ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com
TED2015

Fei-Fei Li: How we're teaching computers to understand pictures

Fei-Fei Li: Come insegniamo ai computer a capire immagini

Filmed:
2,702,344 views

Quando una bambina guarda una foto, può identificare semplici elementi: “gatto“, “libro“, “sedia“. Oggi, i computer diventano intelligenti al punto di fare la stessa cosa. Dove andremo a finire? In una conferenza emozionante, Fei-Fei Li, esperta di visione artificiale, descrive una tecnologia all'avanguardia — compreso il database di 15 milioni di foto che il suo team ha creato per “insegnare“ a un computer a capire immagini ― e le conoscenze chiave che verranno.
- Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio

Double-click the English transcript below to play the video.

00:14
Let me showmostrare you something.
0
2366
3738
Lasciate che vi mostri qualcosa.
00:18
(VideoVideo) GirlRagazza: Okay, that's a catgatto
sittingseduta in a bedletto.
1
6104
4156
Ok, è un gatto seduto sul letto.
Il ragazzo sta accarezzando l'elefante.
00:22
The boyragazzo is pettingPetting the elephantelefante.
2
10260
4040
00:26
Those are people
that are going on an airplaneaereo.
3
14300
4354
Sono persone
che salgono su un aereo.
È un grande aereo.
00:30
That's a biggrande airplaneaereo.
4
18654
2810
È una bambina di tre anni
00:33
Fei-FeiFei-Fei LiLi: This is
a three-year-olddi tre anni childbambino
5
21464
2206
che descrive ciò
che vede nelle foto.
00:35
describingdescrivendo what she seesvede
in a seriesserie of photosfotografie.
6
23670
3679
00:39
She mightpotrebbe still have a lot
to learnimparare about this worldmondo,
7
27349
2845
Anche se ha ancora tanto da imparare,
00:42
but she's alreadygià an expertesperto
at one very importantimportante taskcompito:
8
30194
4549
è già un'esperta in
un compito importante:
00:46
to make sensesenso of what she seesvede.
9
34743
2846
capire ciò che vede.
La tecnologia nella nostra
società è più sviluppata che mai.
00:50
Our societysocietà is more
technologicallytecnologicamente advancedAvanzate than ever.
10
38229
4226
Mandiamo persone sulla Luna,
creiamo cellulari che ci parlano
00:54
We sendinviare people to the moonLuna,
we make phonestelefoni that talk to us
11
42455
3629
00:58
or customizepersonalizzare radioRadio stationsstazioni
that can playgiocare only musicmusica we like.
12
46084
4946
o personalizziamo le stazioni radio
per ascoltare la musica che ci piace.
01:03
YetAncora, our mostmaggior parte advancedAvanzate
machinesmacchine and computerscomputer
13
51030
4055
Eppure, i computer
e i dispositivi più avanzati
01:07
still strugglelotta at this taskcompito.
14
55085
2903
non sono ancora in grado
di svolgere questo compito.
Oggi vi mostrerò
un rapporto di avanzamento
01:09
So I'm here todayoggi
to give you a progressprogresso reportrapporto
15
57988
3459
01:13
on the latestpiù recente advancesavanzamenti
in our researchricerca in computercomputer visionvisione,
16
61447
4047
sui progressi della nostra
ricerca sulla visione artificiale,
01:17
one of the mostmaggior parte frontierfrontiera
and potentiallypotenzialmente revolutionaryrivoluzionario
17
65494
4161
una delle tecnologie informatiche
01:21
technologiestecnologie in computercomputer sciencescienza.
18
69655
3206
più rivoluzionarie.
01:24
Yes, we have prototypedprototipo carsautomobili
that can driveguidare by themselvesloro stessi,
19
72861
4551
Sì, abbiamo prototipi
di auto che si guidano da sole,
01:29
but withoutsenza smartinteligente visionvisione,
they cannotnon può really tell the differencedifferenza
20
77412
3853
ma senza la smart vision,
non riescono a distinguere fra
01:33
betweenfra a crumpledspiegazzato papercarta bagBorsa
on the roadstrada, whichquale can be runcorrere over,
21
81265
3970
un sacchetto spiegazzato sulla
strada che può essere investito
01:37
and a rockroccia that sizedimensione,
whichquale should be avoidedevitato.
22
85235
3340
e una pietra che sarebbe da evitare.
Abbiamo creato favolose
fotocamere con megapixel,
01:41
We have madefatto fabulousfavoloso megapixelmegapixel camerasmacchine fotografiche,
23
89415
3390
01:44
but we have not deliveredconsegnato
sightvista to the blindcieco.
24
92805
3135
ma non abbiamo
ancora ridato la vista ai ciechi.
01:48
DronesDroni can flyvolare over massivemassiccio landsbarcare,
25
96420
3305
I droni volano su
grandi parti di terra,
ma la loro tecnologia visiva non basta
01:51
but don't have enoughabbastanza visionvisione technologytecnologia
26
99725
2134
01:53
to help us to tracktraccia
the changesi cambiamenti of the rainforestsforeste pluviali.
27
101859
3461
a monitorare
le variazioni delle foreste pluviali.
01:57
SecuritySicurezza camerasmacchine fotografiche are everywhereovunque,
28
105320
2950
Ci sono telecamere
a circuito chiuso ovunque,
02:00
but they do not alertmettere in guardia us when a childbambino
is drowningannegamento in a swimmingnuoto poolpiscina.
29
108270
5067
che però non ci avvertono quando
un bambino sta affogando in una piscina.
02:06
PhotosFoto and videosvideo are becomingdiventando
an integralintegrale partparte of globalglobale life.
30
114167
5595
Video e foto stanno diventando
parte integrante della vita globale.
Sono generati a un ritmo
più veloce di quello che ogni uomo
02:11
They're beingessere generatedgenerato at a paceritmo
that's farlontano beyondal di là what any humanumano,
31
119762
4087
02:15
or teamssquadre of humansgli esseri umani, could hopesperanza to viewvista,
32
123849
2783
o gruppi di uomini spera di poter avere,
02:18
and you and I are contributingcontribuendo
to that at this TEDTED.
33
126632
3921
e vi contribuiamo in questo TED.
02:22
YetAncora our mostmaggior parte advancedAvanzate softwareSoftware
is still strugglinglottando at understandingcomprensione
34
130553
5232
Eppure il nostro software più
avanzato non riesce ancora a capire
02:27
and managinggestione this enormousenorme contentsoddisfare.
35
135785
3876
e amministrare quest'enorme contenuto.
02:31
So in other wordsparole,
collectivelycollettivamente as a societysocietà,
36
139661
5272
In altri termini collettivamente
siamo una società di ciechi
02:36
we're very much blindcieco,
37
144933
1746
perché le nostre macchine più
intelligenti sono ancora cieche.
02:38
because our smartestpiù intelligente
machinesmacchine are still blindcieco.
38
146679
3387
Vi chiederete perché sia così difficile.
02:43
"Why is this so harddifficile?" you maypuò askChiedere.
39
151526
2926
Le fotocamere scattano foto come questa,
02:46
CamerasTelecamere can take picturesimmagini like this one
40
154452
2693
trasformando le luci in
una matrice bidimensionale di numeri,
02:49
by convertingconversione lightsluci into
a two-dimensionalbidimensionale arrayschieramento of numbersnumeri
41
157145
3994
i pixels,
02:53
knownconosciuto as pixelspixel,
42
161139
1650
02:54
but these are just lifelesssenza vita numbersnumeri.
43
162789
2251
però sono solo numeri senza vita.
02:57
They do not carrytrasportare meaningsenso in themselvesloro stessi.
44
165040
3111
Non hanno alcun significato di per sé.
03:00
Just like to hearsentire is not
the samestesso as to listen,
45
168151
4343
Proprio come udire non è come ascoltare,
scattare foto non è come vedere,
03:04
to take picturesimmagini is not
the samestesso as to see,
46
172494
4040
e con vedere intendiamo capire.
03:08
and by seeingvedendo,
we really mean understandingcomprensione.
47
176534
3829
03:13
In factfatto, it tookha preso MotherMadre NatureNatura
540 millionmilione yearsanni of harddifficile work
48
181293
6177
In effetti, ci sono voluti 540 milioni
anni di duro lavoro a Madre Natura
03:19
to do this taskcompito,
49
187470
1973
per completare questo compito,
03:21
and much of that effortsforzo
50
189443
1881
e gran parte di questo sforzo
è andato allo sviluppo
dell'elaborazione ottica del cervello,
03:23
wentandato into developingin via di sviluppo the visualvisivo
processinglavorazione apparatusapparato of our brainsmente,
51
191324
5271
non agli occhi.
03:28
not the eyesocchi themselvesloro stessi.
52
196595
2647
Quindi la visione inizia con gli occhi,
03:31
So visionvisione beginsinizia with the eyesocchi,
53
199242
2747
03:33
but it trulyveramente takes placeposto in the braincervello.
54
201989
3518
ma in realtà avviene nel cervello.
03:38
So for 15 yearsanni now, startingdi partenza
from my PhPH.D. at CaltechCaltech
55
206287
5060
Dunque da 15 anni,
prima con il Ph.D al Caltech
e poi a capo del Vision Lab di Stanford,
03:43
and then leadingprincipale Stanford'sDi Stanford VisionVisione LabLaboratorio,
56
211347
2926
lavoro con i miei
mentori, collaboratori e studenti
03:46
I've been workinglavoro with my mentorsmentori,
collaboratorscollaboratori and studentsstudenti
57
214273
4396
03:50
to teachinsegnare computerscomputer to see.
58
218669
2889
per insegnare ai computer a vedere.
Il campo di ricerca si chiama visione
artificiale e apprendimento automatico.
03:54
Our researchricerca fieldcampo is calledchiamato
computercomputer visionvisione and machinemacchina learningapprendimento.
59
222658
3294
03:57
It's partparte of the generalgenerale fieldcampo
of artificialartificiale intelligenceintelligenza.
60
225952
3878
Fa parte del campo
generale dell'intelligenza artificiale.
04:03
So ultimatelyin definitiva, we want to teachinsegnare
the machinesmacchine to see just like we do:
61
231000
5493
Allora in sostanza, vogliamo insegnare
alle macchine a vedere proprio come noi:
indicare cose, riconoscere persone,
dedurre la geometria 3D degli oggetti,
04:08
namingdenominazione objectsoggetti, identifyingidentificazione people,
inferringla deduzione 3D geometrygeometria of things,
62
236493
5387
04:13
understandingcomprensione relationsrelazioni, emotionsemozioni,
actionsAzioni and intentionsintenzioni.
63
241880
5688
comprendere relazioni,
emozioni, azioni e intenzioni.
04:19
You and I weavetessere togetherinsieme entireintero storiesstorie
of people, placesposti and things
64
247568
6153
Tessiamo intere storie
di persone, luoghi e cose
04:25
the momentmomento we layposare our gazesguardo on them.
65
253721
2164
quando fissiamo lo sguardo su di loro.
04:28
The first steppasso towardsin direzione this goalobbiettivo
is to teachinsegnare a computercomputer to see objectsoggetti,
66
256955
5583
Il primo passo verso questo scopo è
insegnare a un computer a vedere cose,
04:34
the buildingcostruzione blockbloccare of the visualvisivo worldmondo.
67
262538
3368
il mattone del mondo visivo.
04:37
In its simplestpiù semplice termscondizioni,
imagineimmaginare this teachinginsegnamento processprocesso
68
265906
4434
In parole povere immaginate
questo processo d'insegnamento
04:42
as showingmostrando the computerscomputer
some trainingformazione imagesimmagini
69
270340
2995
come mostrare ai computer immagini
04:45
of a particularparticolare objectoggetto, let's say catsgatti,
70
273335
3321
di un oggetto specifico, come gatti,
04:48
and designingprogettazione a modelmodello that learnsImpara
from these trainingformazione imagesimmagini.
71
276656
4737
e creare un modello che
impara da queste immagini.
04:53
How harddifficile can this be?
72
281393
2044
Quanto può essere difficile?
Dopotutto, un gatto è solo
un insieme di forme e colori,
04:55
After all, a catgatto is just
a collectioncollezione of shapesforme and colorscolori,
73
283437
4052
04:59
and this is what we did
in the earlypresto daysgiorni of objectoggetto modelingmodellismo.
74
287489
4086
e l'abbiamo fatto nella prima
fase di realizzazione dei modelli.
Abbiamo detto all'algoritmo
con un linguaggio matematico
05:03
We'dAvremmo tell the computercomputer algorithmalgoritmo
in a mathematicalmatematico languageLingua
75
291575
3622
05:07
that a catgatto has a roundil giro faceviso,
a chubbypaffuto bodycorpo,
76
295197
3343
che un gatto ha una
faccia tonda, un corpo paffuto,
due orecchie a punta e una coda lunga,
05:10
two pointya punta earsorecchie, and a long tailcoda,
77
298540
2299
e fin qui tutto ok.
05:12
and that lookedguardato all fine.
78
300839
1410
Ma che dire di questo gatto?
05:14
But what about this catgatto?
79
302859
2113
05:16
(LaughterRisate)
80
304972
1091
(Risate)
È tutto accartocciato.
05:18
It's all curledarricciata up.
81
306063
1626
Ora si deve aggiungere un'altra
forma e punto di vista al modello.
05:19
Now you have to addInserisci anotherun altro shapeforma
and viewpointpunto di vista to the objectoggetto modelmodello.
82
307689
4719
Ma se i gatti sono nascosti?
05:24
But what if catsgatti are hiddennascosto?
83
312408
1715
05:27
What about these sillysciocco catsgatti?
84
315143
2219
Che dire di questi gatti sciocchi?
05:31
Now you get my pointpunto.
85
319112
2417
Ora mi capite.
05:33
Even something as simplesemplice
as a householddomestico petanimale domestico
86
321529
3367
Anche qualcosa di semplice
come un animale domestico
05:36
can presentpresente an infiniteinfinito numbernumero
of variationsvariazioni to the objectoggetto modelmodello,
87
324896
4504
può presentare
un numero infinito di variazioni,
ed è un oggetto solo.
05:41
and that's just one objectoggetto.
88
329400
2233
05:44
So about eightotto yearsanni agofa,
89
332573
2492
Allora otto anni fa,
05:47
a very simplesemplice and profoundprofondo observationosservazione
changedcambiato my thinkingpensiero.
90
335065
5030
un'osservazione molto semplice
e profonda ha cambiato il mio parere.
05:53
No one tellsdice a childbambino how to see,
91
341425
2685
Nessuno dice a un bambino come vedere,
soprattutto nei primi anni.
05:56
especiallyparticolarmente in the earlypresto yearsanni.
92
344110
2261
Lo imparano con
esperienze e esempi del mondo reale.
05:58
They learnimparare this throughattraverso
real-worldmondo reale experiencesesperienze and examplesesempi.
93
346371
5000
06:03
If you considerprendere in considerazione a child'sdi bambino eyesocchi
94
351371
2740
Se considerate gli occhi di un bambino
come un paio di fotocamere biologiche,
06:06
as a pairpaio of biologicalbiologico camerasmacchine fotografiche,
95
354111
2554
scattano una foto ogni 200 millisecondi,
06:08
they take one pictureimmagine
about everyogni 200 millisecondsmillisecondi,
96
356665
4180
il tempo medio di
un movimento dell'occhio.
06:12
the averagemedia time an eyeocchio movementmovimento is madefatto.
97
360845
3134
Dunque entro i 3 anni, un bambino
vede centinaia di migliaia di immagini
06:15
So by ageetà threetre, a childbambino would have seenvisto
hundredscentinaia of millionsmilioni of picturesimmagini
98
363979
5550
del mondo reale.
06:21
of the realvero worldmondo.
99
369529
1834
Questi sono tanti esempi d'insegnamento.
06:23
That's a lot of trainingformazione examplesesempi.
100
371363
2280
Così invece di concentrarci
solo su algoritmi sempre migliori,
06:26
So insteadanziché of focusingmessa a fuoco solelyesclusivamente
on better and better algorithmsalgoritmi,
101
374383
5989
la mia idea era dare
agli algoritmi dati d'insegnamento
06:32
my insightintuizione was to give the algorithmsalgoritmi
the kindgenere of trainingformazione datadati
102
380372
5272
06:37
that a childbambino was givendato throughattraverso experiencesesperienze
103
385644
3319
come quelli che
un bambino ottiene con le esperienze
con la stessa qualità e quantità.
06:40
in bothentrambi quantityquantità and qualityqualità.
104
388963
3878
06:44
OnceVolta we know this,
105
392841
1858
Una volta capito questo,
dovevamo accumulare un set di dati
06:46
we knewconosceva we needednecessaria to collectraccogliere a datadati setimpostato
106
394699
2971
06:49
that has farlontano more imagesimmagini
than we have ever had before,
107
397670
4459
che aveva più immagini che mai,
forse migliaia di volte di più,
06:54
perhapsForse thousandsmigliaia of timesvolte more,
108
402129
2577
06:56
and togetherinsieme with ProfessorProfessore
KaiKai LiLi at PrincetonPrinceton UniversityUniversità,
109
404706
4111
e con il Professore Kai Li
dell'Università di Princeton,
07:00
we launchedlanciato the ImageNetImageNet projectprogetto in 2007.
110
408817
4752
abbiamo lanciato
il progetto ImageNet nel 2007.
07:05
LuckilyPer fortuna, we didn't have to mountmontare
a cameramacchina fotografica on our headcapo
111
413569
3838
Per fortuna non abbiamo dovuto
montare una videocamera in testa
e aspettare tanti anni.
07:09
and wait for manymolti yearsanni.
112
417407
1764
Siamo andati su Internet,
07:11
We wentandato to the InternetInternet,
113
419171
1463
07:12
the biggestmaggiore treasureTesoro trovetrove of picturesimmagini
that humansgli esseri umani have ever createdcreato.
114
420634
4436
il più grande tesoro d'immagini
che gli uomini abbiano mai creato.
07:17
We downloadedscaricato nearlyquasi a billionmiliardo imagesimmagini
115
425070
3041
Abbiamo scaricato
quasi un miliardo d'immagini
07:20
and used crowdsourcingcrowdsourcing technologytecnologia
like the AmazonAmazon MechanicalMeccanica TurkTurk platformpiattaforma
116
428111
5880
e usato il crowdsourcing
come Amazon Mechanical Turk
per aiutarci a etichettarle.
07:25
to help us to labeletichetta these imagesimmagini.
117
433991
2339
07:28
At its peakpicco, ImageNetImageNet was one of
the biggestmaggiore employersdatori di lavoro
118
436330
4900
Al suo culumine ImageNet era
uno dei maggiori datori di lavoro
07:33
of the AmazonAmazon MechanicalMeccanica TurkTurk workerslavoratori:
119
441230
2996
di Amazon Mechanical Turk:
07:36
togetherinsieme, almostquasi 50,000 workerslavoratori
120
444226
3854
insieme, quasi 50.000 dipendenti
07:40
from 167 countriespaesi around the worldmondo
121
448080
4040
di 167 paesi in tutto il mondo
07:44
helpedaiutato us to cleanpulito, sortordinare and labeletichetta
122
452120
3947
ci hanno aiutato a
pulire, smistare e etichettare
07:48
nearlyquasi a billionmiliardo candidatecandidato imagesimmagini.
123
456067
3575
quasi un miliardo di aspiranti immagini.
Ecco lo sforzo che c'è voluto
07:52
That was how much effortsforzo it tookha preso
124
460612
2653
07:55
to capturecatturare even a fractionfrazione
of the imageryimmagini
125
463265
3900
a catturare persino
una frazione delle immagini
della mente infantile
nei primi anni di sviluppo.
07:59
a child'sdi bambino mindmente takes in
in the earlypresto developmentaldello sviluppo yearsanni.
126
467165
4171
A cose fatte l'idea di usare Big Data
08:04
In hindsightcol senno di poi, this ideaidea of usingutilizzando biggrande datadati
127
472148
3902
08:08
to traintreno computercomputer algorithmsalgoritmi
maypuò seemsembrare obviousevidente now,
128
476050
4550
per addestrare algoritmi
informatici forse oggi sembra ovvia,
però nel 2007 non lo era così tanto.
08:12
but back in 2007, it was not so obviousevidente.
129
480600
4110
Per un bel po' siamo
stati soli in questo viaggio.
08:16
We were fairlyabbastanza aloneda solo on this journeyviaggio
for quiteabbastanza a while.
130
484710
3878
Dei colleghi mi hanno consigliato di
fare qualcosa di più utile all'incarico
08:20
Some very friendlyamichevole colleaguescolleghi advisedconsigliato me
to do something more usefulutile for my tenurepossesso,
131
488588
5003
e avevamo di continuo
difficoltà con il finanziamento.
08:25
and we were constantlycostantemente strugglinglottando
for researchricerca fundingfinanziamento.
132
493591
4342
Una volta ho scherzato con i miei studenti
08:29
OnceVolta, I even jokedha scherzato to my graduatediplomato studentsstudenti
133
497933
2485
dicendo che avrei riaperto
la lavanderia per finanziare ImageNet.
08:32
that I would just reopenRiapri
my dryasciutto cleaner'sspazzino shopnegozio to fundfondo ImageNetImageNet.
134
500418
4063
Alla fine in questo modo
ho finanziato i miei anni al college.
08:36
After all, that's how I fundedfinanziato
my collegeUniversità yearsanni.
135
504481
4761
Allora abbiamo continuato.
08:41
So we carriedtrasportato on.
136
509242
1856
Nel 2009 ImageNet project ha consegnato
08:43
In 2009, the ImageNetImageNet projectprogetto deliveredconsegnato
137
511098
3715
08:46
a databaseBanca dati of 15 millionmilione imagesimmagini
138
514813
4042
un database di 15 milioni d'immagini
in 22.000 categorie di oggetti e cose
08:50
acrossattraverso 22,000 classesclassi
of objectsoggetti and things
139
518855
4805
08:55
organizedorganizzato by everydayogni giorno EnglishInglese wordsparole.
140
523660
3320
organizzate in parole di uso quotidiano.
Sia in quantità sia in qualità
08:58
In bothentrambi quantityquantità and qualityqualità,
141
526980
2926
era una scala senza precedenti.
09:01
this was an unprecedentedinaudito scalescala.
142
529906
2972
09:04
As an exampleesempio, in the casecaso of catsgatti,
143
532878
3461
Per esempio, nel caso dei gatti,
09:08
we have more than 62,000 catsgatti
144
536339
2809
abbiamo più di 62.000 gatti
09:11
of all kindstipi of lookssembra and posespose
145
539148
4110
di tutti i tipi di aspetto e pose
e in tutte le specie
di gatti domestici e selvatici.
09:15
and acrossattraverso all speciesspecie
of domesticdomestico and wildselvaggio catsgatti.
146
543258
5223
Eravamo emozionati per il
completamento di ImageNet,
09:20
We were thrilledentusiasti
to have put togetherinsieme ImageNetImageNet,
147
548481
3344
e volevamo che tutto
il mondo di ricerca ne beneficiasse,
09:23
and we wanted the wholetotale researchricerca worldmondo
to benefitvantaggio from it,
148
551825
3738
così come TED abbiamo
aperto gratis tutto il set di dati
09:27
so in the TEDTED fashionmoda,
we openedha aperto up the entireintero datadati setimpostato
149
555563
4041
alla comunità di ricerca mondiale.
09:31
to the worldwideIn tutto il mondo
researchricerca communitycomunità for freegratuito.
150
559604
3592
09:36
(ApplauseApplausi)
151
564636
4000
(Applausi)
Ora grazie ai dati per nutrire
il cervello del nostro computer
09:41
Now that we have the datadati
to nourishnutrire la our computercomputer braincervello,
152
569416
4538
siamo pronti a ritornare agli algoritmi.
09:45
we're readypronto to come back
to the algorithmsalgoritmi themselvesloro stessi.
153
573954
3737
Infatti, la ricchezza
d'informazioni di ImageNet
09:49
As it turnedtrasformato out, the wealthricchezza
of informationinformazione providedfornito by ImageNetImageNet
154
577691
5178
era perfetta per una particolare classe
di algoritmi di apprendimento automatico
09:54
was a perfectperfezionare matchincontro to a particularparticolare classclasse
of machinemacchina learningapprendimento algorithmsalgoritmi
155
582869
4806
09:59
calledchiamato convolutionaldell'avvolgimento neuralneurale networkRete,
156
587675
2415
chiamata rete neurale,
10:02
pioneeredha aperto la strada by KunihikoKunihiko FukushimaFukushima,
GeoffGeoff HintonHinton, and YannYann LeCunLeCun
157
590090
5248
innovazione di Kunihiko
Fukushima, Geoff Hinton e Yann LeCun
negli anni '70 e '80.
10:07
back in the 1970s and '80s.
158
595338
3645
10:10
Just like the braincervello consistsconsiste
of billionsmiliardi of highlyaltamente connectedcollegato neuronsneuroni,
159
598983
5619
Proprio come il cervello è fatto
di miliardi di neuroni ben collegati,
10:16
a basicdi base operatingoperativo unitunità in a neuralneurale networkRete
160
604602
3854
un'unità operativa
elementare in una rete neurale
10:20
is a neuron-likeneurone-come nodenodo.
161
608456
2415
è un nodo tipo neurone.
Prende input di altri nodi
10:22
It takes inputingresso from other nodesnodi
162
610871
2554
e invia output a altri.
10:25
and sendsinvia outputproduzione to othersaltri.
163
613425
2718
Inoltre quelle centinaia
di migliaia o persino milioni di nodi
10:28
MoreoverInoltre, these hundredscentinaia of thousandsmigliaia
or even millionsmilioni of nodesnodi
164
616143
4713
10:32
are organizedorganizzato in hierarchicalgerarchico layersstrati,
165
620856
3227
sono organizzate in strati gerarchici,
anche simili al cervello.
10:36
alsoanche similarsimile to the braincervello.
166
624083
2554
In una tipica rete neurale usata per
addestrare il modello di riconoscimento
10:38
In a typicaltipico neuralneurale networkRete we use
to traintreno our objectoggetto recognitionriconoscimento modelmodello,
167
626637
4783
ci sono 24 milioni di nodi,
10:43
it has 24 millionmilione nodesnodi,
168
631420
3181
10:46
140 millionmilione parametersparametri,
169
634601
3297
140 milioni di parametri
e 15 miliardi di connessioni.
10:49
and 15 billionmiliardo connectionsconnessioni.
170
637898
2763
È un modello enorme.
10:52
That's an enormousenorme modelmodello.
171
640661
2415
10:55
PoweredAlimentato by the massivemassiccio datadati from ImageNetImageNet
172
643076
3901
Alimentata dai dati di ImageNet
e dalle moderne CPU e GPU
per addestrare un modello così immenso,
10:58
and the modernmoderno CPUsCPU and GPUsGPU
to traintreno suchcome a humongousHumongous modelmodello,
173
646977
5433
la rete neurale convoluzionale
11:04
the convolutionaldell'avvolgimento neuralneurale networkRete
174
652410
2369
è sbocciata in un modo
che nessuno si aspettava.
11:06
blossomedsbocciato in a way that no one expectedprevisto.
175
654779
3436
È diventata l'architettura vincente
11:10
It becamedivenne the winningvincente architecturearchitettura
176
658215
2508
11:12
to generatecreare excitingemozionante newnuovo resultsrisultati
in objectoggetto recognitionriconoscimento.
177
660723
5340
che genera risultati eclatanti
nel riconoscimento degli oggetti.
11:18
This is a computercomputer tellingraccontare us
178
666063
2810
Questo è un computer che ci dice
che in questa foto c'è un gatto
11:20
this pictureimmagine containscontiene a catgatto
179
668873
2300
11:23
and where the catgatto is.
180
671173
1903
e dov'è il gatto.
Certo ci sono anche
altre cose oltre ai gatti
11:25
Of coursecorso there are more things than catsgatti,
181
673076
2112
quindi ecco
un algoritmo informatico che ci dice
11:27
so here'secco a computercomputer algorithmalgoritmo tellingraccontare us
182
675188
2438
che nella foto ci sono
un ragazzo e un orsacchiotto;
11:29
the pictureimmagine containscontiene
a boyragazzo and a teddyorsacchiotto bearorso;
183
677626
3274
un cane, una persona e
un aquilone sullo sfondo;
11:32
a dogcane, a personpersona, and a smallpiccolo kiteaquilone
in the backgroundsfondo;
184
680900
4366
o una foto di molte cose curiose
11:37
or a pictureimmagine of very busyoccupato things
185
685266
3135
11:40
like a man, a skateboardskateboard,
railingsringhiere, a lampostLampost, and so on.
186
688401
4644
come un uomo, uno skateboard,
ringhiere, un lampione e così via.
11:45
SometimesA volte, when the computercomputer
is not so confidentfiducioso about what it seesvede,
187
693045
5293
A volte quando il computer non
è tanto sicuro di quello che vede,
11:51
we have taughtinsegnato it to be smartinteligente enoughabbastanza
188
699498
2276
gli insegnamo a
essere abbastanza intelligente
11:53
to give us a safesicuro answerrisposta
insteadanziché of committingcommettere too much,
189
701774
3878
da darci una risposta
sicura invece d'impegnarsi troppo,
proprio come faremmo noi,
11:57
just like we would do,
190
705652
2811
ma altre volte gli algoritmi ci
dicono in modo eccezionale
12:00
but other timesvolte our computercomputer algorithmalgoritmo
is remarkablenotevole at tellingraccontare us
191
708463
4666
esattamente che oggetti sono,
12:05
what exactlydi preciso the objectsoggetti are,
192
713129
2253
come tipo, modello,
anno delle macchine.
12:07
like the make, modelmodello, yearanno of the carsautomobili.
193
715382
3436
12:10
We appliedapplicato this algorithmalgoritmo to millionsmilioni
of GoogleGoogle StreetVia ViewVista imagesimmagini
194
718818
5386
Abbiamo applicato questi algoritmi
a tante immagini di Google Street View
in centinaia di città americane
12:16
acrossattraverso hundredscentinaia of AmericanAmericano citiescittà,
195
724204
3135
e abbiamo imparato
una cosa molto interessante:
12:19
and we have learnedimparato something
really interestinginteressante:
196
727339
2926
12:22
first, it confirmedconfermato our commonComune wisdomsaggezza
197
730265
3320
primo, ha confermato
il nostro sapere comune
12:25
that carauto pricesprezzi correlatecorrelare very well
198
733585
3290
che i prezzi delle auto
sono legati molto bene
12:28
with householddomestico incomesredditi.
199
736875
2345
ai redditi familiari.
Ma stupisce che i prezzi
delle auto siano legati bene anche
12:31
But surprisinglysorprendentemente, carauto pricesprezzi
alsoanche correlatecorrelare well
200
739220
4527
al tasso di criminalità nelle città,
12:35
with crimecrimine ratesaliquote in citiescittà,
201
743747
2300
o agli schemi di
votazione con codici postali.
12:39
or votingvoto patternsmodelli by zipcerniera lampo codescodici.
202
747007
3963
Allora aspettate. Ce l'abbiamo fatta?
12:44
So wait a minuteminuto. Is that it?
203
752060
2206
Il computer ha già le stesse
capacità dell'uomo o perfino migliori?
12:46
Has the computercomputer alreadygià matchedabbinato
or even surpassedsuperato humanumano capabilitiescapacità?
204
754266
5153
12:51
Not so fastveloce.
205
759419
2138
Non ancora.
12:53
So farlontano, we have just taughtinsegnato
the computercomputer to see objectsoggetti.
206
761557
4923
Finora abbiamo insegnato
ai computer a vedere oggetti.
12:58
This is like a smallpiccolo childbambino
learningapprendimento to utterassoluta a fewpochi nounsSostantivi in.
207
766480
4644
È come un bambino piccolo che
impara a pronunciare alcuni sostantivi.
È un risultato incredibile,
13:03
It's an incredibleincredibile accomplishmentrealizzazione,
208
771124
2670
ma è solo il primo passo.
13:05
but it's only the first steppasso.
209
773794
2460
13:08
SoonPresto, anotherun altro developmentaldello sviluppo
milestonepietra miliare will be hitcolpire,
210
776254
3762
Presto raggiungeremo
un'altra pietra miliare dello sviluppo
e i bambini inizieranno
a comunicare con frasi.
13:12
and childrenbambini begininizio
to communicatecomunicare in sentencesfrasi.
211
780016
3461
13:15
So insteadanziché of sayingdetto
this is a catgatto in the pictureimmagine,
212
783477
4224
Allora invece di dire
che c'è un gatto nella foto,
13:19
you alreadygià heardsentito the little girlragazza
tellingraccontare us this is a catgatto lyingdire bugie on a bedletto.
213
787701
5202
avete sentito la ragazzina dire
che è un gatto sdraiato sul letto.
13:24
So to teachinsegnare a computercomputer
to see a pictureimmagine and generatecreare sentencesfrasi,
214
792903
5595
Quindi per insegnare al computer
a vedere una foto e generare frasi,
13:30
the marriagematrimonio betweenfra biggrande datadati
and machinemacchina learningapprendimento algorithmalgoritmo
215
798498
3948
il connubio fra Big Data e
algoritmo di apprendimento automatico
deve fare un altro passo.
13:34
has to take anotherun altro steppasso.
216
802446
2275
Ora il computer deve
imparare sia dalle foto
13:36
Now, the computercomputer has to learnimparare
from bothentrambi picturesimmagini
217
804721
4156
13:40
as well as naturalnaturale languageLingua sentencesfrasi
218
808877
2856
che dalle frasi naturali
13:43
generatedgenerato by humansgli esseri umani.
219
811733
3322
generate dagli uomini.
13:47
Just like the braincervello integratessi integra
visionvisione and languageLingua,
220
815055
3853
Proprio come il cervello
integra lingua e visione,
13:50
we developedsviluppato a modelmodello
that connectscollega partsparti of visualvisivo things
221
818908
5201
abbiamo sviluppato un modello
che collega parti di oggetti ottici
13:56
like visualvisivo snippetssnippet
222
824109
1904
come frammenti ottici
a parole e espressioni nelle frasi.
13:58
with wordsparole and phrasesfrasi in sentencesfrasi.
223
826013
4203
14:02
About fourquattro monthsmesi agofa,
224
830216
2763
Circa quattro mesi fa,
abbiamo finalmente provato tutto insieme
14:04
we finallyfinalmente tiedlegato all this togetherinsieme
225
832979
2647
e prodotto uno dei primi
modelli di visione artificiale
14:07
and producedprodotta one of the first
computercomputer visionvisione modelsModelli
226
835626
3784
capace di generare
una frase tipo quella umana
14:11
that is capablecapace of generatinggeneratrice
a human-likehuman-like sentencefrase
227
839410
3994
14:15
when it seesvede a pictureimmagine for the first time.
228
843404
3506
quando vede
una foto per la prima volta.
14:18
Now, I'm readypronto to showmostrare you
what the computercomputer saysdice
229
846910
4644
Ora sono pronta
a mostrarvi cosa dice il computer
14:23
when it seesvede the pictureimmagine
230
851554
1975
quando vede la foto
che la ragazzina ha visto
all'inizio di questa conferenza.
14:25
that the little girlragazza saw
at the beginninginizio of this talk.
231
853529
3830
Un uomo in piedi
vicino a un elefante.
14:31
(VideoVideo) ComputerComputer: A man is standingin piedi
nextIl prossimo to an elephantelefante.
232
859519
3344
Un grande aereo
sulla pista di un aeroporto.
14:36
A largegrande airplaneaereo sittingseduta on topsuperiore
of an airportaeroporto runwaypista di decollo.
233
864393
3634
Certo, lavoriamo duro
per migliorare i nostri algoritmi
14:41
FFLFFL: Of coursecorso, we're still workinglavoro harddifficile
to improveMigliorare our algorithmsalgoritmi,
234
869057
4212
14:45
and it still has a lot to learnimparare.
235
873269
2596
e ci sono ancora molte cose da imparare.
14:47
(ApplauseApplausi)
236
875865
2291
(Applausi)
E il computer fa ancora errori.
14:51
And the computercomputer still makesfa mistakeserrori.
237
879556
3321
Un gatto sdraiato
a letto con una coperta.
14:54
(VideoVideo) ComputerComputer: A catgatto lyingdire bugie
on a bedletto in a blanketcoperta.
238
882877
3391
Quindi quando vede troppi gatti,
14:58
FFLFFL: So of coursecorso, when it seesvede
too manymolti catsgatti,
239
886268
2553
crede che tutto
somigli a un gatto.
15:00
it thinkspensa everything
mightpotrebbe look like a catgatto.
240
888821
2926
15:05
(VideoVideo) ComputerComputer: A younggiovane boyragazzo
is holdingdetenzione a baseballbaseball batpipistrello.
241
893317
2864
Un ragazzino con una mazza da baseball.
15:08
(LaughterRisate)
242
896181
1765
(Risate)
Se non ha mai visto uno spazzolino
lo confonde con una mazza da baseball.
15:09
FFLFFL: Or, if it hasn'tnon ha seenvisto a toothbrushspazzolino da denti,
it confusesconfonde it with a baseballbaseball batpipistrello.
243
897946
4583
Un uomo a cavallo
in una strada vicino a un edificio.
15:15
(VideoVideo) ComputerComputer: A man ridingequitazione a horsecavallo
down a streetstrada nextIl prossimo to a buildingcostruzione.
244
903309
3434
15:18
(LaughterRisate)
245
906743
2023
(Risate)
Non abbiamo
insegnato l'Art. 101 ai computer.
15:20
FFLFFL: We haven'tnon hanno taughtinsegnato ArtArte 101
to the computerscomputer.
246
908766
3552
Una zebra in una prateria.
15:25
(VideoVideo) ComputerComputer: A zebraZebra standingin piedi
in a fieldcampo of grasserba.
247
913768
2884
E non ha imparato a apprezzare
la magnifica bellezza della natura
15:28
FFLFFL: And it hasn'tnon ha learnedimparato to appreciateapprezzare
the stunningsbalorditivo beautybellezza of naturenatura
248
916652
3367
15:32
like you and I do.
249
920019
2438
come me e voi.
Quindi è un lungo vaggio.
15:34
So it has been a long journeyviaggio.
250
922457
2832
Andare dall'età zero
all'età tre era faticoso.
15:37
To get from ageetà zerozero to threetre was harddifficile.
251
925289
4226
La vera sfida è andare
da 3 a 13 e più lontano.
15:41
The realvero challengesfida is to go
from threetre to 13 and farlontano beyondal di là.
252
929515
5596
15:47
Let me remindricordare you with this pictureimmagine
of the boyragazzo and the caketorta again.
253
935111
4365
Ripensate alla foto
del bambino con la torta.
Finora abbiamo insegnato
al computer a vedere oggetti
15:51
So farlontano, we have taughtinsegnato
the computercomputer to see objectsoggetti
254
939476
4064
15:55
or even tell us a simplesemplice storystoria
when seeingvedendo a pictureimmagine.
255
943540
4458
o a raccontarci una semplice
storia quando vede un'immagine.
Una persona seduta
a tavola con una torta.
15:59
(VideoVideo) ComputerComputer: A personpersona sittingseduta
at a tabletavolo with a caketorta.
256
947998
3576
16:03
FFLFFL: But there's so much more
to this pictureimmagine
257
951574
2630
Ma c'è molto di più in questa foto
di una persona con una torta.
16:06
than just a personpersona and a caketorta.
258
954204
2270
Ciò che il computer non vede è
che è una torta italiana speciale
16:08
What the computercomputer doesn't see
is that this is a specialspeciale ItalianItaliano caketorta
259
956474
4467
16:12
that's only servedservito duringdurante EasterPasqua time.
260
960941
3217
che si serve solo a Pasqua.
Il bambino indossa
la sua t-shirt preferita
16:16
The boyragazzo is wearingindossare his favoritefavorito t-shirtmaglietta
261
964158
3205
regalatagli dal padre
dopo un viaggio a Sidney,
16:19
givendato to him as a giftregalo by his fatherpadre
after a tripviaggio to SydneySydney,
262
967363
3970
16:23
and you and I can all tell how happycontento he is
263
971333
3808
e possiamo notare quanto sia felice
e cosa c'è di preciso
nella sua mente in quel momento.
16:27
and what's exactlydi preciso on his mindmente
at that momentmomento.
264
975141
3203
Questo è mio figlio Leo.
16:31
This is my sonfiglio LeoLeo.
265
979214
3125
Nella mia ricerca
dell'intelligenza ottica,
16:34
On my questricerca for visualvisivo intelligenceintelligenza,
266
982339
2624
penso a Leo di continuo
16:36
I think of LeoLeo constantlycostantemente
267
984963
2391
e al mondo futuro in cui vivrà.
16:39
and the futurefuturo worldmondo he will livevivere in.
268
987354
2903
Quando le macchine potranno vedere,
16:42
When machinesmacchine can see,
269
990257
2021
i medici e gli infermieri avranno
un paio extra di occhi instancabili
16:44
doctorsmedici and nursesinfermieri will have
extraextra pairscoppie of tirelessinstancabile eyesocchi
270
992278
4712
16:48
to help them to diagnosediagnosticare
and take carecura of patientspazienti.
271
996990
4092
a aiutarli
con diagnosi e cura dei pazienti.
16:53
CarsAutomobili will runcorrere smarterpiù intelligente
and saferpiù sicuro on the roadstrada.
272
1001082
4383
Le auto saranno più
intelligenti e sicure sulla strada.
16:57
RobotsRobot, not just humansgli esseri umani,
273
1005465
2694
I robot, non solo gli umani,
ci aiuteranno a salvare
persone intrappolate e ferite.
17:00
will help us to bravecoraggioso the disasterdisastro zoneszone
to savesalvare the trappedintrappolati and woundedferito.
274
1008159
4849
Scopriremo nuove
specie, materiali migliori,
17:05
We will discoverscoprire newnuovo speciesspecie,
better materialsmateriale,
275
1013798
3796
17:09
and exploreEsplorare unseeninvisibile frontiersfrontiere
with the help of the machinesmacchine.
276
1017594
4509
e esploreremo frontiere
invisibili con l'aiuto delle macchine.
Un po' alla volta
diamo la vista alle macchine.
17:15
Little by little, we're givingdando sightvista
to the machinesmacchine.
277
1023113
4167
17:19
First, we teachinsegnare them to see.
278
1027280
2798
In primo luogo le insegnamo a vedere.
Poi ci aiutano a vedere meglio.
17:22
Then, they help us to see better.
279
1030078
2763
17:24
For the first time, humanumano eyesocchi
won'tnon lo farà be the only onesquelli
280
1032841
4165
Per la prima volta
gli occhi umani non saranno i soli
a meditare e esplorare il nostro mondo.
17:29
ponderingriflettendo and exploringesplorando our worldmondo.
281
1037006
2934
Useremo le macchine non
solo per la loro intelligenza,
17:31
We will not only use the machinesmacchine
for theirloro intelligenceintelligenza,
282
1039940
3460
17:35
we will alsoanche collaboratecollaborare with them
in waysmodi that we cannotnon può even imagineimmaginare.
283
1043400
6179
ma collaboreremo anche con loro
in modi che neanche immaginiamo.
Questa è la mia ricerca:
17:41
This is my questricerca:
284
1049579
2161
17:43
to give computerscomputer visualvisivo intelligenceintelligenza
285
1051740
2712
dare ai computer intelligenza ottica
17:46
and to createcreare a better futurefuturo
for LeoLeo and for the worldmondo.
286
1054452
5131
e creare un futuro
migliore per Leo e per il mondo.
Grazie.
17:51
Thank you.
287
1059583
1811
17:53
(ApplauseApplausi)
288
1061394
3785
(Applausi)
Translated by Silvia Littarru
Reviewed by Kevin Álvarez

▲Back to top

ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com