The Brookings Institution è un think tank a Washington che ultimamente sta producendo diversi studi sulla governance dell’AI.

In un recente articolo tre ricercatori hanno fatto il punto sui piani strategici dei vari Paesi riguardo allo sviluppo dell’intelligenza artificiale. Essi hanno analizzato 34 piani strategici per complessive 1700 pagine (34 documenti non sono pochi, il repository AI Ethics Guidelines Global Inventory di AlgorithmWatch conta al massimo 42 strategie governative).

Dalla ricerca risulta che i piani strategici dell’Italia sono i più completi. Gli autori dell’articolo scrivono infatti: “Abbiamo trovato che l’Italia ha il piano più completo, seguita da Francia, Germania, Nuova Zelanda e Stati Uniti“.

Il think tank si riferisce probabilmente al libro bianco dell’Agenzia per l’Italia Digitale, visto che il testo della Strategia nazionale elaborato dalla task-force del MISE è stato ultimato solo in questi giorni e non è stato ancora presentato ufficialmente, ma solo in forma di bozza sul sito della Commissione Europea. E proprio da quel sito, che riassume le attività del Governo italiano in merito all’intelligenza artificiale, gli autori avrebbero scaricato il whitepaper dell’AgID in inglese.

Ad ogni modo i ricercatori di The Brookings Institution specificano che a essere presa in esame è stata l’ampiezza di visione, ovvero quanti ambiti sono stati presi in considerazione per elaborare la strategia, e non la qualità della strategia né quanto sia sofisticata.

Italia a parte, quello che hanno trovato mancare dalla maggior parte delle strategie nazionali analizzate sono i tipici elementi pratici per passare dalle parole ai fatti: esecuzione, finanziamenti e comunicazione.

I piani dei vari Paesi presentano infatti pochi dettagli su come si possano mettere in atto le strategie delineate, scarsa descrizione degli impatti economici e finanziari e poco realismo riguardo ai finanziamenti. Infine è stato riscontrato un assoluto deficit di comunicazione sull’AI da parte dei governi verso la società civile: a parte mettere i documenti con le strategie su qualche sito web, i governi hanno fatto molto poco (o niente) per portare avanti il dibattito sugli impatti dell’intelligenza artificiale per i cittadini e per il tessuto sociale dei rispettivi Paesi.

Per approfondire: How different countries view artificial intelligence

Come scrivevo già a inizio maggio, fra le soluzioni per monitorare il rispetto delle norme sul distanziamento in azienda la computer vision giocherà un ruolo chiave.

La divisione robotica di Amazon ha realizzato un sistema chiamato Proxemics, già installato presso numerosi magazzini dell’azienda (si parla di 1000 magazzini nel mondo, ma fonti di Wired mi confermano che non è attivo in Italia). Il sistema analizza i feed delle telecamere e segnala quando i dipendenti – i cui volti nei video sono sfocati per tutelare la privacy – lavorano senza mantenere le distanze di sicurezza.

Poiché le telecamere non riescono a calcolare la distanza fra oggetti o persone, la decisione del sistema si basa sul numero di pixel che separano le diverse persone, tenendo però conto delle dimensioni apparenti degli individui (per evitare che due dipendenti molto distanti fra loro ma sovrapposti sull’immagine vengano considerate vicini). Tutte le segnalazioni sono comunque controllate da una persona in carne e ossa prima di essere considerate violazioni a tutti gli effetti.

Il sistema avvisa anche in caso di assembramenti (ad esempio se si formano colli di bottiglia in qualche punto della struttura) e pare che sia stato installato già a metà marzo. Se fosse confermata la data dubito che Proxemics fosse stato originariamente previsto come risposta anti-Covid, visto che nella prima metà di marzo gli Stati Uniti avevano avuto solo una manciata di casi e sistemi del genere non si progettano dall’oggi al domani.

Per approfondire: Amazon Touts AI for Social Distancing Amid Worker Complaints

Il titolo sembra un clickbait ma è tutto vero: ricercatori della UC Berkeley e di Intel hanno realizzato un algoritmo che ha imparato a eseguire suture (tutt’altro che perfette, c’è da dirlo) osservando i video su YouTube.

Certo, non sono video qualsiasi. Si tratta di filmati di chirurghi umani che effettuano suture utilizzando il famoso robot Da Vinci (da Vinci robot kit o DVRK). L’algoritmo ha imparato i movimenti dai video segmentandoli in azioni/sotto-obiettivi/opzioni in apprendimento semi-supervisionato. Quindi si è messo all’opera su un pezzo di stoffa, come si può vedere dalla dimostrazione qui in basso.

I risultati non sono eccezionali: con un’accuratezza dell’85,5% rispetto ai video e un errore medio di 0,94 centimetri nell’imitazione delle pose l’algoritmo non rappresenta una minaccia immediata per il posto di lavoro dei chirurghi umani. Ma la tecnologia non può che migliorare.

Sul sito del progetto potete trovare tutti i video, mentre la ricerca si trova qui (in pdf).

La città di Boston ha fatto passare un provvedimento che vieta l’uso del riconoscimento facciale da parte delle autorità cittadine (inclusa la polizia).

L’ordinanza rende illegale “ottenere, mantenere, possedere, accedere o usare” tecnologie di riconoscimento facciale, ma si applica solo alle autorità pubbliche. Boston si aggiunge quindi al crescente elenco di città statunitensi, come San Francisco e Oakland, che hanno adottato provvedimenti simili, vietando l’uso del riconoscimento facciale ai propri uffici e agenzie.

Per approfondire: Boston Just Banned Its Government From Using Facial Recognition Technology

Terreno roccioso? Sabbia? Rocce impraticabili? Curiosity sta su Marte da quasi otto anni ed è ancora lì che gira ed esplora. Ma non lo fa autonomamente: il personale sulla terra decide dove farlo andare in base al terreno che il rover di volta in volta si trova davanti.

Per capire che tipo di terreno ha di fronte servirebbe un modello di machine learning che consenta di distinguere fra i diversi tipi di terreno, ma sfortunatamente ancora non esiste un dataset di terreni marziani. Per questo motivo alla NASA ne stanno creando uno, e qualsiasi utente di Internet può donare parte del suo tempo per arricchirlo.

AI4Mars è un progetto che offre all’utente immagini di suolo marziano e istruzioni su come categorizzarle. Le etichettature fornite saranno usate per costituire il dataset necessario a far funzionare il modello Soil Property and Object Classification, o SPOC (strano che alla NASA non abbiano trovato una ‘K’ finale per l’acronimo), l’algoritmo che consentirà di riconoscere automaticamente il terreno e velocizzare le operazioni di movimento.

Per saperne di più: NASA wants you to help it navigate the surface of Mars

Una strada ancora poco battuta nell’ambito dei volti generati da una rete neurale è il text-to-face, ovvero la possibilità di creare immagini di volti realistici partendo solo da una descrizione testuale.

Tre ricercatori australiani hanno sviluppato un modello di Text-to-face che assieme alla seconda versione di StyleGAN – una impressionante rete generativa avversaria creata da Nvidia – riesce a produrre diversi volti umani partendo da un testo scritto, migliorando l’output man mano che la descrizione acquista ulteriori dettagli. Ecco alcuni esempi direttamente dal paper degli autori:

Per approfondire la ricerca: Faces à la Carte: Text-to-Face Generation via Attribute Disentanglement

Il colosso cinese Baidu ha deciso di uscire dalla Partnership on AI (PAI), ufficialmente per questioni di quote, ma molto più probabilmente come risposta all’intensificarsi delle tensioni fra Stati Uniti e Cina.

La PAI (da non confondersi con l’altra organizzazione dal nome simile, Global Partnership on AI, anche questa al centro di controversie fra i due Paesi) è un’associazione di aziende partita dagli Stati Uniti – fu fondata da esponenti di Apple, Amazon, DeepMind/Google, Facebook, IBM e Microsoft – ma estesa a organizzazioni in tutto il mondo. Baidu era l’unica azienda cinese a farne parte.

Attualmente la Partnership on AI è guidata da Terah Lyons, precedentemente policy advisor della Casa Bianca durante l’amministrazione Obama.

Per approfondire: Baidu Breaks Off an AI Alliance Amid Strained US-China Ties

Segnalo per chi fosse interessato due webinar di Oracle dedicati a sviluppatori di applicazioni ML e data scientist:

Overview su Oracle Data Science, 30 Giugno 2020, un webinar dedicato agli sviluppatori di applicazioni basate sul Machine Learning, dove si vedrà la nuova piattaforma OCI Data Science che offre il supporto per la preparazione di Jupyter Notebook in Python in un ambiente fully-managed nel Cloud.

Oracle AutoML: Model evaluation, explanation, and interpretation, 7 Luglio 2020, webinar dedicato ai data scientist sempre sulla piattaforma OCI Data Science, dove si esplorerà l’Auto Machine Learning, la gestione del Model Catalog e il deployment serverless cloud-native attraverso il framework Open Source Oracle FN Project.

In ambito AI è spesso necessario separare la crusca dalla farina. Oggi molte aziende sbandierano soluzioni di intelligenza artificiale che però di intelligente hanno ben poco. Un professore di Princeton, Arvind Narayanan, ha pubblicato una sua presentazione dove prova a smontare molti “miti” e bugie delle aziende che promettono risultati oggi ancora irrealizzabili.

La presentazione è disponibile qui in pdf: How to recognize AI snake oil

Dalla sua analisi emerge che mentre l’AI oggi ha raggiunto ottimi risultati nel percepire le informazioni fornite dai dati (ad es. riconoscere le immagini) e risultati mediocri nell’offrire decisioni autonome (ad es. nelle recommendation engine), lasciando ancora molto a desiderare quando gli chiediamo di prevedere conseguenze in ambito sociale. Chi tornerà a delinquere, chi sarà più o meno bravo in un certo ruolo lavorativo, chi rappresenta un rischio terroristico, quale bambino sarà un ragazzo a rischio, eccetera, sono tutti aspetti che l’AI oggi si è dimostrata non in grado di gestire con soddisfazione.

Proprio in merito all’intelligenza artificiale in ambito risorse umane, seguendo le slide ho scoperto uno studio dell’anno scorso che mi era sfuggito: Mitigating Bias in Algorithmic Hiring: Evaluating Claims and Practices. In questo studio alcuni ricercatori di Cornell University vivisezionano e smontano i modelli di 18 start-up che si occupano di vagliare i CV dei candidati.

I risultati confermano le intuizioni del Prof. Narayanan, ovvero che le soluzioni oggi in vendita sono poco performanti e disseminate di pregiudizi. In altre parole, la strada che porta all’HR artificiale è ancora estremamente lunga.

Un nuovo studio recentemente pubblicato su Nature prova a riaccendere i riflettori sul federated learning in ambito sanitario. Il federated machine learning, proposto da Google già nel 2017, tenta di risolvere il problema della privacy dei dati sanitari necessari per creare modelli di machine learning. Con questo metodo i dati resterebbero all’interno dell’ospedale o della struttura che li detiene, poiché sarebbe quest’ultima a creare il modello di intelligenza artificiale autonomamente e sui propri computer. Solo in un secondo tempo i risultati della computazione verrebbero trasferiti all’esterno, a un server centrale che provvederebbe a integrarli e a usarli per preparare il modello finale.

Questo sistema però presenta diversi ostacoli, fra i quali la mancanza di standardizzazione nella raccolta dei dati sanitari che richiede lunghe (e onerose) attività preliminari di armonizzazione del dato.

Secure, privacy-preserving and federated machine learning in medical imaging fa il punto sulle tecniche di federated machine learning, concentrandosi in particolare sull’imaging medico. In quell’ambito infatti il problema è risolto dalla presenza dello standard DICOM (Digital Imaging and Communications in Medicine).

Se vi interessa come funziona in dettaglio il federated machine learning potete scaricare questa presentazione preparata da ricercatori di Nvidia e del King’s College di Londra: Federated Learning drives the success of AI in Healthcare (pdf)

Mentre se vi appassiona l’AI in ambito medico vi consiglio questa conversazione (solo audio) fra Eric Topol – un cardiologo molto impegnato nell’introduzione di tecnologie AI negli ospedali – e Fei-Fei Li – professoressa di informatica a Stanford e una delle voci più autorevoli nel settore dell’intelligenza artificiale: Clinicians’ ‘Number-One Wish’ for Artificial Intelligence