Le meravigliose e terribili conseguenze dei computer che possono imparare

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.

Un tempo se volevate
far fare qualcosa di nuovo ad un computer

dovevate programmarlo.

La programmazione, per quelli di voi
che non l'hanno mai provata,

richiede una spiegazione dettagliata

di ogni singolo passaggio che volete
che il computer faccia

per ottenere il vostro scopo.

Se volete fare qualcosa
che nemmeno voi sapete come si faccia,

potrebbe essere una sfida eccezionale.

Questa è la sfida affrontata
da quest'uomo, Arthur Samuel.

Nel 1956 voleva che il suo computer

fosse in grado di batterlo a dama.

Come si può scrivere un programma

che spieghi in modo dettagliato
come essere migliori di voi a dama?

Ebbe un'idea:

fece giocare il computer
contro sé stesso migliaia di volte

per imparare a giocare a dama.

E ha davvero funzionato,
infatti nel 1962

questo computer ha battuto
il campione del Connecticut.

Così Arthur Samuel è stato
il padre dell'apprendimento automatico,

ed ho un grande debito con lui,

perché sono un professionista
dell'apprendimento automatico.

Sono stato il presidente di Kaggle

una comunità di oltre 200 000

professionisti
dell'apprendimento automatico.

Kaggle crea delle competizioni

per cercare di risolvere
problemi irrisolti

e ce l'ha fatta
centinaia di volte.

Da questo punto di osservazione
sono stato in grado di scoprire

molto su quanto l'apprendimento automatico

ha potuto fare in passato,
su quel che può fare oggi,

e su cosa potrà fare in futuro.

Probabilmente il primo grande successo
dell'apprendimento automatico

in commercio è stato Google.

Google ha mostrato che
è possibile trovare informazioni

usando un algoritmo informatico,

un algoritmo basato
sull'apprendimento automatico.

Da allora ci sono stati numerosi successi
commerciali nell'apprendimento automatico.

Società quali Amazon e Netflix

usano l'apprendimento automatico
per suggerire

prodotti che potreste voler acquistare,

film che potreste voler vedere.

A volte è quasi inquietante.

Società come Linkedin e Facebook

talvolta vi diranno
chi potrebbe essere vostro amico

e non avete idea di come ci riescano

e questo perché stanno utilizzando
l'apprendimento automatico.

Sono algoritmi che hanno imparato
tutto questo dai dati

invece che dalla programmazione manuale.

La IBM è riuscita in questo modo

a far sì che Watson battesse
due campioni mondiali di "Jeopardy"

rispondendo a domande incredibilmente
acute e complesse come queste.

["L'antico leone di Nimrud" è scomparso
dal museo nazionale di questa città nel 2003
(insieme ad altro materiale)"]

Ed ecco perché siamo in grado di vedere
la prima auto che si guida da sola.

Se vogliamo essere in grado di dire
la differenza tra, diciamo,

un albero ed un pedone,
allora questo è piuttosto importante.

Non sappiamo come scrivere
questi programmi manualmente

ma con l'apprendimento automatico
adesso è possibile.

Questa auto ha guidato
per oltre un milione di chilometri,

su strada normale, senza alcun incidente.

Adesso sappiamo che i computer
possono imparare,

i computer possono imparare a fare cose

che nemmeno noi non sappiamo fare,

o che magari possono fare meglio di noi.

Uno degli esempi più impressionanti
di apprendimento automatico che ho visto

è stato durante un progetto
che ho condotto a Kaggle

dove un gruppo guidato da un tipo
chiamato Geoffrey Hinton

dell'università di Toronto

ha vinto una competizione
per la scoperta automatica di droghe.

La cosa straordinaria qui,
non è soltanto che hanno battuto

tutti gli algoritmi sviluppati da Merck
o dalla comunità accademica internazionale

ma il fatto che nessuno nella squadra
avesse mai avuto

esperienza in chimica o in biologia
o in scienze biologiche

e l'hanno fatto in due settimane.

Come ci sono riusciti?

Hanno utilizzato un algoritmo fenomenale
chiamato apprendimento approfondito.

Questo successo è stato così importante
da essere stato pubblicato in un articolo

nella prima pagina del New York Times
poche settimane dopo.

Questo qui a sinistra è Geoffrey Hinton.

Apprendimento approfondito è un algoritmo

ispirato al funzionamento
del cervello umano

che ha come risultato un algoritmo

che non ha limiti teorici
su quel che può fare.

Più dati gli si forniscono
e più tempo di calcolo gli si dà,

meglio funziona.

Il New York Times ha anche spiegato
in questo articolo

un altro straordinario

risultato dell'apprendimento approfondito

che sto per mostrarvi.

Mostra che i computer
possono ascoltare e capire.

(Video) Richard Rashid: l'ultimo passo

che voglio essere in grado
di compiere in questo processo

è di parlarvi veramente in cinese.

Il punto chiave qui

è che siamo stati in grado
di prendere una gran quantità

di informazioni
da numerosi parlanti cinesi

per produrre un sistema da testo a voce

che prende il testo cinese
e lo converte in lingua cinese

e abbiamo preso
più o meno un'ora della mia stessa voce

e l'abbiamo utilizzata per modulare

un sistema standard da testo a voce
in modo che suoni come la mia.

Il risultato non è perfetto.

In realtà ci sono un po' di errori.

(In cinese)

(Applausi)

C'è ancora molto
da fare in questo settore.

(In cinese)

(Applausi)

Jeremy Howard:

questo è accaduto alla conferenza

sull'apprendimento automatico in Cina.

Non capita davvero spesso
alle conferenze accademiche

di sentire applausi spontanei

benché ovviamente talvolta

alle conferenze TEDx
siate liberi di farlo.

Tutto quello che avete visto è accaduto
grazie all'apprendimento approfondito.

(Applausi)

Grazie.

La trascrizione in inglese
è apprendimento approfondito.

La traduzione in cinese e il testo in alto
a destra, apprendimento approfondito,

e la costruzione della voce
ancora apprendimento approfondito.

Dunque l'apprendimento approfondito
è questa cosa straordinaria.

È un singolo algoritmo che sembra
essere in grado di fare qualsiasi cosa

e ho scoperto che un anno prima
ha anche imparato a vedere.

In questa sconosciuta
competizione dalla Germania

chiamata lo Standard tedesco
per il riconoscimento dei segnali stradali

l'apprendimento approfondito ha imparato
a riconoscere segnali stradali come questo.

Non solo può
riconoscere i segnali stradali

meglio di qualunque altro algoritmo

la classifica dei leader mostra che
in realtà è stato migliore delle persone,

almeno il doppio delle persone.

Così nel 2011 abbiamo avuto
il primo esempio

di computer che può vedere
meglio delle persone.

Da allora sono successe molte cose.

Nel 2012 Google ha annunciato che
un algoritmo di apprendimento approfondito

ha guardato i video di YouTube

e ha suddiviso i dati
su 16 000 computer per un mese

e il computer ha imparato in modo
autonomo concetti quali persone e gatti

solo guardando i video.

Assomiglia molto al modo
di imparare degli uomini.

Gli uomini non apprendono
quando gli si dice cosa vedono,

ma apprendendo da soli
cosa sono queste cose.

Anche nel 2012 Geoffrey Hinton,
che abbiamo visto prima,

ha vinto la popolarissima
competizione ImageNet

cercando di capire
da un milione e mezzo di immagini

di che cosa erano la foto.

Già dal 2014 siamo a meno
del sei percento del tasso di errore

nel riconoscimento delle immagini.

Ancora una volta meglio delle persone.

Le macchine stanno davvero
facendo un lavoro straordinario qui

e verrà utilizzato nell'industria.

Per esempio,
Google lo scorso anno ha annunciato

che ha mappato ogni singola
località in Francia in due ore

e lo ha fatto
fornendo immagini di strade

ad un algoritmo
di apprendimento approfondito

per riconoscere e leggere i numeri civici.

Immaginate quanto
si sarebbe impiegato prima:

dozzine di persone, diversi anni.

Sta accadendo anche in Cina.

Baidu è una sorta
di Google cinese, immagino,

e quel che potete vedere
in alto a sinistra

è un esempio delle immagini
che ho caricato

nel sistema di apprendimento
approfondito di Baidu,

al di sotto potete vedere che il sistema
ha capito che cos'è quell'immagine

e ha trovato immagini simili.

In effetti le immagini simili
hanno sfondi simili,

simili direzioni dei volti,

alcuni persino con la lingua fuori.

Questo non sta certamente cercando
il testo in una pagina del web.

Tutto quello che ho caricato
è un'immagine.

Così adesso abbiamo computer che
comprendono davvero quello che vedono

e che possono di conseguenza
cercare nei database

di centinaia di milioni
di immagini in tempo reale.

Cosa significa
che i computer possono vedere?

Non è solo che
i computer possono vedere.

Infatti l'apprendimento approfondito
ha fatto molto più di questo.

Frasi complesse e sfumate come questa

adesso sono comprensibili

con un algoritmo
di apprendimento approfondito.

Come potete vedere qui,

questo sistema basato su Stanford
che mostra punti rossi in cima

ha capito che questa frase
sta esprimendo un sentimento negativo.

L'apprendimento approfondito
è simile al comportamento umano

nel comprendere quello di cui tratta

la frase e che cosa sta dicendo
su queste cose.

L'apprendimento approfondito
è stato utilizzato per leggere il cinese

ad un livello simile
a quello di un madrelingua.

Questo algoritmo è stato sviluppato
in Svizzera

da persone che non parlavano
o capivano il cinese.

Come ho detto, l'uso
dell'apprendimento approfondito

è praticamente il sistema migliore
del mondo per fare questo,

anche paragonato
alla conoscenza umana.

Questo è il sistema che abbiamo
messo a punto nella mia azienda,

che mostra come mettere
tutto questo materiale insieme.

Queste immagini non hanno
alcun testo allegato

e mentre sto digitando queste frasi

in tempo reale sta capendo
queste immagini

e immaginando cosa riguardano

e trovando immagini simili
al testo che sto scrivendo.

Come potete vedere, sta effettivamente
capendo le mie frasi

e sta realmente comprendendo
queste immagini.

So che avete visto
qualcosa di simile su Google

dove potete digitare cose
e lui vi mostra delle immagini,

ma in realtà quello che fa è
cercare una pagina web riferita al testo.

È molto diverso
dal capire davvero le immagini.

È una cosa che i computer
sono stati in grado di fare

per la prima volta negli ultimi mesi.

Vediamo che i computer non soltanto

possono vedere le immagini,
possono anche leggere

e ovviamente mostrare che possono
comprendere quello che sentono.

Forse non vi sorprenderà
quello che sto per dirvi,

cioè che sono in grado di scrivere.

Ecco un testo
che ho scritto ieri utilizzando

un algoritmo
di apprendimento approfondito.

Ed ecco un testo che un algoritmo
di Stanford ha creato.

Ognuna di queste frasi è stata creata

da un algoritmo
di apprendimento approfondito

per descrivere ognuna di queste immagini.

Questo algoritmo non ha mai visto

un uomo in maglietta nera
che suona la chitarra.

Ha già visto un uomo prima,
ha già visto il nero prima,

ha già visto una chitarra prima,

ma ha generato in modo autonomo questa
nuova descrizione di questa fotografia.

Non è ancora una prestazione umana,
ma ci siamo vicini.

Nei test, gli uomini preferiscono
un sottotitolo generato dal computer

una volta su quattro.

Questo sistema ha soltanto due settimane,

quindi forse entro il prossimo anno

l'algoritmo informatico sarà
oltre la prestazione umana

alla velocità con cui vanno le cose.

I computer possono anche scrivere.

Abbiamo messo tutto insieme e ci ha
portato ad opportunità emozionanti.

Per esempio in medicina

un gruppo di Boston
ha annunciato che ha scoperto

dozzine di caratteristiche dei tumori
clinicamente rilevanti

che aiutano i medici nel fare
una prognosi del cancro.

Analogamente, a Stanford

un gruppo ha annunciato
che osservando i tessuti ingranditi

hanno sviluppato un sistema basato
sull'apprendimento automatico

che è migliore dei patologi umani

nel predire le percentuali
di sopravvivenza nei malati di cancro.

In entrambi i casi non solo
le previsioni sono più accurate

ma generano una nuova
scienza intelligente.

Nel caso della radiologia

sono nuovi indicatori clinici
che gli umani possono comprendere.

Nel caso di questa patologia

il sistema informatico ha scoperto
che le cellule intorno al cancro

sono importanti quanto
le cellule tumorali stesse

per fare una diagnosi.

È il contrario di quanto è stato
insegnato ai patologi per decenni.

In ognuno dei due casi
sono sistemi sviluppati

da una combinazione
di esperti in medicina

e di esperti
in apprendimento automatico

ma a partire dallo scorso anno
siamo andati anche oltre.

Questo è un esempio
di identificazione delle aree tumorali

di un tessuto umano al microscopio.

Questo sistema può identificare
le aree con maggiore accuratezza

o con la stessa accuratezza
di un patologo umano

ma è stato costruito interamente

con l'apprendimento approfondito

senza utilizzare la competenza medica

da persone che non hanno
alcuna competenza in questo settore.

Analogamente qui c'è
la segmentazione di un neurone.

Ora siamo in grado di segmentare

i neuroni con la stessa
accuratezza degli uomini,

ma questo sistema è stato sviluppato
con l'apprendimento approfondito

da persone con nessuna
competenza in medicina.

Io stesso, da persona
senza alcuna competenza in medicina,

sono pienamente qualificato
per iniziare una nuova società medica,

cosa che ho fatto.

Ero piuttosto spaventato nel farlo

ma la teoria sembrava suggerire
che era possibile

fare medicina molto utile utilizzando
soltanto queste tecniche di analisi dati.

Fortunatamente abbiamo avuto
un fantastico riscontro

non soltanto dai media,
ma anche dalla comunità medica,

che è stata di grande supporto.

La teoria è che possiamo prendere
la parte centrale di un processo medico

e trasformarla in un analisi di dati
per quanto possibile,

lasciando i medici a fare
quel che fanno meglio.

Voglio farvi un esempio.

Ad oggi occorrono 15 minuti per produrre
un nuovo test medico diagnostico,

io ve lo mostrerò in tempo reale,

ma l'ho compresso a tre minuti
eliminando qualche parte.

Invece di farvi vedere
la creazione di un test medico diagnostico

sto per mostrarvi
un test diagnostico con immagini di auto,

perché è qualcosa
che possiamo comprendere tutti.

Quindi inizieremo con circa
un milione e mezzo di immagini di auto

e voglio creare qualcosa
che le suddivida per l'angolazione

con cui sono state scattate le fotografie.

Queste immagini non sono etichettate,
quindi dovrò cominciare da zero.

Con il nostro algoritmo
per l'apprendimento approfondito

si possono identificare automaticamente

le aree delle strutture
in queste immagini.

La cosa bella è che l'uomo
e il computer possono lavorare insieme.

L'uomo, come potete vedere qui,

sta spiegando al computer
le aree di interesse

che vuole che il computer
utilizzi per migliorare l'algoritmo.

In realtà questi sistemi
di apprendimento approfondito

sono in uno spazio di 16 000 dimensioni

così potete vedere qui il computer
che lo ruota attraverso quello spazio

cercando di trovare
nuove aree di struttura.

Quando ci riesce

l'uomo che lo sta guidando può poi
segnalare le aree interessanti.

Qui il computer ha trovato
con successo le aree

ad esempio, gli spigoli.

Durante questo processo

stiamo dicendo gradualmente
al computer sempre di più

sul tipo di strutture che stiamo cercando.

Potete immaginare in un test diagnostico

che questo potrebbe essere
un patologo che identifica

le aree malate, oppure ad esempio

un radiologo che indica
i noduli potenzialmente problematici.

Talvolta può essere
difficile per l'algoritmo.

Qui è in un qualche modo confuso.

Le immagini della parte anteriore
e posteriore delle auto sono mescolate.

In questo caso dobbiamo
essere un po' più cauti,

selezionando le parti anteriori
come opposte alle parti posteriori.

e dicendo al computer
che questo è il tipo di gruppo

a cui siamo interessati.

Lo facciamo per un po',
tralasciando qualcosa,

così addestriamo l'algoritmo
per l'apprendimento automatico

basandoci su queste coppie
di centinaia di cose

sperando che il risultato sia migliore.

Potete vedere che sta iniziando
a dissolvere alcune di queste fotografie

mostrandoci che sta già riconoscendo
come capire da solo alcune di queste.

Possiamo utilizzare questo concetto
di immagini simili,

e utilizzando immagini simili,
come potete vedere.

il computer a questo punto è in grado
di trovare la parte anteriore delle auto.

A questo punto l'uomo
può dire al computer

va bene, hai fatto
un buon lavoro.

Talvolta, ovviamente,
persino a questo punto

è ancora difficile
separare i gruppi.

In questo caso anche dopo aver lasciato

il computer a provare
a ruotarlo per un po'

troveremo ancora che le immagini
dei lati sinistri e dei lati destri

sono tutte mescolate.

Così possiamo dare ulteriori
indicazioni al computer

e dire, va bene, prova a trovare
una proiezione per separare

i lati sinistri da quelli destri
per quanto possibile

utilizzando questo algoritmo
di apprendimento approfondito.

Dandogli quel suggerimento --
ecco, c'è riuscito.

È riuscito a trovare un modo
per pensare a questi oggetti

separandoli dagli altri.

Vi state facendo un'idea.

Questo non è un caso in cui l'uomo
è rimpiazzato dal computer,

ma uno in cui lavorano insieme.

Quello che stiamo facendo qui è sostituire
qualcosa per il quale serviva una squadra

di cinque o sei persone
per circa sette anni

e sostituirlo con qualcosa
che impiega 15 minuti

e una persona che lavora da sola.

Questo processo richiede all'incirca
quattro o cinque ripetizioni.

Potete vedere che adesso abbiamo
il 62 per cento

del nostro milione e mezzo di immagini
classificato correttamente.

A questo punto possiamo iniziare
a prendere piuttosto

velocemente grandi sezioni,

controllarle per essere sicuri
che non ci siano errori.

Dove ci sono errori, possiamo
farlo sapere al computer.

Utilizzando questo tipo di processo
per ognuno dei diversi gruppi

siamo vicini ad un tasso
di successo dell'80 per cento

nel classificare un milione
e mezzo di immagini.

A questo punto è solo si tratta solo

di trovare trova la piccola parte
che non è classificata correttamente

e si cerca di capire perché.

Usando questo approccio

in 15 minuti arriviamo a un tasso
di classificazione del 97 per cento.

Questo tipo di tecnica può permetterci
di risolvere un problema più grande,

cioè che c'è una mancanza
di competenza medica nel mondo.

Il Forum Economico Mondiale
riporta che ci sono

dalle 10 alle 20 volte meno
medici del necessario

nei paesi in via di sviluppo

e serviranno circa 300 anni

per formare abbastanza persone
per risolvere il problema.

Quindi immaginate se potessimo aiutare
a migliorare la loro efficacia

utilizzando l'approccio con questo
apprendimento approfondito?

Sono davvero entusiasta
di questa opportunità.

Sono anche preoccupato per i problemi.

Il problema è che
ogni area in blu su questa mappa

indica un posto dove i servizi
sono oltre l'80 per cento del lavoro.

Cosa sono i servizi?

Questi sono i servizi.

Questi sono anche proprio quello che
i computer hanno appena imparato a fare.

Così l'80 per cento dell'occupazione mondiale
nel mondo sviluppato

è in qualcosa che i computer
hanno appena imparato a fare.

Cosa significa tutto ciò?

Che andrà tutto bene.
Saranno sostituiti da altri lavori.

Ad esempio ci sarà
più lavoro per i data scientist.

Veramente no.

Non occorrono molti data scientist
per costruire questi.

Ad esempio questi quattro algoritmi
sono stati creati dalla stessa persona.

Così se pensate:
è già accaduto prima

abbiamo visto in passato i risultati
di quando arrivano novità

e vengono sostituite da nuovi lavori,

ma come saranno questi nuovi lavori?

È molto difficile per noi prevederlo

perché la conoscenza umana
cresce ad un tasso graduale,

mentre ora che abbiamo questo
sistema di apprendimento approfondito

che sappiamo che ha una conoscenza
che cresce a livello esponenziale.

Siamo qui.

Attualmente vediamo le cose intorno a noi

e diciamo: "I computer
sono ancora piuttosto stupidi"

Giusto?

Ma fra cinque anni
saranno fuori da questo diagramma.

Così dobbiamo iniziare a pensare
a questa capacità proprio adesso.

L'abbiamo già visto, ovviamente.

Nella Rivoluzione Industriale

abbiamo visto un cambio di passo
nella capacità grazie al motore.

Il punto è tuttavia che dopo
un po' le cose si sono appiattite.

Ci sono stati disordini sociali,

ma una volta che il motore è stato usato
per generare energia in ogni situazione

le cose si sono assestate.

La Rivoluzione dell'Apprendimento
Automatico

sarà molto diversa
dalla Rivoluzione Industriale

perché la Rivoluzione dell'Apprendimento
Automatico non si assesterà.

Più i computer miglioreranno
le attività intellettuali

più si potranno costruire
computer migliori

che miglioreranno
le capacità intellettuali,

quindi questo sarà un cambiamento

che il mondo non ha davvero
mai sperimentato prima

quindi la vostra comprensione precedente
su quel che è possibile, è diverso.

Sta già avendo un impatto su di noi.

Negli ultimi 25 anni
la produttività del capitale è cresciuta,

la produttività del lavoro è rimasta
uguale, è persino calata un po'.

Quindi voglio che iniziamo
a discuterne sin da adesso.

So che spesso quando parlo alle persone
di questa situazione

le persone sono piuttosto sprezzanti.

Del resto i computer
non possono veramente pensare,

non hanno emozioni,
non comprendono la poesia,

non capiamo davvero come funzionano.

Quindi?

Già adesso i computer possono fare cose

per fare le quali le persone
vengono pagate,

quindi è tempo di iniziare a pensare

a come dovremo modificare
le nostre strutture sociali ed economiche

per diventare consapevoli
di questa nuova realtà.

Grazie.

(Applausi)