Alcuni dei maggiori esperti dell’AI hanno dibattuto in un incontro online sul futuro della disciplina.
Gary Marcus, Luis Lamb, Fei-fei Li (ImageNet), Key Stanley (OpenAI), Richard Sutton, Judea Pearl, Yejin Choi e altri hanno espresso la loro visione sui prossimi passi nel campo dell’Intelligenza Artificiale.
In sintesi:
- necessità dell’approccio ibrido che combini algoritmi di apprendimento con software “rules-based“.
- Identificare gli elementi costitutivi dell’AI e renderla più affidabile, spiegabile e interpretabile.
- Ispirarsi all’evoluzione: l’intelligenza negli esseri umani e negli animali emerge dalla percezione attiva e dall’interazione con il mondo, una proprietà che è manca negli attuali sistemi di intelligenza artificiale, che si basano su dati curati ed etichettati dagli esseri umani.
- L’apprendimento per rinforzo è la prima teoria computazionale dell’intelligenza. Ma soffre degli stessi problemi del deep learning, come la grande quantità di dati necessari per il training e la notevole potenza computazionale richiesta.
Choi fa un’affermazione che trovo significativa:” lo spazio del ragionamento è infinito e il ragionamento stesso è un compito generativo e molto diverso dai compiti di categorizzazione per cui sono adatti gli algoritmi di apprendimento profondo e i benchmark di valutazione di oggi. Non enumeriamo mai molto. Ragioniamo al volo e questa sarà una delle principali sfide intellettuali fondamentali a cui possiamo pensare in futuro.
Fonte: Leading computer scientists debate the next steps for AI in 2021 (venturebeat.com)
Il database di immagini che ha allenato una generazione di intelligenze artificiali
La storia di ImageNet, il dataset su cui la maggior parte dei progetti di AI / object recognition addestrano le loro reti neurali per il deep learning.
Per comprendere un sistema di intelligenza artificiale / machine learning occorre partire dall’insieme di dati che sono stati usati per addestrarlo. Da qui si possono scoprire molte cose, a partire dai “pregiudizi” che possono essere involontariamente trasferiti all’ AI.
Un articolo molto istruttivo (e una rivista online molto interessante che non conoscevo).
Fonte: Lines of Sight (Logic)
Le nuove leggi della robotica
La seconda nuova legge della robotica – secondo Frank Pasquale, docente alla Brooklyn Law School ed esperto di tecnologie: i sistemi robotici e l’AI non dovrebbero spacciarsi per umani. Quando intervengono negli affari umani (medicina, finanza, marketing, politiche sociali, ecc.) dobbiamo sapere cosa sono.
Il nuovo libro di Pasquale è New Laws of Robotics: Defending Human Expertise in the Age of AI (Harvard University Press, 2020)
Fonte: What Robots Can’t Do (Commonweal)
Dal testo all’imagine con il deep learning
Dall-E è una rete neurale di OpenAI che partendo da un testo restituisce un’immagine.
Realizzata con GPT-3 (versione con 12 miliardi di parametri) secondo i creatori “ha una serie diversificata di funzionalità, inclusa la creazione di versioni antropomorfizzate di animali e oggetti, la combinazione di concetti non correlati in modi plausibili, il rendering del testo e l’applicazione di trasformazioni alle immagini esistenti.”