
2:04 - 2:07invece che dalla programmazione manuale.
-
2:07 - 2:10La IBM è riuscita in questo modo
-
2:10 - 2:14a far sì che Watson battesse
due campioni mondiali di "Jeopardy" -
2:14 - 2:17rispondendo a domande incredibilmente
acute e complesse come queste. -
2:17 - 2:19["L'antico leone di Nimrud" è scomparso
dal museo nazionale di questa città nel 2003
(insieme ad altro materiale)"] -
2:19 - 2:23Ed ecco perché siamo in grado di vedere
la prima auto che si guida da sola. -
2:23 - 2:26Se vogliamo essere in grado di dire
la differenza tra, diciamo, -
2:26 - 2:28un albero ed un pedone,
allora questo è piuttosto importante. -
2:28 - 2:31Non sappiamo come scrivere
questi programmi manualmente -
2:31 - 2:34ma con l'apprendimento automatico
adesso è possibile. -
2:34 - 2:37Questa auto ha guidato
per oltre un milione di chilometri, -
2:37 - 2:40su strada normale, senza alcun incidente.
-
2:40 - 2:44Adesso sappiamo che i computer
possono imparare, -
2:44 - 2:46i computer possono imparare a fare cose
-
2:46 - 2:49che nemmeno noi non sappiamo fare,
-
2:49 - 2:52o che magari possono fare meglio di noi.
-
2:52 - 2:56Uno degli esempi più impressionanti
di apprendimento automatico che ho visto -
2:56 - 2:58è stato durante un progetto
che ho condotto a Kaggle -
2:58 - 3:02dove un gruppo guidato da un tipo
chiamato Geoffrey Hinton -
3:02 - 3:03dell'università di Toronto
-
3:03 - 3:06ha vinto una competizione
per la scoperta automatica di droghe. -
3:06 - 3:09La cosa straordinaria qui,
non è soltanto che hanno battuto -
3:09 - 3:12tutti gli algoritmi sviluppati da Merck
o dalla comunità accademica internazionale -
3:12 - 3:15ma il fatto che nessuno nella squadra
avesse mai avuto -
3:15 - 3:18esperienza in chimica o in biologia
o in scienze biologiche -
3:18 - 3:20e l'hanno fatto in due settimane.
-
3:20 - 3:22Come ci sono riusciti?
-
3:22 - 3:25Hanno utilizzato un algoritmo fenomenale
chiamato apprendimento approfondito. -
3:25 - 3:29Questo successo è stato così importante
da essere stato pubblicato in un articolo -
3:29 - 3:31nella prima pagina del New York Times
poche settimane dopo. -
3:31 - 3:34Questo qui a sinistra è Geoffrey Hinton.
-
3:34 - 3:36Apprendimento approfondito è un algoritmo
-
3:36 - 3:38ispirato al funzionamento
del cervello umano -
3:38 - 3:40che ha come risultato un algoritmo
-
3:40 - 3:44che non ha limiti teorici
su quel che può fare. -
3:44 - 3:47Più dati gli si forniscono
e più tempo di calcolo gli si dà, -
3:47 - 3:48meglio funziona.
-
3:48 - 3:50Il New York Times ha anche spiegato
in questo articolo -
3:50 - 3:51un altro straordinario
-
3:51 - 3:53risultato dell'apprendimento approfondito
-
3:53 - 3:56che sto per mostrarvi.
-
3:56 - 4:01Mostra che i computer
possono ascoltare e capire. -
4:01 - 4:03(Video) Richard Rashid: l'ultimo passo
-
4:03 - 4:06che voglio essere in grado
di compiere in questo processo -
4:06 - 4:11è di parlarvi veramente in cinese.
-
4:11 - 4:14Il punto chiave qui
-
4:14 - 4:16è che siamo stati in grado
di prendere una gran quantità -
4:16 - 4:19di informazioni
da numerosi parlanti cinesi -
4:19 - 4:21per produrre un sistema da testo a voce
-
4:21 - 4:26che prende il testo cinese
e lo converte in lingua cinese -
4:26 - 4:30e abbiamo preso
più o meno un'ora della mia stessa voce -
4:30 - 4:32e l'abbiamo utilizzata per modulare
-
4:32 - 4:36un sistema standard da testo a voce
in modo che suoni come la mia. -
4:36 - 4:39Il risultato non è perfetto.
-
4:39 - 4:42In realtà ci sono un po' di errori.
-
4:42 - 4:44(In cinese)
-
4:44 - 4:47(Applausi)
-
4:47 - 4:53C'è ancora molto
da fare in questo settore. -
4:53 - 4:57(In cinese)
-
4:57 - 4:59(Applausi)
-
4:59 - 5:01Jeremy Howard:
-
5:01 - 5:02questo è accaduto alla conferenza
-
5:04 - 5:05sull'apprendimento automatico in Cina.
-
5:05 - 5:07Non capita davvero spesso
alle conferenze accademiche -
5:07 - 5:09di sentire applausi spontanei
-
5:09 - 5:11benché ovviamente talvolta
-
5:11 - 5:13alle conferenze TEDx
siate liberi di farlo. -
5:13 - 5:14Tutto quello che avete visto è accaduto
grazie all'apprendimento approfondito. -
5:14 - 5:16(Applausi)
-
5:16 - 5:17Grazie.
-
5:17 - 5:19La trascrizione in inglese
è apprendimento approfondito. -
5:19 - 5:23La traduzione in cinese e il testo in alto
a destra, apprendimento approfondito, -
5:23 - 5:26e la costruzione della voce
ancora apprendimento approfondito. -
5:26 - 5:29Dunque l'apprendimento approfondito
è questa cosa straordinaria. -
5:29 - 5:32È un singolo algoritmo che sembra
essere in grado di fare qualsiasi cosa -
5:32 - 5:35e ho scoperto che un anno prima
ha anche imparato a vedere. -
5:35 - 5:38In questa sconosciuta
competizione dalla Germania -
5:38 - 5:40chiamata lo Standard tedesco
per il riconoscimento dei segnali stradali -
5:40 - 5:44l'apprendimento approfondito ha imparato
a riconoscere segnali stradali come questo. -
5:44 - 5:46Non solo può
riconoscere i segnali stradali -
5:46 - 5:47meglio di qualunque altro algoritmo
-
5:47 - 5:50la classifica dei leader mostra che
in realtà è stato migliore delle persone, -
5:50 - 5:52almeno il doppio delle persone.
-
5:52 - 5:54Così nel 2011 abbiamo avuto
il primo esempio -
5:54 - 5:57di computer che può vedere
meglio delle persone. -
5:57 - 5:59Da allora sono successe molte cose.
-
5:59 - 6:03Nel 2012 Google ha annunciato che
un algoritmo di apprendimento approfondito -
6:03 - 6:04ha guardato i video di YouTube
-
6:04 - 6:08e ha suddiviso i dati
su 16 000 computer per un mese -
6:08 - 6:12e il computer ha imparato in modo
autonomo concetti quali persone e gatti -
6:12 - 6:14solo guardando i video.
-
6:14 - 6:16Assomiglia molto al modo
di imparare degli uomini. -
6:16 - 6:19Gli uomini non apprendono
quando gli si dice cosa vedono, -
6:19 - 6:22ma apprendendo da soli
cosa sono queste cose. -
6:22 - 6:26Anche nel 2012 Geoffrey Hinton,
che abbiamo visto prima, -
6:26 - 6:29ha vinto la popolarissima
competizione ImageNet -
6:29 - 6:33cercando di capire
da un milione e mezzo di immagini -
6:33 - 6:34di che cosa erano la foto.
-
6:34 - 6:38Già dal 2014 siamo a meno
del sei percento del tasso di errore -
6:38 - 6:39nel riconoscimento delle immagini.
-
6:39 - 6:41Ancora una volta meglio delle persone.
-
6:41 - 6:45Le macchine stanno davvero
facendo un lavoro straordinario qui -
6:45 - 6:47e verrà utilizzato nell'industria.
-
6:47 - 6:50Per esempio,
Google lo scorso anno ha annunciato -
6:50 - 6:55che ha mappato ogni singola
località in Francia in due ore -
6:55 - 6:58e lo ha fatto
fornendo immagini di strade -
6:58 - 7:00ad un algoritmo
di apprendimento approfondito -
7:00 - 7:03per riconoscere e leggere i numeri civici.
-
7:03 - 7:05Immaginate quanto
si sarebbe impiegato prima: -
7:05 - 7:08dozzine di persone, diversi anni.
-
7:08 - 7:10Sta accadendo anche in Cina.
-
7:10 - 7:14Baidu è una sorta
di Google cinese, immagino, -
7:14 - 7:16e quel che potete vedere
in alto a sinistra -
7:16 - 7:18è un esempio delle immagini
che ho caricato -
7:18 - 7:20nel sistema di apprendimento
approfondito di Baidu, -
7:20 - 7:24al di sotto potete vedere che il sistema
ha capito che cos'è quell'immagine -
7:24 - 7:26e ha trovato immagini simili.
-
7:26 - 7:29In effetti le immagini simili
hanno sfondi simili, -
7:29 - 7:31simili direzioni dei volti,
-
7:31 - 7:33alcuni persino con la lingua fuori.
-
7:33 - 7:36Questo non sta certamente cercando
il testo in una pagina del web. -
7:36 - 7:37Tutto quello che ho caricato
è un'immagine. -
7:37 - 7:41Così adesso abbiamo computer che
comprendono davvero quello che vedono -
7:41 - 7:43e che possono di conseguenza
cercare nei database -
7:43 - 7:46di centinaia di milioni
di immagini in tempo reale. -
7:46 - 7:50Cosa significa
che i computer possono vedere? -
7:50 - 7:52Non è solo che
i computer possono vedere. -
7:52 - 7:54Infatti l'apprendimento approfondito
ha fatto molto più di questo. -
7:54 - 7:56Frasi complesse e sfumate come questa
-
7:56 - 7:57adesso sono comprensibili
-
7:57 - 7:59con un algoritmo
di apprendimento approfondito. -
7:59 - 8:01Come potete vedere qui,
-
8:01 - 8:03questo sistema basato su Stanford
che mostra punti rossi in cima -
8:03 - 8:07ha capito che questa frase
sta esprimendo un sentimento negativo. -
8:07 - 8:10L'apprendimento approfondito
è simile al comportamento umano -
8:10 - 8:13nel comprendere quello di cui tratta
-
8:13 - 8:16la frase e che cosa sta dicendo
su queste cose. -
8:16 - 8:19L'apprendimento approfondito
è stato utilizzato per leggere il cinese -
8:19 - 8:22ad un livello simile
a quello di un madrelingua. -
8:22 - 8:24Questo algoritmo è stato sviluppato
in Svizzera -
8:24 - 8:27da persone che non parlavano
o capivano il cinese. -
8:27 - 8:29Come ho detto, l'uso
dell'apprendimento approfondito -
8:29 - 8:32è praticamente il sistema migliore
del mondo per fare questo, -
8:32 - 8:37anche paragonato
alla conoscenza umana. -
8:37 - 8:40Questo è il sistema che abbiamo
messo a punto nella mia azienda, -
8:40 - 8:42che mostra come mettere
tutto questo materiale insieme. -
8:42 - 8:44Queste immagini non hanno
alcun testo allegato -
8:44 - 8:47e mentre sto digitando queste frasi
-
8:47 - 8:50in tempo reale sta capendo
queste immagini -
8:50 - 8:51e immaginando cosa riguardano
-
8:51 - 8:54e trovando immagini simili
al testo che sto scrivendo. -
8:54 - 8:57Come potete vedere, sta effettivamente
capendo le mie frasi -
8:57 - 8:59e sta realmente comprendendo
queste immagini. -
8:59 - 9:02So che avete visto
qualcosa di simile su Google -
9:02 - 9:05dove potete digitare cose
e lui vi mostra delle immagini, -
9:05 - 9:08ma in realtà quello che fa è
cercare una pagina web riferita al testo. -
9:08 - 9:11È molto diverso
dal capire davvero le immagini. -
9:11 - 9:14È una cosa che i computer
sono stati in grado di fare -
9:14 - 9:16per la prima volta negli ultimi mesi.
-
9:16 - 9:19Vediamo che i computer non soltanto
-
9:19 - 9:21possono vedere le immagini,
possono anche leggere -
9:21 - 9:24e ovviamente mostrare che possono
comprendere quello che sentono. -
9:24 - 9:26Forse non vi sorprenderà
quello che sto per dirvi, -
9:26 - 9:28cioè che sono in grado di scrivere.
-
9:28 - 9:31Ecco un testo
che ho scritto ieri utilizzando -
9:31 - 9:33un algoritmo
di apprendimento approfondito. -
9:33 - 9:37Ed ecco un testo che un algoritmo
di Stanford ha creato. -
9:37 - 9:39Ognuna di queste frasi è stata creata
-
9:39 - 9:41da un algoritmo
di apprendimento approfondito -
9:41 - 9:43per descrivere ognuna di queste immagini.
-
9:43 - 9:45Questo algoritmo non ha mai visto
-
9:45 - 9:48un uomo in maglietta nera
che suona la chitarra. -
9:48 - 9:50Ha già visto un uomo prima,
ha già visto il nero prima, -
9:50 - 9:51ha già visto una chitarra prima,
-
9:51 - 9:56ma ha generato in modo autonomo questa
nuova descrizione di questa fotografia. -
9:56 - 9:59Non è ancora una prestazione umana,
ma ci siamo vicini. -
9:59 - 10:03Nei test, gli uomini preferiscono
un sottotitolo generato dal computer -
10:03 - 10:05una volta su quattro.
-
10:05 - 10:07Questo sistema ha soltanto due settimane,
-
10:07 - 10:09quindi forse entro il prossimo anno
-
10:09 - 10:12l'algoritmo informatico sarà
oltre la prestazione umana -
10:12 - 10:13alla velocità con cui vanno le cose.
-
10:13 - 10:16I computer possono anche scrivere.
-
10:16 - 10:20Abbiamo messo tutto insieme e ci ha
portato ad opportunità emozionanti. -
10:20 - 10:21Per esempio in medicina
-
10:21 - 10:24un gruppo di Boston
ha annunciato che ha scoperto -
10:24 - 10:27dozzine di caratteristiche dei tumori
clinicamente rilevanti -
10:27 - 10:31che aiutano i medici nel fare
una prognosi del cancro. -
10:31 - 10:35Analogamente, a Stanford
-
10:35 - 10:38un gruppo ha annunciato
che osservando i tessuti ingranditi -
10:38 - 10:41hanno sviluppato un sistema basato
sull'apprendimento automatico -
10:41 - 10:43che è migliore dei patologi umani
-
10:43 - 10:48nel predire le percentuali
di sopravvivenza nei malati di cancro. -
10:48 - 10:51In entrambi i casi non solo
le previsioni sono più accurate -
10:51 - 10:53ma generano una nuova
scienza intelligente. -
10:53 - 10:55Nel caso della radiologia
-
10:55 - 10:58sono nuovi indicatori clinici
che gli umani possono comprendere. -
10:58 - 11:00Nel caso di questa patologia
-
11:00 - 11:04il sistema informatico ha scoperto
che le cellule intorno al cancro -
11:04 - 11:08sono importanti quanto
le cellule tumorali stesse -
11:08 - 11:09per fare una diagnosi.
-
11:09 - 11:15È il contrario di quanto è stato
insegnato ai patologi per decenni. -
11:15 - 11:18In ognuno dei due casi
sono sistemi sviluppati -
11:18 - 11:20da una combinazione
di esperti in medicina -
11:20 - 11:22e di esperti
in apprendimento automatico -
11:22 - 11:24ma a partire dallo scorso anno
siamo andati anche oltre. -
11:24 - 11:28Questo è un esempio
di identificazione delle aree tumorali -
11:28 - 11:30di un tessuto umano al microscopio.
-
11:30 - 11:35Questo sistema può identificare
le aree con maggiore accuratezza -
11:35 - 11:37o con la stessa accuratezza
di un patologo umano -
11:37 - 11:38ma è stato costruito interamente
-
11:38 - 11:40con l'apprendimento approfondito
-
11:40 - 11:41
senza utilizzare la competenza medica -
11:41 - 11:44da persone che non hanno
alcuna competenza in questo settore. -
11:44 - 11:46Analogamente qui c'è
la segmentazione di un neurone. -
11:46 - 11:49Ora siamo in grado di segmentare
-
11:49 - 11:51i neuroni con la stessa
accuratezza degli uomini, -
11:51 - 11:54ma questo sistema è stato sviluppato
con l'apprendimento approfondito -
11:54 - 11:57da persone con nessuna
competenza in medicina. -
11:57 - 12:00Io stesso, da persona
senza alcuna competenza in medicina, -
12:00 - 12:04sono pienamente qualificato
per iniziare una nuova società medica, -
12:04 - 12:06cosa che ho fatto.
-
12:06 - 12:08Ero piuttosto spaventato nel farlo
-
12:08 - 12:11ma la teoria sembrava suggerire
che era possibile -
12:11 - 12:16fare medicina molto utile utilizzando
soltanto queste tecniche di analisi dati. -
12:16 - 12:19Fortunatamente abbiamo avuto
un fantastico riscontro -
12:19 - 12:21non soltanto dai media,
ma anche dalla comunità medica, -
12:21 - 12:23che è stata di grande supporto.
-
12:23 - 12:27La teoria è che possiamo prendere
la parte centrale di un processo medico -
12:27 - 12:30e trasformarla in un analisi di dati
per quanto possibile, -
12:30 - 12:33lasciando i medici a fare
quel che fanno meglio. -
12:33 - 12:35Voglio farvi un esempio.
-
12:35 - 12:40Ad oggi occorrono 15 minuti per produrre
un nuovo test medico diagnostico, -
12:40 - 12:42io ve lo mostrerò in tempo reale,
-
12:42 - 12:45ma l'ho compresso a tre minuti
eliminando qualche parte. -
12:45 - 12:48Invece di farvi vedere
la creazione di un test medico diagnostico -
12:48 - 12:52sto per mostrarvi
un test diagnostico con immagini di auto, -
12:52 - 12:54perché è qualcosa
che possiamo comprendere tutti. -
12:54 - 12:57Quindi inizieremo con circa
un milione e mezzo di immagini di auto -
12:57 - 13:00e voglio creare qualcosa
che le suddivida per l'angolazione -
13:00 - 13:03con cui sono state scattate le fotografie.
-
13:03 - 13:07Queste immagini non sono etichettate,
quindi dovrò cominciare da zero. -
13:07 - 13:08Con il nostro algoritmo
per l'apprendimento approfondito -
13:08 - 13:10si possono identificare automaticamente
-
13:10 - 13:12le aree delle strutture
in queste immagini. -
13:12 - 13:16La cosa bella è che l'uomo
e il computer possono lavorare insieme. -
13:16 - 13:18L'uomo, come potete vedere qui,
-
13:18 - 13:21sta spiegando al computer
le aree di interesse -
13:21 - 13:24che vuole che il computer
utilizzi per migliorare l'algoritmo. -
13:24 - 13:27In realtà questi sistemi
di apprendimento approfondito -
13:27 - 13:30sono in uno spazio di 16 000 dimensioni
-
13:30 - 13:33così potete vedere qui il computer
che lo ruota attraverso quello spazio -
13:33 - 13:35cercando di trovare
nuove aree di struttura. -
13:35 - 13:37Quando ci riesce
-
13:37 - 13:41l'uomo che lo sta guidando può poi
segnalare le aree interessanti. -
13:41 - 13:43Qui il computer ha trovato
con successo le aree -
13:43 - 13:46ad esempio, gli spigoli.
-
13:46 - 13:47Durante questo processo
-
13:47 - 13:50stiamo dicendo gradualmente
al computer sempre di più -
13:50 - 13:52sul tipo di strutture che stiamo cercando.
-
13:52 - 13:54Potete immaginare in un test diagnostico
-
13:54 - 13:56che questo potrebbe essere
un patologo che identifica -
13:56 - 13:57le aree malate, oppure ad esempio
-
13:57 - 14:02un radiologo che indica
i noduli potenzialmente problematici. -
14:02 - 14:05Talvolta può essere
difficile per l'algoritmo. -
14:05 - 14:07Qui è in un qualche modo confuso.
-
14:07 - 14:09Le immagini della parte anteriore
e posteriore delle auto sono mescolate. -
14:09 - 14:11In questo caso dobbiamo
essere un po' più cauti, -
14:11 - 14:15selezionando le parti anteriori
come opposte alle parti posteriori. -
14:15 - 14:20e dicendo al computer
che questo è il tipo di gruppo -
14:20 - 14:22a cui siamo interessati.
-
14:22 - 14:24Lo facciamo per un po',
tralasciando qualcosa, -
14:24 - 14:26così addestriamo l'algoritmo
per l'apprendimento automatico -
14:26 - 14:28basandoci su queste coppie
di centinaia di cose -
14:28 - 14:30sperando che il risultato sia migliore.
-
14:30 - 14:34Potete vedere che sta iniziando
a dissolvere alcune di queste fotografie -
14:34 - 14:38mostrandoci che sta già riconoscendo
come capire da solo alcune di queste. -
14:38 - 14:41Possiamo utilizzare questo concetto
di immagini simili, -
14:41 - 14:43e utilizzando immagini simili,
come potete vedere. -
14:43 - 14:47il computer a questo punto è in grado
di trovare la parte anteriore delle auto. -
14:47 - 14:50A questo punto l'uomo
può dire al computer -
14:50 - 14:52va bene, hai fatto
un buon lavoro. -
14:52 - 14:56Talvolta, ovviamente,
persino a questo punto -
14:56 - 14:58è ancora difficile
separare i gruppi. -
14:58 - 15:01In questo caso anche dopo aver lasciato
-
15:01 - 15:03il computer a provare
a ruotarlo per un po' -
15:03 - 15:07troveremo ancora che le immagini
dei lati sinistri e dei lati destri -
15:07 - 15:08sono tutte mescolate.
-
15:08 - 15:10Così possiamo dare ulteriori
indicazioni al computer -
15:10 - 15:13e dire, va bene, prova a trovare
una proiezione per separare -
15:13 - 15:16i lati sinistri da quelli destri
per quanto possibile -
15:16 - 15:18utilizzando questo algoritmo
di apprendimento approfondito. -
15:18 - 15:21Dandogli quel suggerimento --
ecco, c'è riuscito. -
15:21 - 15:24È riuscito a trovare un modo
per pensare a questi oggetti -
15:24 - 15:26separandoli dagli altri.
-
15:26 - 15:29Vi state facendo un'idea.
-
15:29 - 15:37Questo non è un caso in cui l'uomo
è rimpiazzato dal computer, -
15:37 - 15:40ma uno in cui lavorano insieme.
-
15:40 - 15:43Quello che stiamo facendo qui è sostituire
qualcosa per il quale serviva una squadra -
15:43 - 15:45di cinque o sei persone
per circa sette anni -
15:45 - 15:48e sostituirlo con qualcosa
che impiega 15 minuti -
15:48 - 15:50e una persona che lavora da sola.
-
15:50 - 15:54Questo processo richiede all'incirca
quattro o cinque ripetizioni. -
15:54 - 15:56Potete vedere che adesso abbiamo
il 62 per cento -
15:56 - 15:59del nostro milione e mezzo di immagini
classificato correttamente. -
15:59 - 16:01A questo punto possiamo iniziare
a prendere piuttosto -
16:01 - 16:03velocemente grandi sezioni,
-
16:03 - 16:06controllarle per essere sicuri
che non ci siano errori. -
16:06 - 16:10Dove ci sono errori, possiamo
farlo sapere al computer. -
16:10 - 16:13Utilizzando questo tipo di processo
per ognuno dei diversi gruppi -
16:13 - 16:15siamo vicini ad un tasso
di successo dell'80 per cento -
16:15 - 16:18nel classificare un milione
e mezzo di immagini. -
16:18 - 16:20A questo punto è solo si tratta solo
-
16:20 - 16:23di trovare trova la piccola parte
che non è classificata correttamente -
16:23 - 16:26e si cerca di capire perché.
-
16:26 - 16:28Usando questo approccio
-
16:28 - 16:32in 15 minuti arriviamo a un tasso
di classificazione del 97 per cento. -
16:32 - 16:37Questo tipo di tecnica può permetterci
di risolvere un problema più grande, -
16:37 - 16:39cioè che c'è una mancanza
di competenza medica nel mondo. -
16:39 - 16:41Il Forum Economico Mondiale
riporta che ci sono -
16:41 - 16:43dalle 10 alle 20 volte meno
medici del necessario -
16:43 - 16:46nei paesi in via di sviluppo
-
16:46 - 16:48e serviranno circa 300 anni
-
16:48 - 16:51per formare abbastanza persone
per risolvere il problema. -
16:51 - 16:54Quindi immaginate se potessimo aiutare
a migliorare la loro efficacia -
16:54 - 16:56utilizzando l'approccio con questo
apprendimento approfondito? -
16:56 - 16:59Sono davvero entusiasta
di questa opportunità. -
16:59 - 17:01Sono anche preoccupato per i problemi.
-
17:01 - 17:04Il problema è che
ogni area in blu su questa mappa -
17:04 - 17:08indica un posto dove i servizi
sono oltre l'80 per cento del lavoro. -
17:08 - 17:10Cosa sono i servizi?
-
17:10 - 17:11Questi sono i servizi.
-
17:11 - 17:16Questi sono anche proprio quello che
i computer hanno appena imparato a fare. -
17:16 - 17:19Così l'80 per cento dell'occupazione mondiale
nel mondo sviluppato -
17:19 - 17:22è in qualcosa che i computer
hanno appena imparato a fare. -
17:22 - 17:23Cosa significa tutto ciò?
-
17:23 - 17:26Che andrà tutto bene.
Saranno sostituiti da altri lavori. -
17:26 - 17:29Ad esempio ci sarà
più lavoro per i data scientist. -
17:29 - 17:30Veramente no.
-
17:30 - 17:33Non occorrono molti data scientist
per costruire questi. -
17:33 - 17:36Ad esempio questi quattro algoritmi
sono stati creati dalla stessa persona. -
17:36 - 17:38Così se pensate:
è già accaduto prima -
17:38 - 17:42abbiamo visto in passato i risultati
di quando arrivano novità -
17:42 - 17:44e vengono sostituite da nuovi lavori,
-
17:44 - 17:46ma come saranno questi nuovi lavori?
-
17:46 - 17:48È molto difficile per noi prevederlo
-
17:48 - 17:51perché la conoscenza umana
cresce ad un tasso graduale, -
17:51 - 17:54mentre ora che abbiamo questo
sistema di apprendimento approfondito -
17:54 - 17:57che sappiamo che ha una conoscenza
che cresce a livello esponenziale. -
17:57 - 17:58Siamo qui.
-
17:58 - 18:00Attualmente vediamo le cose intorno a noi
-
18:00 - 18:02e diciamo: "I computer
sono ancora piuttosto stupidi" -
18:02 - 18:03Giusto?
-
18:03 - 18:07Ma fra cinque anni
saranno fuori da questo diagramma. -
18:07 - 18:11Così dobbiamo iniziare a pensare
a questa capacità proprio adesso. -
18:11 - 18:13L'abbiamo già visto, ovviamente.
-
18:13 - 18:14Nella Rivoluzione Industriale
-
18:14 - 18:17abbiamo visto un cambio di passo
nella capacità grazie al motore. -
18:17 - 18:21Il punto è tuttavia che dopo
un po' le cose si sono appiattite. -
18:21 - 18:23Ci sono stati disordini sociali,
-
18:23 - 18:26ma una volta che il motore è stato usato
per generare energia in ogni situazione -
18:26 - 18:28le cose si sono assestate.
-
18:28 - 18:30La Rivoluzione dell'Apprendimento
Automatico -
18:30 - 18:33sarà molto diversa
dalla Rivoluzione Industriale -
18:33 - 18:36perché la Rivoluzione dell'Apprendimento
Automatico non si assesterà. -
18:36 - 18:38Più i computer miglioreranno
le attività intellettuali -
18:38 - 18:40più si potranno costruire
computer migliori -
18:40 - 18:43che miglioreranno
le capacità intellettuali, -
18:43 - 18:45quindi questo sarà un cambiamento
-
18:45 - 18:47che il mondo non ha davvero
mai sperimentato prima -
18:47 - 18:51quindi la vostra comprensione precedente
su quel che è possibile, è diverso. -
18:51 - 18:53Sta già avendo un impatto su di noi.
-
18:53 - 18:56Negli ultimi 25 anni
la produttività del capitale è cresciuta, -
18:56 - 19:01la produttività del lavoro è rimasta
uguale, è persino calata un po'. -
19:01 - 19:04Quindi voglio che iniziamo
a discuterne sin da adesso. -
19:04 - 19:07So che spesso quando parlo alle persone
di questa situazione -
19:07 - 19:09le persone sono piuttosto sprezzanti.
-
19:09 - 19:10Del resto i computer
non possono veramente pensare, -
19:10 - 19:13non hanno emozioni,
non comprendono la poesia, -
19:13 - 19:16non capiamo davvero come funzionano.
-
19:16 - 19:17Quindi?
-
19:17 - 19:20Già adesso i computer possono fare cose
-
19:20 - 19:22per fare le quali le persone
vengono pagate, -
19:22 - 19:24quindi è tempo di iniziare a pensare
-
19:24 - 19:28a come dovremo modificare
le nostre strutture sociali ed economiche -
19:28 - 19:30per diventare consapevoli
di questa nuova realtà. -
19:30 - 19:31Grazie.
-
19:31 - 19:32(Applausi)
- Title:
- Le meravigliose e terribili conseguenze dei computer che possono imparare
- Speaker:
- Jeremy Howard
- Description:
-
Cosa accade quando insegnamo ad un computer ad imparare? Il tecnologo Jeremy Howard condivide alcuni sorprendenti nuovi sviluppi nel campo dell'apprendimento approfondito, una tecnica che può dare ai computer la capacità di imparare il cinese o di riconoscere gli oggetti nelle fotografie o a eseguire una diagnosi medica. (Uno strumento di apprendimento approfondito dopo aver visto per ore YouTube ha imparato il concetto di "gatto"). Fatevi catturare da un settore che cambierà il modo in cui i computer
intorno a voi si comportano... forse prima di quanto crediate. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Anna Cristiana Minoli edited Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Cristiana Minoli edited Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Cristiana Minoli edited Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Cristiana Minoli approved Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Arcangela Rossi accepted Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Arcangela Rossi edited Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Arcangela Rossi edited Italian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Debora Serrentino edited Italian subtitles for The wonderful and terrifying implications of computers that can learn |