Intelligenza artificiale e Deep Learning: un bene o un male per gli esseri umani?

Intelligenza artificiale e Deep Learning: un bene o un male per gli esseri umani?


Il “Deep Learning” ci insegnerà tutte le lezioni della nostra vita: il lavoro è delle macchine.

Il 2 Dicembre del 1942 un team di scienziati guidato da Enrico Fermi è tornato dalla pausa pranzo e ha guardato come l'umanità avesse creato la prima reazione nucleare autosufficiente all'interno di una pila di mattoni e legno sotto un campo di calcio presso l'Università di Chicago. Passato alla storia come Chicago Pile-1, questo evento è stato celebrato in silenzio con una bottiglia di Chianti, perché tutti i presenti si rendevano perfettamente conto di quanto questo significasse per il genere umano, senza bisogno di parole.

Ora è successo qualcosa di nuovo che silenziosamente sta cambiando per sempre il mondo. E come una parola sussurrata in una lingua straniera che potresti aver sentito ma non compreso a pieno. È di vitale importanza che tutti comprendano questo nuovo linguaggio e quello che ci sta dicendo, perché le sue ramificazioni altereranno tutto quello che diamo per scontato sulla nostra economia globalizzata e sul nostro ruolo in essa.

Questo linguaggio è una nuova classe di “Machine learning” conosciuto come “deep learning”, e la “parola sussurrata” ne è stato il suo uso da parte di un computer per sconfiggere apparentemente dal nulla  il tre volte campione europeo di Go Fan Hui, non una, ma cinque volte di fila senza sconfitte.

Molti di quelli che hanno letto questa notizia l’hanno considerata impressionante, ma non comparabile in alcun modo alla partita contro Lee Se-dol, che molti reputano uno dei migliori giocatori viventi al mondo di Go, se non il migliore.

Immaginando un duello di questo livello, uomo contro macchina, il top player cinese di Go ha predetto che Lee non avrebbe persouna singola partita, e Lee stesso ha confessato di credere di poterne perdere al massimo una.

Cosa è successo quando si sono affrontati? Lee ha perso tutti i game della loro partita, tranne uno.

Un’intelligenza artificiale chiamata AlphaGo ora è un giocatore di Go migliore di qualunque essere umano e ha ottenuto il punteggio “divino” di 9 dan. In altre parole, il suo livello di gioco rasenta la divinità. Go è stato ufficialmente conquistato dalle macchine.

Cos’è Go? Molto semplicemente, pensate a Go come un Super Ultra Mega gioco degli Schacchi.

Questo può ancora sembrare un risultato da poco, un altro fiore all'occhiello di macchine che continuano a dimostrare di essere superiori a noi nei giochi divertenti, ma non è un risultato da poco, e ciò che sta accadendo non è un gioco.

La storica vittoria di AlphaGo è un chiaro segnale che siamo passati dal lineare al parabolico.

I progressi nella tecnologia sono ormai così visibilmente esponenziali che potremmo vedere tanti traguardi raggiunti molto tempo prima di quanto ci saremmo aspettati.

A questi progressi esponenziali, in particolare per quanto riguarda le forme di intelligenza artificiale che si occupano di compiti specifici, siamo del tutto impreparati se continuiamo ad insistere sull’occupazione come maggior fonte di reddito.

 

Tutto ciò può suonare come un’esagerazione, quindi cerchiamo di fare un passo indietro di qualche decennio, e guardare come la tecnologia informatica ha influito attivamente sull'occupazione umana:

 

 

Non fatevi ingannare pensando che questa conversazione sull'automazione del lavoro sia ambientata nel futuro. È già qui. La tecnologia informatica sta già occupando posti di lavoro ed è così dal 1990.

 

Il lavoro di routine

 

Il lavoro può essere diviso in 4 tipi differenti: di routine e non di routine, cognitivo e manuale.

Fare un lavoro di routine significa svolgere la stessa mansione ogni giorno, mentre il lavoro non di routine varia a seconda dei giorni. In queste due categorie può rientrare il lavoro che richiede soprattutto l’uso della nostra mente (cognitivo) e quello che necessita del nostro corpo (manuale).

Mentre una volta tutti e quattro i tipi erano in crescita, quello di routine è rimasto fermo nel 1990. È successo perché è quello più semplice da affidare alla tecnologia. Le regole possono essere scritte per un lavoro sempre uguale, e può essere gestito meglio dalle macchine.

È doloroso pensare che proprio il lavoro di routine ha gettato le basi della middle class americana.

È il lavoro manuale di routine che Henry Ford ha trasformato pagando persone della middle class per eseguirlo, ed è il lavoro cognitivo di routine che una volta riempiva gli spazi degli uffici degli Stati Uniti.

Questi lavori sono ora sempre meno disponibili, lasciando solo due tipi di posti di lavoro con prospettive rosee: quelli che richiedono così poco pensiero che le persone vengono pagate davvero poco per svolgerli, e quelli che richiedono così tanto pensiero che qualcuno viene pagato molto bene per svolgerli.

Se immaginiamo la nostra economia come un aeroplano con 4 motori, che può ancora volare con solo due di loro accesi, possiamo evitare di preoccuparci di precipitare.

Ma cosa succede se i nostri due motori rimanenti si spengono? Questo è quello che i due settori della robotica e dell’AI rappresentano per i nostri due motori, perché per la prima volta stiamo insegnando alle macchine ad imparare.

 

Le reti neurali

 

I nostri cervelli sono una gigantesca rete di cellule interconnesse. Alcune di queste connessioni sono brevi, e altre sono lunghe. Alcune cellule sono collegate una all’altra, alcune invece sono collegate a molte altre. I segnali elettrici passano attraverso queste connessioni, a velocità differenti, e fanno accendere dei neuroni. È come Domino, ma molto più grande, veloce e complesso. Il risultato sorprendentemente siamo noi, e ora stiamo applicando alle macchine tutto quello che abbiamo imparato sul nostro funzionamento.

 

Una di queste applicazioni è la creazione di “deep neural network”, che aprono la strada all’appendimento delle macchine ed hanno fatto passi avanti incredibili che un tempo erano ritenuti impossibili.

Come? Non si tratta solo dell'evidente capacità di crescita dei nostri computer e delle nostre conoscenze sempre più ampie delle neuroscienze, ma anche dell’enorme mole dei nostri dati collettivi, i così detti Big Data.

 

“Big Data” non è solo una parola alla moda. Si tratta di informazioni, e ne stiamo creando sempre di più ogni giorno. In realtà ne stiamo creando così tante che un rapporto del 2013 di SINTEF ha stimato che il 90% delle informazioni in tutto il mondo è stato creato nei due anni precedenti. Questo tasso incredibile di creazione di dati sta raddoppiando ogni 1,5 anni grazie ad Internet, dove nel 2015 ogni minuto mettiamo like a 4,2 milioni di elementi su Facebook, carichiamo 300 ore di video su YouTube, e inviamo 350.000 tweets. Tutto quello che facciamo è generare dati come mai prima, e un sacco di dati sono esattamente ciò di cui le macchine hanno bisogno per imparare ad imparare. Perché?

Immaginate di programmare un computer per riconoscere una sedia. Dovreste introdurre tonnellate di istruzioni, e il risultato sarebbe comunque un programma con un’alta possibilità di errore. E noi, come abbiamo imparato a riconoscere le sedie? I nostri genitori indicavano una sedia e dicevano “sedia”. Quindi, pensando di aver capito, noi indicavamo un tavolo e dicevamo “sedia”, e i nostri genitori ci dicevano che quello era un tavolo. Questo si chiama “apprendimento per rinforzo”. Il nome “sedia” viene collegato così a tutte le sedie che vediamo. Per far accendere  il comando "sedia" al nostro cervello, quello che vediao deve essere abbastanza simile alle sedie precedentemente incontrate.

In sostanza, le nostre vite sono big data filtrati attraverso il nostro cervello.

 

Deep Learning

 

Il potere del deep learning è che è un modo per usare quantità enormi di dati per far operare le macchine come esseri umani senza dar loro istruzioni esplicite.

Al posto di descrivere “la sedia” al computer, ci basta collegarlo ad internet e caricare milioni di immagini di sedie. Così avrà un’idea generale di cosa sia una sedia. Dopodiché lo testeremo con altre immagini. Quando sbaglierà lo correggeremo, per instradarlo verso la giusta immagine di “sedia”. Ripetendo questo processo insegneremo a un computer a riconoscere una sedia quando la vede, esattamente come noi. La differenza importante è che il computer può catalogare milioni di immagini in pochi secondi e noi no.

 

Questa combinazione di deep learning e big data ha portato a risultati sorprendenti solo nel corso dell'anno passato.

A parte l'incredibile realizzazione dell’AlphaGo, l’IA DeepMind di Google ha imparato a leggere e comprendere cosa stava leggendo tramite centinaia di migliaia di articoli di news.

DeepMind ha anche imparato autonomamente a giocare a decine di videogiochi di Atari 2600 meglio degli esseri umani, solo guardando lo schermo e il suo punteggio e giocando ripetutamente.

Una IA di nome Giraffe ha imparato a giocare a scacchi in un modo simile, utilizzando un set di dati di 175 milioni di posizioni di scacchi, raggiungendo livelli altissimi in sole 72 ore, giocando continuamente.

Comunque, nonostante tutti questi traguardi, quando è stato chiesto di stimare quando un computer avrebbe sconfitto un giocatore di primo piano di Go, la risposta degli esperti solo pochi mesi prima dell'annuncio di Google della vittoria di AlphaGo, era "forse tra altri dieci anni." Una decade era considerata una buona previsione perché Go è un gioco incredibilmente complicato.

Tale complessità rende impossibile qualsiasi approccio di forza bruta per eseguire la scansione di ogni mossa e determinare la successiva mossa migliore. Ma le deep neural network aggirano questo ostacolo nella stessa maniera in cui lo fa la nostra mente: imparando a valutare quale sembri la mossa migliore.

Lo facciamo attraverso l'osservazione e la pratica, e così ha fatto anche AlphaGo, analizzando milioni di giochi professionali e giocando da solo milioni di partite. Quindi la risposta alla domanda “quando Go sarebbe stato conquistato dalle macchine” non era nemmeno vicina a dieci anni. La risposta corretta era "da un momento all’altro."

 

Automazione non di routine

 

“Da un momento all’altro” è la risposta del 21° secolo a qualunque domanda riguardante ciò che le macchine potranno imparare a fare meglio degli esseri umani, e dobbiamo cercare di farcene una ragione.

Dobbiamo riconoscere ciò che rappresenta l’ingresso del cambiamento tecnologico esponenziale nel mercato del lavoro per quanto riguarda i mestieri non di routine.

Il fatto che le macchine possano imparare significa che nessun lavoro dell'uomo è più al sicuro. Dagli hamburger alla sanità, possono essere create macchine per eseguire correttamente tali compiti senza necessità di esseri umani, e a costi decisamente inferiori.

Amelia è solo uno degli IA attualmente in fase di beta test in una società in questo momento. Creato da IPsoft nel corso degli ultimi 16 anni, ha imparato come eseguire il lavoro dei dipendenti del call center. Può imparare in pochi secondi quello che noi impareremmo in alcuni mesi, e può farlo in 20 lingue. Ha gestito con successo una chiamata ogni dieci nella prima settimana, ed entro la fine del secondo mese ha risolto sei delle dieci chiamate. In base a questo, è stato stimato che potrebbe lasciare senza lavoro 250 milioni di persone in tutto il mondo.

Viv è una IA in arrivo dai creatori di Siri, che sarà in la nostra assistente personale. Eseguirà varie attività on-line al posto nostro, e selezionerà per noi le notizie che ci interessano di più.

In questo modo vedremo molti meno annunci, e ciò significa l'intera industria della pubblicità – su cui si basa l'intera industria di Internet - sarà enormemente colpita.

Un mondo con Amelia e Viv - e le innumerevoli altre controparti AI che verranno lanciate online al più presto - in combinazione con robot come quelli della prossima generazione di Boston Dynamics che Atlas preannuncia, è un mondo in cui le macchine possono fare tutti e quattro i tipi di lavori e questo porta a gravi considerazioni di tipo sociale. Se una macchina è in grado di fare un lavoro al posto di un essere umano, gli esseri umani saranno costretti a fare quel lavoro a costi minimi? Dovrebbe il reddito rimanere abbinato solo al lavoro, considerato che avere un lavoro è l'unico modo per avere un reddito, quando il lavoro per molti è del tutto introvabile? Se le macchine eseguono una percentuale crescente del nostro lavoro al posto nostro, e non sono pagate per farle, dove va a finire quel denaro? E che cosa non viene più comprare con esso? È possibile che molti dei posti di lavoro che stiamo creando non siano necessari, ed esistano solo per essere una fonte di reddito? Queste sono domande che dobbiamo cominciare a farci, e anche molto velocemente.

 

La separazione del reddito dal lavoro

 

Per fortuna, la gente sta cominciando a farsi queste domande, e c'è una risposta che spicca tra le altre. L'idea è quella di mettere le macchine a lavorare per noi, ma responsabilizzarci a ricercare le rimanenti forme di lavoro più preziose per noi come esseri umani,  fornendo semplicemente a tutti uno stipendio mensile indipendente dal lavoro. Questo stipendio sarebbe concesso a tutti i cittadini senza condizioni, e il suo nome è il reddito di base universale. In questo modo ci difenderemmo dagli effetti negativi dell’automazione e diminuiremmo i rischi insiti in materia di imprenditorialità. Per queste ragioni ha il supporto di alcuni partiti ed è nelle fasi iniziali di una possibile realizzazione in paesi come la Svizzera, la Finlandia, i Paesi Bassi e il Canada.

 

Il futuro è un luogo di cambiamenti molto rapidi. Sembra poco saggio continuare a guardare al futuro come se fosse il passato, e pensare che solo perché in passato sono apparsi storicamente nuovi posti di lavoro sarà sempre così. Il WEF ha stimato la creazione entro il 2020 di 2 milioni di nuovi posti di lavoro, ma anche l'eliminazione di altri 7 milioni. Si tratta di una perdita netta di 5 milioni di posti di lavoro.

In un articolo spesso citato, uno studio di Oxford stima l'automazione di circa la metà di tutti i posti di lavoro esistenti 2033. Nel frattempo i veicoli auto guidati, sempre grazie al machine learning, hanno la capacità di impattare drasticamente tutte le economie eliminando milioni di posti di lavoro in un breve lasso di tempo.

Anche la Casa Bianca, in un rapporto sbalorditivo al Congresso, ha dichiarato la probabilità dell’83 per cento che un lavoratore che guadagna meno di $ 20 all’ora nel 2010, finirà per cedere il suo lavoro a una macchina. Anche chi guadagna fino a $ 40 l'ora ha il 31% di  probabilità affrontare questo problema.

Ignorare questi dati significa mettere letteralmente la testa nella sabbia.

 

Durante una tavola rotonda alla fine del 2015 alla Singularity University, l’eminente scienziato Jeremy Howard ha chiesto: "Volete che la metà delle persone muoiano di fame perché letteralmente non possono aggiungere valore economico, o no?" Prima di suggerire: "Se la risposta è no, allora il modo più intelligente per distribuire la ricchezza è mediante l'attuazione di un reddito di base universale. "

Il pioniere dell’IA Chris Eliasmith, direttore del Centro di Neuroscienza teorica, ha messo in guardia circa gli effetti immediati dell’IA sulla società in un'intervista con Futurism: "L’IA sta già avendo un grande impatto sulle nostre economie ... Il mio sospetto è che molti paesi dovranno seguire l'esempio della Finlandia e scoprire le garanzie di reddito di base per le persone."

 

Moshe Vardi ha espresso lo stesso sentimento dopo aver parlato alla riunione annuale dell’Associazione americana per l'avanzamento della scienza del 2016 circa la comparsa di macchine intelligenti: "abbiamo bisogno di riconsiderare la struttura di base del nostro sistema economico. Potremmo essere costretti a prendere in considerazione l'istituzione di un garanzia di reddito di base. "

Anche lo scienziato a capo di Baidu e fondatore del progetto di Google di Deep Learning  "Google Brain”, Andrew Ng, durante un'intervista sul palco al Deep Learning Summit di quest'anno, ha espresso l'idea condivisa che il reddito di base debba essere "seriamente preso in considerazione" da parte dei governi, dicendo che "c’è un’alta probabilità che l'intelligenza artificiale crei massicci spostamenti di lavoro."

 

Quando coloro che costruiscono gli strumenti cominciano ad avvertirci circa le implicazioni del loro utilizzo, chi desidera utilizzare questi strumenti non dovrebbe ascoltare con la massima attenzione, soprattutto quando c’è in gioco la vita di milioni di persone? E che dire quando economisti vincitori del premio Nobel iniziano ad essere d'accordo con loro in numero sempre crescente?

Nessuna nazione è ancora pronta per i cambiamenti che stanno per arrivare. La non partecipazione della forza lavoro porta all’instabilità sociale, e la mancanza di consumatori all'interno di economie di consumo porta all’instabilità economica. Quindi cerchiamo di chiederci: qual è lo scopo delle tecnologie che stiamo creando? Qual è lo scopo di una macchina che può guidare per noi, o di un’intelligenza artificiale in grado di assumersi il 60% del nostro carico di lavoro? È per permetterci di lavorare più ore per una paga minore? O per permetterci di scegliere il modo in cui lavorare, e di rifiutare una retribuzione insufficiente perché stiamo già guadagnare il reddito base che alle macchine non serve?

Qual è la grande lezione da imparare, in un secolo in cui anche le macchine possono imparare? Io propongo che il lavoro sia per le macchine, e la vita per le persone.

 

Fonte originale: http://bit.ly/1Unwum5 

Impara a programmare in 3 mesi con il Corso di Coding Hackademy su Laravel PHP

Diventa Sviluppatore web in 3 mesi

Scopri il coding bootcamp Hackademy

Programma Completo