Machine Learning, opportunità, limiti e rischi

Fabio Stella – Università di Milano-Bicocca “Il cittadino consapevole verso la scienza dei dati, i big data, il machine learning“
Milano 16 Marzo 2019 Digital Week 2019 – Fastweb Digital Academy
Il cittadino consapevole verso la scienza dei dati, i big data, il machine learning
Come lavorare sui dati:
la cassetta degli attrezzi del Machine Learning
Milano, 16 Marzo 2019
Fabio Stella
Università di Milano-Bicocca

Machine Learning
Metodologia che ha come obiettivo l’identificazione
automatica o semi-automatica di regolarità/irregolarità
presenti nei dati a fini previsivi.
Un algoritmo di Machine Learning apprende
accumulando esperienza, vale a dire sfruttando
i dati a sua disposizione per migliorare la
propria prestazione, sfruttando uno o più
meccanismi di adattamento.

Tre tipi principali di Machine Learning
• Supervisionato
• Non supervisionato
• Apprendimento per rinforzo

• Supervisionato
MACHINE
LEARNING
VARIABILI
DI INPUT
VARIABILE
DI OUTPUT

• Supervisionato
Apprendere interagendo con l’ambiente.
L’ambiente reagisce alle nostre azioni.
Apprendere sequenzialmente.
Solo al termine riceveremo premio/punizione.

«Io ne ho viste cose che voi umani non potreste immaginarvi: navi da combattimento in fiamme al largo dei
bastioni di Orione, e ho visto i raggi B balenare nel buio vicino alle porte di Tannhäuser. E tutti quei
momenti andranno perduti nel tempo, come lacrime nella pioggia. È tempo di morire.»

Studio medico che controlla
• Exercise, esercizio settimanale (ore),
• Cholesterol, livello di colesterolo,
per pazienti appartenenti a vari gruppi d’età
(Age = 10, 20 ,30 40, 50).
Nel grafico osserviamo, che per ogni gruppo
di età (Age), all’aumentare del livello di
Exercise corrisponde una riduzione del
livello di Cholesterol.

Ignoriamo la segregazione per età
(Age), vale a dire analizziamo tutti i
pazienti come provenienti dalla stessa
popolazione.
Nel grafico osserviamo che
all’aumentare del livello di Exercise
corrisponde un aumento del livello di
Cholesterol.

Come può accadere che per ogni fascia di età del paziente (Age), all’aumento di
Exercise corrisponde una riduzione di Cholesterol, mentre non conoscendo la
fascia di età (Age) del paziente accade l’opposto?

Non importa quanti dati abbiamo a disposizione, siano questi small, medium o Big
Data. I dati possono non esser sufficienti per ottenere una previsione e/o una
decisione comprensibile.

“Il sistema visivo dell’aquila e del serpente surclassano
qualsiasi sistema di visione realizzabile in laboratorio oggi,
ma serpenti ed aquile non possono costuire occhiali,
telescopi o un microscopi." — Judea Pearl

Prof. Judea Pearl
ACM Turing Award Winner 2011
Siamo distanti dalla capacità di
spiegare previsioni e decisioni
indipendentemente dai dati
disponibili.

Prevedere quali siano gli effetti delle
nostre previsioni e decisioni.
Causazione da considerarsi come
sinonimo di comprensione.

Un veicolo autonomo soffre un immediato guasto al sistema frenante.
Mantenere l’attuale traiettoria causando la morte di due uomini anziani
e di una donna anziana, i quali stanno attraversando la strada dove è
presente un segnale che ne vieta l’attraversamento.
Se il veicolo sterzasse immediatamente a sinistra causerebbe la morte
dei tre passeggeri, un uomo adulto, una donna adulta ed un ragazzo.

The moral machine experiment

Machine Learning, opportunità, limiti e rischi

Recommended

Recommended

More Related Content

Similar to Machine Learning, opportunità, limiti e rischi

Similar to Machine Learning, opportunità, limiti e rischi (20)

Machine Learning, opportunità, limiti e rischi