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.
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. 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.
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
Uscendo dall’antropomorfismo di Asimov…
Macchina
programmabile
capace di compiere azioni
in modo autonomo
al posto di un essere umano
20. 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)
21. 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/
22. 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
25. 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
26. 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
27. 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
28. 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
29. 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
30. 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
32. 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
33. 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
37. 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
39. 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
41. 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
42. 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
43. PREMESSA DA
FARSI
QUELLA DEL PARLAMENTO
EUROPEO E’ UNA
RACCOMANDAZIONE ALLA
COMMISSIONE EUROPEA
§§§
NON HA VALORE DI LEGGE E NON
E’ VINCOLANTE
48
45. 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.
46. 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
47. 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
48. 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
50. 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
51. 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
52. 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
53. Ci sono domande?
58
Grazie!
Edoardo Artese
• edoardo.artese@ac-legal.eu
Alberto Sarullo
• alberto.sarullo+smau@gmail.com
• linkedin.com/in/albertosarullo
Editor's Notes
sono un appassionato di tecnologia e dei servizi che può abilitare
Società di consulenza, da un annetto la prima esperienza in azienda
Per i più nerd, sono l’autore del primo risolutore ruzzle open basato su lego
Curiosità: quanti hanno letto Asimov?
Macchina, quindi non un animale o un vegetale
1930 prima lavatrice elettrica - forse ha rivoluzionato le nostre vite più di molte altre invenzioni
1970 OK 65% delle famiglie ha una lavatrice
Ma quando pensiamo ad un robot, il nostro immaginario va ad altro
https://helpwiththewashing.co.uk/blog/washing-machine-changed-our-world/
Quanti hanno visto Wall-E e le vicende di lui e della Eve?
Essere o non essere? E con questa mossa ho appena distrutto la demo
Da dove parte l’evoluzione dei robot?
Automa cavaliere – Forse presentato alla corte di Ludovico Sforza in occasione delle nozze della nipote, per stupire. Forse per spaventare i nemici
Elekro – (213cm, 121kg) – enorme impatto, scopo pubblicitario: pubblicizzare i propri elettrodomestici
Unimate: $25,000 Revolutionizing manufacturing t
Catena di montaggio di Henry Ford 1913
Dal 1961 rivoluzionato il mondo della manifattura
Catene di montaggio dell’industria automobilistica
2012 Amazon compra il N°1 (Kiva) per $775M, e da quel momento nessun’altro può acquistare i suoi robot
2019 Amazon più di 100,000 (21/01/2019) robot in funzione
Alibaba idem
Low cost €9,900 (industrial base 80-100k, con accessori 100-150k)
Cosa ci riserva il futuro?
Perché sta tornando di moda la robotica?
Per comprenderlo dobbiamo fare una pausa e osservare un fenomeno macroeconomico.
Tutto chiaro fin’ora?
Cosa sta succedendo alle aziende? Che falliscono. Durano meno.
Big 4
Settano pattern comportamentali e i trend UX a cui tutti devono per forza adeguarsi (amazon: 100ms of latency cost them 1% in sales)
Hanno l’infrastruttura su cui passano i nostri dati
Possono entrare velocemente in nuovi settori (Apple Card, settore finanziario)
Sono stati ignorati dagli organismi regolatori, a differenza di altri settori, come quello finanziario o assicurativo (amazon protect è nato in uk e non negli usa)
La robotica sta velocemente tornando alla ribalta, ma un tipo molto specifico di robotica.
Macro on steroids
Perché? Perché il costo di aggiornare i sistemi CORE di una azienda è gigantesco e richiede anni.
Spesso sono piccoli task monotoni che fanno perdere tempo. Copia e incolla gestionali. Generazione di report manuale. Tutto questo può essere automatizzato con investimenti che rientrano in breve.
Impatti organizzativi: software su licenza. I robot hanno una loro licenza? Quante licenze software prevedono di essere usate da robot?
Perché? Perché il costo di aggiornare i sistemi CORE di una azienda è gigantesco e richiede anni.
Impatti organizzativi: software su licenza. I robot hanno una loro licenza? Quante licenze software prevedono di essere usate da robot?
Siamo costretti a rivedere la definizione di robot in modo più allargato ed inclusivo
Stiamo togliendo la fisicità ai nostri robot, dando sempre più importanza al loro intelligenza.
Cosa è successo parallelamente alla robotica sul fronte dell’intelligenza artificiale?
Parallelamente alla robotica, si è sviluppato un nuovo settore, quello dell’intelligenza artificiale.
Ondate successive
70 anni in 5 minuti
Turing, McCulloch, Pitts
Il cervello è fatto da neuroni, ogni macchina di touring è un neurone => posso riprodurre il cervello
aspettativa eccessiva rispetto a ciò che era fattibile
Si materializzano alcuni abilitatori
Esplosione combinatoria ingestibile
Prevedere se il saltatore centrerà la palla:
o uso la fisica (scomposizione di forze)
o uso un approccio esperienziale: do in pasto ad un computer decine di migliaia di video di gente che si lancia, e lascio che sia lui a desumere la legge
Attenzione: bruteforce non è sempre sbagliato, può essere un approccio vincente
Ribaltamento completo dell’approccio tradizionale
Intersezione che diventa sempre più profonda (interdipendenza) ampia (per numerosità degli ambiti)
E dal punto di vista legale?
Intersezione che diventa sempre più profonda (interdipendenza) ampia (per numerosità degli ambiti)
Dimensione romantica
Dimensione tecnica
Scimpanzè, specie con un abbiamo in comune solo il 99% del patrimonio genetico
L’ultima volta he ho visto la presentazione non c’era la mia faccia. Nn pubblicare la presentazione
In base a cosa? (PAUSA)
Capire la logica delle decisioni e le regole che le governano
Poniamo dei vincoli sul modello in modo che sia interpretabile e comprensibile
Poniamo un confine nello spazio dei dati tra le diverse decisioni.
Nel vicinato di uno specifico caso il confine tra una decisione è semplice e può essere spiegato.
Facendo un modello locale possiamo mettere insieme tante spiegazioni localmente semplici per avere un modello comprensibile.