Iniziare con l'artificiale intelligenza e apprendimento automatico Guarda ora
Che cos'è l'intelligenza artificiale (AI)?
Dipende a chi chiedi.
Negli anni '50, i padri del campo, Minsky e McCarthy, descrivevano l'intelligenza artificiale come qualsiasi attività svolta da una macchina che in precedenza sarebbe stata considerata richiedere l'intelligenza umana.
Questa è ovviamente una definizione abbastanza ampia, ecco perché a volte vedrai discussioni sul fatto che qualcosa sia veramente AI o no.
Le definizioni moderne di cosa significa creare intelligenza sono più specifiche. Francois Chollet, ricercatore di intelligenza artificiale presso Google e creatore della libreria di software di apprendimento automatico Keras, ha affermato che l'intelligenza è legata alla capacità di un sistema di adattarsi e improvvisare in un nuovo ambiente, di generalizzare la propria conoscenza e applicarla a scenari non familiari.
“L'intelligenza è l'efficienza con cui acquisisci nuove competenze in compiti per cui non ti eri preparato in precedenza”, ha affermato.
“L'intelligenza non è l'abilità in sé; non è ciò che puoi fare ; è quanto bene ed efficacemente puoi imparare cose nuove.”
È una definizione in base alla quale i moderni sistemi basati sull'intelligenza artificiale, come gli assistenti virtuali, sarebbero caratterizzati dall'aver dimostrato “IA ristretta”, la capacità di generalizzare la propria formazione durante l'esecuzione di una serie limitata di attività, come il riconoscimento vocale o la visione artificiale.
In genere, i sistemi di intelligenza artificiale dimostrano almeno alcuni dei seguenti comportamenti associati all'intelligenza umana: pianificazione, apprendimento, ragionamento, risoluzione di problemi, rappresentazione della conoscenza, percezione, movimento e manipolazione e, in misura minore, intelligenza sociale e creatività.
Quali sono gli usi dell'IA?
L'intelligenza artificiale è onnipresente oggi, utilizzata per consigliare cosa dovresti acquistare in seguito online, per capire cosa dici agli assistenti virtuali, come Alexa di Amazon e Siri di Apple, per riconoscere chi e cosa c'è in una foto, individuare lo spam o individuare lo spam rilevare il credito frode con carte.
Quali sono i diversi tipi di IA?
A un livello molto alto, l'intelligenza artificiale può essere suddivisa in due grandi tipi:
IA stretta
L'intelligenza artificiale stretta è ciò che vediamo tutt'intorno a noi oggi nei computer: sistemi intelligenti a cui è stato insegnato o hanno imparato a svolgere compiti specifici senza essere esplicitamente programmati su come farlo.
Questo tipo di intelligenza artificiale è evidente nel riconoscimento vocale e linguistico dell'assistente virtuale Siri sull'iPhone di Apple, nei sistemi di riconoscimento visivo delle auto a guida autonoma o nei motori di raccomandazione che suggeriscono prodotti che potrebbero piacerti in base a ciò che hai acquistato in passato. A differenza degli esseri umani, questi sistemi possono solo imparare o imparare a svolgere compiti definiti, motivo per cui sono chiamati AI ristretta.
AI generale
L'IA generale è molto diversa ed è il tipo di intelletto adattabile che si trova negli esseri umani, una forma flessibile di intelligenza in grado di imparare a svolgere compiti molto diversi, dal taglio dei capelli alla creazione di fogli di calcolo o al ragionamento su un'ampia varietà di argomenti sulla sua esperienza accumulata.
Questo è il tipo di intelligenza artificiale più comunemente visto nei film, come HAL nel 2001 o Skynet in Terminator, ma che oggi non esiste e gli esperti di intelligenza artificiale sono ferocemente divisi su quanto presto diventerà realtà.
Cosa può fare l'IA stretta?
Esiste un vasto numero di applicazioni emergenti per l'IA ristretta:
Interpretazione di feed video da droni che effettuano ispezioni visive di infrastrutture come oleodotti.Organizzazione di calendari personali e aziendali.Risposta a semplici domande del servizio clienti.Coordinamento con altri sistemi intelligenti per svolgere attività come la prenotazione di un hotel in un momento e in un luogo adeguati. Aiutare i radiologi a individuare potenziali tumori nei raggi X. Segnalare contenuti inappropriati online, rilevare l'usura degli ascensori dai dati raccolti dai dispositivi IoT. Generare un modello 3D del mondo da immagini satellitari… l'elenco potrebbe continuare all'infinito.< p>Nuove applicazioni di questi sistemi di apprendimento stanno emergendo continuamente. Il progettista di schede grafiche Nvidia ha recentemente rivelato un sistema Maxine basato sull'intelligenza artificiale, che consente alle persone di effettuare videochiamate di buona qualità, quasi indipendentemente dalla velocità della loro connessione Internet. Il sistema riduce la larghezza di banda necessaria per tali chiamate di un fattore 10 non trasmettendo l'intero flusso video su Internet e invece di animare un piccolo numero di immagini statiche del chiamante in un modo progettato per riprodurre le espressioni facciali e i movimenti del chiamante in in tempo reale ed essere indistinguibile dal video.
Tuttavia, per quanto potenziale non sfruttato abbiano questi sistemi, a volte le ambizioni per la tecnologia superano la realtà. Un esempio calzante sono le auto a guida autonoma, che a loro volta sono supportate da sistemi basati sull'intelligenza artificiale come la visione artificiale. La società di auto elettriche Tesla è in ritardo rispetto alla cronologia originale del CEO Elon Musk per l'aggiornamento del sistema di pilota automatico dell'auto alla “guida autonoma completa” dalle capacità di guida assistita più limitate del sistema, con l'opzione Full Self-Driving lanciata solo di recente a un gruppo selezionato di conducenti esperti come parte di un programma di beta testing.
Cosa può fare l'IA generale?
Un sondaggio condotto tra quattro gruppi di esperti nel 2012/13 dai ricercatori di intelligenza artificiale Vincent C Müller e dal filosofo Nick Bostrom ha riportato una probabilità del 50% che l'intelligenza generale artificiale (AGI) venga sviluppata tra il 2040 e il 2050, salendo al 90% entro il 2075. Il gruppo è andato anche oltre, prevedendo che la cosiddetta “superintelligenza” – che Bostrom definisce come “qualsiasi intelletto che supera di gran lunga le prestazioni cognitive degli umani in praticamente tutti i domini di interesse” – era prevista circa 30 anni dopo il raggiungimento dell'AGI.
Tuttavia, le recenti valutazioni degli esperti di IA sono più caute. Pionieri nel campo della moderna ricerca sull'IA come Geoffrey Hinton, Demis Hassabis e Yann LeCun affermano che la società non è affatto vicina allo sviluppo dell'AGI. Dato lo scetticismo dei leader nel campo dell'IA moderna e la natura molto diversa dei moderni sistemi di intelligenza artificiale ristretta rispetto all'AGI, ci sono forse poche basi per temere che un'intelligenza artificiale generale possa sconvolgere la società nel prossimo futuro.
< p>Detto questo, alcuni esperti di IA ritengono che tali proiezioni siano estremamente ottimistiche data la nostra comprensione limitata del cervello umano e credono che l'AGI sia ancora lontana secoli.
Quali sono i recenti punti di riferimento nello sviluppo dell'IA?
IBM
Anche se la moderna intelligenza artificiale ristretta può essere limitata a svolgere compiti specifici, all'interno delle loro specializzazioni, questi sistemi a volte sono in grado di prestazioni sovrumane , in alcuni casi dimostrando persino una creatività superiore, un tratto spesso considerato intrinsecamente umano.
Ci sono state troppe scoperte per mettere insieme un elenco definitivo, ma alcuni punti salienti includono:
Nel 2009 Google ha mostrato che la sua Toyota Prius a guida autonoma poteva completare più di 10 viaggi di 100 miglia ciascuno, avviando la società verso veicoli senza conducente. Nel 2011, il sistema informatico IBM Watson ha fatto notizia in tutto il mondo quando ha vinto il quiz show statunitense Jeopardy! , battendo due dei migliori giocatori che lo show avesse mai prodotto. Per vincere lo spettacolo, Watson ha utilizzato l'elaborazione e l'analisi del linguaggio naturale su vasti repository di dati che vengono elaborati per rispondere a domande poste dall'uomo, spesso in una frazione di secondo. in precedenza ritenuto troppo complesso per qualsiasi macchina. Quell'anno, il sistema AlexNet ha trionfato decisamente nella sfida di riconoscimento visivo su larga scala di ImageNet. La precisione di AlexNet è stata tale da dimezzare il tasso di errore rispetto ai sistemi rivali nel concorso di riconoscimento delle immagini.
Le prestazioni di AlexNet hanno dimostrato la potenza dei sistemi di apprendimento basati su reti neurali, un modello per l'apprendimento automatico che esisteva da decenni ma che stava finalmente realizzando il suo potenziale grazie ai perfezionamenti dell'architettura e ai salti nella potenza di elaborazione parallela resi possibili dalla legge di Moore. Anche l'abilità dei sistemi di apprendimento automatico nell'eseguire la visione artificiale ha fatto notizia quell'anno, con Google che ha addestrato un sistema per riconoscere uno dei preferiti di Internet: le immagini dei gatti.
La successiva dimostrazione dell'efficacia dei sistemi di apprendimento automatico che ha attirato l'attenzione del pubblico è stata il trionfo del 2016 di Google DeepMind AlphaGo AI su un grande maestro umano in Go, un antico gioco cinese la cui complessità ha bloccato i computer per decenni. Go ha circa 200 mosse possibili per turno rispetto a circa 20 negli scacchi. Nel corso di una partita di Go, ci sono così tante possibili mosse che cercare in ognuna di esse in anticipo per identificare la migliore giocata è troppo costosa da un punto di vista computazionale. Invece, AlphaGo è stato addestrato a giocare prendendo le mosse giocate da esperti umani in 30 milioni di giochi Go e inserendole in reti neurali di deep learning.
L'addestramento di queste reti di deep learning può richiedere molto tempo, richiedendo l'acquisizione e l'iterazione di grandi quantità di dati mentre il sistema perfeziona gradualmente il proprio modello per ottenere il miglior risultato.
Tuttavia, più di recente, Google ha perfezionato il processo di formazione con AlphaGo Zero, un sistema che ha giocato partite “completamente casuali” contro se stesso e poi ha imparato da esso. Demis Hassabis, CEO di Google DeepMind, ha anche svelato una nuova versione di AlphaGo Zero che ha dominato i giochi di scacchi e shogi.
E l'IA continua a raggiungere nuovi traguardi: un sistema addestrato da OpenAI ha sconfitto i migliori giocatori del mondo in partite uno contro uno del gioco multiplayer online Dota 2.
Lo stesso anno, OpenAI hanno creato agenti di intelligenza artificiale che hanno inventato il proprio linguaggio per cooperare e raggiungere il loro obiettivo in modo più efficace, seguiti da agenti di formazione di Facebook per negoziare e mentire.
Il 2020 è stato l'anno in cui un sistema di intelligenza artificiale ha apparentemente acquisito la capacità di scrivere e parlare come un essere umano su quasi tutti gli argomenti a cui potresti pensare.
Il sistema in questione, noto come Generative Pre-trained Transformer 3 o GPT-3 in breve, è una rete neurale formata su miliardi di articoli in lingua inglese disponibili sul Web aperto.
Da subito dopo che è stato reso disponibile per i test dall'organizzazione no-profit OpenAI, Internet è stato in fermento con la capacità di GPT-3 di generare articoli su quasi tutti gli argomenti che gli venivano forniti, articoli che a prima vista erano spesso difficili da distinguere da quelli scritti da un essere umano. Allo stesso modo, sono seguiti risultati impressionanti in altre aree, con la sua capacità di rispondere in modo convincente a domande su un'ampia gamma di argomenti e anche passare per un programmatore JavaScript alle prime armi.
Ma mentre molti articoli generati da GPT-3 avevano un'aria di verosimiglianza, ulteriori test hanno rilevato che le frasi generate spesso non sono state accettate, offrendo affermazioni superficialmente plausibili ma confuse, nonché a volte vere e proprie sciocchezze.
C'è ancora un notevole interesse nell'usare la comprensione del linguaggio naturale del modello come base per i servizi futuri. È disponibile per selezionare sviluppatori da integrare nel software tramite l'API beta di OpenAI. Sarà anche incorporato nei servizi futuri disponibili tramite la piattaforma cloud Azure di Microsoft.
Forse l'esempio più eclatante del potenziale dell'IA è arrivato alla fine del 2020, quando la rete neurale basata sull'attenzione di Google AlphaFold 2 ha dimostrato un risultato che alcuni hanno definito degno di un premio Nobel per la chimica.
La capacità del sistema di esaminare gli elementi costitutivi di una proteina, noti come amminoacidi, e di ricavare la struttura 3D di quella proteina potrebbe avere un profondo impatto sulla velocità con cui vengono comprese le malattie e vengono sviluppati i farmaci. Nel concorso Critical Assessment of protein Structure Prediction, AlphaFold 2 ha determinato la struttura 3D di una proteina con un'accuratezza che rivaleggia con la cristallografia, il gold standard per modellare le proteine in modo convincente.
A differenza della cristallografia, che impiega mesi per restituire i risultati, AlphaFold 2 può modellare le proteine in poche ore. Con la struttura 3D delle proteine che svolge un ruolo così importante nella biologia e nelle malattie umane, tale accelerazione è stata annunciata come una svolta fondamentale per la scienza medica, per non parlare delle potenziali applicazioni in altre aree in cui gli enzimi sono utilizzati nelle biotecnologie.
Che cos'è l'apprendimento automatico?
Praticamente tutti i risultati citati finora derivano dall'apprendimento automatico, un sottoinsieme dell'intelligenza artificiale che rappresenta la stragrande maggioranza dei risultati nel campo negli ultimi anni. Quando le persone parlano di AI oggi, generalmente parlano di machine learning.
Attualmente godendo di una sorta di rinascita, in termini semplici, l'apprendimento automatico è il luogo in cui un sistema informatico impara come eseguire un'attività piuttosto che essere programmato come farlo. Questa descrizione del machine learning risale al 1959, quando fu coniata da Arthur Samuel, un pioniere del settore che sviluppò uno dei primi sistemi di autoapprendimento al mondo, il Samuel Checkers-playing Program.
Per imparare, questi sistemi vengono alimentati con enormi quantità di dati, che poi usano per imparare a svolgere un compito specifico, come capire un discorso o sottotitolare una fotografia. La qualità e la dimensione di questo set di dati sono importanti per costruire un sistema in grado di svolgere con precisione il compito designato. Ad esempio, se stai costruendo un sistema di apprendimento automatico per prevedere i prezzi delle case, i dati di formazione dovrebbero includere più della semplice dimensione della proprietà, ma altri fattori salienti come il numero di camere da letto o la dimensione del giardino.
Cosa sono le reti neurali?
La chiave del successo dell'apprendimento automatico sono le reti neurali. Questi modelli matematici sono in grado di modificare i parametri interni per modificare ciò che producono. Una rete neurale viene alimentata con set di dati che le insegnano cosa dovrebbe sputare quando vengono presentati determinati dati durante l'addestramento. In termini concreti, la rete potrebbe ricevere immagini in scala di grigi dei numeri compresi tra zero e 9, insieme a una stringa di cifre binarie – zero e uno – che indicano quale numero viene mostrato in ciascuna immagine in scala di grigi. La rete verrebbe quindi addestrata, regolando i suoi parametri interni fino a classificare il numero mostrato in ciascuna immagine con un alto grado di precisione. Questa rete neurale addestrata potrebbe quindi essere utilizzata per classificare altre immagini in scala di grigi di numeri compresi tra zero e 9. Tale rete è stata utilizzata in un documento seminale che mostra l'applicazione delle reti neurali pubblicato da Yann LeCun nel 1989 ed è stata utilizzata dal servizio postale degli Stati Uniti. per riconoscere i codici postali scritti a mano.
La struttura e il funzionamento delle reti neurali sono molto vagamente basati sulle connessioni tra i neuroni nel cervello. Le reti neurali sono costituite da strati interconnessi di algoritmi che alimentano i dati l'uno con l'altro. Possono essere addestrati a svolgere compiti specifici modificando l'importanza attribuita ai dati mentre passano tra questi livelli. Durante l'addestramento di queste reti neurali, i pesi associati ai dati mentre passano tra i livelli continueranno a essere variati finché l'output dalla rete neurale non sarà molto vicino a ciò che si desidera. A quel punto, la rete avrà “imparato” come svolgere un determinato compito. L'output desiderato potrebbe essere qualsiasi cosa, dall'etichettare correttamente la frutta in un'immagine alla previsione del guasto di un ascensore in base ai dati del sensore.
Un sottoinsieme del machine learning è il deep learning, in cui le reti neurali vengono espanse in reti tentacolari con un gran numero di livelli considerevoli che vengono addestrati utilizzando enormi quantità di dati. Queste reti neurali profonde hanno alimentato l'attuale balzo in avanti nella capacità dei computer di svolgere attività come il riconoscimento vocale e la visione artificiale.
Esistono vari tipi di reti neurali con diversi punti di forza e di debolezza. Le reti neurali ricorrenti (RNN) sono un tipo di rete neurale particolarmente adatta all'elaborazione del linguaggio naturale (NLP) – comprensione del significato del testo – e al riconoscimento vocale, mentre le reti neurali convoluzionali hanno le loro radici nel riconoscimento delle immagini e hanno usi diversi come sistemi di raccomandazione e PNL. Anche la progettazione delle reti neurali si sta evolvendo, con i ricercatori che stanno perfezionando una forma più efficace di rete neurale profonda chiamata memoria a lungo termine o LSTM, un tipo di architettura RNN utilizzata per attività come la PNL e per le previsioni del mercato azionario, consentendogli di operare abbastanza velocemente da essere utilizzato in sistemi on-demand come Google Translate.
La struttura e l'addestramento delle reti neurali profonde.
Immagine: Nuance
Quali sono gli altri tipi di IA?
Un'altra area della ricerca sull'IA è il calcolo evolutivo.
Prende in prestito dalla teoria della selezione naturale di Darwin. Vede gli algoritmi genetici subire mutazioni e combinazioni casuali tra generazioni nel tentativo di evolvere la soluzione ottimale a un dato problema.
Questo approccio è stato persino utilizzato per aiutare a progettare modelli di intelligenza artificiale, utilizzando efficacemente l'intelligenza artificiale per aiutare a costruire l'intelligenza artificiale. Questo uso di algoritmi evolutivi per ottimizzare le reti neurali è chiamato neuroevoluzione. Potrebbe avere un ruolo importante da svolgere nell'aiutare a progettare un'intelligenza artificiale efficiente poiché l'uso di sistemi intelligenti diventa più diffuso, in particolare perché la domanda di data scientist spesso supera l'offerta. La tecnica è stata presentata da Uber AI Labs, che ha pubblicato documenti sull'utilizzo di algoritmi genetici per addestrare reti neurali profonde per problemi di apprendimento per rinforzo.
Infine, ci sono sistemi esperti, dove i computer sono programmati con regole che consentono loro di prendere una serie di decisioni basate su un gran numero di input, consentendo a quella macchina di imitare il comportamento di un esperto umano in un dominio specifico. Un esempio di questi sistemi basati sulla conoscenza potrebbe essere, ad esempio, un sistema di pilota automatico che pilota un aereo.
Cosa sta alimentando la rinascita dell'IA?
Come accennato in precedenza, i più grandi progressi per la ricerca sull'IA negli ultimi anni sono stati nel campo dell'apprendimento automatico, in particolare nel campo del deep learning.
Ciò è stato in parte guidato dalla facile disponibilità dei dati, ma ancor più dall'esplosione della potenza di calcolo parallelo, durante la quale l'uso di cluster di unità di elaborazione grafica (GPU) per addestrare i sistemi di apprendimento automatico è diventato più diffuso.
Questi cluster non solo offrono sistemi molto più potenti per la formazione di modelli di apprendimento automatico, ma sono ora ampiamente disponibili come servizi cloud su Internet. Nel corso del tempo le principali aziende tecnologiche, come Google, Microsoft e Tesla, sono passate all'utilizzo di chip specializzati su misura sia per l'esecuzione che, più recentemente, per la formazione, modelli di apprendimento automatico.
Un esempio di uno di questi chip personalizzati è la Tensor Processing Unit (TPU) di Google, la cui ultima versione accelera la velocità con cui utili modelli di apprendimento automatico creati utilizzando la libreria software TensorFlow di Google possono dedurre informazioni dai dati, nonché la velocità con cui possono essere addestrato.
Questi chip vengono utilizzati per addestrare modelli per DeepMind e Google Brain e i modelli alla base di Google Translate e il riconoscimento delle immagini in Google Foto e servizi che consentono al pubblico di creare modelli di apprendimento automatico utilizzando TensorFlow Research Cloud di Google. La terza generazione di questi chip è stata presentata alla conferenza I/O di Google nel maggio 2018 e da allora è stata confezionata in centrali di apprendimento automatico chiamate pod che possono eseguire più di centomila trilioni di operazioni in virgola mobile al secondo (100 petaflop). Questi aggiornamenti TPU in corso hanno consentito a Google di migliorare i suoi servizi basati sui modelli di apprendimento automatico, ad esempio, dimezzando il tempo necessario per addestrare i modelli utilizzati in Google Traduttore.
Quali sono gli elementi dell'apprendimento automatico?
Come accennato, l'apprendimento automatico è un sottoinsieme dell'IA ed è generalmente suddiviso in due categorie principali: apprendimento supervisionato e non supervisionato.
Apprendimento supervisionato
Una tecnica comune per insegnare i sistemi di intelligenza artificiale consiste nell'addestrarli utilizzando molti esempi etichettati. Questi sistemi di apprendimento automatico vengono alimentati con enormi quantità di dati, che sono stati annotati per evidenziare le caratteristiche di interesse. Queste potrebbero essere foto etichettate per indicare se contengono un cane o frasi scritte con note a piè di pagina per indicare se la parola “basso” si riferisce alla musica o a un pesce. Una volta addestrato, il sistema può applicare queste etichette a nuovi dati, ad esempio a un cane in una foto appena caricata.
Questo processo di insegnamento a una macchina mediante l'esempio è chiamato apprendimento supervisionato. L'etichettatura di questi esempi viene comunemente eseguita da lavoratori online impiegati tramite piattaforme come Amazon Mechanical Turk.
L'addestramento di questi sistemi richiede in genere grandi quantità di dati, con alcuni sistemi che necessitano di setacciare milioni di esempi per imparare a svolgere un'attività in modo efficace, sebbene ciò sia sempre più possibile in un'era di big data e data mining diffuso. I set di dati di formazione sono enormi e in crescita: il set di dati di immagini aperte di Google contiene circa nove milioni di immagini, mentre il suo repository di video etichettati YouTube-8M si collega a sette milioni di video etichettati. ImageNet, uno dei primi database di questo tipo, ha più di 14 milioni di immagini classificate. Compilato in due anni, è stato messo insieme da quasi 50.000 persone, la maggior parte delle quali reclutate tramite Amazon Mechanical Turk, che hanno controllato, selezionato ed etichettato quasi un miliardo di immagini candidate.
Avere accesso a enormi set di dati etichettati può anche rivelarsi meno importante dell'accesso a grandi quantità di potenza di calcolo nel lungo periodo.
Negli ultimi anni, i GAN (Generative Adversarial Networks) sono stati utilizzati nei sistemi di apprendimento automatico che richiedono solo una piccola quantità di dati etichettati insieme a una grande quantità di dati non etichettati, che, come suggerisce il nome, richiedono meno lavoro manuale per la preparazione.< /p>
Questo approccio potrebbe consentire un maggiore utilizzo dell'apprendimento semi-supervisionato, in cui i sistemi possono imparare a svolgere compiti utilizzando una quantità di dati etichettati molto più piccola di quella necessaria per i sistemi di formazione che utilizzano oggi l'apprendimento supervisionato.
Apprendimento non supervisionato
Al contrario, l'apprendimento non supervisionato utilizza un approccio diverso, in cui gli algoritmi cercano di identificare modelli nei dati, cercando somiglianze che possono essere utilizzate per classificare tali dati.
Un esempio potrebbe essere il raggruppamento di frutti che pesano una quantità simile o auto con una cilindrata simile.
L'algoritmo non è impostato in anticipo per selezionare tipi specifici di dati; cerca semplicemente dati che le sue somiglianze possano raggruppare, ad esempio Google News che raggruppa ogni giorno notizie su argomenti simili.
Apprendimento per rinforzo
Un grezzo un'analogia per l'apprendimento per rinforzo è premiare un animale domestico con un premio quando esegue un trucco. Nell'apprendimento per rinforzo, il sistema tenta di massimizzare una ricompensa in base ai dati di input, fondamentalmente attraverso un processo di tentativi ed errori fino a raggiungere il miglior risultato possibile.
Un esempio di apprendimento per rinforzo è la rete Deep Q di Google DeepMind, che è stata utilizzata per ottenere le migliori prestazioni umane in una varietà di videogiochi classici. Il sistema riceve pixel da ogni gioco e determina varie informazioni, come la distanza tra gli oggetti sullo schermo.
Osservando anche il punteggio ottenuto in ogni gioco, il sistema costruisce un modello di quale azione massimizzare il punteggio in diverse circostanze, ad esempio nel caso del videogioco Breakout, in cui è necessario spostare la racchetta per intercettare la palla.
L'approccio viene utilizzato anche nella ricerca sulla robotica, dove l'apprendimento per rinforzo può aiutare a insegnare ai robot autonomi il modo ottimale di comportarsi negli ambienti del mondo reale.
Molte tecnologie relative all'IA si stanno avvicinando, o hanno già raggiunto, il “picco delle aspettative gonfiate” nell'Hype Cycle di Gartner, con il “fondo della disillusione” guidato dal contraccolpo in agguato.
Immagine: Gartner/Annotazioni: ZDNet
Quali sono le aziende leader nell'AI?
Con l'intelligenza artificiale che gioca un ruolo sempre più importante nel software e nei servizi moderni, ogni grande azienda tecnologica sta combattendo per sviluppare una solida tecnologia di apprendimento automatico da utilizzare internamente e da vendere al pubblico tramite servizi cloud.
Ognuno regolarmente fa notizia per aver aperto nuovi orizzonti nella ricerca sull'intelligenza artificiale, anche se probabilmente è Google con i suoi sistemi DeepMind AI AlphaFold e AlphaGo che hanno probabilmente avuto il maggiore impatto sulla consapevolezza pubblica dell'intelligenza artificiale.
Quali servizi di intelligenza artificiale sono disponibili?
Tutte le principali piattaforme cloud (Amazon Web Services, Microsoft Azure e Google Cloud Platform) forniscono l'accesso agli array GPU per la formazione e l'esecuzione di modelli di machine learning, con Google che si prepara anche a consentire agli utenti di utilizzare le sue Tensor Processing Units, personalizzate chip il cui design è ottimizzato per l'addestramento e l'esecuzione di modelli di apprendimento automatico.
Tutte le infrastrutture e i servizi associati necessari sono disponibili dai tre grandi, i datastore basati su cloud, in grado di contenere la grande quantità di dati necessari per addestrare modelli di apprendimento automatico, servizi per trasformare i dati per prepararli all'analisi, strumenti di visualizzazione per visualizzare chiaramente i risultati e un software che semplifica la creazione di modelli.
Queste piattaforme cloud stanno persino semplificando la creazione di modelli di machine learning personalizzati, con Google che offre un servizio che automatizza la creazione di modelli di intelligenza artificiale, chiamato Cloud AutoML. Questo servizio di trascinamento della selezione crea modelli di riconoscimento delle immagini personalizzati e richiede che l'utente non abbia competenze di apprendimento automatico.
I servizi di machine learning basati su cloud sono in continua evoluzione. Amazon offre ora una serie di offerte AWS progettate per semplificare il processo di addestramento dei modelli di machine learning e recentemente lanciato Amazon SageMaker Clarify, uno strumento per aiutare le organizzazioni a eliminare distorsioni e squilibri nei dati di formazione che potrebbero portare a previsioni distorte da parte del modello addestrato .
Per quelle aziende che non vogliono costruire i propri modelli di machine=learning ma vogliono invece utilizzare servizi on-demand basati sull'intelligenza artificiale, come riconoscimento vocale, visivo e linguistico, Microsoft Azure si distingue per l'ampiezza dei servizi su offerta, seguita a ruota da Google Cloud Platform e poi da AWS. Nel frattempo, IBM, insieme alle sue offerte on-demand più generali, sta anche tentando di vendere servizi di intelligenza artificiale specifici del settore rivolti a tutto, dall'assistenza sanitaria alla vendita al dettaglio, raggruppando queste offerte sotto il suo ombrello IBM Watson e avendo investito $ 2 miliardi nell'acquisto di The Weather. Canale per sbloccare una serie di dati per aumentare i suoi servizi di intelligenza artificiale.
Quale delle principali aziende tecnologiche sta vincendo la corsa all'intelligenza artificiale?
Immagine: Jason Cipriani/ZDNet
Internamente, ogni gigante della tecnologia e altri come Facebook utilizzano l'intelligenza artificiale per aiutare a guidare una miriade di servizi pubblici: fornire risultati di ricerca, offrire consigli, riconoscere persone e cose nelle foto, traduzioni su richiesta, individuare lo spam: l'elenco è ampio.
Ma una delle manifestazioni più visibili di questa guerra contro l'IA è stata l'ascesa degli assistenti virtuali, come Siri di Apple, Alexa di Amazon, Google Assistant e Microsoft Cortana.
Basandosi fortemente sul riconoscimento vocale e sull'elaborazione del linguaggio naturale e avendo bisogno di un immenso corpus a cui attingere per rispondere alle domande, un'enorme quantità di tecnologia viene impiegata nello sviluppo di questi assistenti.
Ma mentre Siri di Apple potrebbe essere venuto alla ribalta per primo , sono Google e Amazon i cui assistenti hanno da allora superato Apple nello spazio AI: Google Assistant con la sua capacità di rispondere a una vasta gamma di domande e Alexa di Amazon con l'enorme numero di “Skill” che gli sviluppatori di terze parti hanno creato per aggiungere alle sue capacità.
Nel tempo, questi assistenti stanno acquisendo abilità che li rendono più reattivi e maggiormente in grado di gestire i tipi di domande che le persone pongono nelle conversazioni regolari. Ad esempio, l'Assistente Google ora offre una funzione chiamata Conversazione continua, in cui un utente può porre domande di follow-up alla domanda iniziale, come “Com'è il tempo oggi?”, seguito da “Che ne dici di domani?” e il sistema comprende che la domanda successiva si riferisce anche al tempo.
Questi assistenti e i servizi associati possono anche gestire molto più del semplice parlato, con l'ultima incarnazione di Google Lens in grado di tradurre il testo in immagini e permetterti di cercare vestiti o mobili usando le foto.
Nonostante sia integrato in Windows 10, Cortana ha avuto un periodo particolarmente difficile negli ultimi tempi, con Alexa di Amazon ora disponibile gratuitamente su PC Windows 10. Allo stesso tempo, Microsoft ha rinnovato il ruolo di Cortana nel sistema operativo per concentrarsi maggiormente sulle attività di produttività, come la gestione della pianificazione dell'utente, piuttosto che sulle funzionalità più orientate al consumatore che si trovano in altri assistenti, come la riproduzione di musica.
Quali paesi stanno aprendo la strada all'intelligenza artificiale?
Sarebbe un grosso errore pensare che i giganti tecnologici statunitensi abbiano ricucito il campo dell'IA. Le aziende cinesi Alibaba, Baidu e Lenovo investono pesantemente nell'intelligenza artificiale in campi che vanno dall'e-commerce alla guida autonoma. In quanto Paese, la Cina sta perseguendo un piano in tre fasi per trasformare l'IA in un'industria fondamentale per il Paese, che varrà 150 miliardi di yuan (22 miliardi di dollari) entro la fine del 2020 per diventare la potenza AI leader del mondo entro il 2030.
Baidu ha investito nello sviluppo di auto a guida autonoma, alimentate dal suo algoritmo di deep learning, Baidu AutoBrain. Dopo diversi anni di test, con la sua auto a guida autonoma Apollo che ha accumulato più di tre milioni di miglia di guida nei test, ha trasportato oltre 100.000 passeggeri in 27 città in tutto il mondo.
Baidu ha lanciato una flotta di 40 Apollo Go Robotaxis a Pechino quest'anno. Il fondatore dell'azienda ha previsto che i veicoli a guida autonoma saranno comuni nelle città cinesi entro cinque anni.
La combinazione di leggi sulla privacy deboli, enormi investimenti, raccolta di dati concertata e analisi dei big data da parte di importanti aziende come Baidu, Alibaba e Tencent, significa che alcuni analisti ritengono che la Cina avrà un vantaggio sugli Stati Uniti quando si tratta di future ricerche sull'IA , con un analista che descrive le possibilità che la Cina prenda il comando sugli Stati Uniti come 500 a 1 a favore della Cina.
L'auto a guida autonoma di Baidu, una BMW serie 3 modificata.
Immagine: Baidu
Come posso iniziare con l'IA?
Sebbene tu possa acquistare una GPU Nvidia moderatamente potente per il tuo PC – da qualche parte intorno alla Nvidia GeForce RTX 2060 o più veloce – e iniziare ad addestrare un modello di apprendimento automatico, probabilmente il modo più semplice per sperimentare i servizi relativi all'intelligenza artificiale è tramite il cloud.
Tutte le principali aziende tecnologiche offrono vari servizi di intelligenza artificiale, dall'infrastruttura per costruire e addestrare i propri modelli di apprendimento automatico fino ai servizi web che consentono di accedere a strumenti basati sull'intelligenza artificiale come voce, linguaggio, riconoscimento della visione e del sentimento su richiesta.
In che modo l'intelligenza artificiale cambierà il mondo?
Robot e auto senza conducente
Il desiderio che i robot siano in grado di agire autonomamente e comprendere e navigare nel mondo che li circonda significa che esiste una naturale sovrapposizione tra robotica e intelligenza artificiale. Sebbene l'intelligenza artificiale sia solo una delle tecnologie utilizzate nella robotica, l'intelligenza artificiale sta aiutando i robot a spostarsi in nuove aree come le auto a guida autonoma, i robot per le consegne e aiuta i robot ad apprendere nuove abilità. All'inizio del 2020, General Motors e Honda hanno rivelato Cruise Origin, un'auto elettrica senza conducente e Waymo, il gruppo a guida autonoma all'interno di Alphabet, genitore di Google, ha recentemente aperto il suo servizio di robotaxi al pubblico a Phoenix, in Arizona, offrendo un servizio che copre un'area di 50 miglia quadrate della città.
Fake news
Siamo sul punto di avere reti neurali in grado di creare immagini fotorealistiche o replicare la voce di qualcuno in modo perfetto. Con ciò deriva il potenziale per un cambiamento sociale estremamente dirompente, come non essere più in grado di fidarsi di filmati o filmati audio come autentici. Cominciano anche a sorgere preoccupazioni su come tali tecnologie verranno utilizzate per appropriarsi indebitamente delle immagini delle persone, con strumenti già creati per unire in modo convincente volti famosi nei film per adulti.
Riconoscimento vocale e linguistico
I sistemi di apprendimento automatico hanno aiutato i computer a riconoscere ciò che le persone dicono con una precisione di quasi il 95%. Il gruppo di ricerca e intelligenza artificiale di Microsoft ha anche riferito di aver sviluppato un sistema che trascrive l'inglese parlato con la stessa precisione dei trascrittori umani.
Con i ricercatori che perseguono un obiettivo di precisione del 99%, aspettati che parlare ai computer diventi sempre più comune insieme a più forme tradizionali di interazione uomo-macchina.
Nel frattempo, il modello di predizione del linguaggio GPT-3 di OpenAI ha recentemente suscitato scalpore con la sua capacità di creare articoli che potrebbero passare come scritti da un essere umano.
Riconoscimento facciale e sorveglianza
Negli ultimi anni, l'accuratezza dei sistemi di riconoscimento facciale è balzata in avanti, al punto che il gigante tecnologico cinese Baidu afferma di poter abbinare i volti con una precisione del 99%, a condizione che il volto sia sufficientemente chiaro nel video. Mentre le forze di polizia nei paesi occidentali hanno generalmente sperimentato l'utilizzo di sistemi di riconoscimento facciale solo in occasione di grandi eventi, in Cina, le autorità stanno organizzando un programma nazionale per collegare la TVCC in tutto il paese al riconoscimento facciale e utilizzare i sistemi di intelligenza artificiale per tracciare sospetti e comportamenti sospetti e ha anche ampliato l'uso degli occhiali per il riconoscimento facciale da parte della polizia.
Sebbene le normative sulla privacy varino a livello globale, è probabile che questo uso più intrusivo della tecnologia AI, inclusa l'intelligenza artificiale in grado di riconoscere le emozioni, diventerà gradualmente più molto diffuso. Tuttavia, un crescente contraccolpo e domande sull'equità dei sistemi di riconoscimento facciale hanno portato Amazon, IBM e Microsoft a sospendere o interrompere la vendita di questi sistemi alle forze dell'ordine.
Sanità< /p>
L'intelligenza artificiale potrebbe alla fine avere un impatto drammatico sull'assistenza sanitaria, aiutando i radiologi a individuare i tumori nei raggi X, aiutando i ricercatori a individuare sequenze genetiche legate alle malattie e identificare molecole che potrebbero portare a farmaci più efficaci. Si prevede che la recente svolta del sistema di apprendimento automatico AlphaFold 2 di Google ridurrà il tempo impiegato durante una fase chiave durante lo sviluppo di nuovi farmaci da mesi a ore.
Ci sono state prove della tecnologia relativa all'intelligenza artificiale negli ospedali di tutto il mondo. Questi includono lo strumento di supporto alle decisioni cliniche Watson di IBM, che gli oncologi addestrano presso il Memorial Sloan Kettering Cancer Center, e l'uso dei sistemi Google DeepMind da parte del Servizio sanitario nazionale del Regno Unito, dove aiuterà a individuare le anomalie oculari e a semplificare il processo di screening dei pazienti per la testa e tumori del collo.
Rafforzare la discriminazione e i pregiudizi
Una preoccupazione crescente è il modo in cui i sistemi di apprendimento automatico possono codificare i pregiudizi umani e le disuguaglianze sociali riflesse nei loro dati di formazione. Questi timori sono stati confermati da molteplici esempi di come la mancanza di varietà nei dati utilizzati per addestrare tali sistemi abbia conseguenze negative nel mondo reale.
Nel 2018, un documento di ricerca del MIT e Microsoft ha scoperto che i sistemi di riconoscimento facciale venduti dalle principali aziende tecnologiche soffrivano di tassi di errore significativamente più alti nell'identificazione delle persone con la pelle più scura, un problema attribuito ai set di dati di formazione composti principalmente di uomini bianchi.
Un altro studio un anno dopo ha evidenziato che il sistema di riconoscimento facciale Rekognition di Amazon aveva problemi a identificare il genere delle persone con la pelle più scura, un'accusa che è stata contestata dai dirigenti di Amazon, spingendo uno dei ricercatori ad affrontare i punti sollevati nella confutazione di Amazon.
Da quando gli studi sono stati pubblicati, molte delle principali aziende tecnologiche hanno, almeno temporaneamente, smesso di vendere sistemi di riconoscimento facciale ai dipartimenti di polizia.
Un altro esempio di risultati non sufficientemente diversificati dei dati di formazione ha fatto notizia nel 2018 quando Amazon ha eliminato uno strumento di reclutamento di apprendimento automatico che identificava i candidati di sesso maschile come preferibili. Oggi sono in corso ricerche su come compensare i pregiudizi nei sistemi di autoapprendimento.
Intelligenza artificiale e riscaldamento globale
Con l'aumentare delle dimensioni dei modelli di apprendimento automatico e dei set di dati utilizzati per addestrarli, aumenta anche l'impronta di carbonio dei vasti cluster di calcolo che modellano ed eseguono questi modelli. L'impatto ambientale dell'alimentazione e del raffreddamento di queste fattorie di calcolo è stato oggetto di un documento del World Economic Forum nel 2018. Una stima del 2019 era che la potenza richiesta dai sistemi di apprendimento automatico raddoppia ogni 3,4 mesi.
La questione della grande quantità di energia necessaria per addestrare potenti modelli di apprendimento automatico è stata recentemente messa a fuoco con il rilascio del modello di previsione del linguaggio GPT-3, una rete neurale tentacolare con circa 175 miliardi di parametri.
Mentre le risorse necessarie per addestrare tali modelli possono essere immense e in gran parte disponibili solo per le grandi aziende, una volta addestrate l'energia necessaria per eseguire questi modelli è significativamente inferiore. Tuttavia, con l'aumentare della domanda di servizi basati su questi modelli, il consumo di energia e il conseguente impatto ambientale diventano nuovamente un problema.
Un argomento è che l'impatto ambientale della formazione e dell'esecuzione di modelli più grandi deve essere valutato rispetto al potenziale di apprendimento automatico deve avere un impatto positivo significativo, ad esempio, i progressi più rapidi nel settore sanitario che sembrano probabili dopo la svolta fatta da AlphaFold di Google DeepMind 2.
L'IA ci ucciderà tutti?
Di nuovo, dipende da chi chiedi. Poiché i sistemi basati sull'intelligenza artificiale sono diventati più capaci, gli avvertimenti sui lati negativi sono diventati più terribili.
Il CEO di Tesla e SpaceX, Elon Musk, ha affermato che l'intelligenza artificiale è un “rischio fondamentale per l'esistenza della civiltà umana”. Come parte della sua spinta per una più forte supervisione normativa e una ricerca più responsabile per mitigare gli svantaggi dell'IA, ha creato OpenAI, una società di ricerca sull'intelligenza artificiale senza scopo di lucro che mira a promuovere e sviluppare un'IA amichevole che andrà a beneficio della società nel suo insieme. Allo stesso modo, lo stimato fisico Stephen Hawking ha avvertito che una volta creata un'IA sufficientemente avanzata, avanzerà rapidamente fino al punto in cui supererà di gran lunga le capacità umane. Un fenomeno è noto come singolarità e potrebbe rappresentare una minaccia esistenziale per la razza umana.
Tuttavia, l'idea che l'umanità sia sull'orlo di un'esplosione dell'intelligenza artificiale che farà impallidire il nostro intelletto sembra ridicola ad alcuni ricercatori di intelligenza artificiale.
Chris Bishop, direttore della ricerca di Microsoft a Cambridge, in Inghilterra, sottolinea quanto sia diverso lo stretto l'intelligenza dell'IA oggi deriva dall'intelligenza generale degli umani, che dice che quando le persone si preoccupano di “Terminator e l'ascesa delle macchine e così via? Assurdità assurde, sì. Nella migliore delle ipotesi, tali discussioni sono lontane decenni.”
< h2> Un'intelligenza artificiale ti ruberà il lavoro?
Amazon
La possibilità che sistemi di intelligenza artificiale sostituiscano gran parte del lavoro manuale moderno è forse un futuro più credibile possibilità.
Sebbene l'intelligenza artificiale non sostituirà tutti i lavori, ciò che sembra essere certo è che l'intelligenza artificiale cambierà la natura del lavoro, con l'unica domanda su quanto rapidamente e profondamente l'automazione modificherà il posto di lavoro.
C'è a malapena un campo dell'attività umana che l'IA non ha il potenziale per influenzare. Come afferma l'esperto di intelligenza artificiale Andrew Ng: “molte persone stanno facendo lavori ripetitivi e di routine. Sfortunatamente, la tecnologia è particolarmente brava ad automatizzare il lavoro ripetitivo e di routine”, dicendo che vede un “significativo rischio di disoccupazione tecnologica nei prossimi decenni”.< /p>
Cominciano ad emergere le prove di quali posti di lavoro verranno soppiantati. Ora ci sono 27 negozi Amazon Go e supermercati senza cassiere in cui i clienti prendono gli articoli dagli scaffali ed escono negli Stati Uniti. Resta da vedere cosa questo significhi per gli oltre tre milioni di persone negli Stati Uniti che lavorano come cassieri. Amazon è di nuovo all'avanguardia nell'utilizzo dei robot per migliorare l'efficienza all'interno dei suoi magazzini. Questi robot trasportano scaffali di prodotti ai raccoglitori umani che selezionano gli articoli da spedire. Amazon ha più di 200.000 bot nei suoi centri logistici, con l'intenzione di aggiungerne altri. Ma Amazon sottolinea anche che con l'aumento del numero di bot, aumenta anche il numero di lavoratori umani in questi magazzini. Tuttavia, Amazon e le piccole aziende di robotica stanno lavorando per automatizzare i restanti lavori manuali nel magazzino, quindi non è un dato di fatto che il lavoro manuale e quello robotico continueranno a crescere di pari passo.
I veicoli a guida autonoma completamente autonomi non sono ancora una realtà, ma secondo alcune previsioni, il solo settore degli autotrasporti a guida autonoma è destinato ad assumere oltre 1,7 milioni di posti di lavoro nel prossimo decennio, anche senza considerare l'impatto su corrieri e tassisti.< /p>
Tuttavia, alcuni dei lavori più semplici da automatizzare non richiedono nemmeno la robotica. Al momento, ci sono milioni di persone che lavorano nell'amministrazione, inserendo e copiando dati tra sistemi, cercando e prenotando appuntamenti per le aziende poiché il software migliora nell'aggiornare automaticamente i sistemi e contrassegnare le informazioni importanti, quindi la necessità di amministratori diminuirà.
Come per ogni cambiamento tecnologico, verranno creati nuovi posti di lavoro per sostituire quelli persi. Tuttavia, ciò che è incerto è se questi nuovi ruoli verranno creati abbastanza rapidamente da offrire lavoro agli sfollati e se i nuovi disoccupati avranno le competenze o il temperamento necessari per ricoprire questi ruoli emergenti.
Non tutti sono pessimisti. Per alcuni, l'intelligenza artificiale è una tecnologia che aumenterà piuttosto che sostituire i lavoratori. Non solo, ma sostengono che ci sarà un imperativo commerciale per non sostituire le persone a titolo definitivo, come lavoratore assistito dall'intelligenza artificiale – pensa a un portiere umano con un auricolare AR che dice loro esattamente cosa vuole un cliente prima che lo chieda – sarà più produttivo o efficace di un'intelligenza artificiale che lavora da sola.
C'è un'ampia gamma di opinioni su quanto velocemente i sistemi di intelligenza artificiale supereranno le capacità umane tra gli esperti di intelligenza artificiale.
Il Future of Humanity Institute dell'Università di Oxford ha chiesto a diverse centinaia di esperti di apprendimento automatico di prevedere le capacità dell'IA nei prossimi decenni.
Le date degne di nota includono la scrittura di saggi sull'intelligenza artificiale che potrebbero passare per essere scritti da un essere umano entro il 2026, mentre i camionisti resa superflua entro il 2027, l'intelligenza artificiale supererà le capacità umane nella vendita al dettaglio entro il 2031, scrivendo un best-seller entro il 2049 e facendo il lavoro di un chirurgo entro il 2053.
Hanno stimato che c'era una probabilità relativamente alta che l'IA battesse gli umani in tutte le attività entro 45 anni e automatizzasse tutti i lavori umani entro 120 anni.
Vedi altro:
Intelligenza artificiale spiegabile: dal picco delle aspettative gonfiate alle insidie dell'interpretazione dei modelli di apprendimento automatico.Rilevamento dei pregiudizi dell'IA (ovvero il destino del nostro mondo basato sui dati). Il problema con l'intelligenza artificiale: perché abbiamo bisogno di nuove leggi per impedire agli algoritmi di rovinarci la vita.L'uomo incontra l'intelligenza artificiale: il team di Intel Labs si spinge oltre i confini dell'interazione uomo-macchina con il deep learning.Grande sostegno per associare i medici alla tecnologia assistita dall'intelligenza artificiale.Quali sono le prospettive per l'intelligenza artificiale: Gary Marcus parla del viaggio verso una solida intelligenza artificiale.Il momento potrebbe essere giusto per professionalizzare le pratiche di intelligenza artificiale .Questa è un'intelligenza artificiale, qual è la tua emergenza?.Allevare reti neuromorfiche per divertimento e profitto: la nuova scienza riproduttiva.Come arrivarci: dati strutturati , semantica, robotica e il futuro dell'IA.Adobe lancia strumenti di intelligenza artificiale per monitorare l'omnichannel, individuare le anomalie più rapidamente.
IBM aggiunge gli strumenti Watson per la comprensione della lettura, l'estrazione delle FAQ.
Copertura correlata
Come il machine learning e l'intelligenza artificiale trasformeranno la business intelligence e l'analisi
I progressi del machine learning e dell'intelligenza artificiale in cinque aree semplificheranno la preparazione, la scoperta, l'analisi, la previsione e il processo decisionale basato sui dati.
Report: L'intelligenza artificiale sta creando posti di lavoro, generando guadagni economici
Un nuovo studio di Deloitte mostra che i primi ad adottare le tecnologie cognitive sono positivi riguardo ai loro ruoli attuali e futuri.
Intelligenza artificiale e lavoro: dove gli esseri umani sono migliori degli algoritmi e viceversa
È facile farsi prendere dalle previsioni disastrose sull'eliminazione dell'intelligenza artificiale milioni di posti di lavoro. Ecco un controllo della realtà.
Come l'intelligenza artificiale sta scatenando un nuovo tipo di crimine informatico(TechRepublic)
Invece di nascondersi dietro una maschera per rapinare una banca, i criminali ora si nascondono dietro l'intelligenza artificiale per sferrare il loro attacco. Tuttavia, anche le istituzioni finanziarie possono utilizzare l'intelligenza artificiale per combattere questi crimini.
Elon Musk: l'intelligenza artificiale potrebbe scatenare la terza guerra mondiale (CNET)
Il CEO di serie sta già combattendo le battaglie di fantascienza di domani e rimane più preoccupato per il killer robot che altro.
Argomenti correlati:
Cloud Digital Transformation CXO Internet of Things Innovation Enterprise Software 