0:00:03.470,0:00:06.760
Intelligenza Artificiale[br]Dati di apprendimento e distorsioni

0:00:07.090,0:00:09.560
L'efficacia dell'apprendimento automatico dipende totalmente

0:00:09.560,0:00:11.499
dalla bontà dei dati usati per l'apprendimento.

0:00:11.499,0:00:13.187
Quindi, è estremamente importante

0:00:13.187,0:00:16.547
avere dati di alta qualità e in gran quantità.

0:00:16.547,0:00:18.479
Ma se i dati sono così importanti,

0:00:18.479,0:00:21.600
bisogna chiedersi da dove provengono i dati di apprendimento?

0:00:21.600,0:00:26.260
Spesso, i computer recuperano i dati da persone come me e te,

0:00:26.260,0:00:28.320
senza sforzi particolari da parte nostra.

0:00:28.320,0:00:29.796
Un servizio di video online

0:00:29.796,0:00:31.529
può tenere traccia di ciò che guardi,

0:00:31.529,0:00:33.830
riconoscendo degli schemi nei dati,

0:00:33.830,0:00:36.780
per poterti consigliare altri video di tuo interesse.

0:00:37.420,0:00:40.253
Altre volte, ti viene espressamente chiesto un aiuto:

0:00:40.253,0:00:43.900
quando un sito web ti chiede di individuare[br]dei cartelli in alcune foto,

0:00:43.900,0:00:46.530
stai fornendo dei dati per addestrare una macchina

0:00:46.530,0:00:49.890
a capire cosa vede e forse in futuro a guidare.

0:00:51.770,0:00:54.380
I ricercatori medici possono utilizzare immagini mediche

0:00:54.380,0:00:55.679
come dati di apprendimento

0:00:55.679,0:00:57.240
per insegnare ai computer

0:00:57.240,0:00:59.900
come riconoscere e diagnosticare le malattie.

0:01:00.300,0:01:02.020
L'Apprendimento Automatico (Machine Learning)

0:01:02.020,0:01:04.252
necessita di centinaia di migliaia di immagini

0:01:04.252,0:01:07.780
e delle indicazioni di un medico che sa cosa cercare,

0:01:07.780,0:01:10.520
prima di poter identificare correttamente le malattie.

0:01:10.520,0:01:12.665
Anche con migliaia di esempi,

0:01:12.665,0:01:15.770
possono esserci dei problemi con le previsioni[br]elaborate dal computer.

0:01:15.770,0:01:19.001
Se si raccolgono solo radiografie di uomini,

0:01:19.001,0:01:21.880
le previsioni del computer funzionano solo per gli uomini.

0:01:21.880,0:01:23.695
E potrebbe non riconoscere le malattie

0:01:23.695,0:01:26.620
quando gli viene chiesto di diagnosticare[br]la radiografia di una donna.

0:01:26.620,0:01:28.720
Questa carenza nei dati di apprendimento

0:01:28.720,0:01:31.070
crea una distorsione (bias).

0:01:31.070,0:01:33.290
I dati distorti favoriscono alcune cose

0:01:33.290,0:01:35.990
e ne penalizzano o escludono altre.

0:01:35.990,0:01:38.713
A seconda di come vengono raccolti i dati di apprendimento,

0:01:38.713,0:01:42.120
di chi li raccoglie e di come vengono forniti,

0:01:42.120,0:01:44.270
c'è la possibilità che dei pregiudizi umani

0:01:44.270,0:01:45.880
siano incorporati nei dati.

0:01:45.880,0:01:48.133
Imparando da dati distorti,

0:01:48.133,0:01:50.747
il computer potrebbe fare delle previsioni distorte,

0:01:50.747,0:01:53.070
anche se chi si occupa dell'apprendimento

0:01:53.070,0:01:54.760
non ne è consapevole.

0:01:54.760,0:01:56.730
Occorre analizzare i dati di apprendimento

0:01:56.730,0:01:58.500
e porsi due domande:

0:01:58.500,0:02:01.487
Ci sono sufficienti dati per addestrare[br]accuratamente un computer?

0:02:01.487,0:02:07.460
E questi dati rappresentano tutti i possibili scenari[br]ed utenti senza parzialità o pregiudizi?

0:02:07.460,0:02:09.570
Ed è qui che tu, come essere umano,

0:02:09.570,0:02:11.160
svolgi un ruolo cruciale.

0:02:11.160,0:02:14.316
Sta a te dare alla macchina dei dati imparziali.

0:02:14.316,0:02:16.802
Ciò significa raccogliere moltissimi esempi,

0:02:16.802,0:02:19.070
da molte fonti differenti.

0:02:19.070,0:02:22.149
Ricordati: quando scegli i dati per l'Apprendimento Automatico,

0:02:22.149,0:02:24.500
stai effettivamente programmando un algoritmo,

0:02:24.500,0:02:27.100
usando i dati di apprendimento invece del codice.

0:02:27.100,0:02:30.180
I dati SONO il codice.

0:02:30.180,0:02:34.400
Migliori sono i dati forniti, meglio il computer imparerà.