Le meravigliose e terribili conseguenze dei computer che apprendono | Jeremy Howard | TEDxBrussels
-
0:10 - 0:13Un tempo, se volevate far svolgere
a un computer un compito nuovo, -
0:13 - 0:15dovevate programmarlo.
-
0:15 - 0:19La programmazione, per chi
di voi ne fosse a digiuno, -
0:19 - 0:22prevede la descrizione,
nei minimi dettagli, -
0:22 - 0:25di ogni istruzione che volete
far eseguire al computer, -
0:25 - 0:27così da raggiungere
l'obiettivo desiderato. -
0:27 - 0:31Ma se nemmeno voi sapeste
descrivere il compito da svolgere, -
0:31 - 0:33la sfida si farebbe molto più complicata.
-
0:33 - 0:37Una sfida raccolta
da quest'uomo, Arthur Samuel. -
0:37 - 0:43Nel 1956, voleva farsi battere
a dama da questo computer. -
0:43 - 0:45Ma come fai a scrivere un programma,
-
0:45 - 0:49preciso in ogni dettaglio, che renda
i computer migliori di te a dama? -
0:49 - 0:51Così gli venne un idea:
-
0:51 - 0:54fece migliaia di partite col computer,
-
0:54 - 0:57perché imparasse a giocare a dama.
-
0:57 - 1:00La strategia funzionò
e nel 1962 -
1:00 - 1:03il computer vinse contro
il campione del Connecticut. -
1:03 - 1:07Arthur Samuel fu così il padre
dell'apprendimento automatico [AA], -
1:07 - 1:08e io gli sono molto riconoscente,
-
1:08 - 1:11da professionista del settore quale sono.
-
1:11 - 1:13Sono stato il presidente di Kaggle,
-
1:13 - 1:16una comunità di oltre 200.000
addetti ai lavori. -
1:16 - 1:18Kaggle indìce sfide
-
1:18 - 1:22che affrontano
problemi finora insoluti, -
1:22 - 1:25e ha al suo attivo centinaia di successi.
-
1:26 - 1:28Da quel punto di vista privilegiato,
ho capito -
1:28 - 1:32molte cose sul passato, sul presente
-
1:32 - 1:34e sul possibile futuro dell'AA.
-
1:34 - 1:37Forse il primo grande successo commerciale
-
1:37 - 1:39dell'AA è stato Google.
-
1:39 - 1:42Google ha mostrato
che si può trovare un'informazione -
1:42 - 1:44con un algoritmo informatico,
-
1:44 - 1:47che si basa sull'AA.
-
1:47 - 1:51Da allora, i successi commerciali
dell'AA sono stati molti. -
1:51 - 1:53Aziende come Amazon e Netflix
-
1:53 - 1:56usano l'AA per suggerire prodotti
che potremmo voler comprare, -
1:56 - 1:58e film che potremmo voler vedere.
-
1:58 - 2:00Mette quasi i brividi, a volte:
-
2:00 - 2:02aziende come LinkedIn e Facebook
-
2:02 - 2:04a volte ti dicono quali potrebbero
essere i tuoi amici -
2:04 - 2:06e non capiamo come possano aver fatto:
-
2:06 - 2:09ci sono riusciti usando
la potenza dell'AA. -
2:09 - 2:13Sono algoritmi che hanno imparato
il loro compito dai dati, -
2:13 - 2:15più che da una classica
programmazione a mano. -
2:16 - 2:18È così che Watson, della IBM,
è riuscito -
2:18 - 2:21a battere due campioni mondiali
di "Jeopardy!", -
2:21 - 2:25rispondendo a domande complesse
e sofisticate come questa. -
2:25 - 2:29[L'antico "Leone di Nimrud" è sparito
dal suo museo nazionale nel 2003] -
2:29 - 2:32È questo che ha permesso
le prime auto automatiche. -
2:32 - 2:34Imparare a riconoscere
la differenza -
2:34 - 2:37tra un albero e un pedone è importante.
-
2:37 - 2:40Noi non sappiamo scrivere
questi programmi "a mano"; -
2:40 - 2:43ma ora, con l'AA, è possibile.
-
2:43 - 2:46Questa macchina ha guidato
oltre un milione di miglia, -
2:46 - 2:49sulla rete stradale,
senza alcun incidente. -
2:49 - 2:52Quindi ora sappiamo
che i computer possono apprendere, -
2:52 - 2:55e imparano a fare cose
-
2:55 - 2:57che a volte nemmeno noi
sappiamo svolgere, -
2:57 - 3:00oppure le sanno svolgere meglio di noi.
-
3:00 - 3:04Uno degli esempi più sorprendenti di AA
-
3:04 - 3:07l'ho visto in un progetto
che ho gestito a Kaggle -
3:07 - 3:10dove un team, guidato da un certo
Geoffrey Hinton, -
3:10 - 3:12dell'Università di Toronto,
-
3:12 - 3:15vinse una sfida per la scoperta
automatica di farmaci. -
3:15 - 3:17L'aspetto straordinario
non è solo che hanno battuto -
3:17 - 3:22gli algoritmi della Merck, o della
comunità accademica internazionale, -
3:22 - 3:27ma che nessuno nel team aveva studiato
chimica, biologia o scienze naturali, -
3:27 - 3:29e ce l'han fatta in due settimane.
-
3:29 - 3:31Come ci sono riusciti?
-
3:31 - 3:34Hanno usato un algoritmo straordinario,
chiamato deep learning. -
3:34 - 3:37Fu un risultato così importante
che il successo fu raccontato -
3:37 - 3:40qualche settimana dopo
sul New York Times, in prima pagina. -
3:40 - 3:43Geoffrey Hinton si vede a sinistra.
-
3:43 - 3:47Il "deep learning" è un algoritmo ispirato
dal funzionamento del cervello umano, -
3:47 - 3:49e di conseguenza è un algoritmo
-
3:49 - 3:52che in teoria non ha limiti
a quello che può fare. -
3:52 - 3:55Più dati, più potenza di calcolo,
gli metti a disposizione, -
3:55 - 3:57migliore diventa.
-
3:57 - 3:59Il New York Times ha mostrato anche,
nel suo articolo, -
3:59 - 4:02un altro risultato del deep learning,
-
4:02 - 4:04che sto per mostrarvi.
-
4:04 - 4:08Mostra che i computer
possono ascoltare e capire. -
4:09 - 4:11(Video) Richard Rashid:
Adesso, l'ultimo tassello -
4:11 - 4:14che vorrei aggiungere al discorso
-
4:14 - 4:17è parlarvi in cinese.
-
4:19 - 4:22L'aspetto chiave, qui,
è che -
4:22 - 4:27siamo stati in grado di raccogliere molte
informazioni da molti parlanti cinesi, -
4:27 - 4:30e produrre un sistema di sintesi vocale
-
4:30 - 4:34che importa il testo cinese
e lo converte in cinese parlato, -
4:35 - 4:39poi abbiamo campionato la mia voce
per un'ora circa -
4:39 - 4:41e l'abbiamo usata per modulare
-
4:41 - 4:45la sintesi vocale standard,
perché suonasse come me. -
4:45 - 4:48Ripeto, il sistema non è perfetto.
-
4:48 - 4:51Ci sono in realtà molti errori.
-
4:51 - 4:53(In cinese)
-
4:53 - 4:57(Applausi)
-
4:58 - 5:01C'è molto lavoro da fare, in quest'area.
-
5:01 - 5:05(In cinese)
-
5:05 - 5:08(Applausi)
-
5:10 - 5:14Jeremy Howard: Questo è avvenuto
a una conferenza sull'AA in Cina. -
5:14 - 5:17È raro che in una conferenza accademica
-
5:17 - 5:19i presenti irrompano in un applauso,
-
5:19 - 5:22anche se a volte,
nelle conferenze TEDx... sentitevi liberi. -
5:22 - 5:25È stato fatto tutto con il deep learning.
-
5:25 - 5:27(Applausi) Grazie.
-
5:27 - 5:29La trascrizione in inglese? Deep learning;
-
5:29 - 5:32la traduzione in cinese e il testo
in alto a destra, deep learning, -
5:32 - 5:36e così anche la sintesi vocale.
-
5:36 - 5:39Il deep learning è straordinario.
-
5:39 - 5:42Un singolo algoritmo che sembra
in grado di fare quasi ogni cosa, -
5:42 - 5:45e ho scoperto che, un anno prima,
aveva anche imparato a vedere. -
5:45 - 5:47In questa competizione,
tenutasi in Germania, -
5:47 - 5:50sul Riconoscimento
dei Segnali Stradali Tedeschi, -
5:50 - 5:53il deep learning riconosceva
segnali stradali come questo. -
5:53 - 5:55E non solo riusciva a riconoscerli
-
5:55 - 5:57meglio di ogni altro algoritmo,
-
5:57 - 6:00il miglior algoritmo si è dimostrato
-
6:00 - 6:02circa due volte migliore degli umani.
-
6:02 - 6:04Nel 2011 abbiamo avuto il primo esempio
-
6:04 - 6:07di computer che possono vedere
meglio delle persone. -
6:07 - 6:09Sono successe molte cose, da allora.
-
6:09 - 6:13Nel 2012, Google ha annunciato
che un algoritmo di deep learning -
6:13 - 6:14ha visto i video di YouTube
-
6:14 - 6:17e ne ha macinato i dati
su 16.000 computer, per un mese, -
6:17 - 6:22e il computer ha elaborato, autonomamente,
concetti come "persone" e "gatti", -
6:22 - 6:24solo guardando i video.
-
6:24 - 6:26È un apprendimento molto simile
a quello umano. -
6:26 - 6:29Non apprendiamo facendoci raccontare
quel che vediamo, -
6:29 - 6:32ma imparando autonomamente
cosa siano quelle cose. -
6:32 - 6:35Sempre nel 2012 Geoffrey Hinton,
che abbiamo visto prima, -
6:35 - 6:38ha vinto una sfida
molto popolare, ImageNet, -
6:38 - 6:42che cerca di capire, guardando
1,5 milioni di immagini, -
6:42 - 6:44il loro soggetto.
-
6:44 - 6:47Al 2014, siamo scesi
ad un tasso di errore del 6%, -
6:47 - 6:49nel riconoscimento automatico.
-
6:49 - 6:51Meglio delle persone, ancora una volta.
-
6:51 - 6:55Le macchine, quindi, svolgono
questi compiti estremamente bene, -
6:55 - 6:57e ora stanno entrando nell'industria.
-
6:57 - 7:00Google, per esempio,
ha annunciato l'anno scorso -
7:00 - 7:04di aver mappato ogni singolo luogo
della Francia in due ore. -
7:04 - 7:08Ci sono riusciti dando le immagini
di Street View a un algoritmo -
7:08 - 7:12di deep learning, perché imparasse
a riconoscere e leggere i numeri civici. -
7:12 - 7:14Immaginate quanto ci sarebbe voluto prima:
-
7:14 - 7:18dozzine di persone, molti anni.
-
7:18 - 7:20Sta succedendo anche in Cina.
-
7:20 - 7:24Baidu, suppongo, è una specie
di Google cinese, -
7:24 - 7:26e in alto a sinistra vedete
-
7:26 - 7:30un esempio dell'immagine che ho caricato
nel sistema di deep learning di Baidu. -
7:30 - 7:34Sotto potete notare che il sistema
ha capito cos'è quell'immagine, -
7:34 - 7:36e ne ha trovate di simili.
-
7:36 - 7:39Le immagini simili, inoltre,
hanno sfondi simili, -
7:39 - 7:42direzioni simili del volto,
alcune anche con la lingua fuori. -
7:42 - 7:45Chiaramente, questo non deriva
dal testo di una pagina web: -
7:45 - 7:47io ho solo caricato un'immagine.
-
7:47 - 7:51Quindi ora abbiamo computer che
capiscono realmente quel che vedono -
7:51 - 7:52e possono cercare nei database
-
7:52 - 7:56di centinaia di milioni
di immagini in tempo reale. -
7:56 - 7:59Ma cosa significa che i computer "vedono"?
-
7:59 - 8:01In realtà non si limitano a vedere:
-
8:01 - 8:03il deep learning fa di più.
-
8:03 - 8:06Frasi complesse e sfumate come questa
-
8:06 - 8:09sono ora comprensibili
con algoritmi di deep learning. -
8:09 - 8:11Come vedete questo sistema,
-
8:11 - 8:13elaborato a Stanford,
con un punto rosso in alto -
8:13 - 8:17ha capito che questa frase
sta esprimendo sentimenti negativi. -
8:17 - 8:20Infatti il deep learning
ha raggiunto livelli quasi umani -
8:20 - 8:25di comprensione del significato
delle frasi, e di cosa esprimono. -
8:25 - 8:28Col deep learning si può
anche leggere il cinese, -
8:28 - 8:31sempre a livelli comparabili
a un cinese madrelingua. -
8:31 - 8:33L'algoritmo è stato
sviluppato in Svizzera, -
8:33 - 8:37da un team in cui nessuno
parlava una parola di cinese. -
8:37 - 8:39Come ho detto, il deep learning
-
8:39 - 8:41è la migliore soluzione a questo problema,
-
8:41 - 8:46anche rispetto
alla comprensione nativa umana. -
8:46 - 8:49Questo è un sistema
che abbiamo elaborato nella mia azienda -
8:49 - 8:51che sfrutta tutte queste
funzionalità insieme. -
8:51 - 8:54Sono immagini
che non hanno testo allegato, -
8:54 - 8:56e man mano che digito queste frasi,
-
8:56 - 8:59il sistema comprende in tempo reale
queste immagini, -
8:59 - 9:01capisce di cosa si tratta
-
9:01 - 9:04e trova immagini simili al testo
che sto scrivendo. -
9:04 - 9:07Come potete vedere,
sta capendo le mie frasi -
9:07 - 9:09e il contenuto delle immagini.
-
9:09 - 9:11Avete già visto qualcosa
del genere con Google: -
9:11 - 9:14digitate cose e lui restituisce immagini;
-
9:14 - 9:18ma lì in realtà ricerca il testo
nella pagina web corrispondente. -
9:18 - 9:21È una cosa molto diversa
dal comprendere davvero le immagini. -
9:21 - 9:23È una cosa che i computer
sono stati in grado di fare, -
9:23 - 9:27per la prima volta, solo qualche mese fa.
-
9:27 - 9:31Quindi ora ci sono computer che possono
non solo vedere ma anche leggere, -
9:31 - 9:34e ovviamente abbiamo dimostrato
che possono capire ciò che sentono. -
9:34 - 9:38Forse ora non vi sorprenderà
sapere che possono scrivere. -
9:38 - 9:43Ecco qualche testo che ho generato ieri
usando un algoritmo di deep learning. -
9:43 - 9:47Ed ecco qualche testo generato
da un algoritmo elaborato a Stanford. -
9:47 - 9:48Le frasi sono state tutte scritte
-
9:48 - 9:53da un algoritmo di deep learning,
per descrivere le immagini. -
9:53 - 9:57L'algoritmo non aveva mai visto prima un
uomo in T-shirt nera suonare la chitarra. -
9:57 - 9:59Aveva già visto un uomo, il colore nero,
-
9:59 - 10:01una chitarra,
-
10:01 - 10:05ma ha generato da solo la didascalia
originale di questa immagine. -
10:05 - 10:09In questo non ha ancora raggiunto
performance umane, ma ci siamo vicini. -
10:09 - 10:13Nei test, gli umani preferiscono
le didascalie automatiche -
10:13 - 10:14una volta su quattro.
-
10:14 - 10:16Questo sistema gira da due sole settimane,
-
10:16 - 10:18quindi entro il prossimo anno [2015]
-
10:18 - 10:21l'algoritmo ci avrà surclassato,
-
10:21 - 10:23al ritmo cui procedono le cose.
-
10:23 - 10:26Quindi, i computer possono anche scrivere.
-
10:26 - 10:29Mettiamo insieme tutto questo,
e si aprono scenari esaltanti. -
10:29 - 10:31In medicina, per esempio,
-
10:31 - 10:33un team di Boston
ha annunciato di aver scoperto -
10:33 - 10:36dozzine di caratteristiche
clinicamente rilevamenti -
10:36 - 10:41di tumori, che aiutano i dottori
a elaborare la prognosi di un tumore. -
10:42 - 10:44A Stanford, analogamente,
-
10:44 - 10:48un gruppo annunciò che,
osservando i tessuti al microscopio, -
10:48 - 10:50avevano sviluppato un sistema di AA
-
10:50 - 10:53che batte i patologi umani
-
10:53 - 10:56nel prevedere i tassi di sopravvivenza
tra i pazienti oncologici. -
10:57 - 11:00In entrambi i casi, non solo
le previsioni erano più accurate, -
11:00 - 11:03ma hanno generato
nuove scoperte scientifiche. -
11:03 - 11:04Nel caso della radiologia,
-
11:04 - 11:07hanno trovato nuovi indicatori clinici
che noi possiamo capire. -
11:07 - 11:09In questo caso patologico,
-
11:09 - 11:14la macchina capì
che le cellule attorno al cancro -
11:14 - 11:17sono importanti quanto
le cellule cancerose stesse, -
11:17 - 11:19quando si fa una diagnosi.
-
11:19 - 11:24Il che è l'opposto di quello che è
stato insegnato ai patologi per decenni. -
11:24 - 11:27In entrambi i casi,
questi sistemi furono sviluppati -
11:27 - 11:31da una combinazione
di esperti medici e di AA, -
11:31 - 11:34ma dall'anno scorso
abbiamo superato anche questo. -
11:34 - 11:37Questo è un esempio
di identificazione delle aree cancerose -
11:37 - 11:40del tessuto umano sotto un microscopio.
-
11:40 - 11:44Questo sistema può identificarle
con un'accuratezza maggiore, -
11:44 - 11:47o almeno analoga, dei patologi umani,
-
11:47 - 11:51ma è fatto tutto col deep learning,
senza l'uso di conoscenze mediche, -
11:51 - 11:53da persone senza formazione medica.
-
11:54 - 11:57Qui vedete una segmentazione dei neuroni.
-
11:57 - 12:00Ora possiamo segmentare i neuroni
con accuratezza quasi umana, -
12:00 - 12:03ma anche questo è stato sviluppato
con il deep learning -
12:03 - 12:06da persone senza formazione medica.
-
12:06 - 12:10A quel punto io, che non mi ero
mai occupato di medicina, -
12:10 - 12:13mi sentivo più che qualificato
ad avviare una nuova azienda medica, -
12:13 - 12:16cosa che feci.
-
12:16 - 12:17Ero terrorizzato da una cosa simile,
-
12:17 - 12:20ma la teoria sembrava ritenere possibile
-
12:20 - 12:26fare ricerca medica di valore usando solo
queste tecniche di analisi dei dati. -
12:26 - 12:28E il feedback, per fortuna,
è stato fantastico, -
12:28 - 12:31da parte non solo dei media
ma dalla comunità medica, -
12:31 - 12:33che mi ha dato molto sostegno.
-
12:33 - 12:37L'idea è che possiamo prendere la fase
intermedia del processo medico -
12:37 - 12:40e trasformarla il più possibile
in analisi dei dati, -
12:40 - 12:42lasciando ai dottori
quello che sanno fare meglio. -
12:42 - 12:44Voglio farvi un esempio.
-
12:44 - 12:49Ora servono circa 15 minuti per generare
un nuovo test diagnostico, -
12:49 - 12:51e ve lo mostrerò in diretta,
-
12:51 - 12:53ma lo comprimerò in tre minuti
-
12:53 - 12:55tagliando un po' di parti.
-
12:55 - 12:58E piuttosto che mostrarvi
una diagnosi medica, -
12:58 - 13:01vi mostrerò una diagnosi
di immagini automobilistiche, -
13:01 - 13:04una cosa che possiamo capire tutti.
-
13:04 - 13:07Inizio inserendo circa 1,5 milioni
di immagini d'auto, -
13:07 - 13:10e voglio creare qualcosa
che possa suddividerle -
13:10 - 13:12per angolo di ripresa.
-
13:12 - 13:16Queste immagini non hanno alcuna
descrizione, quindi devo partire da zero. -
13:16 - 13:18Il nostro algoritmo di deep learning
-
13:18 - 13:22può automaticamente identificare aree
di struttura in queste immagini. -
13:22 - 13:25Il bello è che umani e macchine
ora possono lavorare insieme. -
13:25 - 13:27L'umano, come potete vedere qui,
-
13:27 - 13:30sta descrivendo al computer
le aree di interesse -
13:30 - 13:35che poi vuole allenare a riconoscere.
-
13:35 - 13:39Questi sistemi di deep learning lavorano
in uno spazio di 16.000 dimensioni, -
13:39 - 13:43quindi potete vedere il computer
ruotare nello spazio, -
13:43 - 13:45cercando nuove aree di struttura.
-
13:45 - 13:46E quando riesce nel suo compito,
-
13:46 - 13:50l'umano che lo sta guidando
può evidenziare le aree interessanti. -
13:50 - 13:53Il computer ha trovato
con successo varie aree, -
13:53 - 13:55per esempio gli angoli.
-
13:55 - 13:57Nel corso del processo,
-
13:57 - 13:59facciamo capire sempre meglio al computer
-
13:59 - 14:02che tipo di strutture stiamo cercando.
-
14:02 - 14:03Durante una diagnosi, per esempio,
-
14:03 - 14:07questo sistema identificherebbe
aree patologiche; -
14:07 - 14:12oppure sarebbe un radiologo che
indica noduli potenzialmente problematici. -
14:12 - 14:14E a volte può essere
difficile per l'algoritmo. -
14:14 - 14:16In questo caso si confonde:
-
14:16 - 14:19frontali e retri della macchina
sono tutti confusi. -
14:19 - 14:21Quindi dobbiamo andare un po' più cauti,
-
14:21 - 14:24distinguendo manualmente
i frontali dai retri, -
14:24 - 14:28poi dicendo al computer
che è un tipo di gruppo -
14:28 - 14:31a cui siamo interessati.
-
14:31 - 14:34Facciamo così per un po',
ne tralasciamo alcune, -
14:34 - 14:36poi alleniamo l'algoritmo di AA
-
14:36 - 14:38con questi 200 esempi
-
14:38 - 14:40e speriamo che diventi molto migliore.
-
14:40 - 14:43Potete vedere, ora, che sta
già facendo qualche selezione, -
14:43 - 14:48mostrandoci che sta già capendo
come riconoscerne alcune. -
14:48 - 14:51Possiamo poi lavorare sul
concetto di "immagini simili", -
14:51 - 14:53e con immagini simili, ora potete vederlo,
-
14:53 - 14:57il computer è in grado
di isolare i frontali. -
14:57 - 15:00A questo punto, quindi,
possiamo dire al computer: -
15:00 - 15:02okay, sì, hai fatto un buon lavoro.
-
15:03 - 15:05A volte, naturalmente,
anche in questa fase -
15:05 - 15:09è difficile separare i due gruppi.
-
15:09 - 15:11In questo caso, anche dopo aver lasciato
-
15:11 - 15:14che il computer lo ruotasse per un po',
-
15:14 - 15:16ancora si vede che
le immagini delle due fiancate -
15:16 - 15:18sono mischiate.
-
15:18 - 15:20Allora possiamo dargli altri suggerimenti,
-
15:20 - 15:23e gli diciamo: prova a fare
una previsione che separi, -
15:23 - 15:25quanto più possibile,
il lato sinistro dal destro, -
15:25 - 15:28usando questo algoritmo di deep learning.
-
15:28 - 15:31E dandogli quel suggerimento
- ah, ok, ci è riuscito. -
15:31 - 15:33È riuscito a elaborare un modo
di astrarre questi oggetti -
15:33 - 15:36che li ha separati in gruppi omogenei.
-
15:36 - 15:38Questo per darvi un'idea.
-
15:38 - 15:46È un caso in cui i computer
non sostituiscono il lavoro umano, -
15:46 - 15:49ma lo affiancano.
-
15:49 - 15:52Qui stiamo sostituendo una cosa
che richiedeva una squadra -
15:52 - 15:55di cinque o sei persone, per sette anni,
-
15:55 - 15:57con qualcosa che richiede 15 minuti
-
15:57 - 16:00di una persona sola.
-
16:00 - 16:04Il processo richiede
quattro o cinque iterazioni. -
16:04 - 16:06Potete vedere che ora abbiamo il 62%
-
16:06 - 16:08del nostro 1,5 milioni di immagini
classificate correttamente. -
16:08 - 16:11E a questo punto,
possiamo rapidamente iniziare -
16:11 - 16:12a prendere intere regioni,
-
16:12 - 16:15navigarci per assicurarsi
che non vi siano errori. -
16:15 - 16:19Dove vediamo errori, lasciamo
che il computer apprenda da solo. -
16:19 - 16:22E ripetendo questo processo
per ciascuno dei vari gruppi, -
16:22 - 16:25siamo arrivati all'80 per cento
-
16:25 - 16:27di 1,5 milioni di immagini
ben classificate. -
16:27 - 16:29E a questo punto, si tratta solo
-
16:29 - 16:33di trovare i pochi casi
non correttamente classificati, -
16:33 - 16:36e capire perché sono sbagliati.
-
16:36 - 16:37Con questo approccio,
-
16:37 - 16:41in 15 minuti siamo arrivati ad un
tasso di classificazione del 97%. -
16:41 - 16:46Questo tipo di tecnica ci aiuterebbe
a risolvere un grande problema, -
16:46 - 16:49la scarsità di competenza
medica nel mondo. -
16:49 - 16:53Il World Economic Forum dice
che ci sono da dieci a venti volte -
16:53 - 16:55meno medici, nei paesi
meno sviluppati, del necessario, -
16:55 - 16:57e ci vorrebbero circa 300 anni
-
16:57 - 17:00per formare abbastanza persone
da risolvere il problema. -
17:00 - 17:03Cosa succederebbe se potessimo
potenziare la loro efficienza -
17:03 - 17:06con questi approcci di deep learning?
-
17:06 - 17:08Tutte queste opportunità mi esaltano.
-
17:08 - 17:11Mi preoccupano anche i problemi, però.
-
17:11 - 17:14E il problema, qui, è che
ogni area blu di questa mappa -
17:14 - 17:18è un posto dove i servizi assorbono
più dell'80% di forza lavoro. -
17:18 - 17:19Cosa sono i servizi?
-
17:19 - 17:21Sono questi.
-
17:21 - 17:23Proprio quelle cose
-
17:23 - 17:26che i computer
hanno appena imparato a fare. -
17:26 - 17:29L'80 % degli occupati,
nel mondo sviluppato, -
17:29 - 17:31fa cose che i computer
hanno appena imparato a fare. -
17:31 - 17:33Cosa significa tutto questo?
-
17:33 - 17:35Sarà fantastico! Faremo altro!
-
17:35 - 17:38Per esempio, ci sarà più lavoro
per chi raccoglie dati! -
17:38 - 17:39Be', non proprio.
-
17:39 - 17:42Per fare queste cose, non serviranno
scienziati molto a lungo. -
17:42 - 17:45Questi quattro algoritmi, ad esempio,
li ha scritti una sola persona. -
17:45 - 17:48Se pensate: è già successo,
-
17:48 - 17:52abbiamo visto i risultati in passato,
quando si presentava una novità -
17:52 - 17:54e nuove professioni
facevano capolino, -
17:54 - 17:56quali saranno queste nuove professioni?
-
17:56 - 17:58È molto difficile per noi dirlo,
-
17:58 - 18:01perché la performance umana
cresce a ritmo graduale; -
18:01 - 18:03ma ora abbiamo un sistema,
il deep learning, -
18:03 - 18:06che sappiamo migliorare esponenzialmente.
-
18:06 - 18:08E ora siamo a questo livello,
-
18:08 - 18:10quindi vediamo le cose attorno a noi
-
18:10 - 18:13e i computer ci sembrano ancora
molto stupidi, vero? -
18:13 - 18:16Ma da qui a cinque anni,
la loro curva uscirà dal grafico. -
18:16 - 18:20Dobbiamo, dunque, cominciare
a preoccuparci di queste forze già ora. -
18:20 - 18:22Ci siamo già passati, naturalmente:
-
18:22 - 18:23nella Rivoluzione Industriale
-
18:23 - 18:26i motori hanno fatto "cambiare marcia"
alla produttività. -
18:27 - 18:30Tuttavia, dopo un po'
la curva si appiattì. -
18:30 - 18:32Fu socialmente dirompente,
-
18:32 - 18:35ma una volta che i motori vennero
usati per ogni esigenza di potenza, -
18:35 - 18:38le cose si stabilizzarono.
-
18:38 - 18:39La Rivoluzione dell'AA
-
18:39 - 18:42sarà molto diversa
dalla Rivoluzione Industriale, -
18:42 - 18:45perché inarrestabile.
-
18:45 - 18:48Migliori diventeranno i computer
nelle attività intellettive, -
18:48 - 18:52meglio costruiranno computer ancora
migliori nelle attività intellettive, -
18:52 - 18:54quindi sarà un tipo di sfida
-
18:54 - 18:57che il mondo non ha mai affrontato prima,
-
18:57 - 19:00e la vostra comprensione
di cos'è possibile cambierà. -
19:00 - 19:02Tutto questo ci condiziona già ora:
-
19:02 - 19:06negli ultimi 25 anni, man mano che
la produttività del capitale aumentava, -
19:06 - 19:10la produttività del lavoro è rimasta
stabile, anzi è pure un po' calata. -
19:11 - 19:14Quindi vorrei che cominciassimo
a parlarne fin d'ora. -
19:14 - 19:16Spesso le persone,
quando parlo di questa situazione, -
19:16 - 19:18la rifutano nettamente:
-
19:18 - 19:20i computer in realtà non pensano,
-
19:20 - 19:23non hanno emozioni,
non capiscono le poesie, -
19:23 - 19:25non capiamo davvero come funzionino.
-
19:25 - 19:27E allora?
-
19:27 - 19:29Oggi i computer
svolgono quei compiti -
19:29 - 19:31per cui vendiamo gran
parte del nostro tempo, -
19:31 - 19:35quindi è giunto il momento
di chiedersi come adattare -
19:35 - 19:37le nostre strutture economiche e sociali
-
19:37 - 19:39a questa nuova realtà.
-
19:39 - 19:41Grazie.
-
19:41 - 19:43(Applausi)
- Title:
- Le meravigliose e terribili conseguenze dei computer che apprendono | Jeremy Howard | TEDxBrussels
- Description:
-
Cosa succede quando insegniamo a un computer ad apprendere per conto suo? Jeremy Howard ci mostra alcuni nuovi, sorprendenti sviluppi nel settore in rapida evoluzione del deep learning, una tecnica che rende i computer in grado di imparare il cinese, riconoscere gli oggetti nelle foto o aiutare a formulare diagnosi. (Un algoritmo di deep learning, dopo aver visto ore di filmati YouTube, ha elaborato da solo il concetto di "gatto") Lasciatevi affascinare da un settore che cambierà il modo in cui si comportano i computer attorno a voi... prima di quanto probabilmente pensiate.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47