Il giorno 11 feb 2020, alle ore 17:21, Stefano Quintarelli <stefano@quintarelli.it> ha scritto:

oh.
penso che dovremmo concordare che siamo in disaccordo...
;-)

alcune macro ossevrazioni (ma non voglio tediare la lista, magari ci mangiamo un'insalata...):

buona parte di cio' che abbiamo sempre chiamato AI (e continuiamo a chiamare cosi') non ricade nella definizione che proponi;

la definizione stessa e' poco definitoria quando dice che "e' intelligente se fa come una intelligenza umana" (versione ristretta). Ma cosa e' la intelligenza umana ?

last but not least, non capisco se che consideri il modello meteorologico sia AI o meno. cmq. e' statistica multivariata, IMHO.

cio tanto per dire che, per me, AI e' un modo diverso di fare sw; e' un insieme di tech, all'interno del qualche c'e' un subset che e' il machine learning (che e' fitting, modelli e loro uso per predizioni...)

ciao, s.

On 11/02/2020 15:17, Giuseppe Attardi wrote:

On 10/02/20 21:06, Stefano Quintarelli wrote:

On 10/02/2020 16:33, Giuseppe Attardi wrote:

Non si può in ogni caso definire AI.

e' una affermazione molto netta...
mi interessa il tuo parere.

perche' ritieni che non possa essere definita cosi' ?

Penso sia importante dare una definizione netta, altrimenti si rischia di far passare tutto per AI, che chiunque possa spacciarsi per esperto di AI e che i confini tra le discipline si confondano.
Questo è un rischio serio per la disciplina.
Da una parte c'è chi si vuole accreditare in AI, pensando di trarne benefici, e dall'altra ci sono coloro che la denigrano, con critiche di varia natura, tra cui proprio quella che "ML/AI is just curve fitting" (Judea Pearl: no matter how skillfully you manipulate the data and what you read into the data when you manipulate it, it’s still a curve-fitting exercise, albeit complex and nontrivial), che ha già diversi proseliti anche in Italia.
E poi non-explainable, non-ethical, can be fooled, ecc.
Tutto ciò rischia secondo me di affossare la disciplina che sta nascendo, perché è ancora tutta da inventare.
Sulla definizione di AI che ha dato lo High Level Expert Group on AI della EC, ho espresso a Francesca Rossi le mie perplessità, in quanto è così ampia che qualunque sistema informatico che riceva degli input e produca degli output che dipendono da questi, rientra nell'AI.
“Artificial intelligence (AI) systems are software (and possibly also hardware) systems designed by humans that, given a complex goal, act in the physical or digital dimension by perceiving their environment through data acquisition, interpreting the collected structured or unstructured data, reasoning on the knowledge, or processing the information, derived from this data and deciding the best action(s) to take to achieve the given goal. AI systems can either use symbolic rules or learn a numeric model, and they can also adapt their behaviour by analysing how the environment is affected by their previous actions.
In questa definizione rientra ad esempio lo spazzolino da denti con AI di una nota casa:
- is designed by humans
- acts in a physical dimension: the mouth
- perceives the environment: uses sensors to determine brush movements
- interprets data: keeps track of the areas covered during brushing
- reasons on the knowledge: it knows that there are 32 teeth in a normal mouth
- decides actions to take: the goal is to signal when all teeth have been brushed. then it flashes a green led light
- the rest is optional (can)
Se non si utilizza come discriminante la caratteristica di svolgere compiti che richiedono intelligenza umana, si finisce in un marasma indistinto.
Cerco di ripeterlo in tutte le occasioni, ma in sintesi, la differenza tra Statistica, Machine Learning e AI potrebbe essere questa:
- La Statistica consente di trovare *correlazioni* tra i dati
- Machine Learning si usa per apprendere un modello da esempi per fare *previsioni*
- Artificial Intelligence usa il ML per produrre un modello di funzionamento di una abilità umana, per *eseguire azioni*
  In AI è determinante la presenza di *Humans in the loop*: persone sono coinvolte nel fornire esempi di comportamenti umani (e.g. annotando i dati, interpretando i dati, valutando la correttezza dei resultati)
  In AI l'intelligenza è *incorporata* nel sistema
- Data Science usa l’analisi statistica di dati per ricavare *intuizioni* da correlazioni statistiche
  In DS *humans are in the end*: lo scienziato vaglia le correlazioni suggerite dai dati per produrre intuizioni
  In DS l’*intelligenza risiede nello scienziato* che interpreta i risultati dell’analisi statistica
L'esempio che uso a volte per spiegare le differenze è questo.
Se oggi la temperatura a Roma è di 25 gradi, e la statistica ci dice che in febbraio la temperatura media a Roma è 15 gradi, ciò che ne ricaveremmo è solo che siamo di fronte a un caso statisticamente anomalo.
Invece le previsioni metereologiche ci potevano dire ieri che oggi la temperatura sarebbe stata 25, perchè utilizzano un *modello metereologico*, il quale viene alimentato da migliaia di dati di sensori nell'atmosfpere ed è in grado di fare previsioni accurate applicando quel modello.
Il ML assomiglia a questo: utilizza di modelli, che sono progettati caso per caso dall'esperto (architettura, feature, parametri, ecc.) e poi fa il tuning dei suoi parametri utilizzando dati di apprendimento. Il risultato è un modello, non una stima di correlazione.
L'AI (Deep Learning) utilizza il machine learning per produrre modelli di comportamento che simulano il comportamento intelligente di umani nello svolgimento di determinati task. I dati sono quelli che incorporano il comportamento intelligente di umani: non sono quindi solo dati di sensori, ma sono generati da un comportamento intelligente umano e raccolti da questi.
Che le critiche provengano da alcuni che apparentemente non hanno ben capito di cosa si tratti, lo ha ribadito proprio ieri Yan LeCun in una conferenza stampa a AAAI 2020.
LeCun noted he is "pretty active on social media and there seems to be some confusion" as to what deep learning is, which was an allusion to back-and-forth debates he's had on Twitter with deep learning critic Gary Marcus, among others, that have gotten combative at times. LeCun began his talk by offering a slide defining what deep learning is, echoing a debate in December between Bengio and Marcus (https://www.zdnet.com/article/whats-in-a-name-the-deep-learning-debate/).
https://www.zdnet.com/article/deep-learning-godfathers-bengio-hinton-and-lecun-say-the-field-can-fix-its-flaws/
Io cerco di fare la mia parte per chiarire un po' di confusione.
Ciao
Beppe

ciao, s.

-- 
reserve your meeting with me at https://cal.quintarelli.it
_______________________________________________
nexa mailing list
nexa@server-nexa.polito.it
https://server-nexa.polito.it/cgi-bin/mailman/listinfo/nexa