Oggi, gli algoritmi informatici eseguono compiti incredibili in modo estremamente accurato, su vasta scala, simulando l'intelligenza umana. A questa intelligenza dei computer, ci si riferisce spesso come IA o intelligenza artificiale. Si ipotizza che l'intelligenza artificiale avrà un ruolo incredibile in futuro. Oggi, comunque, ci troviamo davanti a sfide estremamente impegnative nel riconoscere e diagnosticare diverse malattie potenzialmente mortali, come malattie infettive e cancro. Migliaia di pazienti ogni anno, muoiono per un tumore al fegato o alla cavità orale. Il modo migliore per aiutare questi pazienti è la prevenzione e diagnosi precoce di queste malattie. Come riconoscerle e qual è il ruolo dell'intelligenza artificiale? Se, purtroppo, si sospetta in pazienti l'eventualità di queste malattie, un medico esperto dapprima prescrive esami con tecnologie ad immagini che sono molto costose, come imaging a fluorescenza, tomografia computerizzata, risonanza magnetica. Dopo aver raccolto queste immagini, uno specialista formula una diagnosi e ne parla con il paziente. Come potete vedere, questo è un processo molto costoso, poiché richiede sia specialisti, sia tecnologie mediche costose e non è considerato praticabile nei paesi in via di sviluppo. In realtà, neanche in molte nazioni industrializzate. Possiamo risolvere questo problema con l'aiuto dell'intelligenza artificiale? Al giorno d'oggi, se dovessimo usare le architetture tradizionali di IA per risolvere questo problema, ce ne vorrebbero 10.000. Ripeto, 10.000 di queste costosissime immagini mediche dovrebbero essere prodotte. In seguito dovremmo consultare uno specialista per analizzare le immagini. Usando questi due tipi di informazioni, posso modellare una rete neurale standard o processo di apprendimento in profondità per fornire la diagnosi al paziente. Analogamente al primo approccio, gli approcci tradizionali di IA riferiscono lo stesso problema. Grande quantità di dati, specialisti e tecnologie mediche ad immagini. Possiamo progettare architetture di intelligenza artificiale più scalabili, più efficienti e più utili per risolvere le criticità che stiamo affrontando oggi? È esattamente quello che facciamo al MIT Media Lab. Abbiamo progettato numerose architetture IA non ortodosse per risolvere i problemi attuali più preoccupanti nelle tecnologia clinica ad immagini e nel processo clinico. Nell'esempio che vi ho portato oggi, avevamo due obiettivi. Il primo obiettivo era ridurre il numero di immagini richieste nel processo di apprendimento dell'algoritmo IA. Per il secondo obiettivo, eravamo più ambiziosi, volevamo ridurre l'utilizzo delle tecnologie mediche più costose per lo screening del paziente. Come? Per il nostro primo obiettivo, invece di partire con decine di migliaia di costosissime immagini, come con l'IA tradizionale, abbiamo iniziato con una singola lastra. Da questa lastra, insieme al mio team ho elaborato un modo molto ingegnoso per estrapolare miliardi di blocchi di informazione. Questi blocchi di informazione includevano colori, pixel, relazione e interpretazione della malattia sulla lastra. Pertanto, abbiamo convertito un'immagine in miliardi di punti di apprendimento, riducendo enormemente l'ammontare dei dati necessari per l'apprendimento. Per il secondo obiettivo, ridurre l'uso di tecnologie costose per l'esame clinico dei pazienti, abbiamo cominciato con una fotografia a luce bianca standard, acquisita con una macchina digitale o la fotocamera del cellulare. Ricordate quei miliardi di blocchi di informazioni? Sono stati sovrapposti dalla lastra su questa immagine, creando un'immagine composta. Sorprendentemente, ne sono occorse solo 50, ripeto, solo 50 di queste immagini composte per addestrare i nostri algoritmi ad alta efficienza. Per riassumere, invece di usare 10.000 lastre molto costose, possiamo adesso addestrare algoritmi in modo non ortodosso, usando solo 50 di queste fotografie standard ma ad alta definizione, acquisite da macchine digitali o cellulari, e formulare diagnosi. Ancora più importante, i nostri algoritmi possono accettare, nel futuro ma anche adesso, semplici fotografie a luci bianche fatte dal paziente, invece di costose tecnologie mediche ad immagine. Penso che stiamo entrando in un'era dove l'intelligenza artificiale avrà un incredibile ruolo nel nostro futuro. Penso che ragionare sull'IA tradizionale, che ha molti dati ma poche applicazioni, implica anche elaborare architetture IA non ortodosse, che possono lavorare con pochi dati e risolvere alcuni dei più gravi problemi di oggi, soprattutto in medicina. Vi ringrazio molto. (Applausi)