The wonderful and terrifying implications of computers that can learn | Jeremy Howard

597,885 views ・ 2014-12-16

TED


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Debora Serrentino Revisore: Arcangela Rossi
00:12
It used to be that if you wanted to get a computer to do something new,
0
12880
4013
Un tempo se volevate far fare qualcosa di nuovo ad un computer
00:16
you would have to program it.
1
16893
1554
dovevate programmarlo.
00:18
Now, programming, for those of you here that haven't done it yourself,
2
18447
3411
La programmazione, per quelli di voi che non l'hanno mai provata,
00:21
requires laying out in excruciating detail
3
21858
3502
richiede una spiegazione dettagliata
00:25
every single step that you want the computer to do
4
25360
3367
di ogni singolo passaggio che volete che il computer faccia
00:28
in order to achieve your goal.
5
28727
2362
per ottenere il vostro scopo.
00:31
Now, if you want to do something that you don't know how to do yourself,
6
31089
3496
Se volete fare qualcosa che nemmeno voi sapete come si faccia,
00:34
then this is going to be a great challenge.
7
34585
2063
potrebbe essere una sfida eccezionale.
00:36
So this was the challenge faced by this man, Arthur Samuel.
8
36648
3483
Questa è la sfida affrontata da quest'uomo, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
40131
4077
Nel 1956 voleva che il suo computer
00:44
to be able to beat him at checkers.
10
44208
2340
fosse in grado di batterlo a dama.
00:46
How can you write a program,
11
46548
2040
Come si può scrivere un programma
00:48
lay out in excruciating detail, how to be better than you at checkers?
12
48588
3806
che spieghi in modo dettagliato come essere migliori di voi a dama?
00:52
So he came up with an idea:
13
52394
1722
Ebbe un'idea:
00:54
he had the computer play against itself thousands of times
14
54116
3724
fece giocare il computer contro sé stesso migliaia di volte
00:57
and learn how to play checkers.
15
57840
2524
per imparare a giocare a dama.
01:00
And indeed it worked, and in fact, by 1962,
16
60364
3180
E ha davvero funzionato, infatti nel 1962
01:03
this computer had beaten the Connecticut state champion.
17
63544
4017
questo computer ha battuto il campione del Connecticut.
01:07
So Arthur Samuel was the father of machine learning,
18
67561
2973
Così Arthur Samuel è stato il padre dell'apprendimento automatico,
01:10
and I have a great debt to him,
19
70534
1717
ed ho un grande debito con lui,
01:12
because I am a machine learning practitioner.
20
72251
2763
perché sono un professionista dell'apprendimento automatico.
01:15
I was the president of Kaggle,
21
75014
1465
Sono stato il presidente di Kaggle
01:16
a community of over 200,000 machine learning practictioners.
22
76479
3388
una comunità di oltre 200 000
professionisti dell'apprendimento automatico.
01:19
Kaggle puts up competitions
23
79867
2058
Kaggle crea delle competizioni
01:21
to try and get them to solve previously unsolved problems,
24
81925
3708
per cercare di risolvere problemi irrisolti
01:25
and it's been successful hundreds of times.
25
85633
3837
e ce l'ha fatta centinaia di volte.
Da questo punto di osservazione sono stato in grado di scoprire
01:29
So from this vantage point, I was able to find out
26
89470
2470
01:31
a lot about what machine learning can do in the past, can do today,
27
91940
3950
molto su quanto l'apprendimento automatico
ha potuto fare in passato, su quel che può fare oggi,
01:35
and what it could do in the future.
28
95890
2362
e su cosa potrà fare in futuro.
01:38
Perhaps the first big success of machine learning commercially was Google.
29
98252
4423
Probabilmente il primo grande successo dell'apprendimento automatico
in commercio è stato Google.
01:42
Google showed that it is possible to find information
30
102675
3109
Google ha mostrato che è possibile trovare informazioni
01:45
by using a computer algorithm,
31
105784
1752
usando un algoritmo informatico,
01:47
and this algorithm is based on machine learning.
32
107536
2901
un algoritmo basato sull'apprendimento automatico.
01:50
Since that time, there have been many commercial successes of machine learning.
33
110437
3886
Da allora ci sono stati numerosi successi commerciali nell'apprendimento automatico.
01:54
Companies like Amazon and Netflix
34
114323
1837
Società quali Amazon e Netflix
01:56
use machine learning to suggest products that you might like to buy,
35
116160
3716
usano l'apprendimento automatico per suggerire
prodotti che potreste voler acquistare,
01:59
movies that you might like to watch.
36
119876
2020
film che potreste voler vedere.
02:01
Sometimes, it's almost creepy.
37
121896
1807
A volte è quasi inquietante.
02:03
Companies like LinkedIn and Facebook
38
123703
1954
Società come Linkedin e Facebook
02:05
sometimes will tell you about who your friends might be
39
125657
2594
talvolta vi diranno chi potrebbe essere vostro amico
02:08
and you have no idea how it did it,
40
128251
1977
e non avete idea di come ci riescano
02:10
and this is because it's using the power of machine learning.
41
130228
2967
e questo perché stanno utilizzando l'apprendimento automatico.
02:13
These are algorithms that have learned how to do this from data
42
133195
2957
Sono algoritmi che hanno imparato tutto questo dai dati
02:16
rather than being programmed by hand.
43
136152
3247
invece che dalla programmazione manuale.
02:19
This is also how IBM was successful
44
139399
2478
La IBM è riuscita in questo modo
02:21
in getting Watson to beat the two world champions at "Jeopardy,"
45
141877
3862
a far sì che Watson battesse due campioni mondiali di "Jeopardy"
02:25
answering incredibly subtle and complex questions like this one.
46
145739
3225
rispondendo a domande incredibilmente acute e complesse come queste.
02:28
["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]
47
148964
2835
["L'antico leone di Nimrud" è scomparso dal museo nazionale di questa città nel 2003 (insieme ad altro materiale)"]
02:31
This is also why we are now able to see the first self-driving cars.
48
151799
3235
Ed ecco perché siamo in grado di vedere la prima auto che si guida da sola.
02:35
If you want to be able to tell the difference between, say,
49
155034
2822
Se vogliamo essere in grado di dire la differenza tra, diciamo,
02:37
a tree and a pedestrian, well, that's pretty important.
50
157856
2632
un albero ed un pedone, allora questo è piuttosto importante.
02:40
We don't know how to write those programs by hand,
51
160488
2587
Non sappiamo come scrivere questi programmi manualmente
02:43
but with machine learning, this is now possible.
52
163075
2997
ma con l'apprendimento automatico adesso è possibile.
02:46
And in fact, this car has driven over a million miles
53
166072
2608
Questa auto ha guidato per oltre un milione di chilometri,
02:48
without any accidents on regular roads.
54
168680
3506
su strada normale, senza alcun incidente.
02:52
So we now know that computers can learn,
55
172196
3914
Adesso sappiamo che i computer possono imparare,
02:56
and computers can learn to do things
56
176110
1900
i computer possono imparare a fare cose
che nemmeno noi non sappiamo fare,
02:58
that we actually sometimes don't know how to do ourselves,
57
178010
2838
03:00
or maybe can do them better than us.
58
180848
2885
o che magari possono fare meglio di noi.
03:03
One of the most amazing examples I've seen of machine learning
59
183733
4195
Uno degli esempi più impressionanti di apprendimento automatico che ho visto
03:07
happened on a project that I ran at Kaggle
60
187928
2392
è stato durante un progetto che ho condotto a Kaggle
03:10
where a team run by a guy called Geoffrey Hinton
61
190320
3591
dove un gruppo guidato da un tipo chiamato Geoffrey Hinton
03:13
from the University of Toronto
62
193911
1552
dell'università di Toronto
03:15
won a competition for automatic drug discovery.
63
195463
2677
ha vinto una competizione per la scoperta automatica di droghe.
03:18
Now, what was extraordinary here is not just that they beat
64
198140
2847
La cosa straordinaria qui, non è soltanto che hanno battuto
03:20
all of the algorithms developed by Merck or the international academic community,
65
200987
4013
tutti gli algoritmi sviluppati da Merck o dalla comunità accademica internazionale
ma il fatto che nessuno nella squadra avesse mai avuto
03:25
but nobody on the team had any background in chemistry or biology or life sciences,
66
205000
5061
esperienza in chimica o in biologia o in scienze biologiche
03:30
and they did it in two weeks.
67
210061
2169
e l'hanno fatto in due settimane.
03:32
How did they do this?
68
212230
1381
Come ci sono riusciti?
Hanno utilizzato un algoritmo fenomenale chiamato apprendimento approfondito.
03:34
They used an extraordinary algorithm called deep learning.
69
214421
2921
03:37
So important was this that in fact the success was covered
70
217342
2949
Questo successo è stato così importante da essere stato pubblicato in un articolo
03:40
in The New York Times in a front page article a few weeks later.
71
220291
3121
nella prima pagina del New York Times poche settimane dopo.
03:43
This is Geoffrey Hinton here on the left-hand side.
72
223412
2735
Questo qui a sinistra è Geoffrey Hinton.
Apprendimento approfondito è un algoritmo
03:46
Deep learning is an algorithm inspired by how the human brain works,
73
226147
4341
ispirato al funzionamento del cervello umano
03:50
and as a result it's an algorithm
74
230488
1812
che ha come risultato un algoritmo
03:52
which has no theoretical limitations on what it can do.
75
232300
3841
che non ha limiti teorici su quel che può fare.
03:56
The more data you give it and the more computation time you give it,
76
236141
2823
Più dati gli si forniscono e più tempo di calcolo gli si dà,
03:58
the better it gets.
77
238964
1312
meglio funziona.
04:00
The New York Times also showed in this article
78
240276
2339
Il New York Times ha anche spiegato in questo articolo
un altro straordinario
04:02
another extraordinary result of deep learning
79
242615
2242
risultato dell'apprendimento approfondito
04:04
which I'm going to show you now.
80
244857
2712
che sto per mostrarvi.
04:07
It shows that computers can listen and understand.
81
247569
4941
Mostra che i computer possono ascoltare e capire.
04:12
(Video) Richard Rashid: Now, the last step
82
252510
2711
(Video) Richard Rashid: l'ultimo passo
04:15
that I want to be able to take in this process
83
255221
3025
che voglio essere in grado di compiere in questo processo
04:18
is to actually speak to you in Chinese.
84
258246
4715
è di parlarvi veramente in cinese.
04:22
Now the key thing there is,
85
262961
2635
Il punto chiave qui
04:25
we've been able to take a large amount of information from many Chinese speakers
86
265596
5002
è che siamo stati in grado di prendere una gran quantità
di informazioni da numerosi parlanti cinesi
04:30
and produce a text-to-speech system
87
270598
2530
per produrre un sistema da testo a voce
04:33
that takes Chinese text and converts it into Chinese language,
88
273128
4673
che prende il testo cinese e lo converte in lingua cinese
04:37
and then we've taken an hour or so of my own voice
89
277801
4128
e abbiamo preso più o meno un'ora della mia stessa voce
04:41
and we've used that to modulate
90
281929
1891
e l'abbiamo utilizzata per modulare
04:43
the standard text-to-speech system so that it would sound like me.
91
283820
4544
un sistema standard da testo a voce in modo che suoni come la mia.
04:48
Again, the result's not perfect.
92
288364
2540
Il risultato non è perfetto.
04:50
There are in fact quite a few errors.
93
290904
2648
In realtà ci sono un po' di errori.
04:53
(In Chinese)
94
293552
2484
(In cinese)
04:56
(Applause)
95
296036
3367
(Applausi)
C'è ancora molto da fare in questo settore.
05:01
There's much work to be done in this area.
96
301446
3576
05:05
(In Chinese)
97
305022
3645
(In cinese)
05:08
(Applause)
98
308667
3433
(Applausi)
Jeremy Howard:
05:13
Jeremy Howard: Well, that was at a machine learning conference in China.
99
313345
3399
questo è accaduto alla conferenza
sull'apprendimento automatico in Cina.
05:16
It's not often, actually, at academic conferences
100
316744
2370
Non capita davvero spesso alle conferenze accademiche
05:19
that you do hear spontaneous applause,
101
319114
1897
di sentire applausi spontanei
benché ovviamente talvolta
05:21
although of course sometimes at TEDx conferences, feel free.
102
321011
3676
alle conferenze TEDx siate liberi di farlo.
05:24
Everything you saw there was happening with deep learning.
103
324687
2795
Tutto quello che avete visto è accaduto grazie all'apprendimento approfondito.
(Applausi)
05:27
(Applause) Thank you.
104
327482
1525
Grazie.
05:29
The transcription in English was deep learning.
105
329007
2282
La trascrizione in inglese è apprendimento approfondito.
05:31
The translation to Chinese and the text in the top right, deep learning,
106
331289
3412
La traduzione in cinese e il testo in alto a destra, apprendimento approfondito,
05:34
and the construction of the voice was deep learning as well.
107
334701
3307
e la costruzione della voce ancora apprendimento approfondito.
05:38
So deep learning is this extraordinary thing.
108
338008
3234
Dunque l'apprendimento approfondito è questa cosa straordinaria.
05:41
It's a single algorithm that can seem to do almost anything,
109
341242
3099
È un singolo algoritmo che sembra essere in grado di fare qualsiasi cosa
05:44
and I discovered that a year earlier, it had also learned to see.
110
344341
3111
e ho scoperto che un anno prima ha anche imparato a vedere.
05:47
In this obscure competition from Germany
111
347452
2176
In questa sconosciuta competizione dalla Germania
05:49
called the German Traffic Sign Recognition Benchmark,
112
349628
2597
chiamata lo Standard tedesco per il riconoscimento dei segnali stradali
05:52
deep learning had learned to recognize traffic signs like this one.
113
352225
3393
l'apprendimento approfondito ha imparato a riconoscere segnali stradali come questo.
05:55
Not only could it recognize the traffic signs
114
355618
2094
Non solo può riconoscere i segnali stradali
05:57
better than any other algorithm,
115
357712
1758
meglio di qualunque altro algoritmo
05:59
the leaderboard actually showed it was better than people,
116
359470
2719
la classifica dei leader mostra che in realtà è stato migliore delle persone,
06:02
about twice as good as people.
117
362189
1852
almeno il doppio delle persone.
06:04
So by 2011, we had the first example
118
364041
1996
Così nel 2011 abbiamo avuto il primo esempio
06:06
of computers that can see better than people.
119
366037
3405
di computer che può vedere meglio delle persone.
06:09
Since that time, a lot has happened.
120
369442
2049
Da allora sono successe molte cose.
06:11
In 2012, Google announced that they had a deep learning algorithm
121
371491
3514
Nel 2012 Google ha annunciato che un algoritmo di apprendimento approfondito
06:15
watch YouTube videos
122
375005
1415
ha guardato i video di YouTube
06:16
and crunched the data on 16,000 computers for a month,
123
376420
3437
e ha suddiviso i dati su 16 000 computer per un mese
06:19
and the computer independently learned about concepts such as people and cats
124
379857
4361
e il computer ha imparato in modo autonomo concetti quali persone e gatti
06:24
just by watching the videos.
125
384218
1809
solo guardando i video.
06:26
This is much like the way that humans learn.
126
386027
2352
Assomiglia molto al modo di imparare degli uomini.
06:28
Humans don't learn by being told what they see,
127
388379
2740
Gli uomini non apprendono quando gli si dice cosa vedono,
06:31
but by learning for themselves what these things are.
128
391119
3331
ma apprendendo da soli cosa sono queste cose.
06:34
Also in 2012, Geoffrey Hinton, who we saw earlier,
129
394450
3369
Anche nel 2012 Geoffrey Hinton, che abbiamo visto prima,
06:37
won the very popular ImageNet competition,
130
397819
2858
ha vinto la popolarissima competizione ImageNet
06:40
looking to try to figure out from one and a half million images
131
400677
4141
cercando di capire da un milione e mezzo di immagini
06:44
what they're pictures of.
132
404818
1438
di che cosa erano la foto.
06:46
As of 2014, we're now down to a six percent error rate
133
406256
3533
Già dal 2014 siamo a meno del sei percento del tasso di errore
06:49
in image recognition.
134
409789
1453
nel riconoscimento delle immagini.
06:51
This is better than people, again.
135
411242
2026
Ancora una volta meglio delle persone.
06:53
So machines really are doing an extraordinarily good job of this,
136
413268
3769
Le macchine stanno davvero facendo un lavoro straordinario qui
06:57
and it is now being used in industry.
137
417037
2269
e verrà utilizzato nell'industria.
06:59
For example, Google announced last year
138
419306
3042
Per esempio, Google lo scorso anno ha annunciato
07:02
that they had mapped every single location in France in two hours,
139
422348
4585
che ha mappato ogni singola località in Francia in due ore
07:06
and the way they did it was that they fed street view images
140
426933
3447
e lo ha fatto fornendo immagini di strade
ad un algoritmo di apprendimento approfondito
07:10
into a deep learning algorithm to recognize and read street numbers.
141
430380
4319
per riconoscere e leggere i numeri civici.
07:14
Imagine how long it would have taken before:
142
434699
2220
Immaginate quanto si sarebbe impiegato prima:
07:16
dozens of people, many years.
143
436919
3355
dozzine di persone, diversi anni.
07:20
This is also happening in China.
144
440274
1911
Sta accadendo anche in Cina.
07:22
Baidu is kind of the Chinese Google, I guess,
145
442185
4036
Baidu è una sorta di Google cinese, immagino,
07:26
and what you see here in the top left
146
446221
2283
e quel che potete vedere in alto a sinistra
07:28
is an example of a picture that I uploaded to Baidu's deep learning system,
147
448504
3974
è un esempio delle immagini che ho caricato
nel sistema di apprendimento approfondito di Baidu,
07:32
and underneath you can see that the system has understood what that picture is
148
452478
3769
al di sotto potete vedere che il sistema ha capito che cos'è quell'immagine
07:36
and found similar images.
149
456247
2236
e ha trovato immagini simili.
07:38
The similar images actually have similar backgrounds,
150
458483
2736
In effetti le immagini simili hanno sfondi simili,
07:41
similar directions of the faces,
151
461219
1658
simili direzioni dei volti,
07:42
even some with their tongue out.
152
462877
1788
alcuni persino con la lingua fuori.
07:44
This is not clearly looking at the text of a web page.
153
464665
3030
Questo non sta certamente cercando il testo in una pagina del web.
07:47
All I uploaded was an image.
154
467695
1412
Tutto quello che ho caricato è un'immagine.
07:49
So we now have computers which really understand what they see
155
469107
4021
Così adesso abbiamo computer che comprendono davvero quello che vedono
07:53
and can therefore search databases
156
473128
1624
e che possono di conseguenza cercare nei database
07:54
of hundreds of millions of images in real time.
157
474752
3554
di centinaia di milioni di immagini in tempo reale.
07:58
So what does it mean now that computers can see?
158
478306
3230
Cosa significa che i computer possono vedere?
08:01
Well, it's not just that computers can see.
159
481536
2017
Non è solo che i computer possono vedere.
08:03
In fact, deep learning has done more than that.
160
483553
2069
Infatti l'apprendimento approfondito ha fatto molto più di questo.
08:05
Complex, nuanced sentences like this one
161
485622
2948
Frasi complesse e sfumate come questa
adesso sono comprensibili
08:08
are now understandable with deep learning algorithms.
162
488570
2824
con un algoritmo di apprendimento approfondito.
08:11
As you can see here,
163
491394
1303
Come potete vedere qui,
08:12
this Stanford-based system showing the red dot at the top
164
492697
2768
questo sistema basato su Stanford che mostra punti rossi in cima
08:15
has figured out that this sentence is expressing negative sentiment.
165
495465
3919
ha capito che questa frase sta esprimendo un sentimento negativo.
08:19
Deep learning now in fact is near human performance
166
499384
3406
L'apprendimento approfondito è simile al comportamento umano
08:22
at understanding what sentences are about and what it is saying about those things.
167
502802
5121
nel comprendere quello di cui tratta
la frase e che cosa sta dicendo su queste cose.
08:27
Also, deep learning has been used to read Chinese,
168
507923
2728
L'apprendimento approfondito è stato utilizzato per leggere il cinese
08:30
again at about native Chinese speaker level.
169
510651
3156
ad un livello simile a quello di un madrelingua.
08:33
This algorithm developed out of Switzerland
170
513807
2168
Questo algoritmo è stato sviluppato in Svizzera
08:35
by people, none of whom speak or understand any Chinese.
171
515975
3356
da persone che non parlavano o capivano il cinese.
08:39
As I say, using deep learning
172
519331
2051
Come ho detto, l'uso dell'apprendimento approfondito
08:41
is about the best system in the world for this,
173
521382
2219
è praticamente il sistema migliore del mondo per fare questo,
08:43
even compared to native human understanding.
174
523601
5117
anche paragonato alla conoscenza umana.
08:48
This is a system that we put together at my company
175
528718
2964
Questo è il sistema che abbiamo messo a punto nella mia azienda,
08:51
which shows putting all this stuff together.
176
531682
2046
che mostra come mettere tutto questo materiale insieme.
08:53
These are pictures which have no text attached,
177
533728
2461
Queste immagini non hanno alcun testo allegato
08:56
and as I'm typing in here sentences,
178
536189
2352
e mentre sto digitando queste frasi
08:58
in real time it's understanding these pictures
179
538541
2969
in tempo reale sta capendo queste immagini
09:01
and figuring out what they're about
180
541510
1679
e immaginando cosa riguardano
09:03
and finding pictures that are similar to the text that I'm writing.
181
543189
3163
e trovando immagini simili al testo che sto scrivendo.
09:06
So you can see, it's actually understanding my sentences
182
546352
2756
Come potete vedere, sta effettivamente capendo le mie frasi
09:09
and actually understanding these pictures.
183
549108
2224
e sta realmente comprendendo queste immagini.
09:11
I know that you've seen something like this on Google,
184
551332
2559
So che avete visto qualcosa di simile su Google
09:13
where you can type in things and it will show you pictures,
185
553891
2775
dove potete digitare cose e lui vi mostra delle immagini,
09:16
but actually what it's doing is it's searching the webpage for the text.
186
556666
3424
ma in realtà quello che fa è cercare una pagina web riferita al testo.
09:20
This is very different from actually understanding the images.
187
560090
3001
È molto diverso dal capire davvero le immagini.
09:23
This is something that computers have only been able to do
188
563091
2752
È una cosa che i computer sono stati in grado di fare
09:25
for the first time in the last few months.
189
565843
3248
per la prima volta negli ultimi mesi.
Vediamo che i computer non soltanto
09:29
So we can see now that computers can not only see but they can also read,
190
569091
4091
possono vedere le immagini, possono anche leggere
09:33
and, of course, we've shown that they can understand what they hear.
191
573182
3765
e ovviamente mostrare che possono comprendere quello che sentono.
Forse non vi sorprenderà quello che sto per dirvi,
09:36
Perhaps not surprising now that I'm going to tell you they can write.
192
576947
3442
cioè che sono in grado di scrivere.
09:40
Here is some text that I generated using a deep learning algorithm yesterday.
193
580389
4783
Ecco un testo che ho scritto ieri utilizzando
un algoritmo di apprendimento approfondito.
09:45
And here is some text that an algorithm out of Stanford generated.
194
585172
3924
Ed ecco un testo che un algoritmo di Stanford ha creato.
09:49
Each of these sentences was generated
195
589096
1764
Ognuna di queste frasi è stata creata
09:50
by a deep learning algorithm to describe each of those pictures.
196
590860
4249
da un algoritmo di apprendimento approfondito
per descrivere ognuna di queste immagini.
09:55
This algorithm before has never seen a man in a black shirt playing a guitar.
197
595109
4472
Questo algoritmo non ha mai visto
un uomo in maglietta nera che suona la chitarra.
09:59
It's seen a man before, it's seen black before,
198
599581
2220
Ha già visto un uomo prima, ha già visto il nero prima,
10:01
it's seen a guitar before,
199
601801
1599
ha già visto una chitarra prima,
10:03
but it has independently generated this novel description of this picture.
200
603400
4294
ma ha generato in modo autonomo questa nuova descrizione di questa fotografia.
10:07
We're still not quite at human performance here, but we're close.
201
607694
3502
Non è ancora una prestazione umana, ma ci siamo vicini.
10:11
In tests, humans prefer the computer-generated caption
202
611196
4068
Nei test, gli uomini preferiscono un sottotitolo generato dal computer
10:15
one out of four times.
203
615264
1527
una volta su quattro.
10:16
Now this system is now only two weeks old,
204
616791
2064
Questo sistema ha soltanto due settimane,
10:18
so probably within the next year,
205
618855
1846
quindi forse entro il prossimo anno
10:20
the computer algorithm will be well past human performance
206
620701
2801
l'algoritmo informatico sarà oltre la prestazione umana
10:23
at the rate things are going.
207
623502
1862
alla velocità con cui vanno le cose.
10:25
So computers can also write.
208
625364
3049
I computer possono anche scrivere.
10:28
So we put all this together and it leads to very exciting opportunities.
209
628413
3475
Abbiamo messo tutto insieme e ci ha portato ad opportunità emozionanti.
10:31
For example, in medicine,
210
631888
1492
Per esempio in medicina
10:33
a team in Boston announced that they had discovered
211
633380
2525
un gruppo di Boston ha annunciato che ha scoperto
10:35
dozens of new clinically relevant features
212
635905
2949
dozzine di caratteristiche dei tumori clinicamente rilevanti
10:38
of tumors which help doctors make a prognosis of a cancer.
213
638854
4266
che aiutano i medici nel fare una prognosi del cancro.
Analogamente, a Stanford
10:44
Very similarly, in Stanford,
214
644220
2296
10:46
a group there announced that, looking at tissues under magnification,
215
646516
3663
un gruppo ha annunciato che osservando i tessuti ingranditi
10:50
they've developed a machine learning-based system
216
650179
2381
hanno sviluppato un sistema basato sull'apprendimento automatico
10:52
which in fact is better than human pathologists
217
652560
2582
che è migliore dei patologi umani
10:55
at predicting survival rates for cancer sufferers.
218
655142
4377
nel predire le percentuali di sopravvivenza nei malati di cancro.
10:59
In both of these cases, not only were the predictions more accurate,
219
659519
3245
In entrambi i casi non solo le previsioni sono più accurate
11:02
but they generated new insightful science.
220
662764
2502
ma generano una nuova scienza intelligente.
11:05
In the radiology case,
221
665276
1505
Nel caso della radiologia
11:06
they were new clinical indicators that humans can understand.
222
666781
3095
sono nuovi indicatori clinici che gli umani possono comprendere.
11:09
In this pathology case,
223
669876
1792
Nel caso di questa patologia
11:11
the computer system actually discovered that the cells around the cancer
224
671668
4500
il sistema informatico ha scoperto che le cellule intorno al cancro
11:16
are as important as the cancer cells themselves
225
676168
3340
sono importanti quanto le cellule tumorali stesse
11:19
in making a diagnosis.
226
679508
1752
per fare una diagnosi.
11:21
This is the opposite of what pathologists had been taught for decades.
227
681260
5361
È il contrario di quanto è stato insegnato ai patologi per decenni.
11:26
In each of those two cases, they were systems developed
228
686621
3292
In ognuno dei due casi sono sistemi sviluppati
11:29
by a combination of medical experts and machine learning experts,
229
689913
3621
da una combinazione di esperti in medicina
e di esperti in apprendimento automatico
11:33
but as of last year, we're now beyond that too.
230
693534
2741
ma a partire dallo scorso anno siamo andati anche oltre.
11:36
This is an example of identifying cancerous areas
231
696275
3549
Questo è un esempio di identificazione delle aree tumorali
11:39
of human tissue under a microscope.
232
699824
2530
di un tessuto umano al microscopio.
11:42
The system being shown here can identify those areas more accurately,
233
702354
4613
Questo sistema può identificare le aree con maggiore accuratezza
11:46
or about as accurately, as human pathologists,
234
706967
2775
o con la stessa accuratezza di un patologo umano
11:49
but was built entirely with deep learning using no medical expertise
235
709742
3392
ma è stato costruito interamente
con l'apprendimento approfondito
11:53
by people who have no background in the field.
236
713134
2526
da persone che non hanno alcuna competenza in questo settore.
11:56
Similarly, here, this neuron segmentation.
237
716730
2555
Analogamente qui c'è la segmentazione di un neurone.
Ora siamo in grado di segmentare
11:59
We can now segment neurons about as accurately as humans can,
238
719285
3668
i neuroni con la stessa accuratezza degli uomini,
12:02
but this system was developed with deep learning
239
722953
2717
ma questo sistema è stato sviluppato con l'apprendimento approfondito
12:05
using people with no previous background in medicine.
240
725670
3251
da persone con nessuna competenza in medicina.
12:08
So myself, as somebody with no previous background in medicine,
241
728921
3227
Io stesso, da persona senza alcuna competenza in medicina,
12:12
I seem to be entirely well qualified to start a new medical company,
242
732148
3727
sono pienamente qualificato per iniziare una nuova società medica,
12:15
which I did.
243
735875
2146
cosa che ho fatto.
12:18
I was kind of terrified of doing it,
244
738021
1740
Ero piuttosto spaventato nel farlo
12:19
but the theory seemed to suggest that it ought to be possible
245
739761
2889
ma la teoria sembrava suggerire che era possibile
12:22
to do very useful medicine using just these data analytic techniques.
246
742650
5492
fare medicina molto utile utilizzando soltanto queste tecniche di analisi dati.
12:28
And thankfully, the feedback has been fantastic,
247
748142
2480
Fortunatamente abbiamo avuto un fantastico riscontro
12:30
not just from the media but from the medical community,
248
750622
2356
non soltanto dai media, ma anche dalla comunità medica,
12:32
who have been very supportive.
249
752978
2344
che è stata di grande supporto.
12:35
The theory is that we can take the middle part of the medical process
250
755322
4149
La teoria è che possiamo prendere la parte centrale di un processo medico
12:39
and turn that into data analysis as much as possible,
251
759471
2893
e trasformarla in un analisi di dati per quanto possibile,
12:42
leaving doctors to do what they're best at.
252
762364
3065
lasciando i medici a fare quel che fanno meglio.
12:45
I want to give you an example.
253
765429
1602
Voglio farvi un esempio.
12:47
It now takes us about 15 minutes to generate a new medical diagnostic test
254
767031
4944
Ad oggi occorrono 15 minuti per produrre un nuovo test medico diagnostico,
12:51
and I'll show you that in real time now,
255
771975
1954
io ve lo mostrerò in tempo reale,
12:53
but I've compressed it down to three minutes by cutting some pieces out.
256
773929
3487
ma l'ho compresso a tre minuti eliminando qualche parte.
12:57
Rather than showing you creating a medical diagnostic test,
257
777416
3061
Invece di farvi vedere la creazione di un test medico diagnostico
13:00
I'm going to show you a diagnostic test of car images,
258
780477
3369
sto per mostrarvi un test diagnostico con immagini di auto,
13:03
because that's something we can all understand.
259
783846
2222
perché è qualcosa che possiamo comprendere tutti.
13:06
So here we're starting with about 1.5 million car images,
260
786068
3201
Quindi inizieremo con circa un milione e mezzo di immagini di auto
13:09
and I want to create something that can split them into the angle
261
789269
3206
e voglio creare qualcosa che le suddivida per l'angolazione
13:12
of the photo that's being taken.
262
792475
2223
con cui sono state scattate le fotografie.
13:14
So these images are entirely unlabeled, so I have to start from scratch.
263
794698
3888
Queste immagini non sono etichettate, quindi dovrò cominciare da zero.
13:18
With our deep learning algorithm,
264
798586
1865
Con il nostro algoritmo per l'apprendimento approfondito
13:20
it can automatically identify areas of structure in these images.
265
800451
3707
si possono identificare automaticamente
le aree delle strutture in queste immagini.
13:24
So the nice thing is that the human and the computer can now work together.
266
804158
3620
La cosa bella è che l'uomo e il computer possono lavorare insieme.
13:27
So the human, as you can see here,
267
807778
2178
L'uomo, come potete vedere qui,
13:29
is telling the computer about areas of interest
268
809956
2675
sta spiegando al computer le aree di interesse
13:32
which it wants the computer then to try and use to improve its algorithm.
269
812631
4650
che vuole che il computer utilizzi per migliorare l'algoritmo.
In realtà questi sistemi di apprendimento approfondito
13:37
Now, these deep learning systems actually are in 16,000-dimensional space,
270
817281
4296
sono in uno spazio di 16 000 dimensioni
13:41
so you can see here the computer rotating this through that space,
271
821577
3432
così potete vedere qui il computer che lo ruota attraverso quello spazio
13:45
trying to find new areas of structure.
272
825009
1992
cercando di trovare nuove aree di struttura.
13:47
And when it does so successfully,
273
827001
1781
Quando ci riesce
13:48
the human who is driving it can then point out the areas that are interesting.
274
828782
4004
l'uomo che lo sta guidando può poi segnalare le aree interessanti.
13:52
So here, the computer has successfully found areas,
275
832786
2422
Qui il computer ha trovato con successo le aree
13:55
for example, angles.
276
835208
2562
ad esempio, gli spigoli.
13:57
So as we go through this process,
277
837770
1606
Durante questo processo
13:59
we're gradually telling the computer more and more
278
839376
2340
stiamo dicendo gradualmente al computer sempre di più
14:01
about the kinds of structures we're looking for.
279
841716
2428
sul tipo di strutture che stiamo cercando.
14:04
You can imagine in a diagnostic test
280
844144
1772
Potete immaginare in un test diagnostico
14:05
this would be a pathologist identifying areas of pathosis, for example,
281
845916
3350
che questo potrebbe essere un patologo che identifica
le aree malate, oppure ad esempio
14:09
or a radiologist indicating potentially troublesome nodules.
282
849266
5026
un radiologo che indica i noduli potenzialmente problematici.
14:14
And sometimes it can be difficult for the algorithm.
283
854292
2559
Talvolta può essere difficile per l'algoritmo.
14:16
In this case, it got kind of confused.
284
856851
1964
Qui è in un qualche modo confuso.
14:18
The fronts and the backs of the cars are all mixed up.
285
858815
2550
Le immagini della parte anteriore e posteriore delle auto sono mescolate.
14:21
So here we have to be a bit more careful,
286
861365
2072
In questo caso dobbiamo essere un po' più cauti,
14:23
manually selecting these fronts as opposed to the backs,
287
863437
3232
selezionando le parti anteriori come opposte alle parti posteriori.
14:26
then telling the computer that this is a type of group
288
866669
5506
e dicendo al computer che questo è il tipo di gruppo
14:32
that we're interested in.
289
872175
1348
a cui siamo interessati.
14:33
So we do that for a while, we skip over a little bit,
290
873523
2677
Lo facciamo per un po', tralasciando qualcosa,
14:36
and then we train the machine learning algorithm
291
876200
2246
così addestriamo l'algoritmo per l'apprendimento automatico
14:38
based on these couple of hundred things,
292
878446
1974
basandoci su queste coppie di centinaia di cose
14:40
and we hope that it's gotten a lot better.
293
880420
2025
sperando che il risultato sia migliore.
14:42
You can see, it's now started to fade some of these pictures out,
294
882445
3073
Potete vedere che sta iniziando a dissolvere alcune di queste fotografie
14:45
showing us that it already is recognizing how to understand some of these itself.
295
885518
4708
mostrandoci che sta già riconoscendo come capire da solo alcune di queste.
14:50
We can then use this concept of similar images,
296
890226
2902
Possiamo utilizzare questo concetto di immagini simili,
14:53
and using similar images, you can now see,
297
893128
2094
e utilizzando immagini simili, come potete vedere.
14:55
the computer at this point is able to entirely find just the fronts of cars.
298
895222
4019
il computer a questo punto è in grado di trovare la parte anteriore delle auto.
14:59
So at this point, the human can tell the computer,
299
899241
2948
A questo punto l'uomo può dire al computer
15:02
okay, yes, you've done a good job of that.
300
902189
2293
va bene, hai fatto un buon lavoro.
Talvolta, ovviamente, persino a questo punto
15:05
Sometimes, of course, even at this point
301
905652
2185
15:07
it's still difficult to separate out groups.
302
907837
3674
è ancora difficile separare i gruppi.
In questo caso anche dopo aver lasciato
15:11
In this case, even after we let the computer try to rotate this for a while,
303
911511
3884
il computer a provare a ruotarlo per un po'
15:15
we still find that the left sides and the right sides pictures
304
915399
3345
troveremo ancora che le immagini dei lati sinistri e dei lati destri
15:18
are all mixed up together.
305
918744
1478
sono tutte mescolate.
15:20
So we can again give the computer some hints,
306
920222
2140
Così possiamo dare ulteriori indicazioni al computer
15:22
and we say, okay, try and find a projection that separates out
307
922362
2976
e dire, va bene, prova a trovare una proiezione per separare
15:25
the left sides and the right sides as much as possible
308
925338
2607
i lati sinistri da quelli destri per quanto possibile
15:27
using this deep learning algorithm.
309
927945
2122
utilizzando questo algoritmo di apprendimento approfondito.
15:30
And giving it that hint -- ah, okay, it's been successful.
310
930067
2942
Dandogli quel suggerimento -- ecco, c'è riuscito.
15:33
It's managed to find a way of thinking about these objects
311
933009
2882
È riuscito a trovare un modo per pensare a questi oggetti
15:35
that's separated out these together.
312
935891
2380
separandoli dagli altri.
15:38
So you get the idea here.
313
938271
2438
Vi state facendo un'idea.
15:40
This is a case not where the human is being replaced by a computer,
314
940709
8197
Questo non è un caso in cui l'uomo è rimpiazzato dal computer,
15:48
but where they're working together.
315
948906
2640
ma uno in cui lavorano insieme.
15:51
What we're doing here is we're replacing something that used to take a team
316
951546
3550
Quello che stiamo facendo qui è sostituire qualcosa per il quale serviva una squadra
15:55
of five or six people about seven years
317
955096
2002
di cinque o sei persone per circa sette anni
15:57
and replacing it with something that takes 15 minutes
318
957098
2605
e sostituirlo con qualcosa che impiega 15 minuti
15:59
for one person acting alone.
319
959703
2505
e una persona che lavora da sola.
16:02
So this process takes about four or five iterations.
320
962208
3950
Questo processo richiede all'incirca quattro o cinque ripetizioni.
16:06
You can see we now have 62 percent
321
966158
1859
Potete vedere che adesso abbiamo il 62 per cento
16:08
of our 1.5 million images classified correctly.
322
968017
2959
del nostro milione e mezzo di immagini classificato correttamente.
16:10
And at this point, we can start to quite quickly
323
970976
2472
A questo punto possiamo iniziare a prendere piuttosto
16:13
grab whole big sections,
324
973448
1297
velocemente grandi sezioni,
16:14
check through them to make sure that there's no mistakes.
325
974745
2919
controllarle per essere sicuri che non ci siano errori.
16:17
Where there are mistakes, we can let the computer know about them.
326
977664
3952
Dove ci sono errori, possiamo farlo sapere al computer.
16:21
And using this kind of process for each of the different groups,
327
981616
3045
Utilizzando questo tipo di processo per ognuno dei diversi gruppi
16:24
we are now up to an 80 percent success rate
328
984661
2487
siamo vicini ad un tasso di successo dell'80 per cento
16:27
in classifying the 1.5 million images.
329
987148
2415
nel classificare un milione e mezzo di immagini.
16:29
And at this point, it's just a case
330
989563
2078
A questo punto è solo si tratta solo
16:31
of finding the small number that aren't classified correctly,
331
991641
3579
di trovare trova la piccola parte che non è classificata correttamente
16:35
and trying to understand why.
332
995220
2888
e si cerca di capire perché.
16:38
And using that approach,
333
998108
1743
Usando questo approccio
16:39
by 15 minutes we get to 97 percent classification rates.
334
999851
4121
in 15 minuti arriviamo a un tasso di classificazione del 97 per cento.
16:43
So this kind of technique could allow us to fix a major problem,
335
1003972
4600
Questo tipo di tecnica può permetterci di risolvere un problema più grande,
16:48
which is that there's a lack of medical expertise in the world.
336
1008578
3036
cioè che c'è una mancanza di competenza medica nel mondo.
Il Forum Economico Mondiale riporta che ci sono
16:51
The World Economic Forum says that there's between a 10x and a 20x
337
1011614
3489
dalle 10 alle 20 volte meno medici del necessario
16:55
shortage of physicians in the developing world,
338
1015103
2624
nei paesi in via di sviluppo
16:57
and it would take about 300 years
339
1017727
2113
e serviranno circa 300 anni
16:59
to train enough people to fix that problem.
340
1019840
2894
per formare abbastanza persone per risolvere il problema.
17:02
So imagine if we can help enhance their efficiency
341
1022734
2885
Quindi immaginate se potessimo aiutare a migliorare la loro efficacia
17:05
using these deep learning approaches?
342
1025619
2839
utilizzando l'approccio con questo apprendimento approfondito?
17:08
So I'm very excited about the opportunities.
343
1028458
2232
Sono davvero entusiasta di questa opportunità.
17:10
I'm also concerned about the problems.
344
1030690
2589
Sono anche preoccupato per i problemi.
17:13
The problem here is that every area in blue on this map
345
1033279
3124
Il problema è che ogni area in blu su questa mappa
17:16
is somewhere where services are over 80 percent of employment.
346
1036403
3769
indica un posto dove i servizi sono oltre l'80 per cento del lavoro.
17:20
What are services?
347
1040172
1787
Cosa sono i servizi?
17:21
These are services.
348
1041959
1514
Questi sono i servizi.
17:23
These are also the exact things that computers have just learned how to do.
349
1043473
4154
Questi sono anche proprio quello che i computer hanno appena imparato a fare.
17:27
So 80 percent of the world's employment in the developed world
350
1047627
3804
Così l'80 per cento dell'occupazione mondiale nel mondo sviluppato
17:31
is stuff that computers have just learned how to do.
351
1051431
2532
è in qualcosa che i computer hanno appena imparato a fare.
17:33
What does that mean?
352
1053963
1440
Cosa significa tutto ciò?
17:35
Well, it'll be fine. They'll be replaced by other jobs.
353
1055403
2583
Che andrà tutto bene. Saranno sostituiti da altri lavori.
17:37
For example, there will be more jobs for data scientists.
354
1057986
2707
Ad esempio ci sarà più lavoro per i data scientist.
17:40
Well, not really.
355
1060693
817
Veramente no.
17:41
It doesn't take data scientists very long to build these things.
356
1061510
3118
Non occorrono molti data scientist per costruire questi.
17:44
For example, these four algorithms were all built by the same guy.
357
1064628
3252
Ad esempio questi quattro algoritmi sono stati creati dalla stessa persona.
17:47
So if you think, oh, it's all happened before,
358
1067880
2438
Così se pensate: è già accaduto prima
17:50
we've seen the results in the past of when new things come along
359
1070318
3808
abbiamo visto in passato i risultati di quando arrivano novità
17:54
and they get replaced by new jobs,
360
1074126
2252
e vengono sostituite da nuovi lavori,
17:56
what are these new jobs going to be?
361
1076378
2116
ma come saranno questi nuovi lavori?
17:58
It's very hard for us to estimate this,
362
1078494
1871
È molto difficile per noi prevederlo
18:00
because human performance grows at this gradual rate,
363
1080365
2739
perché la conoscenza umana cresce ad un tasso graduale,
18:03
but we now have a system, deep learning,
364
1083104
2562
mentre ora che abbiamo questo sistema di apprendimento approfondito
18:05
that we know actually grows in capability exponentially.
365
1085666
3227
che sappiamo che ha una conoscenza che cresce a livello esponenziale.
18:08
And we're here.
366
1088893
1605
Siamo qui.
18:10
So currently, we see the things around us
367
1090498
2061
Attualmente vediamo le cose intorno a noi
18:12
and we say, "Oh, computers are still pretty dumb." Right?
368
1092559
2676
e diciamo: "I computer sono ancora piuttosto stupidi"
Giusto?
18:15
But in five years' time, computers will be off this chart.
369
1095235
3429
Ma fra cinque anni saranno fuori da questo diagramma.
18:18
So we need to be starting to think about this capability right now.
370
1098664
3865
Così dobbiamo iniziare a pensare a questa capacità proprio adesso.
18:22
We have seen this once before, of course.
371
1102529
2050
L'abbiamo già visto, ovviamente.
18:24
In the Industrial Revolution,
372
1104579
1387
Nella Rivoluzione Industriale
18:25
we saw a step change in capability thanks to engines.
373
1105966
2851
abbiamo visto un cambio di passo nella capacità grazie al motore.
18:29
The thing is, though, that after a while, things flattened out.
374
1109667
3138
Il punto è tuttavia che dopo un po' le cose si sono appiattite.
18:32
There was social disruption,
375
1112805
1702
Ci sono stati disordini sociali,
18:34
but once engines were used to generate power in all the situations,
376
1114507
3439
ma una volta che il motore è stato usato per generare energia in ogni situazione
18:37
things really settled down.
377
1117946
2354
le cose si sono assestate.
18:40
The Machine Learning Revolution
378
1120300
1473
La Rivoluzione dell'Apprendimento Automatico
18:41
is going to be very different from the Industrial Revolution,
379
1121773
2909
sarà molto diversa dalla Rivoluzione Industriale
18:44
because the Machine Learning Revolution, it never settles down.
380
1124682
2950
perché la Rivoluzione dell'Apprendimento Automatico non si assesterà.
18:47
The better computers get at intellectual activities,
381
1127632
2982
Più i computer miglioreranno le attività intellettuali
18:50
the more they can build better computers to be better at intellectual capabilities,
382
1130614
4248
più si potranno costruire computer migliori
che miglioreranno le capacità intellettuali,
18:54
so this is going to be a kind of change
383
1134862
1908
quindi questo sarà un cambiamento
18:56
that the world has actually never experienced before,
384
1136770
2478
che il mondo non ha davvero mai sperimentato prima
18:59
so your previous understanding of what's possible is different.
385
1139248
3306
quindi la vostra comprensione precedente su quel che è possibile, è diverso.
19:02
This is already impacting us.
386
1142974
1780
Sta già avendo un impatto su di noi.
19:04
In the last 25 years, as capital productivity has increased,
387
1144754
3630
Negli ultimi 25 anni la produttività del capitale è cresciuta,
19:08
labor productivity has been flat, in fact even a little bit down.
388
1148400
4188
la produttività del lavoro è rimasta uguale, è persino calata un po'.
19:13
So I want us to start having this discussion now.
389
1153408
2741
Quindi voglio che iniziamo a discuterne sin da adesso.
19:16
I know that when I often tell people about this situation,
390
1156149
3027
So che spesso quando parlo alle persone di questa situazione
19:19
people can be quite dismissive.
391
1159176
1490
le persone sono piuttosto sprezzanti.
19:20
Well, computers can't really think,
392
1160666
1673
Del resto i computer non possono veramente pensare,
19:22
they don't emote, they don't understand poetry,
393
1162339
3028
non hanno emozioni, non comprendono la poesia,
19:25
we don't really understand how they work.
394
1165367
2521
non capiamo davvero come funzionano.
19:27
So what?
395
1167888
1486
Quindi?
19:29
Computers right now can do the things
396
1169374
1804
Già adesso i computer possono fare cose
19:31
that humans spend most of their time being paid to do,
397
1171178
2719
per fare le quali le persone vengono pagate,
19:33
so now's the time to start thinking
398
1173897
1731
quindi è tempo di iniziare a pensare
19:35
about how we're going to adjust our social structures and economic structures
399
1175628
4387
a come dovremo modificare le nostre strutture sociali ed economiche
19:40
to be aware of this new reality.
400
1180015
1840
per diventare consapevoli di questa nuova realtà.
19:41
Thank you.
401
1181855
1533
Grazie.
19:43
(Applause)
402
1183388
802
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7