[Musica]
e sentendo che ce ne sono alcuni
confusione quando parliamo di artificiale
intelligenza intendo per esempio guardare
questa immagine già
è per questo che hanno scelto una medusa
per rappresentare l’intelligenza ero sollevato
per sapere che questo era particolarmente
medusa intelligente ma in generale
l’ intelligenza artificiale sta creando tutto
una sorta di paure nelle persone così attuali
il colore e l’intelligenza artificiale lo sono
creando tutti i tipi di conversazioni tutto
sorta di dialogo e dialogo tra
persone da auto a guida autonoma a per
esempio il futuro dell’umanità
coesistendo con macchine intelligenti così
cosa ne pensi veramente di te
ti senti spaventato ti senti preoccupato?
senti entusiasta ti senti curioso
altri termini cosa ti viene in mente quando
senti il termine artificiale
l’intelligenza una cosa è in realtà facile
per dire il termine intelligenza artificiale
è solo una cattiva scelta per descrivere ciò che è
sta succedendo oggi e sono sicuro che
Stanley Kubrick sarebbe d’accordo con me se io
ti dico di dimenticare lo spazio
Odissea o qualsiasi altra fantascienza
film di fantascienza che potresti avere
visto di recente su AI sui consigli
intelligenza in realtà dovrei dirlo
molte delle previsioni contenute in
questo film Space Oddity
L’Odissea è diventata vera per esempio il
iPad o l’Alavi L automatica
traduzione ma non la parte riguardante
intelligenza la parola artificiale
l’intelligenza risale agli anni ’50
molto inizio di informatica e
sostanzialmente nessun progresso è stato fatto
da allora l’IA attuale non riguarda
la creazione di una macchina pensante riguarda e lo è
sull’invenzione della nostra capacità cognitiva
una questione completamente diversa
così oggi, quando si parla si parla di
intelligenza artificiale ciò che realmente
significa è l’apprendimento automatico
e anche l’apprendimento automatico non è nuovo
la maggior parte dei risultati torna a 30 o 40
anni fa, tuttavia, ciò che è nuovo è quello in
l’ ultimo machine learning dell’ultimo decennio ha
sperimentato un aumento spettacolare in
prestazioni grazie al combinato
effetto di nuovi strumenti computazionali enormi
e ricchi set di dati e nuovi algoritmi
è abbastanza importante osservare che
una volta che l’apprendimento automatico raggiunge determinati
capacità raggiunge la capacità di
avere accuratezza umana nell’identificare un
oggetto in una foto o in qualsiasi altra
compito computazionale allora può farlo a
una scala enorme e in questo senso diventare
super umano così è l’apprendimento automatico
certamente non solo una singola tecnica
ci sono molte tecniche diverse che
sono usati in molti contesti diversi
tuttavia la maggior parte dei recenti progressi ha
stato innescato da uno di questi strumenti che noi
questo è chiamato apprendimento profondo e lo farò
discuti questo in un minuto ma prima
facendo ciò vorrei chiarire uno
point machine learning riguarda il
capacità di estrarre informazioni
dai dati e se ci pensi questo
è un compito molto importante è una sorta di a
precondizione per intelligenza pari
prima di iniziare a pensare alla creazione
una macchina pensante simile a un umano di cui hai bisogno
essere in grado di creare una macchina che sia
capace di dare un significato ai dati
riceve l’input che riceve
dal mondo esterno e quello
impara continuamente da loro
questo è totalmente naturale per gli animali
grazie all’evoluzione del loro cervello
e tutto il loro sistema visivo possono
rilevare immediatamente qualsiasi anomalia
la presenza di qualsiasi oggetto in un oggetto visivo
scena ma questo è sempre stato molto molto
difficile per un computer proviamoci
prima di entrare in discussioni su come
funziona l’apprendimento automatico proviamo a
scrivi il codice del computer che conosci
esegue il riconoscimento dell’oggetto per esempio
si supponga di voler scrivere il codice che
riconosce la presenza di una sedia in un
immagine quindi cosa dovresti fare è
scrivere poche righe supponiamo che tu sia
un ingegnere del software con poche linee di
codici che dicono qualcosa come se il
oggetto nella foto ha quattro gambe o
se ha una superficie piatta e se ha un
superficie piana su cui sedersi o se ha un
schienale quindi questa è una sedia e questo
funzionerebbe perfettamente per il primo
esempio di sedia in questa diapositiva
va bene comunque già per il secondo
sedia non sta andando a lavorare e il
la ragione è che non ha quattro gambe
quindi dovresti tornare indietro e modificare
il tuo codice e scrivi una riga che dice
bene se ha quattro gambe o cinque ruote
allora questa sarà una sedia per il
altre condizioni sono soddisfatte ma ancora se
mostri una sedia prodotta da un designer
poi ti perdi completamente, non lo fai
so anche come codificare questo, quindi abbiamo bisogno
una strategia completamente diversa di cui abbiamo bisogno
per imparare dagli esempi piuttosto che per
i priori finali quali sono gli oggetti
e questo è ciò che l’apprendimento automatico è
circa ora , una volta che una macchina apprende
riconoscere un oggetto quindi a un essere umano
la precisione umana diventa super
umano in che senso, nel senso che
può farlo su larga scala quindi questo lascia
io discuto un esempio di un’applicazione
Supponiamo che tu voglia fare il cancro al seno
screening nella tua regione e cosa tu
avrebbe dovuto fare è che ogni anno si
dovrebbe analizzare e rilevare
anomalie in milioni e milioni di
immagini mammografiche e proprio no
avere abbastanza radiologo per farlo
e dubito che i radiologi lo farebbero
mi piace davvero farlo a tempo pieno
lavoro quindi quello di cui hai veramente bisogno è come un
macchina che con precisione umana è
capace di rilevare la presenza di
anomalie e questo è effettivamente fattibile
oggi così le macchine che sono capaci
di fare questo
una macchina che impara dagli umani precedenti
informazioni vale a dire migliaia di immagini
che sono stati studiati annotati
classificato dalla radiologia umana
e poi costruendo su queste informazioni
diventano superumani nell’analizzare nuovi
le immagini così come ho detto è l’apprendimento automatico
una serie di strumenti e non posso descrivere tutto
di loro mi concentrerò su
il singolo strumento che ha provocato di più
dell’interesse in questo ultimo anno e
questo è chiamato questa tecnica è chiamata
Apprendimento profondo queste sono reti neurali
che eseguivano un particolare tipo di
imparando e proverò a discuterne
una rete neurale profonda è composta da
molti livelli hai un livello di input e
un livello di output e quindi ne hai molti
strati intermedi che elaborano il
informazioni in modo che le informazioni entrino in
la sinistra e si spegne a destra per
istanza se si inserisce l’immagine di a
sedia che vuoi leggere nell’output
strato una risposta che dice che c’è un
sedia in modo che lo strato di output sta per
dirti come la rete classifica il
input in modo che ogni rete sia composta da
molti strati di cui ogni strato è composto
migliaia di nodi che sono chiamati a
piccoli neuroni artificiali si comportano come
modello stilizzato di neuroni biologici e
allora la rete globale è composta da
milioni e milioni di connessioni
la connessione tra i neuroni può essere o
debole o forte a seconda di quanto
i neuroni di connessione si influenzano a vicenda ora
questa immagine è proprio come una capocchia di spillo
questa stanza può avere una rete così profonda
conosci decine di milioni di connessioni
quindi ci sono enormi oggetti enormi, quindi come
l’apprendimento si svolge in questo tipo di
i sistemi che imparano bene hanno luogo in a
abbastanza semplice da fornire molto
di esempi a questa rete di input
e l’ uscita corrispondente e poi
tu progressivamente e io cambio terribilmente
tutta la forza di connessione fino al
punto in cui la rete è capace
classificare correttamente tutti gli esempi
quella
fornito in modo da avere un processo eidetico
in cui cambi in automatico
modo di presentare milioni di connessioni
milioni di esempi e lo ripeti
operazione milioni di volte quindi è un
processo abbastanza pesante e questo è il motivo per cui tutti
questa attività di ricerca è stata
innescato dalla possibilità di avere un
sacco di potenza computazionale ora una volta il
la rete ha imparato a classificare tutto il
esempi per esempio angoli tutte le fasi
poi diventa aiuto, poi puoi fermarti
e usalo per fare previsioni e cose simili
il punto diventa utile a cui ha imparato
classificare tutti gli esempi e il
punta a fermarti e nutri una nuova immagine
per esempio che la rete non ha mai
visto prima e hai intenzione di leggere il
risposta e questo sarà a
previsione e questa macchina che hanno
dimostrato di essere particolarmente
efficiente nel fare questo tipo di compito
in realtà hanno un superumano
prestazioni nel senso che non solo
possono farlo su larga scala ma
anche l’accuratezza con cui lo fanno
è molto alto e lungo l’apprendimento
elaborare il layer dei valori specializzato in
fare cose diverse i primi strati
diventare specializzati nell’estrarre tutto il
caratteristiche fondamentali che caratterizzano
l’input e l’ultimo layer eseguono il
classificazione per esempio questa immagine
è in grado di riconoscere una mia immagine
25 anni fa senza mai aver avuto
mai visto questa foto ok e questo
sarebbe e sarebbe in grado di farlo per
essenzialmente tutti voi ora c’è
niente di speciale sulle immagini tutto questo
le tecniche possono essere applicate a qualsiasi campo
delle attività umane della scienza in cui
i dati sono presenti e sono importanti
quindi questo influenzerà il nostro
futuro a 360 gradi tutta la nostra attività
di cui abbiamo bisogno per elaborare le informazioni
andando a cambiare sappiamo che i posti di lavoro sono
andando a cambiare e la società sta per
cambiare quindi è molto importante che noi
capire di cosa stiamo parlando
questo contesto nel caso di base
la scienza, per esempio, si potrebbe fare
al giorno d’oggi queste tecniche sono
utilizzato per analizzare i dati che portano a
cambiamenti climatici a cui sono abituati
ottimizzare il processo di modifica genetica a
biologia molecolare molto avanzata
tecnica utilizzata per ricostruire il
struttura tridimensionale del
il cervello costantemente che ancora non si sa
ed è, auspicabilmente, sta per essere quello di
ha un impatto enorme e viene persino utilizzato
astrofisica quindi l’intero spettro di
la scienza è inclusa e io no
menzionando si conosce tutta l’applicazione
questo è nell’umano nella vita umana quotidiana
tutto bene comunque come performante come tutti
queste cose possono sembrare che dovrei dire
che siamo solo in una fase preliminare
fase ci sono problemi aperti e
sfide davanti a noi, ad esempio
sul funzionamento di questo tipo di
dispositivi abbiamo ancora bisogno di capire come
loro come l’apprendimento può essere reso più veloce come
la prestazione di previsione può essere
migliorato e agire in modo più fondamentale
livello abbiamo bisogno di capire cosa rende
questo tipo di dispositivi speciali rispetto a
altri tipi di dispositivi, quindi dove si trova il
la propensione all’apprendimento e alla generalizzazione
da questi sono domande matematiche
che non voglio rintracciare qui ma
questi sono problemi aperti che tutti noi
lavoro allora le nostre sfide fammi menzionare
due sfide che sono molto importanti
e loro ti daranno un chiarimento
idea di ciò che potrebbe essere l’impatto nel
futuro di questo tipo di tecnologia
la prima sfida è imparare a imparare
senza supervisione quindi più vasto
la maggior parte dei dati nel mondo non può
essere annotato classificato da umani e
essi contengono un sacco di informazioni che
non può nemmeno essere capito dagli umani, va bene
quindi abbiamo bisogno di sviluppare algoritmi che siano
algoritmi che sono in grado di estrarre
informazioni per identificare i modelli da realizzare
predizione senza supervisione umana ok
quindi questa è la tua sfida e tutto il resto
la ricerca che ho appena iniziato
lavorare su questi stanno lavorando su questo e
è una sfida totalmente aperta
un altro obiettivo fondamentale è di questo tipo
di reti può
prevedere non può identificare il
relazioni tra cause ed effetti
nei dati così in qualche modo questa macchina deve
diventare capace di identificare la causalità
modelli dentro nei dati nei dati grezzi
quando ciò sarà possibile, allora questo
lo strumento fornirà molte informazioni
su come modellare i sistemi e fare molto
predizione complicata e farti
conoscere nuovi strumenti disponibili come esempio
di questo voglio dire che puoi usare la mancia
rete per riconoscere le immagini – per il parlato
il riconoscimento è possibile utilizzarlo per giocare
giochi e così via e si può utilizzare per
traduzione automatica che puoi tradurre
da una lingua a un’altra lingua
sono simili e questa traduzione è giusta
basato su statistiche ma non è possibile utilizzare
questo tipo di strumenti per creare qualsiasi nuovo
tipo di frase perché non ottengono
la relazione logica tra le parole
okay prova a impostare una conversazione
tra Siri e Google Assistant e
vedrai che la conversazione
diventa totalmente banale e noioso
immediatamente come ricercatore comunque a tutti
questi tipi di problemi aperti sono in realtà
eccitante non ci deprimiamo quando noi
trova i problemi aperti che effettivamente otteniamo
eccitato e penso che danno il
motivo è che essi mostrano chiaramente che
c’è un enorme spazio di miglioramento
e per e per applicazione su tutto
discipline quindi ce ne sono alcune
sfide fondamentali che hai
sapere che c’è un enorme spazio per
migliorare molto spazio per la ricerca
e molte conseguenze davanti a noi così
cosa dovrebbe studiare uno studente per
essere pronti a contribuire a questo campo
questa è una domanda che a volte si verifica
per la mia mente e in realtà abbastanza spesso e
quale è la risposta secondo me semplice
e devo dire che un sacco di
i miei colleghi sono d’ accordo
questi non ci sono scorciatoie di cui gli studenti hanno bisogno
per conoscere i fondamenti di cui hanno bisogno
sapere la matematica hanno bisogno di conoscere la fisica loro
bisogno di conoscere l’informatica di cui hanno bisogno
per conoscere la biologia che hanno bisogno di sapere
chimica hanno bisogno di conoscere l’economia
essi non abbiano tutti i
strumenti metodologici che consentono loro di
analizzare i sistemi complessi di cui hanno bisogno
avere questo sfondo questo è l’unico
modo in cui possono effettivamente usare il cognitivo
potere fornito da questi nuovi strumenti così
il messaggio per gli studenti è in realtà no
specializzarsi troppo presto devi diventare
forte da un punto metodologico di
vista essere in grado di modellare un sistema complesso
capire tutti gli strumenti e quindi utilizzare
questo strumento o addirittura anticipo questo strumento così io
spero che questa discussione sia in qualche modo
chiarito quale è lo stato attuale di
dell’arte in intelligenza artificiale
presente dell’intelligenza artificiale è
non riguardo a pensare a macchine a macchina è
sull’aumento del nostro cognitivo
capacità attraverso questo strumento che sono
già al lavoro e che hanno un immenso
possibilità di fare ulteriori progressi
così come ricercatore mi piacerebbe davvero
sedersi dall’altra parte del palco
insieme con gli studenti e il
la ragione è che ci sono fantastici e
grandi sfide davanti a noi e
quindi questo è davvero notevole
è tempo di essere uno studente
[Applausi]
tu
e sentendo che ce ne sono alcuni
confusione quando parliamo di artificiale
intelligenza intendo per esempio guardare
questa immagine già
è per questo che hanno scelto una medusa
per rappresentare l’intelligenza ero sollevato
per sapere che questo era particolarmente
medusa intelligente ma in generale
l’ intelligenza artificiale sta creando tutto
una sorta di paure nelle persone così attuali
il colore e l’intelligenza artificiale lo sono
creando tutti i tipi di conversazioni tutto
sorta di dialogo e dialogo tra
persone da auto a guida autonoma a per
esempio il futuro dell’umanità
coesistendo con macchine intelligenti così
cosa ne pensi veramente di te
ti senti spaventato ti senti preoccupato?
senti entusiasta ti senti curioso
altri termini cosa ti viene in mente quando
senti il termine artificiale
l’intelligenza una cosa è in realtà facile
per dire il termine intelligenza artificiale
è solo una cattiva scelta per descrivere ciò che è
sta succedendo oggi e sono sicuro che
Stanley Kubrick sarebbe d’accordo con me se io
ti dico di dimenticare lo spazio
Odissea o qualsiasi altra fantascienza
film di fantascienza che potresti avere
visto di recente su AI sui consigli
intelligenza in realtà dovrei dirlo
molte delle previsioni contenute in
questo film Space Oddity
L’Odissea è diventata vera per esempio il
iPad o l’Alavi L automatica
traduzione ma non la parte riguardante
intelligenza la parola artificiale
l’intelligenza risale agli anni ’50
molto inizio di informatica e
sostanzialmente nessun progresso è stato fatto
da allora l’IA attuale non riguarda
la creazione di una macchina pensante riguarda e lo è
sull’invenzione della nostra capacità cognitiva
una questione completamente diversa
così oggi, quando si parla si parla di
intelligenza artificiale ciò che realmente
significa è l’apprendimento automatico
e anche l’apprendimento automatico non è nuovo
la maggior parte dei risultati torna a 30 o 40
anni fa, tuttavia, ciò che è nuovo è quello in
l’ ultimo machine learning dell’ultimo decennio ha
sperimentato un aumento spettacolare in
prestazioni grazie al combinato
effetto di nuovi strumenti computazionali enormi
e ricchi set di dati e nuovi algoritmi
è abbastanza importante osservare che
una volta che l’apprendimento automatico raggiunge determinati
capacità raggiunge la capacità di
avere accuratezza umana nell’identificare un
oggetto in una foto o in qualsiasi altra
compito computazionale allora può farlo a
una scala enorme e in questo senso diventare
super umano così è l’apprendimento automatico
certamente non solo una singola tecnica
ci sono molte tecniche diverse che
sono usati in molti contesti diversi
tuttavia la maggior parte dei recenti progressi ha
stato innescato da uno di questi strumenti che noi
questo è chiamato apprendimento profondo e lo farò
discuti questo in un minuto ma prima
facendo ciò vorrei chiarire uno
point machine learning riguarda il
capacità di estrarre informazioni
dai dati e se ci pensi questo
è un compito molto importante è una sorta di a
precondizione per intelligenza pari
prima di iniziare a pensare alla creazione
una macchina pensante simile a un umano di cui hai bisogno
essere in grado di creare una macchina che sia
capace di dare un significato ai dati
riceve l’input che riceve
dal mondo esterno e quello
impara continuamente da loro
questo è totalmente naturale per gli animali
grazie all’evoluzione del loro cervello
e tutto il loro sistema visivo possono
rilevare immediatamente qualsiasi anomalia
la presenza di qualsiasi oggetto in un oggetto visivo
scena ma questo è sempre stato molto molto
difficile per un computer proviamoci
prima di entrare in discussioni su come
funziona l’apprendimento automatico proviamo a
scrivi il codice del computer che conosci
esegue il riconoscimento dell’oggetto per esempio
si supponga di voler scrivere il codice che
riconosce la presenza di una sedia in un
immagine quindi cosa dovresti fare è
scrivere poche righe supponiamo che tu sia
un ingegnere del software con poche linee di
codici che dicono qualcosa come se il
oggetto nella foto ha quattro gambe o
se ha una superficie piatta e se ha un
superficie piana su cui sedersi o se ha un
schienale quindi questa è una sedia e questo
funzionerebbe perfettamente per il primo
esempio di sedia in questa diapositiva
va bene comunque già per il secondo
sedia non sta andando a lavorare e il
la ragione è che non ha quattro gambe
quindi dovresti tornare indietro e modificare
il tuo codice e scrivi una riga che dice
bene se ha quattro gambe o cinque ruote
allora questa sarà una sedia per il
altre condizioni sono soddisfatte ma ancora se
mostri una sedia prodotta da un designer
poi ti perdi completamente, non lo fai
so anche come codificare questo, quindi abbiamo bisogno
una strategia completamente diversa di cui abbiamo bisogno
per imparare dagli esempi piuttosto che per
i priori finali quali sono gli oggetti
e questo è ciò che l’apprendimento automatico è
circa ora , una volta che una macchina apprende
riconoscere un oggetto quindi a un essere umano
la precisione umana diventa super
umano in che senso, nel senso che
può farlo su larga scala quindi questo lascia
io discuto un esempio di un’applicazione
Supponiamo che tu voglia fare il cancro al seno
screening nella tua regione e cosa tu
avrebbe dovuto fare è che ogni anno si
dovrebbe analizzare e rilevare
anomalie in milioni e milioni di
immagini mammografiche e proprio no
avere abbastanza radiologo per farlo
e dubito che i radiologi lo farebbero
mi piace davvero farlo a tempo pieno
lavoro quindi quello di cui hai veramente bisogno è come un
macchina che con precisione umana è
capace di rilevare la presenza di
anomalie e questo è effettivamente fattibile
oggi così le macchine che sono capaci
di fare questo
una macchina che impara dagli umani precedenti
informazioni vale a dire migliaia di immagini
che sono stati studiati annotati
classificato dalla radiologia umana
e poi costruendo su queste informazioni
diventano superumani nell’analizzare nuovi
le immagini così come ho detto è l’apprendimento automatico
una serie di strumenti e non posso descrivere tutto
di loro mi concentrerò su
il singolo strumento che ha provocato di più
dell’interesse in questo ultimo anno e
questo è chiamato questa tecnica è chiamata
Apprendimento profondo queste sono reti neurali
che eseguivano un particolare tipo di
imparando e proverò a discuterne
una rete neurale profonda è composta da
molti livelli hai un livello di input e
un livello di output e quindi ne hai molti
strati intermedi che elaborano il
informazioni in modo che le informazioni entrino in
la sinistra e si spegne a destra per
istanza se si inserisce l’immagine di a
sedia che vuoi leggere nell’output
strato una risposta che dice che c’è un
sedia in modo che lo strato di output sta per
dirti come la rete classifica il
input in modo che ogni rete sia composta da
molti strati di cui ogni strato è composto
migliaia di nodi che sono chiamati a
piccoli neuroni artificiali si comportano come
modello stilizzato di neuroni biologici e
allora la rete globale è composta da
milioni e milioni di connessioni
la connessione tra i neuroni può essere o
debole o forte a seconda di quanto
i neuroni di connessione si influenzano a vicenda ora
questa immagine è proprio come una capocchia di spillo
questa stanza può avere una rete così profonda
conosci decine di milioni di connessioni
quindi ci sono enormi oggetti enormi, quindi come
l’apprendimento si svolge in questo tipo di
i sistemi che imparano bene hanno luogo in a
abbastanza semplice da fornire molto
di esempi a questa rete di input
e l’ uscita corrispondente e poi
tu progressivamente e io cambio terribilmente
tutta la forza di connessione fino al
punto in cui la rete è capace
classificare correttamente tutti gli esempi
quella
fornito in modo da avere un processo eidetico
in cui cambi in automatico
modo di presentare milioni di connessioni
milioni di esempi e lo ripeti
operazione milioni di volte quindi è un
processo abbastanza pesante e questo è il motivo per cui tutti
questa attività di ricerca è stata
innescato dalla possibilità di avere un
sacco di potenza computazionale ora una volta il
la rete ha imparato a classificare tutto il
esempi per esempio angoli tutte le fasi
poi diventa aiuto, poi puoi fermarti
e usalo per fare previsioni e cose simili
il punto diventa utile a cui ha imparato
classificare tutti gli esempi e il
punta a fermarti e nutri una nuova immagine
per esempio che la rete non ha mai
visto prima e hai intenzione di leggere il
risposta e questo sarà a
previsione e questa macchina che hanno
dimostrato di essere particolarmente
efficiente nel fare questo tipo di compito
in realtà hanno un superumano
prestazioni nel senso che non solo
possono farlo su larga scala ma
anche l’accuratezza con cui lo fanno
è molto alto e lungo l’apprendimento
elaborare il layer dei valori specializzato in
fare cose diverse i primi strati
diventare specializzati nell’estrarre tutto il
caratteristiche fondamentali che caratterizzano
l’input e l’ultimo layer eseguono il
classificazione per esempio questa immagine
è in grado di riconoscere una mia immagine
25 anni fa senza mai aver avuto
mai visto questa foto ok e questo
sarebbe e sarebbe in grado di farlo per
essenzialmente tutti voi ora c’è
niente di speciale sulle immagini tutto questo
le tecniche possono essere applicate a qualsiasi campo
delle attività umane della scienza in cui
i dati sono presenti e sono importanti
quindi questo influenzerà il nostro
futuro a 360 gradi tutta la nostra attività
di cui abbiamo bisogno per elaborare le informazioni
andando a cambiare sappiamo che i posti di lavoro sono
andando a cambiare e la società sta per
cambiare quindi è molto importante che noi
capire di cosa stiamo parlando
questo contesto nel caso di base
la scienza, per esempio, si potrebbe fare
al giorno d’oggi queste tecniche sono
utilizzato per analizzare i dati che portano a
cambiamenti climatici a cui sono abituati
ottimizzare il processo di modifica genetica a
biologia molecolare molto avanzata
tecnica utilizzata per ricostruire il
struttura tridimensionale del
il cervello costantemente che ancora non si sa
ed è, auspicabilmente, sta per essere quello di
ha un impatto enorme e viene persino utilizzato
astrofisica quindi l’intero spettro di
la scienza è inclusa e io no
menzionando si conosce tutta l’applicazione
questo è nell’umano nella vita umana quotidiana
tutto bene comunque come performante come tutti
queste cose possono sembrare che dovrei dire
che siamo solo in una fase preliminare
fase ci sono problemi aperti e
sfide davanti a noi, ad esempio
sul funzionamento di questo tipo di
dispositivi abbiamo ancora bisogno di capire come
loro come l’apprendimento può essere reso più veloce come
la prestazione di previsione può essere
migliorato e agire in modo più fondamentale
livello abbiamo bisogno di capire cosa rende
questo tipo di dispositivi speciali rispetto a
altri tipi di dispositivi, quindi dove si trova il
la propensione all’apprendimento e alla generalizzazione
da questi sono domande matematiche
che non voglio rintracciare qui ma
questi sono problemi aperti che tutti noi
lavoro allora le nostre sfide fammi menzionare
due sfide che sono molto importanti
e loro ti daranno un chiarimento
idea di ciò che potrebbe essere l’impatto nel
futuro di questo tipo di tecnologia
la prima sfida è imparare a imparare
senza supervisione quindi più vasto
la maggior parte dei dati nel mondo non può
essere annotato classificato da umani e
essi contengono un sacco di informazioni che
non può nemmeno essere capito dagli umani, va bene
quindi abbiamo bisogno di sviluppare algoritmi che siano
algoritmi che sono in grado di estrarre
informazioni per identificare i modelli da realizzare
predizione senza supervisione umana ok
quindi questa è la tua sfida e tutto il resto
la ricerca che ho appena iniziato
lavorare su questi stanno lavorando su questo e
è una sfida totalmente aperta
un altro obiettivo fondamentale è di questo tipo
di reti può
prevedere non può identificare il
relazioni tra cause ed effetti
nei dati così in qualche modo questa macchina deve
diventare capace di identificare la causalità
modelli dentro nei dati nei dati grezzi
quando ciò sarà possibile, allora questo
lo strumento fornirà molte informazioni
su come modellare i sistemi e fare molto
predizione complicata e farti
conoscere nuovi strumenti disponibili come esempio
di questo voglio dire che puoi usare la mancia
rete per riconoscere le immagini – per il parlato
il riconoscimento è possibile utilizzarlo per giocare
giochi e così via e si può utilizzare per
traduzione automatica che puoi tradurre
da una lingua a un’altra lingua
sono simili e questa traduzione è giusta
basato su statistiche ma non è possibile utilizzare
questo tipo di strumenti per creare qualsiasi nuovo
tipo di frase perché non ottengono
la relazione logica tra le parole
okay prova a impostare una conversazione
tra Siri e Google Assistant e
vedrai che la conversazione
diventa totalmente banale e noioso
immediatamente come ricercatore comunque a tutti
questi tipi di problemi aperti sono in realtà
eccitante non ci deprimiamo quando noi
trova i problemi aperti che effettivamente otteniamo
eccitato e penso che danno il
motivo è che essi mostrano chiaramente che
c’è un enorme spazio di miglioramento
e per e per applicazione su tutto
discipline quindi ce ne sono alcune
sfide fondamentali che hai
sapere che c’è un enorme spazio per
migliorare molto spazio per la ricerca
e molte conseguenze davanti a noi così
cosa dovrebbe studiare uno studente per
essere pronti a contribuire a questo campo
questa è una domanda che a volte si verifica
per la mia mente e in realtà abbastanza spesso e
quale è la risposta secondo me semplice
e devo dire che un sacco di
i miei colleghi sono d’ accordo
questi non ci sono scorciatoie di cui gli studenti hanno bisogno
per conoscere i fondamenti di cui hanno bisogno
sapere la matematica hanno bisogno di conoscere la fisica loro
bisogno di conoscere l’informatica di cui hanno bisogno
per conoscere la biologia che hanno bisogno di sapere
chimica hanno bisogno di conoscere l’economia
essi non abbiano tutti i
strumenti metodologici che consentono loro di
analizzare i sistemi complessi di cui hanno bisogno
avere questo sfondo questo è l’unico
modo in cui possono effettivamente usare il cognitivo
potere fornito da questi nuovi strumenti così
il messaggio per gli studenti è in realtà no
specializzarsi troppo presto devi diventare
forte da un punto metodologico di
vista essere in grado di modellare un sistema complesso
capire tutti gli strumenti e quindi utilizzare
questo strumento o addirittura anticipo questo strumento così io
spero che questa discussione sia in qualche modo
chiarito quale è lo stato attuale di
dell’arte in intelligenza artificiale
presente dell’intelligenza artificiale è
non riguardo a pensare a macchine a macchina è
sull’aumento del nostro cognitivo
capacità attraverso questo strumento che sono
già al lavoro e che hanno un immenso
possibilità di fare ulteriori progressi
così come ricercatore mi piacerebbe davvero
sedersi dall’altra parte del palco
insieme con gli studenti e il
la ragione è che ci sono fantastici e
grandi sfide davanti a noi e
quindi questo è davvero notevole
è tempo di essere uno studente
[Applausi]
tu
Please follow and like us: