0:00:00.880,0:00:04.893
Un tempo se volevate [br]far fare qualcosa di nuovo ad un computer

0:00:04.893,0:00:06.447
dovevate programmarlo.

0:00:06.447,0:00:09.858
La programmazione, per quelli di voi [br]che non l'hanno mai provata,

0:00:09.858,0:00:13.360
richiede una spiegazione dettagliata

0:00:13.360,0:00:16.727
di ogni singolo passaggio che volete [br]che il computer faccia

0:00:16.727,0:00:19.089
per ottenere il vostro scopo.

0:00:19.089,0:00:22.585
Se volete fare qualcosa [br]che nemmeno voi sapete come si faccia,

0:00:22.585,0:00:24.648
potrebbe essere una sfida eccezionale.

0:00:24.648,0:00:28.131
Questa è la sfida affrontata [br]da quest'uomo, Arthur Samuel.

0:00:28.131,0:00:32.208
Nel 1956 voleva che il suo computer

0:00:32.208,0:00:34.548
fosse in grado di batterlo a dama.

0:00:34.548,0:00:36.588
Come si può scrivere un programma

0:00:36.588,0:00:40.394
che spieghi in modo dettagliato [br]come essere migliori di voi a dama?

0:00:40.394,0:00:42.116
Ebbe un'idea:

0:00:42.116,0:00:45.840
fece giocare il computer [br]contro sé stesso migliaia di volte

0:00:45.840,0:00:48.364
per imparare a giocare a dama.

0:00:48.364,0:00:51.544
E ha davvero funzionato, [br]infatti nel 1962

0:00:51.544,0:00:55.561
questo computer ha battuto [br]il campione del Connecticut.

0:00:55.561,0:00:58.534
Così Arthur Samuel è stato [br]il padre dell'apprendimento automatico,

0:00:58.534,0:01:00.251
ed ho un grande debito con lui,

0:01:00.251,0:01:03.014
perché sono un professionista [br]dell'apprendimento automatico.

0:01:03.014,0:01:04.488
Sono stato il presidente di Kaggle

0:01:04.488,0:01:05.962
una comunità di oltre 200 000

0:01:05.962,0:01:08.257
professionisti [br]dell'apprendimento automatico.

0:01:08.257,0:01:09.925
Kaggle crea delle competizioni

0:01:09.925,0:01:13.633
per cercare di risolvere [br]problemi irrisolti

0:01:13.633,0:01:16.870
e ce l'ha fatta[br]centinaia di volte.

0:01:16.870,0:01:19.303
Da questo punto di osservazione [br]sono stato in grado di scoprire

0:01:19.303,0:01:21.736
molto su quanto l'apprendimento automatico

0:01:21.736,0:01:24.170
ha potuto fare in passato, [br]su quel che può fare oggi,

0:01:24.170,0:01:26.421
e su cosa potrà fare in futuro.

0:01:26.421,0:01:29.592
Probabilmente il primo grande successo [br]dell'apprendimento automatico

0:01:29.592,0:01:30.925
in commercio è stato Google.

0:01:30.925,0:01:33.784
Google ha mostrato che [br]è possibile trovare informazioni

0:01:33.784,0:01:35.536
usando un algoritmo informatico,

0:01:35.536,0:01:38.437
un algoritmo basato [br]sull'apprendimento automatico.

0:01:38.437,0:01:42.323
Da allora ci sono stati numerosi successi [br]commerciali nell'apprendimento automatico.

0:01:42.323,0:01:44.174
Società quali Amazon e Netflix

0:01:44.174,0:01:46.025
usano l'apprendimento automatico [br]per suggerire

0:01:46.025,0:01:47.876
prodotti che potreste voler acquistare,

0:01:47.876,0:01:49.896
film che potreste voler vedere.

0:01:49.896,0:01:51.703
A volte è quasi inquietante.

0:01:51.703,0:01:53.657
Società come Linkedin e Facebook

0:01:53.657,0:01:56.251
talvolta vi diranno [br]chi potrebbe essere vostro amico

0:01:56.251,0:01:58.228
e non avete idea di come ci riescano

0:01:58.228,0:02:01.195
e questo perché stanno utilizzando [br]l'apprendimento automatico.

0:02:01.195,0:02:04.152
Sono algoritmi che hanno imparato [br]tutto questo dai dati

0:02:04.152,0:02:07.399
invece che dalla programmazione manuale.

0:02:07.399,0:02:09.877
La IBM è riuscita in questo modo

0:02:09.877,0:02:13.739
a far sì che Watson battesse [br]due campioni mondiali di "Jeopardy"

0:02:13.739,0:02:16.859
rispondendo a domande incredibilmente [br]acute e complesse come queste.

0:02:16.859,0:02:19.469
["L'antico leone di Nimrud" è scomparso [br]dal museo nazionale di questa città nel 2003 [br](insieme ad altro materiale)"]

0:02:19.469,0:02:23.034
Ed ecco perché siamo in grado di vedere [br]la prima auto che si guida da sola.

0:02:23.034,0:02:25.856
Se vogliamo essere in grado di dire [br]la differenza tra, diciamo,

0:02:25.856,0:02:28.488
un albero ed un pedone, [br]allora questo è piuttosto importante.

0:02:28.488,0:02:31.075
Non sappiamo come scrivere [br]questi programmi manualmente

0:02:31.075,0:02:34.072
ma con l'apprendimento automatico [br]adesso è possibile.

0:02:34.072,0:02:36.680
Questa auto ha guidato [br]per oltre un milione di chilometri,

0:02:36.680,0:02:40.186
su strada normale, senza alcun incidente.

0:02:40.196,0:02:44.110
Adesso sappiamo che i computer [br]possono imparare,

0:02:44.110,0:02:45.988
i computer possono imparare a fare cose

0:02:45.988,0:02:48.848
che nemmeno noi non sappiamo fare,

0:02:48.848,0:02:51.733
o che magari possono fare meglio di noi.

0:02:51.733,0:02:55.928
Uno degli esempi più impressionanti [br]di apprendimento automatico che ho visto

0:02:55.928,0:02:58.320
è stato durante un progetto [br]che ho condotto a Kaggle

0:02:58.320,0:03:01.911
dove un gruppo guidato da un tipo [br]chiamato Geoffrey Hinton

0:03:01.911,0:03:03.463
dell'università di Toronto

0:03:03.463,0:03:06.250
ha vinto una competizione [br]per la scoperta automatica di droghe.

0:03:06.250,0:03:08.987
La cosa straordinaria qui, [br]non è soltanto che hanno battuto

0:03:08.987,0:03:12.011
tutti gli algoritmi sviluppati da Merck [br]o dalla comunità accademica internazionale

0:03:12.011,0:03:15.035
ma il fatto che nessuno nella squadra [br]avesse mai avuto

0:03:15.035,0:03:18.061
esperienza in chimica o in biologia [br]o in scienze biologiche

0:03:18.061,0:03:20.230
e l'hanno fatto in due settimane.

0:03:20.230,0:03:21.591
Come ci sono riusciti?

0:03:21.591,0:03:25.342
Hanno utilizzato un algoritmo fenomenale [br]chiamato apprendimento approfondito.

0:03:25.342,0:03:28.651
Questo successo è stato così importante [br]da essere stato pubblicato in un articolo

0:03:28.651,0:03:31.412
nella prima pagina del New York Times [br]poche settimane dopo.

0:03:31.412,0:03:33.770
Questo qui a sinistra è Geoffrey Hinton.

0:03:33.770,0:03:36.128
Apprendimento approfondito è un algoritmo

0:03:36.128,0:03:38.488
ispirato al funzionamento [br]del cervello umano

0:03:38.488,0:03:40.300
che ha come risultato un algoritmo

0:03:40.300,0:03:44.141
che non ha limiti teorici [br]su quel che può fare.

0:03:44.141,0:03:46.964
Più dati gli si forniscono [br]e più tempo di calcolo gli si dà,

0:03:46.964,0:03:48.276
meglio funziona.

0:03:48.276,0:03:49.803
Il New York Times ha anche spiegato [br]in questo articolo

0:03:49.803,0:03:51.330
un altro straordinario

0:03:51.330,0:03:52.857
risultato dell'apprendimento approfondito

0:03:52.857,0:03:55.569
che sto per mostrarvi.

0:03:55.569,0:04:00.510
Mostra che i computer [br]possono ascoltare e capire.

0:04:00.510,0:04:03.221
(Video) Richard Rashid: l'ultimo passo

0:04:03.221,0:04:06.246
che voglio essere in grado [br]di compiere in questo processo

0:04:06.246,0:04:10.961
è di parlarvi veramente in cinese.

0:04:10.961,0:04:13.506
Il punto chiave qui

0:04:13.506,0:04:16.051
è che siamo stati in grado [br]di prendere una gran quantità

0:04:16.051,0:04:18.598
di informazioni [br]da numerosi parlanti cinesi

0:04:18.598,0:04:21.128
per produrre un sistema da testo a voce

0:04:21.128,0:04:25.801
che prende il testo cinese [br]e lo converte in lingua cinese

0:04:25.801,0:04:29.929
e abbiamo preso [br]più o meno un'ora della mia stessa voce

0:04:29.929,0:04:31.820
e l'abbiamo utilizzata per modulare

0:04:31.820,0:04:36.364
un sistema standard da testo a voce [br]in modo che suoni come la mia.

0:04:36.364,0:04:38.904
Il risultato non è perfetto.

0:04:38.904,0:04:41.552
In realtà ci sono un po' di errori.

0:04:41.552,0:04:44.036
(In cinese)

0:04:44.036,0:04:47.386
(Applausi)

0:04:47.386,0:04:53.022
C'è ancora molto [br]da fare in questo settore.

0:04:53.022,0:04:56.667
(In cinese)

0:04:56.667,0:04:59.359
(Applausi)

0:04:59.359,0:05:01.154
Jeremy Howard:

0:05:01.154,0:05:02.350
questo è accaduto alla conferenza

0:05:03.546,0:05:04.744
sull'apprendimento automatico in Cina.

0:05:04.744,0:05:07.114
Non capita davvero spesso [br]alle conferenze accademiche

0:05:07.114,0:05:08.971
di sentire applausi spontanei

0:05:08.971,0:05:10.828
benché ovviamente talvolta

0:05:10.828,0:05:12.687
alle conferenze TEDx [br]siate liberi di farlo.

0:05:12.687,0:05:14.127
Tutto quello che avete visto è accaduto [br]grazie all'apprendimento approfondito.

0:05:14.127,0:05:15.567
(Applausi)

0:05:15.567,0:05:17.007
Grazie.

0:05:17.007,0:05:19.289
La trascrizione in inglese [br]è apprendimento approfondito.

0:05:19.289,0:05:22.701
La traduzione in cinese e il testo in alto [br]a destra, apprendimento approfondito,

0:05:22.701,0:05:26.008
e la costruzione della voce [br]ancora apprendimento approfondito.

0:05:26.008,0:05:29.242
Dunque l'apprendimento approfondito [br]è questa cosa straordinaria.

0:05:29.242,0:05:32.341
È un singolo algoritmo che sembra [br]essere in grado di fare qualsiasi cosa

0:05:32.341,0:05:35.452
e ho scoperto che un anno prima[br]ha anche imparato a vedere.

0:05:35.452,0:05:37.628
In questa sconosciuta [br]competizione dalla Germania

0:05:37.628,0:05:40.225
chiamata lo Standard tedesco [br]per il riconoscimento dei segnali stradali

0:05:40.225,0:05:43.618
l'apprendimento approfondito ha imparato [br]a riconoscere segnali stradali come questo.

0:05:43.618,0:05:45.712
Non solo può [br]riconoscere i segnali stradali

0:05:45.712,0:05:47.470
meglio di qualunque altro algoritmo

0:05:47.470,0:05:50.189
la classifica dei leader mostra che [br]in realtà è stato migliore delle persone,

0:05:50.189,0:05:52.041
almeno il doppio delle persone.

0:05:52.041,0:05:54.037
Così nel 2011 abbiamo avuto [br]il primo esempio

0:05:54.037,0:05:57.442
di computer che può vedere [br]meglio delle persone.

0:05:57.442,0:05:59.491
Da allora sono successe molte cose.

0:05:59.491,0:06:03.005
Nel 2012 Google ha annunciato che [br]un algoritmo di apprendimento approfondito

0:06:03.005,0:06:04.420
ha guardato i video di YouTube

0:06:04.420,0:06:07.857
e ha suddiviso i dati[br]su 16 000 computer per un mese

0:06:07.857,0:06:12.218
e il computer ha imparato in modo [br]autonomo concetti quali persone e gatti

0:06:12.218,0:06:14.027
solo guardando i video.

0:06:14.027,0:06:16.379
Assomiglia molto al modo [br]di imparare degli uomini.

0:06:16.379,0:06:19.119
Gli uomini non apprendono [br]quando gli si dice cosa vedono,

0:06:19.119,0:06:22.450
ma apprendendo da soli [br]cosa sono queste cose.

0:06:22.450,0:06:25.819
Anche nel 2012 Geoffrey Hinton, [br]che abbiamo visto prima,

0:06:25.819,0:06:28.677
ha vinto la popolarissima [br]competizione ImageNet

0:06:28.677,0:06:32.818
cercando di capire [br]da un milione e mezzo di immagini

0:06:32.818,0:06:34.256
di che cosa erano la foto.

0:06:34.256,0:06:37.789
Già dal 2014 siamo a meno [br]del sei percento del tasso di errore

0:06:37.789,0:06:39.242
nel riconoscimento delle immagini.

0:06:39.242,0:06:41.268
Ancora una volta meglio delle persone.

0:06:41.268,0:06:45.037
Le macchine stanno davvero [br]facendo un lavoro straordinario qui

0:06:45.037,0:06:47.306
e verrà utilizzato nell'industria.

0:06:47.306,0:06:50.348
Per esempio, [br]Google lo scorso anno ha annunciato

0:06:50.348,0:06:54.933
che ha mappato ogni singola [br]località in Francia in due ore

0:06:54.933,0:06:57.521
e lo ha fatto [br]fornendo immagini di strade

0:06:57.521,0:07:00.109
ad un algoritmo [br]di apprendimento approfondito

0:07:00.109,0:07:02.699
per riconoscere e leggere i numeri civici.

0:07:02.699,0:07:04.919
Immaginate quanto [br]si sarebbe impiegato prima:

0:07:04.919,0:07:08.274
dozzine di persone, diversi anni.

0:07:08.274,0:07:10.185
Sta accadendo anche in Cina.

0:07:10.185,0:07:14.221
Baidu è una sorta [br]di Google cinese, immagino,

0:07:14.221,0:07:16.306
e quel che potete vedere [br]in alto a sinistra

0:07:16.306,0:07:18.391
è un esempio delle immagini [br]che ho caricato

0:07:18.391,0:07:20.478
nel sistema di apprendimento [br]approfondito di Baidu,

0:07:20.478,0:07:24.247
al di sotto potete vedere che il sistema [br]ha capito che cos'è quell'immagine

0:07:24.247,0:07:26.483
e ha trovato immagini simili.

0:07:26.483,0:07:29.219
In effetti le immagini simili [br]hanno sfondi simili,

0:07:29.219,0:07:30.877
simili direzioni dei volti,

0:07:30.877,0:07:32.665
alcuni persino con la lingua fuori.

0:07:32.665,0:07:35.695
Questo non sta certamente cercando [br]il testo in una pagina del web.

0:07:35.695,0:07:37.107
Tutto quello che ho caricato [br]è un'immagine.

0:07:37.107,0:07:41.128
Così adesso abbiamo computer che [br]comprendono davvero quello che vedono

0:07:41.128,0:07:42.752
e che possono di conseguenza [br]cercare nei database

0:07:42.752,0:07:46.306
di centinaia di milioni [br]di immagini in tempo reale.

0:07:46.306,0:07:49.536
Cosa significa [br]che i computer possono vedere?

0:07:49.536,0:07:51.553
Non è solo che [br]i computer possono vedere.

0:07:51.553,0:07:53.622
Infatti l'apprendimento approfondito [br]ha fatto molto più di questo.

0:07:53.622,0:07:55.546
Frasi complesse e sfumate come questa

0:07:55.546,0:07:57.470
adesso sono comprensibili

0:07:57.470,0:07:59.394
con un algoritmo [br]di apprendimento approfondito.

0:07:59.394,0:08:00.697
Come potete vedere qui,

0:08:00.697,0:08:03.465
questo sistema basato su Stanford [br]che mostra punti rossi in cima

0:08:03.465,0:08:07.384
ha capito che questa frase [br]sta esprimendo un sentimento negativo.

0:08:07.384,0:08:10.230
L'apprendimento approfondito [br]è simile al comportamento umano

0:08:10.230,0:08:13.076
nel comprendere quello di cui tratta

0:08:13.076,0:08:15.923
la frase e che cosa sta dicendo [br]su queste cose.

0:08:15.923,0:08:18.651
L'apprendimento approfondito [br]è stato utilizzato per leggere il cinese

0:08:18.651,0:08:21.807
ad un livello simile [br]a quello di un madrelingua.

0:08:21.807,0:08:23.975
Questo algoritmo è stato sviluppato [br]in Svizzera

0:08:23.975,0:08:27.331
da persone che non parlavano [br]o capivano il cinese.

0:08:27.331,0:08:29.382
Come ho detto, l'uso [br]dell'apprendimento approfondito

0:08:29.382,0:08:31.601
è praticamente il sistema migliore [br]del mondo per fare questo,

0:08:31.601,0:08:36.718
anche paragonato [br]alla conoscenza umana.

0:08:36.718,0:08:39.682
Questo è il sistema che abbiamo [br]messo a punto nella mia azienda,

0:08:39.682,0:08:41.728
che mostra come mettere [br]tutto questo materiale insieme.

0:08:41.728,0:08:44.189
Queste immagini non hanno [br]alcun testo allegato

0:08:44.189,0:08:46.541
e mentre sto digitando queste frasi

0:08:46.541,0:08:49.510
in tempo reale sta capendo [br]queste immagini

0:08:49.510,0:08:51.189
e immaginando cosa riguardano

0:08:51.189,0:08:54.352
e trovando immagini simili [br]al testo che sto scrivendo.

0:08:54.352,0:08:57.108
Come potete vedere, sta effettivamente [br]capendo le mie frasi

0:08:57.108,0:08:59.332
e sta realmente comprendendo [br]queste immagini.

0:08:59.332,0:09:01.891
So che avete visto [br]qualcosa di simile su Google

0:09:01.891,0:09:04.637
dove potete digitare cose [br]e lui vi mostra delle immagini,

0:09:04.643,0:09:08.090
ma in realtà quello che fa è [br]cercare una pagina web riferita al testo.

0:09:08.090,0:09:11.091
È molto diverso [br]dal capire davvero le immagini.

0:09:11.091,0:09:13.843
È una cosa che i computer [br]sono stati in grado di fare

0:09:13.843,0:09:16.289
per la prima volta negli ultimi mesi.

0:09:16.289,0:09:18.735
Vediamo che i computer non soltanto

0:09:18.735,0:09:21.182
possono vedere le immagini, [br]possono anche leggere

0:09:21.182,0:09:23.584
e ovviamente mostrare che possono [br]comprendere quello che sentono.

0:09:23.584,0:09:25.986
Forse non vi sorprenderà [br]quello che sto per dirvi,

0:09:25.986,0:09:28.381
cioè che sono in grado di scrivere.

0:09:28.381,0:09:30.776
Ecco un testo [br]che ho scritto ieri utilizzando

0:09:30.776,0:09:33.172
un algoritmo [br]di apprendimento approfondito.

0:09:33.172,0:09:37.096
Ed ecco un testo che un algoritmo [br]di Stanford ha creato.

0:09:37.096,0:09:39.100
Ognuna di queste frasi è stata creata

0:09:39.100,0:09:41.104
da un algoritmo [br]di apprendimento approfondito

0:09:41.104,0:09:43.263
per descrivere ognuna di queste immagini.

0:09:43.263,0:09:45.422
Questo algoritmo non ha mai visto

0:09:45.422,0:09:47.581
un uomo in maglietta nera [br]che suona la chitarra.

0:09:47.581,0:09:49.801
Ha già visto un uomo prima, [br]ha già visto il nero prima,

0:09:49.801,0:09:51.400
ha già visto una chitarra prima,

0:09:51.400,0:09:55.694
ma ha generato in modo autonomo questa [br]nuova descrizione di questa fotografia.

0:09:55.694,0:09:59.196
Non è ancora una prestazione umana, [br]ma ci siamo vicini.

0:09:59.196,0:10:03.264
Nei test, gli uomini preferiscono [br]un sottotitolo generato dal computer

0:10:03.264,0:10:04.791
una volta su quattro.

0:10:04.791,0:10:06.855
Questo sistema ha soltanto due settimane,

0:10:06.855,0:10:08.701
quindi forse entro il prossimo anno

0:10:08.701,0:10:11.502
l'algoritmo informatico sarà [br]oltre la prestazione umana

0:10:11.502,0:10:13.364
alla velocità con cui vanno le cose.

0:10:13.364,0:10:16.413
I computer possono anche scrivere.

0:10:16.413,0:10:19.888
Abbiamo messo tutto insieme e ci ha[br]portato ad opportunità emozionanti.

0:10:19.888,0:10:21.380
Per esempio in medicina

0:10:21.380,0:10:23.905
un gruppo di Boston [br]ha annunciato che ha scoperto

0:10:23.905,0:10:26.854
dozzine di caratteristiche dei tumori [br]clinicamente rilevanti

0:10:26.854,0:10:31.120
che aiutano i medici nel fare [br]una prognosi del cancro.

0:10:31.130,0:10:34.516
Analogamente, a Stanford

0:10:34.516,0:10:38.179
un gruppo ha annunciato [br]che osservando i tessuti ingranditi

0:10:38.179,0:10:40.560
hanno sviluppato un sistema basato [br]sull'apprendimento automatico

0:10:40.560,0:10:43.142
che è migliore dei patologi umani

0:10:43.142,0:10:47.519
nel predire le percentuali [br]di sopravvivenza nei malati di cancro.

0:10:47.519,0:10:50.764
In entrambi i casi non solo [br]le previsioni sono più accurate

0:10:50.764,0:10:53.266
ma generano una nuova [br]scienza intelligente.

0:10:53.276,0:10:54.781
Nel caso della radiologia

0:10:54.781,0:10:57.876
sono nuovi indicatori clinici [br]che gli umani possono comprendere.

0:10:57.876,0:10:59.668
Nel caso di questa patologia

0:10:59.668,0:11:04.168
il sistema informatico ha scoperto [br]che le cellule intorno al cancro

0:11:04.168,0:11:07.508
sono importanti quanto [br]le cellule tumorali stesse

0:11:07.508,0:11:09.260
per fare una diagnosi.

0:11:09.260,0:11:14.621
È il contrario di quanto è stato [br]insegnato ai patologi per decenni.

0:11:14.621,0:11:17.913
In ognuno dei due casi [br]sono sistemi sviluppati

0:11:17.913,0:11:20.033
da una combinazione [br]di esperti in medicina

0:11:20.033,0:11:22.153
e di esperti [br]in apprendimento automatico

0:11:22.153,0:11:24.275
ma a partire dallo scorso anno[br]siamo andati anche oltre.

0:11:24.275,0:11:27.824
Questo è un esempio [br]di identificazione delle aree tumorali

0:11:27.824,0:11:30.354
di un tessuto umano al microscopio.

0:11:30.354,0:11:34.967
Questo sistema può identificare [br]le aree con maggiore accuratezza

0:11:34.967,0:11:37.022
o con la stessa accuratezza [br]di un patologo umano

0:11:37.022,0:11:38.392
ma è stato costruito interamente

0:11:38.392,0:11:39.762
con l'apprendimento approfondito

0:11:39.762,0:11:41.134
[br]senza utilizzare la competenza medica

0:11:41.134,0:11:44.090
da persone che non hanno [br]alcuna competenza in questo settore.

0:11:44.090,0:11:46.377
Analogamente qui c'è [br]la segmentazione di un neurone.

0:11:46.377,0:11:48.664
Ora siamo in grado di segmentare

0:11:48.664,0:11:50.953
i neuroni con la stessa [br]accuratezza degli uomini,

0:11:50.953,0:11:53.670
ma questo sistema è stato sviluppato [br]con l'apprendimento approfondito

0:11:53.670,0:11:56.921
da persone con nessuna [br]competenza in medicina.

0:11:56.921,0:12:00.148
Io stesso, da persona [br]senza alcuna competenza in medicina,

0:12:00.148,0:12:03.875
sono pienamente qualificato [br]per iniziare una nuova società medica,

0:12:03.875,0:12:06.021
cosa che ho fatto.

0:12:06.021,0:12:07.761
Ero piuttosto spaventato nel farlo

0:12:07.761,0:12:10.650
ma la teoria sembrava suggerire [br]che era possibile

0:12:10.650,0:12:16.142
fare medicina molto utile utilizzando [br]soltanto queste tecniche di analisi dati.

0:12:16.142,0:12:18.622
Fortunatamente abbiamo avuto [br]un fantastico riscontro

0:12:18.622,0:12:20.978
non soltanto dai media, [br]ma anche dalla comunità medica,

0:12:20.978,0:12:23.322
che è stata di grande supporto.

0:12:23.322,0:12:27.471
La teoria è che possiamo prendere [br]la parte centrale di un processo medico

0:12:27.471,0:12:30.364
e trasformarla in un analisi di dati [br]per quanto possibile,

0:12:30.364,0:12:33.429
lasciando i medici a fare [br]quel che fanno meglio.

0:12:33.429,0:12:35.031
Voglio farvi un esempio.

0:12:35.031,0:12:39.975
Ad oggi occorrono 15 minuti per produrre [br]un nuovo test medico diagnostico,

0:12:39.975,0:12:41.929
io ve lo mostrerò in tempo reale,

0:12:41.929,0:12:45.416
ma l'ho compresso a tre minuti [br]eliminando qualche parte.

0:12:45.416,0:12:48.477
Invece di farvi vedere [br]la creazione di un test medico diagnostico

0:12:48.477,0:12:51.846
sto per mostrarvi [br]un test diagnostico con immagini di auto,

0:12:51.846,0:12:54.068
perché è qualcosa [br]che possiamo comprendere tutti.

0:12:54.068,0:12:57.269
Quindi inizieremo con circa [br]un milione e mezzo di immagini di auto

0:12:57.269,0:13:00.475
e voglio creare qualcosa [br]che le suddivida per l'angolazione

0:13:00.475,0:13:02.698
con cui sono state scattate le fotografie.

0:13:02.698,0:13:06.586
Queste immagini non sono etichettate, [br]quindi dovrò cominciare da zero.

0:13:06.586,0:13:08.443
Con il nostro algoritmo [br]per l'apprendimento approfondito

0:13:08.443,0:13:10.300
si possono identificare automaticamente

0:13:10.300,0:13:12.158
le aree delle strutture [br]in queste immagini.

0:13:12.158,0:13:15.778
La cosa bella è che l'uomo [br]e il computer possono lavorare insieme.

0:13:15.778,0:13:17.956
L'uomo, come potete vedere qui,

0:13:17.956,0:13:20.631
sta spiegando al computer [br]le aree di interesse

0:13:20.631,0:13:23.613
che vuole che il computer [br]utilizzi per migliorare l'algoritmo.

0:13:23.613,0:13:26.595
In realtà questi sistemi [br]di apprendimento approfondito

0:13:26.595,0:13:29.577
sono in uno spazio di 16 000 dimensioni

0:13:29.577,0:13:33.009
così potete vedere qui il computer[br]che lo ruota attraverso quello spazio

0:13:33.009,0:13:35.001
cercando di trovare [br]nuove aree di struttura.

0:13:35.001,0:13:36.782
Quando ci riesce

0:13:36.782,0:13:40.786
l'uomo che lo sta guidando può poi [br]segnalare le aree interessanti.

0:13:40.786,0:13:43.208
Qui il computer ha trovato [br]con successo le aree

0:13:43.208,0:13:45.770
ad esempio, gli spigoli.

0:13:45.770,0:13:47.376
Durante questo processo

0:13:47.376,0:13:49.904
stiamo dicendo gradualmente [br]al computer sempre di più

0:13:49.904,0:13:52.144
sul tipo di strutture che stiamo cercando.

0:13:52.144,0:13:53.851
Potete immaginare in un test diagnostico

0:13:53.851,0:13:55.558
che questo potrebbe essere [br]un patologo che identifica

0:13:55.558,0:13:57.266
le aree malate, oppure ad esempio

0:13:57.266,0:14:02.292
un radiologo che indica [br]i noduli potenzialmente problematici.

0:14:02.292,0:14:04.851
Talvolta può essere [br]difficile per l'algoritmo.

0:14:04.851,0:14:06.815
Qui è in un qualche modo confuso.

0:14:06.815,0:14:09.365
Le immagini della parte anteriore [br]e posteriore delle auto sono mescolate.

0:14:09.365,0:14:11.437
In questo caso dobbiamo [br]essere un po' più cauti,

0:14:11.437,0:14:14.669
selezionando le parti anteriori [br]come opposte alle parti posteriori.

0:14:14.669,0:14:20.175
e dicendo al computer [br]che questo è il tipo di gruppo

0:14:20.175,0:14:21.523
a cui siamo interessati.

0:14:21.523,0:14:24.200
Lo facciamo per un po', [br]tralasciando qualcosa,

0:14:24.200,0:14:26.446
così addestriamo l'algoritmo [br]per l'apprendimento automatico

0:14:26.446,0:14:28.420
basandoci su queste coppie [br]di centinaia di cose

0:14:28.420,0:14:30.445
sperando che il risultato sia migliore.

0:14:30.445,0:14:33.518
Potete vedere che sta iniziando [br]a dissolvere alcune di queste fotografie

0:14:33.518,0:14:38.226
mostrandoci che sta già riconoscendo[br]come capire da solo alcune di queste.

0:14:38.226,0:14:41.128
Possiamo utilizzare questo concetto [br]di immagini simili,

0:14:41.128,0:14:43.222
e utilizzando immagini simili, [br]come potete vedere.

0:14:43.222,0:14:47.241
il computer a questo punto è in grado [br]di trovare la parte anteriore delle auto.

0:14:47.241,0:14:50.189
A questo punto l'uomo [br]può dire al computer

0:14:50.189,0:14:52.462
va bene, hai fatto [br]un buon lavoro.

0:14:52.462,0:14:55.837
Talvolta, ovviamente, [br]persino a questo punto

0:14:55.837,0:14:58.356
è ancora difficile [br]separare i gruppi.

0:14:58.356,0:15:00.875
In questo caso anche dopo aver lasciato

0:15:00.875,0:15:03.395
il computer a provare [br]a ruotarlo per un po'

0:15:03.399,0:15:06.744
troveremo ancora che le immagini [br]dei lati sinistri e dei lati destri

0:15:06.744,0:15:08.222
sono tutte mescolate.

0:15:08.222,0:15:10.362
Così possiamo dare ulteriori [br]indicazioni al computer

0:15:10.362,0:15:13.338
e dire, va bene, prova a trovare [br]una proiezione per separare

0:15:13.338,0:15:15.945
i lati sinistri da quelli destri [br]per quanto possibile

0:15:15.945,0:15:18.067
utilizzando questo algoritmo [br]di apprendimento approfondito.

0:15:18.067,0:15:21.009
Dandogli quel suggerimento -- [br]ecco, c'è riuscito.

0:15:21.009,0:15:23.891
È riuscito a trovare un modo [br]per pensare a questi oggetti

0:15:23.891,0:15:26.271
separandoli dagli altri.

0:15:26.271,0:15:28.709
Vi state facendo un'idea.

0:15:28.709,0:15:36.906
Questo non è un caso in cui l'uomo [br]è rimpiazzato dal computer,

0:15:36.906,0:15:39.546
ma uno in cui lavorano insieme.

0:15:39.546,0:15:43.096
Quello che stiamo facendo qui è sostituire [br]qualcosa per il quale serviva una squadra

0:15:43.096,0:15:45.098
di cinque o sei persone [br]per circa sette anni

0:15:45.098,0:15:47.703
e sostituirlo con qualcosa [br]che impiega 15 minuti

0:15:47.703,0:15:50.208
e una persona che lavora da sola.

0:15:50.208,0:15:54.158
Questo processo richiede all'incirca [br]quattro o cinque ripetizioni.

0:15:54.158,0:15:56.017
Potete vedere che adesso abbiamo [br]il 62 per cento

0:15:56.017,0:15:58.976
del nostro milione e mezzo di immagini [br]classificato correttamente.

0:15:58.976,0:16:01.448
A questo punto possiamo iniziare [br]a prendere piuttosto

0:16:01.448,0:16:02.745
velocemente grandi sezioni,

0:16:02.745,0:16:05.664
controllarle per essere sicuri [br]che non ci siano errori.

0:16:05.664,0:16:09.616
Dove ci sono errori, possiamo [br]farlo sapere al computer.

0:16:09.616,0:16:12.661
Utilizzando questo tipo di processo [br]per ognuno dei diversi gruppi

0:16:12.661,0:16:15.148
siamo vicini ad un tasso [br]di successo dell'80 per cento

0:16:15.148,0:16:17.563
nel classificare un milione [br]e mezzo di immagini.

0:16:17.563,0:16:19.641
A questo punto è solo si tratta solo

0:16:19.641,0:16:23.220
di trovare trova la piccola parte [br]che non è classificata correttamente

0:16:23.220,0:16:26.108
e si cerca di capire perché.

0:16:26.108,0:16:27.851
Usando questo approccio

0:16:27.851,0:16:31.972
in 15 minuti arriviamo a un tasso [br]di classificazione del 97 per cento.

0:16:31.972,0:16:36.572
Questo tipo di tecnica può permetterci [br]di risolvere un problema più grande,

0:16:36.578,0:16:38.753
cioè che c'è una mancanza [br]di competenza medica nel mondo.

0:16:38.753,0:16:40.928
Il Forum Economico Mondiale [br]riporta che ci sono

0:16:40.928,0:16:43.103
dalle 10 alle 20 volte meno [br]medici del necessario

0:16:43.103,0:16:45.727
nei paesi in via di sviluppo

0:16:45.727,0:16:47.840
e serviranno circa 300 anni

0:16:47.840,0:16:50.734
per formare abbastanza persone [br]per risolvere il problema.

0:16:50.734,0:16:53.619
Quindi immaginate se potessimo aiutare [br]a migliorare la loro efficacia

0:16:53.619,0:16:56.458
utilizzando l'approccio con questo [br]apprendimento approfondito?

0:16:56.458,0:16:58.690
Sono davvero entusiasta [br]di questa opportunità.

0:16:58.690,0:17:01.279
Sono anche preoccupato per i problemi.

0:17:01.279,0:17:04.403
Il problema è che [br]ogni area in blu su questa mappa

0:17:04.403,0:17:08.172
indica un posto dove i servizi [br]sono oltre l'80 per cento del lavoro.

0:17:08.172,0:17:09.959
Cosa sono i servizi?

0:17:09.959,0:17:11.473
Questi sono i servizi.

0:17:11.473,0:17:15.627
Questi sono anche proprio quello che [br]i computer hanno appena imparato a fare.

0:17:15.627,0:17:19.431
Così l'80 per cento dell'occupazione mondiale [br]nel mondo sviluppato

0:17:19.431,0:17:21.963
è in qualcosa che i computer [br]hanno appena imparato a fare.

0:17:21.963,0:17:23.403
Cosa significa tutto ciò?

0:17:23.403,0:17:25.986
Che andrà tutto bene. [br]Saranno sostituiti da altri lavori.

0:17:25.986,0:17:28.693
Ad esempio ci sarà [br]più lavoro per i data scientist.

0:17:28.693,0:17:29.510
Veramente no.

0:17:29.510,0:17:32.628
Non occorrono molti data scientist [br]per costruire questi.

0:17:32.628,0:17:35.880
Ad esempio questi quattro algoritmi [br]sono stati creati dalla stessa persona.

0:17:35.880,0:17:38.318
Così se pensate: [br]è già accaduto prima

0:17:38.318,0:17:42.126
abbiamo visto in passato i risultati [br]di quando arrivano novità

0:17:42.126,0:17:44.378
e vengono sostituite da nuovi lavori,

0:17:44.378,0:17:46.494
ma come saranno questi nuovi lavori?

0:17:46.494,0:17:48.365
È molto difficile per noi prevederlo

0:17:48.365,0:17:51.104
perché la conoscenza umana [br]cresce ad un tasso graduale,

0:17:51.104,0:17:53.666
mentre ora che abbiamo questo [br]sistema di apprendimento approfondito

0:17:53.666,0:17:56.893
che sappiamo che ha una conoscenza [br]che cresce a livello esponenziale.

0:17:56.893,0:17:58.498
Siamo qui.

0:17:58.498,0:18:00.077
Attualmente vediamo le cose intorno a noi

0:18:00.077,0:18:01.656
e diciamo: "I computer[br]sono ancora piuttosto stupidi"

0:18:01.656,0:18:03.235
Giusto?

0:18:03.235,0:18:06.664
Ma fra cinque anni [br]saranno fuori da questo diagramma.

0:18:06.664,0:18:10.529
Così dobbiamo iniziare a pensare [br]a questa capacità proprio adesso.

0:18:10.529,0:18:12.579
L'abbiamo già visto, ovviamente.

0:18:12.579,0:18:13.966
Nella Rivoluzione Industriale

0:18:13.966,0:18:17.137
abbiamo visto un cambio di passo [br]nella capacità grazie al motore.

0:18:17.157,0:18:20.805
Il punto è tuttavia che dopo [br]un po' le cose si sono appiattite.

0:18:20.805,0:18:22.507
Ci sono stati disordini sociali,

0:18:22.507,0:18:25.946
ma una volta che il motore è stato usato [br]per generare energia in ogni situazione

0:18:25.946,0:18:28.300
le cose si sono assestate.

0:18:28.300,0:18:29.773
La Rivoluzione dell'Apprendimento [br]Automatico

0:18:29.773,0:18:32.682
sarà molto diversa [br]dalla Rivoluzione Industriale

0:18:32.682,0:18:35.632
perché la Rivoluzione dell'Apprendimento [br]Automatico non si assesterà.

0:18:35.632,0:18:38.042
Più i computer miglioreranno [br]le attività intellettuali

0:18:38.042,0:18:40.452
più si potranno costruire [br]computer migliori

0:18:40.452,0:18:42.862
che miglioreranno [br]le capacità intellettuali,

0:18:42.862,0:18:44.770
quindi questo sarà un cambiamento

0:18:44.770,0:18:47.248
che il mondo non ha davvero [br]mai sperimentato prima

0:18:47.248,0:18:50.554
quindi la vostra comprensione precedente [br]su quel che è possibile, è diverso.

0:18:50.974,0:18:52.754
Sta già avendo un impatto su di noi.

0:18:52.754,0:18:56.384
Negli ultimi 25 anni [br]la produttività del capitale è cresciuta,

0:18:56.400,0:19:00.588
la produttività del lavoro è rimasta [br]uguale, è persino calata un po'.

0:19:01.408,0:19:04.149
Quindi voglio che iniziamo [br]a discuterne sin da adesso.

0:19:04.149,0:19:07.176
So che spesso quando parlo alle persone [br]di questa situazione

0:19:07.176,0:19:08.666
le persone sono piuttosto sprezzanti.

0:19:08.666,0:19:10.339
Del resto i computer [br]non possono veramente pensare,

0:19:10.339,0:19:13.367
non hanno emozioni, [br]non comprendono la poesia,

0:19:13.367,0:19:15.888
non capiamo davvero come funzionano.

0:19:15.888,0:19:17.374
Quindi?

0:19:17.374,0:19:19.668
Già adesso i computer possono fare cose

0:19:19.668,0:19:21.897
per fare le quali le persone [br]vengono pagate,

0:19:21.897,0:19:23.628
quindi è tempo di iniziare a pensare

0:19:23.628,0:19:28.015
a come dovremo modificare [br]le nostre strutture sociali ed economiche

0:19:28.015,0:19:29.855
per diventare consapevoli [br]di questa nuova realtà.

0:19:29.855,0:19:31.388
Grazie.

0:19:31.388,0:19:32.190
(Applausi)