Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Intelligenza Artificiale e Robotica - Applicazioni industriali e responsabilità del produttore

198 views

Published on

Le slide sono state proiettate durante il workshop a SMAU Padova 2019. L'intelligenza artificiale è un argomento sempre più sentito in ambito industriale e produttivo. Dopo una breve introduzione dello stato attuale dell'intelligenza artificiale e delle sue recenti evoluzioni, sono state analizzate le sue applicazioni in ambito industriale, concludendo dunque con una analisi giuridica dell'Intelligenza artificiale, con specifico riferimento alla responsabilità del produttore.

Published in: Law
  • Be the first to comment

Intelligenza Artificiale e Robotica - Applicazioni industriali e responsabilità del produttore

  1. 1. Intelligenza Artificiale e Robotica Applicazioni industriali e responsabilità del produttore
  2. 2. Chi siamo DirICTo è un network che raggruppa esperti e studiosi di tutta Italia in materia di Diritto dell’Informatica e dell’Informatica Giuridica. http://www.diricto.it/ ICT for Law and Forensics è il laboratorio di Informatica Forense del Dipartimento di Ingegneria Elettrica e Elettronica dell’Università di Cagliari. http://ict4forensics.diee.unica.it/
  3. 3. Avv. EDOARDO ENRICO ARTESE 3 Avvocato del Foro di Milano e managing partner dello Studio AC Legal di Milano. Si occupa di diritto commerciale e industriale ed è appassionato cultore della materia delle nuove tecnologie e dell’informatica giuridica. E’ membro del network di professionisti DirICTo, che raggruppa esperti e studiosi di tutta l’Italia, in materia di Diritto dell’Informatica e di Informatica Giuridica, con il fine di sviluppare attività di studio, ricerca e approfondimento su tematiche di interesse comune per il mondo giuridico e informatico.
  4. 4. Alberto Sarullo Tecnologia, user experience, design di servizi Timbuktu Labs PisteCiclabili.comSuonerie.net
  5. 5. World first open source Ruzzle solver made of Lego youtube.com/watch?v=ukPyJPFAwlohackaday.com/2013/02/19/lego-stylus-solves-ruzzle-tablet-game/
  6. 6. 6 1. Robotica 2. Intelligenza artificiale 3. Responsabilità nell’ambito della robotica 4. Situazione normativa attuale 5. Demo: IA + robotica 6. Questioni aperte Indice
  7. 7. R.U.R - Rossum’s Universal Robots (K. Capek). Dal ceco robota, "lavoro duro, lavoro forzato» Il dramma inizia in una fabbrica di persone artificiali, senza anima, chiamate robots, costruiti mettendo insieme le diverse parti del corpo… 7 Liar! (Asimov) Prima citazione della robotica, scienza e tecnologia relativa ai robot 1941 Robotica - Etimologia 1920 7
  8. 8. 8 Uscendo dall’antropomorfismo di Asimov… Macchina programmabile capace di compiere azioni in modo autonomo al posto di un essere umano
  9. 9. 10
  10. 10. 11 Anatomia (metafora antropomorfa) 1.Sensori (occhi) 2.Attuatori (muscoli) 3.Microcontroller / CPU (cervello)
  11. 11. https://www.infineon.com/cms/en/discoveries/fundamentals-robotics/ https://www.youtube.com/watch?v=SdP8cpwmWwk Evoluzione
  12. 12. 14
  13. 13. 15
  14. 14. 16
  15. 15. 17 Umanoide Low cost ?https://www.franka.de/panda/ https://www.robots.com/faq/how-much-do-industrial-robots-cost
  16. 16. 19https://plus.credit-suisse.com/rpc4/ravDocView?docid=V6y0SB2AF-WEr1ce https://www.innosight.com/wp-content/uploads/2016/08/Corporate-Longevity-2016-Final.pdf Durata media di vita aziende S&P500 1920 67 anni 40 anni 30 anni 20 anni 12 anni
  17. 17. 20
  18. 18. 21 21 https://www.horsesforsources.com/RPAglobal2000_031118
  19. 19. 22 Tecnologia, prodotti e processi coinvolti nell’automazione dei processi lavorativi che utilizza software robot per eseguire in modo automatico le attività ripetitive degli operatori, interagendo con gli applicativi come l'operatore Robotic Process Automation (RPA)
  20. 20. 23 • riduzione dei tempi/costi di svolgimento delle attività • riduzione errori (le attività ripetitive sono quelle più esposte ad errori) • impatto zero sui sistemi informativi (i robot interagiscono con le stesse modalità dell’operatore umano) • tempi/costi bassi di prototipazione e implementazione, grazie alla possibilità di produrre in tempi molto contenuti un prototipo funzionante • Impatti organizzativi: chi gestisce le applicazioni di RPA? • Impatti contrattuali: la licenza per operatore vale anche per un robot? Robotic Process Automation (RPA) Vantaggi Punti aperti https://timelinepi.com/the-hot-topic-everybody-is-talking-about-rpa/
  21. 21. 24 Definizione attuale di robotica è più estesa ed inclusiva di quella classica Macchina (o agente virtuale) programmabile capace di compiere azioni in modo autonomo (o semi autonomo) al posto di (o in aiuto a) un essere umano
  22. 22. 25 Robot Process Automation – Software Robot 1.Sensori (occhi) 2.Attuatori (muscoli) 3.CPU + algoritmi (cervello + intelligenza)
  23. 23. 26 https://www.slideshare.net/dlavenda/ai-and-productivity
  24. 24. 28 Connessionismo: tentativo di comprendere come il cervello umano lavora a livello neurale e come le persone imparano e ricordano Lo scopo ultimo dell’Intelligenza Artificiale è creare una Intelligenza Artificiale Generale che si comporti come una intelligenza umana, dotata di: ● Ragionamento logico ● Comprensione del linguaggio ● Percezione dell’ambiente esterno ● Capacità di movimento ed esplorazione ● Intelligenza emotiva ● Ragionamento morale Prima onda (1960): nasce l’Intelligenza Artificiale
  25. 25. 29 Potenza di calcolo ● Linguaggio naturale: lavori di Ross Quillian dimostrati su un vocabolario di 20 parole (la memoria non consentiva di più) ● Motion detection in tempo reale richiede un computer di 10K- 1M MIPS. Nel 1976 il più potente computer aveva 80-130 MIPS di potenza (Cray-1, 8M $) Esplosione combinatoria ● Complessità esponenziale di molti problemi, non affrontabile con le risorse a disposizione Conoscenze e ragionamento comuni ● Nel 1970 non esistevano computer/database con le consocenze di un bambino di 5 anni. Primo inverno (1970): disillusione
  26. 26. 30 Programmi che rispondono a domande o risolvono problemi legati ad dominio specifico di conoscenza, usando regole logiche derivate dalla conoscenza di esperti Seconda onda (1980): i sistemi esperti
  27. 27. 31 ● XCON, sistema esperto dei più avanzati, è: ○ troppo costoso da mantenere e aggiornare ○ non può imparare ○ commette grotteschi errori con input non usuali ● Fifth Generation Project (investimento giapponese di 400M $) non raggiunge nessuno degli obiettivi prefissati ● I sistemi esperti si rivelano utili esclusivamente in contesti estremamente specifici Secondo inverno (1990): abbandono dei sistemi esperti
  28. 28. 32 The confluence of 4 key factors is behind this new AI Renaissa More Data 60 years of Research / Mature Algorithms60 anni di ricerca + algoritmi robusti Potenza di calcolo Framework & librerie open More Computing Power More Data 60 years of Research / Mature Algorithms More Computing Power Open Source Frameworks/Libraries DSSTNE PaddlePaddle Prezzo storage + quantità di dati (IoT) 14 s is behind this new AI Renaissance More Data Open Source Fram eworks/Libraries DSSTNE PaddlePaddle 2000 - Abilitatori di una prossima rivoluzione Tecnologici Culturali
  29. 29. 33 33 Tecnica che permettere ai computer di eseguire task cognitivi senza essere programmati esplicitamente Utile per risolvere 2 tipologie di problemi che le tecniche tradizionali di AI non risolvono: ● Task non descrivibili da esseri umani ● Problemi multidimensionali complessi che non possono essere risolti per ragionamento numerico Terza onda: Machine Learning
  30. 30. https://www.youtube.com/watch?v=qs_eOvbyTGo
  31. 31. 35 Simbolico/sistemi esperti: siedo con miglior giocatore di Go al mondo e trasferisco la sua conoscenza formalizzandola in un programma Bruteforce: simulo tutte le possibili mosse, i risultati di ogni step e scelgo la mossa che mi avvicina di più alla vittoria Machine Learning: faccio vedere ad un programma milioni di partire (reali o simulate), facendolo apprendere dall’esperienza ng at playing the game of Go Mathematical/Statistical AI Machine Learning approach “Let’s simulate all thedifferent possiblemoves and theassociated outcomes at each single step and go with the most likely towin” “Let’s show millions of examples of real life and simulated games (won and lost) toprogr Esempio: 3 approcci al gioco Gioco del Go
  32. 32. 36 Traditional AI techniques Machine Learning Data Logic Output Ø Static – hard-coded set of steps and scenarios Ø Rule Based – expert knowledge Ø No generalization – handling special cases difficult Ø Dynamic – evolves with data, finds new patterns Ø Data driven– discovers knowledge Ø Generalization – adapts to new Data Output Logic Traditional AI techniques Machine Learning Data Logic Output Ø Static – hard-coded set of steps and scenarios Ø Rule Based – expert knowledge Ø No generalization – handling special cases difficult Ø Dynamic – evolves with data, finds new patterns Ø Data driven– discovers knowledge Ø Generalization – adapts to new situations and special cases Data Output Logic • Statico: scenari codificati • Basato su regole: richiede conoscenza esperta • Non generale: difficile trattare casi specifici • Dinamico: evolve con i dati • Conoscenza ”esperienziale” basata sui dati • Generalizzato: si adatta a nuove situazioni e casi speciali Programmazione tradizionale vs Machine Learning
  33. 33. 37 Machine Learning: creazione del modello
  34. 34. 38
  35. 35. DEFINIZIONE RESPONSABILITA’ «Qualunque fatto doloso o colposo, che cagiona ad altri un danno ingiusto, obbliga colui che ha commesso il fatto a risarcire il danno.» LA RESPONSABILITA’ PER I «ROBOT» 41
  36. 36. QUALE DISCIPLINA APPLICARE ? Risoluzione del Parlamento europeo del 16 febbraio 2017 recante raccomandazioni alla Commissione concernenti norme di diritto civile sulla robotica (2015/2103(INL)) 42
  37. 37. NORMATIVA ATTUALE ITALIANA PER ALCUNI AUTORI SUFFICIENTE V. U. RUFFOLO 43
  38. 38. Anche le cose, oltre agli animali e le persone (quasi tutte…) potranno avere intelligenza ed autoapprendimento. Potremmo dunque utilizzare già gli strumenti normativi esistenti ? 44
  39. 39. MA QUALE? NO DISCIPLINA PRODOTTO DIFETTOSO Sì (O FORSE) DISCIPLINA RESPONSABILITA’ EX ARTT. 2043 – 2052 C.C. 45
  40. 40. OSSERVIAMO PERO’ LA NORMATIVA IN VIGORE ITALIANA – ARTT. 2043 – 2052 C.C. Art. 2049 c.c. PADRONI E COMMITTENTI Art. 2050 c.c. ATTIVITA’ PERICOLOSA Art. 2051 c.c. COSE IN CUSTODIA Art. 2052 c.c. DANNO CAGIONATO DA ANIMALI 46
  41. 41. CONSULTABILE INTEGRALMENTE SUL SITO DEL PARLAMENTO EU http://www.europarl.europa.eu/sides/getDoc.do?pubRef=- //EP//TEXT+TA+P8-TA-2017-0051+0+DOC+XML+V0//IT#BKMD-13 47
  42. 42. PREMESSA DA FARSI QUELLA DEL PARLAMENTO EUROPEO E’ UNA RACCOMANDAZIONE ALLA COMMISSIONE EUROPEA §§§ NON HA VALORE DI LEGGE E NON E’ VINCOLANTE 48
  43. 43. ECCO I PUNTI SALIENTI
  44. 44. NECESSITA’ DI DEFINIRE «ROBOT» OVVERO sistemi ciberfisici, di sistemi autonomi, di robot autonomi intelligenti e delle loro sottocategorie, prendendo in considerazione le seguenti caratteristiche di un robot intelligente: –l'ottenimento di autonomia grazie a sensori e/o mediante lo scambio di dati con il suo ambiente (interconnettività) e lo scambio e l'analisi di tali dati; –l'autoapprendimento dall'esperienza e attraverso l'interazione (criterio facoltativo); –almeno un supporto fisico minore; –l'adattamento del proprio comportamento e delle proprie azioni all'ambiente; –l'assenza di vita in termini biologici.
  45. 45. RESPONSABILITA’ - NO LIMITAZIONE RESPONSABILITA’ - RESP. OGGETTIVA - OBBLIGO ASSICURAZIONE (FONDO) ETICA - ingegneri robotici - Comitato - Progettisti - utenti INTEROPERABILITA’ fra Robot e I.A. Alcuni punti chiave 51
  46. 46. DEMO: AI + Robotica Expectation Se Wall-e vede l’amata Eve, deve aprire il suo cuore per donarle l’ultima pianta della Terra Reality Scattare ed editchettare foto dei due casi A) Eve (astraiamo: io) B) Non Eve (astraiamo: io che mi tocco la fronte) Generare il modello Usare il modello per analizzare in tempo reale un video In base al caso individuato ruotare di tot gradi un servomotore 52 albertosarullo$ docker-compose up albertosarullo$ ls /dev/tty.usb* albertosarullo$ node nodeSerialApi.js albertosarullo$ chrome http://localhost
  47. 47. 53 Machine Bias Software COMPAS usato in USA per valutare il rischio di recidiva dei detenuti sembra discriminare in base al colore della pelle https://www.cdcr.ca.gov/rehabilitation/docs/FS_COMPAS_Final_4-15-09.pdf https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing Machine Bias Software per valutare rischio di recidiva dei detenuti sembra discriminare in base al colore della pelle Risultato analisi: il software ha un forte pregiudizio razziale, perchè apprende da dati con pregiudizi Bandito in molti (non tutti) gli stati USA
  48. 48. 54 Machine Learning Classificazione Lupi vs Husky Accuratezza persone: 70%. Deep learning: 98.5%. Perchè?
  49. 49. 55 Lupi vs Husky L’algoritmo classifica l’immagine come lupo …in base alla neve sullo sfondo https://arxiv.org/pdf/1602.04938.pdf Machine Learning
  50. 50. 56 56 Ci affidiamo ad algoritmi che non comprendiamo fino in fondo Machine Learning https://www.theverge.com/2016/7/12/12158238/first-click-deep-learning-algorithmic-black-boxes
  51. 51. 57 57 Audit di algoritmi di machine learning Machine Learning https://arxiv.org/pdf/1602.04938v1.pdf https://www.slideshare.net/TerryTaewoongUm/understanding-blackbox-predictions-via-influence-functions-2017
  52. 52. Ci sono domande? 58 Grazie! Edoardo Artese • edoardo.artese@ac-legal.eu Alberto Sarullo • alberto.sarullo+smau@gmail.com • linkedin.com/in/albertosarullo

×