TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Le meravigliose e terribili conseguenze dei computer che possono imparare
Filmed:
Readability: 4.5
2,532,971 views
Cosa accade quando insegnamo ad un computer ad imparare? Il tecnologo Jeremy Howard condivide alcuni sorprendenti nuovi sviluppi nel campo dell'apprendimento approfondito, una tecnica che può dare ai computer la capacità di imparare il cinese o di riconoscere gli oggetti nelle fotografie o a eseguire una diagnosi medica. (Uno strumento di apprendimento approfondito dopo aver visto per ore YouTube ha imparato il concetto di "gatto"). Fatevi catturare da un settore che cambierà il modo in cui i computer
intorno a voi si comportano... forse prima di quanto crediate.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
Un tempo se volevate
far fare qualcosa di nuovo ad un computer
far fare qualcosa di nuovo ad un computer
00:16
you would have to program it.
1
4893
1554
dovevate programmarlo.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
La programmazione, per quelli di voi
che non l'hanno mai provata,
che non l'hanno mai provata,
00:21
requires laying out in excruciating detail
3
9858
3502
richiede una spiegazione dettagliata
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
di ogni singolo passaggio che volete
che il computer faccia
che il computer faccia
00:28
in order to achieve your goal.
5
16727
2362
per ottenere il vostro scopo.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
Se volete fare qualcosa
che nemmeno voi sapete come si faccia,
che nemmeno voi sapete come si faccia,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
potrebbe essere una sfida eccezionale.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Questa è la sfida affrontata
da quest'uomo, Arthur Samuel.
da quest'uomo, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
Nel 1956 voleva che il suo computer
00:44
to be able to beat him at checkers.
10
32208
2340
fosse in grado di batterlo a dama.
00:46
How can you write a program,
11
34548
2040
Come si può scrivere un programma
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
che spieghi in modo dettagliato
come essere migliori di voi a dama?
come essere migliori di voi a dama?
00:52
So he came up with an idea:
13
40394
1722
Ebbe un'idea:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
fece giocare il computer
contro sé stesso migliaia di volte
contro sé stesso migliaia di volte
00:57
and learn how to play checkers.
15
45840
2524
per imparare a giocare a dama.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
E ha davvero funzionato,
infatti nel 1962
infatti nel 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
questo computer ha battuto
il campione del Connecticut.
il campione del Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Così Arthur Samuel è stato
il padre dell'apprendimento automatico,
il padre dell'apprendimento automatico,
01:10
and I have a great debt to him,
19
58534
1717
ed ho un grande debito con lui,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
perché sono un professionista
dell'apprendimento automatico.
dell'apprendimento automatico.
01:15
I was the president of Kaggle,
21
63014
1465
Sono stato il presidente di Kaggle
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
una comunità di oltre 200 000
professionisti
dell'apprendimento automatico.
dell'apprendimento automatico.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle crea delle competizioni
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
per cercare di risolvere
problemi irrisolti
problemi irrisolti
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
e ce l'ha fatta
centinaia di volte.
centinaia di volte.
Da questo punto di osservazione
sono stato in grado di scoprire
sono stato in grado di scoprire
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
molto su quanto l'apprendimento automatico
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
ha potuto fare in passato,
su quel che può fare oggi,
su quel che può fare oggi,
01:35
and what it could do in the future.
28
83890
2362
e su cosa potrà fare in futuro.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Probabilmente il primo grande successo
dell'apprendimento automatico
dell'apprendimento automatico
in commercio è stato Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google ha mostrato che
è possibile trovare informazioni
è possibile trovare informazioni
01:45
by using a computer algorithm,
31
93784
1752
usando un algoritmo informatico,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
un algoritmo basato
sull'apprendimento automatico.
sull'apprendimento automatico.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Da allora ci sono stati numerosi successi
commerciali nell'apprendimento automatico.
commerciali nell'apprendimento automatico.
01:54
Companies like Amazon and Netflix
34
102323
1837
Società quali Amazon e Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
usano l'apprendimento automatico
per suggerire
per suggerire
prodotti che potreste voler acquistare,
01:59
movies that you might like to watch.
36
107876
2020
film che potreste voler vedere.
02:01
Sometimes, it's almost creepy.
37
109896
1807
A volte è quasi inquietante.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Società come Linkedin e Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
talvolta vi diranno
chi potrebbe essere vostro amico
chi potrebbe essere vostro amico
02:08
and you have no idea how it did it,
40
116251
1977
e non avete idea di come ci riescano
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
e questo perché stanno utilizzando
l'apprendimento automatico.
l'apprendimento automatico.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Sono algoritmi che hanno imparato
tutto questo dai dati
tutto questo dai dati
02:16
rather than being programmed by hand.
43
124152
3247
invece che dalla programmazione manuale.
02:19
This is also how IBM was successful
44
127399
2478
La IBM è riuscita in questo modo
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
a far sì che Watson battesse
due campioni mondiali di "Jeopardy"
due campioni mondiali di "Jeopardy"
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
rispondendo a domande incredibilmente
acute e complesse come queste.
acute e complesse come queste.
["L'antico leone di Nimrud" è scomparso
dal museo nazionale di questa città nel 2003
(insieme ad altro materiale)"]
dal museo nazionale di questa città nel 2003
(insieme ad altro materiale)"]
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
Ed ecco perché siamo in grado di vedere
la prima auto che si guida da sola.
la prima auto che si guida da sola.
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Se vogliamo essere in grado di dire
la differenza tra, diciamo,
la differenza tra, diciamo,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
un albero ed un pedone,
allora questo è piuttosto importante.
allora questo è piuttosto importante.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Non sappiamo come scrivere
questi programmi manualmente
questi programmi manualmente
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
ma con l'apprendimento automatico
adesso è possibile.
adesso è possibile.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Questa auto ha guidato
per oltre un milione di chilometri,
per oltre un milione di chilometri,
02:48
without any accidents on regular roads.
54
156680
3506
su strada normale, senza alcun incidente.
02:52
So we now know that computers can learn,
55
160196
3914
Adesso sappiamo che i computer
possono imparare,
possono imparare,
02:56
and computers can learn to do things
56
164110
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,
don't know how to do ourselves,
57
166010
2838
03:00
or maybe can do them better than us.
58
168848
2885
o che magari possono fare meglio di noi.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Uno degli esempi più impressionanti
di apprendimento automatico che ho visto
di apprendimento automatico che ho visto
03:07
happened on a project that I ran at Kaggle
60
175928
2392
è stato durante un progetto
che ho condotto a Kaggle
che ho condotto a Kaggle
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
dove un gruppo guidato da un tipo
chiamato Geoffrey Hinton
chiamato Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
dell'università di Toronto
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
ha vinto una competizione
per la scoperta automatica di droghe.
per la scoperta automatica di droghe.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
La cosa straordinaria qui,
non è soltanto che hanno battuto
non è soltanto che hanno battuto
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
tutti gli algoritmi sviluppati da Merck
o dalla comunità accademica internazionale
o dalla comunità accademica internazionale
ma il fatto che nessuno nella squadra
avesse mai avuto
avesse mai avuto
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
esperienza in chimica o in biologia
o in scienze biologiche
o in scienze biologiche
03:30
and they did it in two weeks.
67
198061
2169
e l'hanno fatto in due settimane.
03:32
How did they do this?
68
200230
1381
Come ci sono riusciti?
Hanno utilizzato un algoritmo fenomenale
chiamato apprendimento approfondito.
chiamato apprendimento approfondito.
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Questo successo è stato così importante
da essere stato pubblicato in un articolo
da essere stato pubblicato in un articolo
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
nella prima pagina del New York Times
poche settimane dopo.
poche settimane dopo.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
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,
inspired by how the human brain works,
73
214147
4341
ispirato al funzionamento
del cervello umano
del cervello umano
03:50
and as a result it's an algorithm
74
218488
1812
che ha come risultato un algoritmo
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
che non ha limiti teorici
su quel che può fare.
su quel che può fare.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Più dati gli si forniscono
e più tempo di calcolo gli si dà,
e più tempo di calcolo gli si dà,
03:58
the better it gets.
77
226964
1312
meglio funziona.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
Il New York Times ha anche spiegato
in questo articolo
in questo articolo
un altro straordinario
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
risultato dell'apprendimento approfondito
04:04
which I'm going to show you now.
80
232857
2712
che sto per mostrarvi.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Mostra che i computer
possono ascoltare e capire.
possono ascoltare e capire.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid: l'ultimo passo
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
che voglio essere in grado
di compiere in questo processo
di compiere in questo processo
04:18
is to actually speak to you in Chinese.
84
246246
4715
è di parlarvi veramente in cinese.
04:22
Now the key thing there is,
85
250961
2635
Il punto chiave qui
è che siamo stati in grado
di prendere una gran quantità
di prendere una gran quantità
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
di informazioni
da numerosi parlanti cinesi
da numerosi parlanti cinesi
04:30
and produce a text-to-speech system
87
258598
2530
per produrre un sistema da testo a voce
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
che prende il testo cinese
e lo converte in lingua cinese
e lo converte in lingua cinese
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
e abbiamo preso
più o meno un'ora della mia stessa voce
più o meno un'ora della mia stessa voce
04:41
and we've used that to modulate
90
269929
1891
e l'abbiamo utilizzata per modulare
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
un sistema standard da testo a voce
in modo che suoni come la mia.
in modo che suoni come la mia.
04:48
Again, the result's not perfect.
92
276364
2540
Il risultato non è perfetto.
04:50
There are in fact quite a few errors.
93
278904
2648
In realtà ci sono un po' di errori.
04:53
(In Chinese)
94
281552
2484
(In cinese)
04:56
(Applause)
95
284036
3367
(Applausi)
C'è ancora molto
da fare in questo settore.
da fare in questo settore.
05:01
There's much work to be done in this area.
96
289446
3576
05:05
(In Chinese)
97
293022
3645
(In cinese)
05:08
(Applause)
98
296667
3433
(Applausi)
Jeremy Howard:
questo è accaduto alla conferenza
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
sull'apprendimento automatico in Cina.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Non capita davvero spesso
alle conferenze accademiche
alle conferenze accademiche
05:19
that you do hear spontaneous applause,
101
307114
1897
di sentire applausi spontanei
benché ovviamente talvolta
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
alle conferenze TEDx
siate liberi di farlo.
siate liberi di farlo.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Tutto quello che avete visto è accaduto
grazie all'apprendimento approfondito.
grazie all'apprendimento approfondito.
(Applausi)
05:27
(Applause) Thank you.
104
315482
1525
Grazie.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
La trascrizione in inglese
è apprendimento approfondito.
è apprendimento approfondito.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
La traduzione in cinese e il testo in alto
a destra, apprendimento approfondito,
a destra, apprendimento approfondito,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
e la costruzione della voce
ancora apprendimento approfondito.
ancora apprendimento approfondito.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Dunque l'apprendimento approfondito
è questa cosa straordinaria.
è questa cosa straordinaria.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
È un singolo algoritmo che sembra
essere in grado di fare qualsiasi cosa
essere in grado di fare qualsiasi cosa
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
e ho scoperto che un anno prima
ha anche imparato a vedere.
ha anche imparato a vedere.
05:47
In this obscure competition from Germany
111
335452
2176
In questa sconosciuta
competizione dalla Germania
competizione dalla Germania
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
chiamata lo Standard tedesco
per il riconoscimento dei segnali stradali
per il riconoscimento dei segnali stradali
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
l'apprendimento approfondito ha imparato
a riconoscere segnali stradali come questo.
a riconoscere segnali stradali come questo.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Non solo può
riconoscere i segnali stradali
riconoscere i segnali stradali
05:57
better than any other algorithm,
115
345712
1758
meglio di qualunque altro algoritmo
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
la classifica dei leader mostra che
in realtà è stato migliore delle persone,
in realtà è stato migliore delle persone,
06:02
about twice as good as people.
117
350189
1852
almeno il doppio delle persone.
06:04
So by 2011, we had the first example
118
352041
1996
Così nel 2011 abbiamo avuto
il primo esempio
il primo esempio
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
di computer che può vedere
meglio delle persone.
meglio delle persone.
06:09
Since that time, a lot has happened.
120
357442
2049
Da allora sono successe molte cose.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
Nel 2012 Google ha annunciato che
un algoritmo di apprendimento approfondito
un algoritmo di apprendimento approfondito
06:15
watch YouTube videos
122
363005
1415
ha guardato i video di YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
e ha suddiviso i dati
su 16 000 computer per un mese
su 16 000 computer per un mese
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
e il computer ha imparato in modo
autonomo concetti quali persone e gatti
autonomo concetti quali persone e gatti
06:24
just by watching the videos.
125
372218
1809
solo guardando i video.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Assomiglia molto al modo
di imparare degli uomini.
di imparare degli uomini.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Gli uomini non apprendono
quando gli si dice cosa vedono,
quando gli si dice cosa vedono,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
ma apprendendo da soli
cosa sono queste cose.
cosa sono queste cose.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Anche nel 2012 Geoffrey Hinton,
che abbiamo visto prima,
che abbiamo visto prima,
06:37
won the very popular ImageNet competition,
130
385819
2858
ha vinto la popolarissima
competizione ImageNet
competizione ImageNet
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
cercando di capire
da un milione e mezzo di immagini
da un milione e mezzo di immagini
06:44
what they're pictures of.
132
392818
1438
di che cosa erano la foto.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Già dal 2014 siamo a meno
del sei percento del tasso di errore
del sei percento del tasso di errore
06:49
in image recognition.
134
397789
1453
nel riconoscimento delle immagini.
06:51
This is better than people, again.
135
399242
2026
Ancora una volta meglio delle persone.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Le macchine stanno davvero
facendo un lavoro straordinario qui
facendo un lavoro straordinario qui
06:57
and it is now being used in industry.
137
405037
2269
e verrà utilizzato nell'industria.
06:59
For example, Google announced last year
138
407306
3042
Per esempio,
Google lo scorso anno ha annunciato
Google lo scorso anno ha annunciato
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
che ha mappato ogni singola
località in Francia in due ore
località in Francia in due ore
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
e lo ha fatto
fornendo immagini di strade
fornendo immagini di strade
ad un algoritmo
di apprendimento approfondito
di apprendimento approfondito
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
per riconoscere e leggere i numeri civici.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Immaginate quanto
si sarebbe impiegato prima:
si sarebbe impiegato prima:
07:16
dozens of people, many years.
143
424919
3355
dozzine di persone, diversi anni.
07:20
This is also happening in China.
144
428274
1911
Sta accadendo anche in Cina.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu è una sorta
di Google cinese, immagino,
di Google cinese, immagino,
07:26
and what you see here in the top left
146
434221
2283
e quel che potete vedere
in alto a sinistra
in alto a sinistra
è un esempio delle immagini
che ho caricato
che ho caricato
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
nel sistema di apprendimento
approfondito di Baidu,
approfondito di Baidu,
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
al di sotto potete vedere che il sistema
ha capito che cos'è quell'immagine
ha capito che cos'è quell'immagine
07:36
and found similar images.
149
444247
2236
e ha trovato immagini simili.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
In effetti le immagini simili
hanno sfondi simili,
hanno sfondi simili,
07:41
similar directions of the faces,
151
449219
1658
simili direzioni dei volti,
07:42
even some with their tongue out.
152
450877
1788
alcuni persino con la lingua fuori.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Questo non sta certamente cercando
il testo in una pagina del web.
il testo in una pagina del web.
07:47
All I uploaded was an image.
154
455695
1412
Tutto quello che ho caricato
è un'immagine.
è un'immagine.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Così adesso abbiamo computer che
comprendono davvero quello che vedono
comprendono davvero quello che vedono
07:53
and can therefore search databases
156
461128
1624
e che possono di conseguenza
cercare nei database
cercare nei database
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
di centinaia di milioni
di immagini in tempo reale.
di immagini in tempo reale.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Cosa significa
che i computer possono vedere?
che i computer possono vedere?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Non è solo che
i computer possono vedere.
i computer possono vedere.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Infatti l'apprendimento approfondito
ha fatto molto più di questo.
ha fatto molto più di questo.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Frasi complesse e sfumate come questa
adesso sono comprensibili
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
con un algoritmo
di apprendimento approfondito.
di apprendimento approfondito.
08:11
As you can see here,
163
479394
1303
Come potete vedere qui,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
questo sistema basato su Stanford
che mostra punti rossi in cima
che mostra punti rossi in cima
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
ha capito che questa frase
sta esprimendo un sentimento negativo.
sta esprimendo un sentimento negativo.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
L'apprendimento approfondito
è simile al comportamento umano
è simile al comportamento umano
nel comprendere quello di cui tratta
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
la frase e che cosa sta dicendo
su queste cose.
su queste cose.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
L'apprendimento approfondito
è stato utilizzato per leggere il cinese
è stato utilizzato per leggere il cinese
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
ad un livello simile
a quello di un madrelingua.
a quello di un madrelingua.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Questo algoritmo è stato sviluppato
in Svizzera
in Svizzera
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
da persone che non parlavano
o capivano il cinese.
o capivano il cinese.
08:39
As I say, using deep learning
172
507331
2051
Come ho detto, l'uso
dell'apprendimento approfondito
dell'apprendimento approfondito
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
è praticamente il sistema migliore
del mondo per fare questo,
del mondo per fare questo,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
anche paragonato
alla conoscenza umana.
alla conoscenza umana.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Questo è il sistema che abbiamo
messo a punto nella mia azienda,
messo a punto nella mia azienda,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
che mostra come mettere
tutto questo materiale insieme.
tutto questo materiale insieme.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Queste immagini non hanno
alcun testo allegato
alcun testo allegato
08:56
and as I'm typing in here sentences,
178
524189
2352
e mentre sto digitando queste frasi
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
in tempo reale sta capendo
queste immagini
queste immagini
09:01
and figuring out what they're about
180
529510
1679
e immaginando cosa riguardano
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
e trovando immagini simili
al testo che sto scrivendo.
al testo che sto scrivendo.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Come potete vedere, sta effettivamente
capendo le mie frasi
capendo le mie frasi
09:09
and actually understanding these pictures.
183
537108
2224
e sta realmente comprendendo
queste immagini.
queste immagini.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
So che avete visto
qualcosa di simile su Google
qualcosa di simile su Google
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
dove potete digitare cose
e lui vi mostra delle immagini,
e lui vi mostra delle immagini,
ma in realtà quello che fa è
cercare una pagina web riferita al testo.
cercare una pagina web riferita al testo.
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
È molto diverso
dal capire davvero le immagini.
dal capire davvero le immagini.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
È una cosa che i computer
sono stati in grado di fare
sono stati in grado di fare
09:25
for the first time in the last few months.
189
553843
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,
can not only see but they can also read,
190
557091
4091
possono vedere le immagini,
possono anche leggere
possono anche leggere
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
e ovviamente mostrare che possono
comprendere quello che sentono.
comprendere quello che sentono.
Forse non vi sorprenderà
quello che sto per dirvi,
quello che sto per dirvi,
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
cioè che sono in grado di scrivere.
Ecco un testo
che ho scritto ieri utilizzando
che ho scritto ieri utilizzando
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
un algoritmo
di apprendimento approfondito.
di apprendimento approfondito.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Ed ecco un testo che un algoritmo
di Stanford ha creato.
di Stanford ha creato.
09:49
Each of these sentences was generated
195
577096
1764
Ognuna di queste frasi è stata creata
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
da un algoritmo
di apprendimento approfondito
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.
a man in a black shirt playing a guitar.
197
583109
4472
Questo algoritmo non ha mai visto
un uomo in maglietta nera
che suona la chitarra.
che suona la chitarra.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Ha già visto un uomo prima,
ha già visto il nero prima,
ha già visto il nero prima,
10:01
it's seen a guitar before,
199
589801
1599
ha già visto una chitarra prima,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
ma ha generato in modo autonomo questa
nuova descrizione di questa fotografia.
nuova descrizione di questa fotografia.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Non è ancora una prestazione umana,
ma ci siamo vicini.
ma ci siamo vicini.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Nei test, gli uomini preferiscono
un sottotitolo generato dal computer
un sottotitolo generato dal computer
10:15
one out of four times.
203
603264
1527
una volta su quattro.
10:16
Now this system is now only two weeks old,
204
604791
2064
Questo sistema ha soltanto due settimane,
10:18
so probably within the next year,
205
606855
1846
quindi forse entro il prossimo anno
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
l'algoritmo informatico sarà
oltre la prestazione umana
oltre la prestazione umana
10:23
at the rate things are going.
207
611502
1862
alla velocità con cui vanno le cose.
10:25
So computers can also write.
208
613364
3049
I computer possono anche scrivere.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Abbiamo messo tutto insieme e ci ha
portato ad opportunità emozionanti.
portato ad opportunità emozionanti.
10:31
For example, in medicine,
210
619888
1492
Per esempio in medicina
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
un gruppo di Boston
ha annunciato che ha scoperto
ha annunciato che ha scoperto
10:35
dozens of new clinically relevant features
212
623905
2949
dozzine di caratteristiche dei tumori
clinicamente rilevanti
clinicamente rilevanti
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
che aiutano i medici nel fare
una prognosi del cancro.
una prognosi del cancro.
Analogamente, a Stanford
10:44
Very similarly, in Stanford,
214
632220
2296
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
un gruppo ha annunciato
che osservando i tessuti ingranditi
che osservando i tessuti ingranditi
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
hanno sviluppato un sistema basato
sull'apprendimento automatico
sull'apprendimento automatico
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
che è migliore dei patologi umani
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
nel predire le percentuali
di sopravvivenza nei malati di cancro.
di sopravvivenza nei malati di cancro.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
In entrambi i casi non solo
le previsioni sono più accurate
le previsioni sono più accurate
11:02
but they generated new insightful science.
220
650764
2502
ma generano una nuova
scienza intelligente.
scienza intelligente.
11:05
In the radiology case,
221
653276
1505
Nel caso della radiologia
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
sono nuovi indicatori clinici
che gli umani possono comprendere.
che gli umani possono comprendere.
11:09
In this pathology case,
223
657876
1792
Nel caso di questa patologia
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
il sistema informatico ha scoperto
che le cellule intorno al cancro
che le cellule intorno al cancro
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
sono importanti quanto
le cellule tumorali stesse
le cellule tumorali stesse
11:19
in making a diagnosis.
226
667508
1752
per fare una diagnosi.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
È il contrario di quanto è stato
insegnato ai patologi per decenni.
insegnato ai patologi per decenni.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
In ognuno dei due casi
sono sistemi sviluppati
sono sistemi sviluppati
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
da una combinazione
di esperti in medicina
di esperti in medicina
e di esperti
in apprendimento automatico
in apprendimento automatico
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
ma a partire dallo scorso anno
siamo andati anche oltre.
siamo andati anche oltre.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Questo è un esempio
di identificazione delle aree tumorali
di identificazione delle aree tumorali
11:39
of human tissue under a microscope.
232
687824
2530
di un tessuto umano al microscopio.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Questo sistema può identificare
le aree con maggiore accuratezza
le aree con maggiore accuratezza
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
o con la stessa accuratezza
di un patologo umano
di un patologo umano
ma è stato costruito interamente
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
con l'apprendimento approfondito
senza utilizzare la competenza medica
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
da persone che non hanno
alcuna competenza in questo settore.
alcuna competenza in questo settore.
Analogamente qui c'è
la segmentazione di un neurone.
la segmentazione di un neurone.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Ora siamo in grado di segmentare
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
i neuroni con la stessa
accuratezza degli uomini,
accuratezza degli uomini,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
ma questo sistema è stato sviluppato
con l'apprendimento approfondito
con l'apprendimento approfondito
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
da persone con nessuna
competenza in medicina.
competenza in medicina.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Io stesso, da persona
senza alcuna competenza in medicina,
senza alcuna competenza in medicina,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
sono pienamente qualificato
per iniziare una nuova società medica,
per iniziare una nuova società medica,
12:15
which I did.
243
723875
2146
cosa che ho fatto.
12:18
I was kind of terrified of doing it,
244
726021
1740
Ero piuttosto spaventato nel farlo
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
ma la teoria sembrava suggerire
che era possibile
che era possibile
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
fare medicina molto utile utilizzando
soltanto queste tecniche di analisi dati.
soltanto queste tecniche di analisi dati.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Fortunatamente abbiamo avuto
un fantastico riscontro
un fantastico riscontro
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
non soltanto dai media,
ma anche dalla comunità medica,
ma anche dalla comunità medica,
12:32
who have been very supportive.
249
740978
2344
che è stata di grande supporto.
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
La teoria è che possiamo prendere
la parte centrale di un processo medico
la parte centrale di un processo medico
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
e trasformarla in un analisi di dati
per quanto possibile,
per quanto possibile,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
lasciando i medici a fare
quel che fanno meglio.
quel che fanno meglio.
12:45
I want to give you an example.
253
753429
1602
Voglio farvi un esempio.
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
Ad oggi occorrono 15 minuti per produrre
un nuovo test medico diagnostico,
un nuovo test medico diagnostico,
12:51
and I'll show you that in real time now,
255
759975
1954
io ve lo mostrerò in tempo reale,
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
ma l'ho compresso a tre minuti
eliminando qualche parte.
eliminando qualche parte.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Invece di farvi vedere
la creazione di un test medico diagnostico
la creazione di un test medico diagnostico
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
sto per mostrarvi
un test diagnostico con immagini di auto,
un test diagnostico con immagini di auto,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
perché è qualcosa
che possiamo comprendere tutti.
che possiamo comprendere tutti.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Quindi inizieremo con circa
un milione e mezzo di immagini di auto
un milione e mezzo di immagini di auto
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
e voglio creare qualcosa
che le suddivida per l'angolazione
che le suddivida per l'angolazione
13:12
of the photo that's being taken.
262
780475
2223
con cui sono state scattate le fotografie.
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Queste immagini non sono etichettate,
quindi dovrò cominciare da zero.
quindi dovrò cominciare da zero.
13:18
With our deep learning algorithm,
264
786586
1865
Con il nostro algoritmo
per l'apprendimento approfondito
per l'apprendimento approfondito
si possono identificare automaticamente
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
le aree delle strutture
in queste immagini.
in queste immagini.
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
La cosa bella è che l'uomo
e il computer possono lavorare insieme.
e il computer possono lavorare insieme.
13:27
So the human, as you can see here,
267
795778
2178
L'uomo, come potete vedere qui,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
sta spiegando al computer
le aree di interesse
le aree di interesse
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
che vuole che il computer
utilizzi per migliorare l'algoritmo.
utilizzi per migliorare l'algoritmo.
In realtà questi sistemi
di apprendimento approfondito
di apprendimento approfondito
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
sono in uno spazio di 16 000 dimensioni
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
così potete vedere qui il computer
che lo ruota attraverso quello spazio
che lo ruota attraverso quello spazio
13:45
trying to find new areas of structure.
272
813009
1992
cercando di trovare
nuove aree di struttura.
nuove aree di struttura.
13:47
And when it does so successfully,
273
815001
1781
Quando ci riesce
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
l'uomo che lo sta guidando può poi
segnalare le aree interessanti.
segnalare le aree interessanti.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Qui il computer ha trovato
con successo le aree
con successo le aree
13:55
for example, angles.
276
823208
2562
ad esempio, gli spigoli.
13:57
So as we go through this process,
277
825770
1606
Durante questo processo
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
stiamo dicendo gradualmente
al computer sempre di più
al computer sempre di più
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
sul tipo di strutture che stiamo cercando.
14:04
You can imagine in a diagnostic test
280
832144
1772
Potete immaginare in un test diagnostico
che questo potrebbe essere
un patologo che identifica
un patologo che identifica
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
le aree malate, oppure ad esempio
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
un radiologo che indica
i noduli potenzialmente problematici.
i noduli potenzialmente problematici.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Talvolta può essere
difficile per l'algoritmo.
difficile per l'algoritmo.
14:16
In this case, it got kind of confused.
284
844851
1964
Qui è in un qualche modo confuso.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Le immagini della parte anteriore
e posteriore delle auto sono mescolate.
e posteriore delle auto sono mescolate.
14:21
So here we have to be a bit more careful,
286
849365
2072
In questo caso dobbiamo
essere un po' più cauti,
essere un po' più cauti,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
selezionando le parti anteriori
come opposte alle parti posteriori.
come opposte alle parti posteriori.
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
e dicendo al computer
che questo è il tipo di gruppo
che questo è il tipo di gruppo
14:32
that we're interested in.
289
860175
1348
a cui siamo interessati.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Lo facciamo per un po',
tralasciando qualcosa,
tralasciando qualcosa,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
così addestriamo l'algoritmo
per l'apprendimento automatico
per l'apprendimento automatico
14:38
based on these couple of hundred things,
292
866446
1974
basandoci su queste coppie
di centinaia di cose
di centinaia di cose
14:40
and we hope that it's gotten a lot better.
293
868420
2025
sperando che il risultato sia migliore.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Potete vedere che sta iniziando
a dissolvere alcune di queste fotografie
a dissolvere alcune di queste fotografie
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
mostrandoci che sta già riconoscendo
come capire da solo alcune di queste.
come capire da solo alcune di queste.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Possiamo utilizzare questo concetto
di immagini simili,
di immagini simili,
14:53
and using similar images, you can now see,
297
881128
2094
e utilizzando immagini simili,
come potete vedere.
come potete vedere.
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
il computer a questo punto è in grado
di trovare la parte anteriore delle auto.
di trovare la parte anteriore delle auto.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
A questo punto l'uomo
può dire al computer
può dire al computer
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
va bene, hai fatto
un buon lavoro.
un buon lavoro.
Talvolta, ovviamente,
persino a questo punto
persino a questo punto
15:05
Sometimes, of course, even at this point
301
893652
2185
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
è ancora difficile
separare i gruppi.
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,
computer try to rotate this for a while,
303
899511
3884
il computer a provare
a ruotarlo per un po'
a ruotarlo per un po'
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
troveremo ancora che le immagini
dei lati sinistri e dei lati destri
dei lati sinistri e dei lati destri
15:18
are all mixed up together.
305
906744
1478
sono tutte mescolate.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Così possiamo dare ulteriori
indicazioni al computer
indicazioni al computer
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
e dire, va bene, prova a trovare
una proiezione per separare
una proiezione per separare
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
i lati sinistri da quelli destri
per quanto possibile
per quanto possibile
15:27
using this deep learning algorithm.
309
915945
2122
utilizzando questo algoritmo
di apprendimento approfondito.
di apprendimento approfondito.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Dandogli quel suggerimento --
ecco, c'è riuscito.
ecco, c'è riuscito.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
È riuscito a trovare un modo
per pensare a questi oggetti
per pensare a questi oggetti
15:35
that's separated out these together.
312
923891
2380
separandoli dagli altri.
15:38
So you get the idea here.
313
926271
2438
Vi state facendo un'idea.
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
Questo non è un caso in cui l'uomo
è rimpiazzato dal computer,
è rimpiazzato dal computer,
15:48
but where they're working together.
315
936906
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
something that used to take a team
316
939546
3550
Quello che stiamo facendo qui è sostituire
qualcosa per il quale serviva una squadra
qualcosa per il quale serviva una squadra
15:55
of five or six people about seven years
317
943096
2002
di cinque o sei persone
per circa sette anni
per circa sette anni
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
e sostituirlo con qualcosa
che impiega 15 minuti
che impiega 15 minuti
15:59
for one person acting alone.
319
947703
2505
e una persona che lavora da sola.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Questo processo richiede all'incirca
quattro o cinque ripetizioni.
quattro o cinque ripetizioni.
16:06
You can see we now have 62 percent
321
954158
1859
Potete vedere che adesso abbiamo
il 62 per cento
il 62 per cento
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
del nostro milione e mezzo di immagini
classificato correttamente.
classificato correttamente.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
A questo punto possiamo iniziare
a prendere piuttosto
a prendere piuttosto
16:13
grab whole big sections,
324
961448
1297
velocemente grandi sezioni,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
controllarle per essere sicuri
che non ci siano errori.
che non ci siano errori.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Dove ci sono errori, possiamo
farlo sapere al computer.
farlo sapere al computer.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Utilizzando questo tipo di processo
per ognuno dei diversi gruppi
per ognuno dei diversi gruppi
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
siamo vicini ad un tasso
di successo dell'80 per cento
di successo dell'80 per cento
16:27
in classifying the 1.5 million images.
329
975148
2415
nel classificare un milione
e mezzo di immagini.
e mezzo di immagini.
16:29
And at this point, it's just a case
330
977563
2078
A questo punto è solo si tratta solo
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
di trovare trova la piccola parte
che non è classificata correttamente
che non è classificata correttamente
16:35
and trying to understand why.
332
983220
2888
e si cerca di capire perché.
16:38
And using that approach,
333
986108
1743
Usando questo approccio
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
in 15 minuti arriviamo a un tasso
di classificazione del 97 per cento.
di classificazione del 97 per cento.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Questo tipo di tecnica può permetterci
di risolvere un problema più grande,
di risolvere un problema più grande,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
cioè che c'è una mancanza
di competenza medica nel mondo.
di competenza medica nel mondo.
Il Forum Economico Mondiale
riporta che ci sono
riporta che ci sono
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
dalle 10 alle 20 volte meno
medici del necessario
medici del necessario
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
nei paesi in via di sviluppo
16:57
and it would take about 300 years
339
1005727
2113
e serviranno circa 300 anni
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
per formare abbastanza persone
per risolvere il problema.
per risolvere il problema.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Quindi immaginate se potessimo aiutare
a migliorare la loro efficacia
a migliorare la loro efficacia
17:05
using these deep learning approaches?
342
1013619
2839
utilizzando l'approccio con questo
apprendimento approfondito?
apprendimento approfondito?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Sono davvero entusiasta
di questa opportunità.
di questa opportunità.
17:10
I'm also concerned about the problems.
344
1018690
2589
Sono anche preoccupato per i problemi.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Il problema è che
ogni area in blu su questa mappa
ogni area in blu su questa mappa
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
indica un posto dove i servizi
sono oltre l'80 per cento del lavoro.
sono oltre l'80 per cento del lavoro.
17:20
What are services?
347
1028172
1787
Cosa sono i servizi?
17:21
These are services.
348
1029959
1514
Questi sono i servizi.
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
Questi sono anche proprio quello che
i computer hanno appena imparato a fare.
i computer hanno appena imparato a fare.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Così l'80 per cento dell'occupazione mondiale
nel mondo sviluppato
nel mondo sviluppato
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
è in qualcosa che i computer
hanno appena imparato a fare.
hanno appena imparato a fare.
17:33
What does that mean?
352
1041963
1440
Cosa significa tutto ciò?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Che andrà tutto bene.
Saranno sostituiti da altri lavori.
Saranno sostituiti da altri lavori.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Ad esempio ci sarà
più lavoro per i data scientist.
più lavoro per i data scientist.
17:40
Well, not really.
355
1048693
817
Veramente no.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Non occorrono molti data scientist
per costruire questi.
per costruire questi.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Ad esempio questi quattro algoritmi
sono stati creati dalla stessa persona.
sono stati creati dalla stessa persona.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Così se pensate:
è già accaduto prima
è già accaduto prima
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
abbiamo visto in passato i risultati
di quando arrivano novità
di quando arrivano novità
17:54
and they get replaced by new jobs,
360
1062126
2252
e vengono sostituite da nuovi lavori,
17:56
what are these new jobs going to be?
361
1064378
2116
ma come saranno questi nuovi lavori?
17:58
It's very hard for us to estimate this,
362
1066494
1871
È molto difficile per noi prevederlo
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
perché la conoscenza umana
cresce ad un tasso graduale,
cresce ad un tasso graduale,
18:03
but we now have a system, deep learning,
364
1071104
2562
mentre ora che abbiamo questo
sistema di apprendimento approfondito
sistema di apprendimento approfondito
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
che sappiamo che ha una conoscenza
che cresce a livello esponenziale.
che cresce a livello esponenziale.
18:08
And we're here.
366
1076893
1605
Siamo qui.
18:10
So currently, we see the things around us
367
1078498
2061
Attualmente vediamo le cose intorno a noi
e diciamo: "I computer
sono ancora piuttosto stupidi"
sono ancora piuttosto stupidi"
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
Giusto?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Ma fra cinque anni
saranno fuori da questo diagramma.
saranno fuori da questo diagramma.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Così dobbiamo iniziare a pensare
a questa capacità proprio adesso.
a questa capacità proprio adesso.
18:22
We have seen this once before, of course.
371
1090529
2050
L'abbiamo già visto, ovviamente.
18:24
In the Industrial Revolution,
372
1092579
1387
Nella Rivoluzione Industriale
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
abbiamo visto un cambio di passo
nella capacità grazie al motore.
nella capacità grazie al motore.
Il punto è tuttavia che dopo
un po' le cose si sono appiattite.
un po' le cose si sono appiattite.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
18:32
There was social disruption,
375
1100805
1702
Ci sono stati disordini sociali,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
ma una volta che il motore è stato usato
per generare energia in ogni situazione
per generare energia in ogni situazione
18:37
things really settled down.
377
1105946
2354
le cose si sono assestate.
18:40
The Machine Learning Revolution
378
1108300
1473
La Rivoluzione dell'Apprendimento
Automatico
Automatico
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
sarà molto diversa
dalla Rivoluzione Industriale
dalla Rivoluzione Industriale
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
perché la Rivoluzione dell'Apprendimento
Automatico non si assesterà.
Automatico non si assesterà.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Più i computer miglioreranno
le attività intellettuali
le attività intellettuali
più si potranno costruire
computer migliori
computer migliori
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
che miglioreranno
le capacità intellettuali,
le capacità intellettuali,
18:54
so this is going to be a kind of change
383
1122862
1908
quindi questo sarà un cambiamento
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
che il mondo non ha davvero
mai sperimentato prima
mai sperimentato prima
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
quindi la vostra comprensione precedente
su quel che è possibile, è diverso.
su quel che è possibile, è diverso.
19:02
This is already impacting us.
386
1130974
1780
Sta già avendo un impatto su di noi.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Negli ultimi 25 anni
la produttività del capitale è cresciuta,
la produttività del capitale è cresciuta,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
la produttività del lavoro è rimasta
uguale, è persino calata un po'.
uguale, è persino calata un po'.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Quindi voglio che iniziamo
a discuterne sin da adesso.
a discuterne sin da adesso.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
So che spesso quando parlo alle persone
di questa situazione
di questa situazione
19:19
people can be quite dismissive.
391
1147176
1490
le persone sono piuttosto sprezzanti.
19:20
Well, computers can't really think,
392
1148666
1673
Del resto i computer
non possono veramente pensare,
non possono veramente pensare,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
non hanno emozioni,
non comprendono la poesia,
non comprendono la poesia,
19:25
we don't really understand how they work.
394
1153367
2521
non capiamo davvero come funzionano.
19:27
So what?
395
1155888
1486
Quindi?
19:29
Computers right now can do the things
396
1157374
1804
Già adesso i computer possono fare cose
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
per fare le quali le persone
vengono pagate,
vengono pagate,
19:33
so now's the time to start thinking
398
1161897
1731
quindi è tempo di iniziare a pensare
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
a come dovremo modificare
le nostre strutture sociali ed economiche
le nostre strutture sociali ed economiche
19:40
to be aware of this new reality.
400
1168015
1840
per diventare consapevoli
di questa nuova realtà.
di questa nuova realtà.
19:41
Thank you.
401
1169855
1533
Grazie.
19:43
(Applause)
402
1171388
802
(Applausi)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy Howard imagines how advanced machine learning can improve our lives.
Why you should listen
Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."
Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.
Jeremy Howard | Speaker | TED.com