ASSOCIARE

Essere intelligenti significa saper associare. Il nostro cervello è un algoritmo che associa le informazioni, anche quelle che servono per aggiornare l'algoritmo stesso.

L'associazione più importante è quella che associa info disponibili con info non disponibili secono un certo grado di prob. Ovvero: fare previzioni.

CAPIRE L’ INTELLIGENZA ARTIFICIALE

CAPIRE L’ INTELLIGENZA ARTIFICIALE

Come mai il nostro cervello è il computer più potente del mondo ma ha problemi con le moltiplicazioni a due cifre?

Penso che rispondere a questa domanda ci faccia capire meglio AI.

Io risponderei così alla domanda di cui sopra. Nel nostro cervello infiliamo dei dati che hanno almeno due funzioni:

1) servono come input per gli algoritmi.

2) servono a generare e migliorare algoritmi.

In 1 (far funzionare l'algoritmo) non siamo tanto forti ma in 2 (generarlo e migliorarlo) sì. Siamo speciali, quasi dei "geni".

Il cervello, in altre parole, non fa solo moltiplicazioni ma immagina (costruisce) un mondo dove esiste la moltiplicazione e dei soggetti che le calcolano.

Essere intelligenti significa fondamentalmente saper associare. Il nostro cervello associa informazioni, anche e soprattutto quelle che servono per aggiornare i vari algoritmi che contiene.

L'operazione più importante è quella che associa info disponibili con info non disponibili (secondo un certo grado di probabilità). Essere intelligenti è essenzialmente saper prevedere le cose, in questo senso 2 vale più di 1, e noi mettiamo il 95% delle nostre risorse intellettive in 2. Siamo dei potenti associatori statistici, il metodo che seguiamo dipende dai vari dati che abbiamo incontrato e dai vari feedback che abbiamo ricevuto. Chiamiamola pure "esperienza".

https://slatestarcodex.com/2019/02/18/do-neural-nets-dream-of-electric-hobbits/

https://slatestarcodex.com/2019/02/19/gpt-2-as-step-toward-general-intelligence/

SUPER-INTELLIGENZE A CONFRONTO

SUPER-INTELLIGENZE A CONFRONTO

Mi immagino domani la presenza di una macchina benevola e super intelligente. Di certo sarà in grado di prevedere al meglio il futuro, in questo caso è più che ragionevole per la comunità umana collocare quella macchina in un ministero e uniformarsi ai suoi consigli. Governati da lei saremo tutti più ricchi e felici. Intraprendere una strada alternativa sarebbe un’impresa disperata.

Ma pensiamo meglio da cosa dipende il futuro. innanzitutto dalle leggi fisiche, e fin qui quanto detto prima continua a valere. Dipende però anche dall’azione degli altri soggetti, e finché la mente che guida queste azioni è debole, possiamo ancora restare fermi sulle conclusioni precedenti.

Cosa succede invece se l’azione degli altri soggetti è guidata da altre super-intelligenze? Ogni mente cercherà di anticipare l’azione guidata dalle altre menti e in questo gioco di specchi la complessità esploderà rendendo la qualità delle previsioni non molto migliore di quella disponibile in un mondo come il nostro dove simili super-intelligenze non esistono ancora. In questo caso non ha più senso che gli uomini si uniformino a certi consigli piuttosto che ad altri. Ognuno faccia come crede!

Purtroppo, una super-intelligenza opera sempre in un mondo super-complesso cosicché i servigi previsionali che rende potrebbero anche essere inferiori di quelli resi oggi dalle nostre normalissime intelligenze.

IL PROBLEMA INDOTTO

IL PROBLEMA INDOTTO

Immagina se un alieno venga sulla terra a raccontarci un fatto scientifico di cui nessuno ha mai saputo nulla. L'intelligenza artificiale sta iniziando a fare proprio questo. I computer ci hanno da tempo fornito soluzioni a problemi che gli uomini faticavano a risolvere da soli ma l'intelligenza artificiale va oltre inventandosi e risolvendo problemi della cui esistenza non sospettavamo. Tipo: da sempre si sa che le immagini della retina possono predire certi collassi ma AI ha scoperto da sé che ci dicono anche il sesso del soggetto esaminato https://www.nature.com/articles/s41551-018-0195-0

3 Prediction Machine Magic

3 Prediction Machine Magic
Note:3@@@@@@@@@@@

Yellow highlight | Location: 375

What do Harry Potter, Snow White, and Macbeth have in common? These
Note:TUTTI MOTIVATI DA UNA PROFEZIA

Yellow highlight | Location: 377

belief in predictions
Note:ANCHE MATRIX

Yellow highlight | Location: 378

Predictions affect behavior.
Note:DALLE RELUGIONI ALLE FAVOLE

Yellow highlight | Location: 378

many oracles
Note:GRECI

Yellow highlight | Location: 383

whether a current credit card transaction is legitimate
Note:PREDIZIONE UNO

Yellow highlight | Location: 384

whether a tumor in a medical image is malignant or benign,
Note:DUE

Yellow highlight | Location: 384

whether the person looking into the iPhone camera is the owner
Note:TRE

Yellow highlight | Location: 386

The crystal ball
Note:IL SIMBOLO

Yellow highlight | Location: 389

Prediction takes information you have, often called “data,” and uses it to generate information you don’t have.
Note:DEF PREDIZ

Yellow highlight | Location: 391

The Magic of Prediction
Note:Ttttttttttttttt

Yellow highlight | Location: 394

Someone had used Avi’s credit card for a purchase.
Note:CARTA CLONATA

Yellow highlight | Location: 397

The credit card provider had accurately inferred, based on Avi’s spending habits and a myriad of other available data, that the transaction was fraudulent.
Note:CARTA RIMBORSATA E SOSTITUITA PRONTAMENTE. CCOME MAI?

Yellow highlight | Location: 399

like magic, the company sent a replacement
Note:MAGIA?...NO ANALISI DEL PASSATO

Yellow highlight | Location: 399

credit card provider did not have a crystal ball. It had data and a good predictive model:

Yellow highlight | Location: 404

card network uses information about past fraudulent (and nonfraudulent) transactions
Note:METODO

Yellow highlight | Location: 406

is at the heart of one of AI’s recent main achievements: language translation,
Note:LA PREVISIONE

Yellow highlight | Location: 408

to hire a linguist—an expert on the rules of language—to exposit rules and translate them into a way they could be programmed.
Note:METODO DEL PASSATO

Yellow highlight | Location: 410

substituting word for word,
Note:ES

Yellow highlight | Location: 410

you need to swap the order of nouns and adjectives
Note:PASSO DUE

Yellow highlight | Location: 411

recast translation as a prediction problem.
Note:NUOVA TENDENZA

Yellow highlight | Location: 412

magical nature of the use of prediction for translation
Note:NOTATI I MIGLIORAMENTI DI GOOGLE TRANS?

Yellow highlight | Location: 425

predicting the Japanese words and phrases that match the English.
Note:LA TRADUZIONE È UNA PREDIZIONE

Yellow highlight | Location: 425

set of Japanese words and the order
Note:INFO MANCANTI

Yellow highlight | Location: 431

The more the AI is used, the more data it collects, the more it learns, and the better it becomes.
Note:SI MIGLIORA...QUANTI PIÙ LA USANO

Yellow highlight | Location: 433

How Much Better Is Prediction Than It Used to Be?
Note:Tttttttttttt

Yellow highlight | Location: 434

reduced the costs of quality-adjusted prediction.
Note:IN GENERALE

Yellow highlight | Location: 437

credit card companies detect and address fraud before we notice anything amiss.
Note:UN MIGLIORAMENTO TALE CHE...

Yellow highlight | Location: 438

this improvement seems incremental.
Note:IN PIÙ

Yellow highlight | Location: 439

caught about 80 percent of fraudulent transactions.
Note:ANNI NOVANTA

Yellow highlight | Location: 439

90–95 percent in 2000 and to 98–99.9 percent today.

Yellow highlight | Location: 440

the change from 98 percent to 99.9 percent
Note:GRAZIE IA

Yellow highlight | Location: 447

Creditworthiness involved predicting the likelihood that someone would pay back a loan.
Note:ES AMBITO IA...MUTUI

Yellow highlight | Location: 447

Health insurance involved predicting how much an individual would spend on medical care.
Note:ALTRO AMBITO

Yellow highlight | Location: 448

how many items would be in a warehouse on a given day.
Note:PREDIRE IL MAGAZZENO

Yellow highlight | Location: 451

predict the name of an object in an image.
Note:PREDIZIONI SORPRENDENTI

Yellow highlight | Location: 452

the difference between a Tibetan mastiff and a Bernese mountain dog,
Note:PUÓ ESSERE DIFFICILE...PENSA ALLA FLORA

Yellow highlight | Location: 457

Olga Russakovsky notes, “2012 was really the year when there was a massive breakthrough in accuracy,
Note:TORNEI DEL RICONOSCIMENTO

Yellow highlight | Location: 464

The Consequences of Cheap Prediction
Note:Tttttttttttttt

Yellow highlight | Location: 466

Prediction does not get us HAL from 2001:
Note:UNA BELLA DIFFERENZA

Yellow highlight | Location: 467

If modern AI is just prediction, then why is there so much fuss?
Note:LA PR TRASFORMA MOLTO

Yellow highlight | Location: 468

predictions are everywhere.
Note:NEL BUSINESS E NELLA VITA XSONALE

Yellow highlight | Location: 484

BAYES VS REGRESSIONI

RRiccardo Mariani

Adesso · 

Amazon

 · 

BAYES VS REGRESSIONI

La differenza si vede nei metodi di programmazione, nel caso si utilizzi la regressione basterà inserire la funzione teorica ricavata nel software in forma di algoritmo, nel caso si utilizzi Bayes bisogna ricorrere ad un algoritmo che si aggiorni continuamente sulla base dei successi e degli insuccessi pratici che si riscontrano. La regressione fornisce soluzioni purché stiano su una funzione lineare (a volte una retta), l'algoritmo bayesiano non ha questo vincolo, valorizza ogni dato che incontra (tutto c'entra con tutto) e si rende disponibile grazie alla potenza di calcolo delle nuove macchine.

#Amazon

AMAZON.COM

Prediction Machines: The Simple Economics of Artificial Intelligence

"What does AI mean for your business? Read this book to find out." -- Hal Varian, Chief Economist, GoogleArtificial intelligence does the seemingly impossible, magically bringing machines to life--driving cars, trading stocks, and teaching children. But facing the sea change that AI wil...

iccardo Mariani

Adesso · 

Amazon

 · 

BAYES VS REGRESSIONI

La differenza si vede nei metodi di programmazione, nel caso si utilizzi la regressione basterà inserire la funzione teorica ricavata nel software in forma di algoritmo, nel caso si utilizzi Bayes bisogna ricorrere ad un algoritmo che si aggiorni continuamente sulla base dei successi e degli insuccessi pratici che si riscontrano.

#Amazon

AMAZON.COM

Prediction Machines: The Simple Economics of Artificial Intelligence

"What does AI mean for your business? Read this book to find out." -- Hal Varian, Chief Economist, GoogleArtificial intelligence does the seemingly impossible, magically bringing machines to life--driving cars, trading stocks, and teaching children. But facing the sea change that AI wil...

BASTA ALGORITMI... PROBABILITA' > LOGICA.

Riccardo Mariani

Adesso · 

Amazon

 · 

BASTA ALGORITMI... PROBABILITA' > LOGICA.

L’ AI ha cambiato il modo di programmare un computer: basta regressioni, basta algoritmi… è il trionfo della probabilità, ogni mossa successiva dipende da una formula bayesiana. Il cervello della macchina impara ora come quello di un bambino, con esempi continuamente aggiornati da un processo "a tentoni". Ma come impara un bambino? Come impara la parola “gatto”? Sentendola pronunciata nei contesti più variegati (di solito contesti in cui compare un gatto), finché è in grado di prevedere in modo sempre più accurato quando e come è opportuno utilizzarla. Lo stesso sarà per la macchina intelligente.

Il passaggio dalla centralità della logica alla centralità del calcolo probabilistico è qualcosa che le scienze naturali hanno già sperimentato nel passaggio dalla fisica newtoniana alla meccanica quantistica, ora è la volta delle scienze informatiche.

#Amazon

AMAZON.COM

Prediction Machines: The Simple Economics of Artificial Intelligence

"What does AI mean for your business? Read this book to find out." -- Hal Varian, Chief Economist, GoogleArtificial intelligence does the seemingly impossible, magically bringing machines to life--driving cars, trading stocks, and teaching children. But facing the sea change that AI wil...

INTELLIGENZA = CAPACITA' PREDITTIVA?

Riccardo Mariani

Adesso · 

Amazon

 · 

INTELLIGENZA = CAPACITA' PREDITTIVA?

Le macchine intelligenti sanno fare previsioni trasformano le info disponibili in info non disponibili. Ma PREDIZIONE = INTELLIGENZA? Il dibattito è aperto.

#Amazon

AMAZON.COM

Prediction Machines: The Simple Economics of Artificial Intelligence

"What does AI mean for your business? Read this book to find out." -- Hal Varian, Chief Economist, GoogleArtificial intelligence does the seemingly impossible, magically bringing machines to life--driving cars, trading stocks, and teaching children. But facing the sea change that AI wil...

4 Why It’s Called Intelligence

4 Why It’s Called Intelligence
Note:4@@@@@@@@@@

Yellow highlight | Location: 485

In 1956,
Note:BRIEFING SULL IA...QUANDO

Yellow highlight | Location: 485

Dartmouth College
Note:DOVE

Yellow highlight | Location: 486

if computers could be programmed to engage in cognitive thought,

Note | Location: 487

COSA....ROBA TIPO GIOCARE A SCACCHI...DIMOSTRARE UN TEOREMA

Yellow highlight | Location: 488

give computers choices
Note:OBBIETTIVO

Yellow highlight | Location: 493

agenda turned out to be more visionary than practical.
Note:SOGNI NEGLI ANNI 50

Yellow highlight | Location: 493

not fast enough
Note:LA MACCHINA

Yellow highlight | Location: 495

The early 1980s
Note:SECONDA TAPPA

Yellow highlight | Location: 496

expert systems

Yellow highlight | Location: 496

medical diagnosis,
Note:ESEMPIO

Yellow highlight | Location: 496

costly to develop, cumbersome, and could not address the myriad of exceptions
Note:INCONVENIENTI

Yellow highlight | Location: 497

“AI winter.”
Note:DOPO

Yellow highlight | Location: 498

More data, better models,
Note:OGGI

Yellow highlight | Location: 499

improve prediction.
Note:LA NUOVA FASE

Yellow highlight | Location: 499

storage of big data

Yellow highlight | Location: 500

more suitable processors,

Yellow highlight | Location: 502

Predicting Churn
Note:Tttttttttttt

Yellow highlight | Location: 506

managing churn is perhaps the most important marketing activity.
Note:FIDELIZZARE

Yellow highlight | Location: 507

identify at-risk customers.
Note:PRIMA COSA DA FARE

Yellow highlight | Location: 508

a statistical technique called “regression.”
Note:LO STRUMENTO USATO PRIMA

Yellow highlight | Location: 510

prediction based on the average of what has occurred in the past.
Note:COSA FA LA REGRESSIONE

Yellow highlight | Location: 513

building models that can take in more data about the context.
Note:OGGI

Yellow highlight | Location: 514

“the conditional average.”
Note:LO STRUMENTO USATO DA AI...BAYES... LA PROBABILITA' DATO UN CONTESTO... NON UNA TENDENZA

Yellow highlight | Location: 515

likelihood of rain
Note:ESEMPIO... DIPENDE DAL POSTO GEOGRAFICO, DALLA STAGIONE...

Yellow highlight | Location: 518

We can condition averages on time of day, pollution, cloud cover, ocean temperature, or any other available information.
Note:INFINITI CONDIZIONAMENTI

Yellow highlight | Location: 522

Calculating the average for these seven types of information alone creates 128 different combinations.
Note:COMBINAZIONI

Yellow highlight | Location: 523

multivariate regression
Note:ANTENATO DI BAYES

Yellow highlight | Location: 525

minimizes prediction mistakes,
Note:SCOPO DELLA REGRESSIONE

Yellow highlight | Location: 525

“goodness of fit.”

Yellow highlight | Location: 527

For churn in cable television, it might be how frequently people watch TV;

Note | Location: 528

REGRESSIONE...IMPORTANTE SCEGLIERE LE VARIABILI...ES...CHI NN VEDE CAMBIERÀ

Yellow highlight | Location: 531

statistics joke:
Note:LA BARZELLETTA DEL CERVO

Yellow highlight | Location: 533

The physicist calculates
Note:UN FISICO...UN INGEGNERE E UNO STATISTICO

Yellow highlight | Location: 533

missing the deer by five feet to the left.
Note:FALLIMENTO

Yellow highlight | Location: 534

“You forgot to account for the wind.
Note:L ING

Yellow highlight | Location: 535

missing the deer by five feet to the right.
Note:ERRORE OPPOSTO

Yellow highlight | Location: 536

the statistician cheers, “Woo hoo! We got it!”
Note:PER LO STAT LA CACCIA È ANDATA A BUON FINE

Yellow highlight | Location: 538

regression can mean never actually hitting the target.
Note:MARGINE DI ERRORE

Yellow highlight | Location: 540

allowing some bias in exchange for reducing variance.

Yellow highlight | Location: 540

difference between machine learning and regression
Note:Tttttttttttttttt REGRESSIONE E BAYES...LA REGRESSIONE MINIMIZZA L'ERRORE (E' BIASED), BAYES CONSIDERA LA MEDIA (E' STATISTICAMENTE UNBIASED)

Yellow highlight | Location: 543

freedom to experiment drove rapid improvements
Note:BAYES IMPARA

Yellow highlight | Location: 544

advantage of the rich data and fast computers
Note:VANTAGGIO

Yellow highlight | Location: 546

regression still generally performed better.
Note:ANNI 90 E 00

Yellow highlight | Location: 547

Duke University’s Teradata Center held a data science tournament in 2004 to predict churn.
Note:TORNEI BAYES VS REGRESSIONE...VINCE REGRESSIONE

Yellow highlight | Location: 550

By 2016, that had all changed.
Note:COMINCIA A VINCERE BAYES

Yellow highlight | Location: 551

the data and computers were finally good enough to enable machine learning to dominate.
Note:CAMBIO DECISIVO

Yellow highlight | Location: 555

Now researchers base churn prediction on thousands of variables and millions of customers.
Note:BASE DATI ATTUALE

Yellow highlight | Location: 556

in a mobile phone churn model, researchers utilized data on hour-by-hour call records in addition to standard variables such as bill size and payment punctuality.
Note:ESEMPIO

Yellow highlight | Location: 560

combination of intuition and statistical tests to select the variables and model.
Note:COSA CONTAVA IERI

Yellow highlight | Location: 561

variables can combine with each other in unexpected ways.
Note:OGGI

Yellow highlight | Location: 562

People with large phone bills who rack up minutes early in the billing month might be less likely to churn than people with large bills who rack up their minutes later in the month.
Note:ESEMPIO

Yellow highlight | Location: 563

people with large weekend long-distance bills who also pay late and tend to text a lot may be particularly likely to churn.
Note:ALTRA COMBINAZIONE INATTESA

Yellow highlight | Location: 564

Such combinations are difficult to anticipate,

Yellow highlight | Location: 568

Beyond Churn
Note:TTTTTTTTTTTTTTTTTTT

Yellow highlight | Location: 570

The financial crisis of 2008 was a spectacular failure of regression-based prediction methods.
Note:CLASSICO FALLIMENTO REGRESSIONI

Yellow highlight | Location: 573

prediction was staggeringly wrong despite very rich data on past defaults.

Yellow highlight | Location: 574

failure was not due to insufficient data, but instead how analysts used that data
Note:COLPA DEI DATI?

Yellow highlight | Location: 575

multiple regression–like models that assumed house prices in different markets were not correlated with one another.
Note:MODELLI DELLE AGENZIE DI RATINGS

Yellow highlight | Location: 577

Analysts built their regression models on hypotheses of what they believed mattered and how—
Note:NECESSITA' DI SELEZIONARE I DATI E IL TIPO DI CURVA

Yellow highlight | Location: 578

unnecessary for machine learning.
Note:IL VINCOLO VIENE MENO

Yellow highlight | Location: 580

analyst’s intuition
Note:AL CENTRO IERI

Yellow highlight | Location: 580

hypotheses are less important.
Note:IERI

Yellow highlight | Location: 582

If It’s Just Prediction, Then Why Is It Called “Intelligence”?
Note:TTTTTTTTTTTTTTTTTTTTTTTT

Yellow highlight | Location: 583

transformed how we use statistics to predict.
Note:LA SVOLTA IA

Yellow highlight | Location: 584

“traditional statistics on steroids.”
Note:CHI MINIMIZZA... IN UN CERTO SENSO E' VERO

Yellow highlight | Location: 587

the predictions are so good that we can use prediction instead of rule-based logic.
Note:MA FORSE OLTRE UNA CERTA SOGLIA PREDIZIONE = INTELIGENZA?

Yellow highlight | Location: 587

Effective prediction changes the way computers are programmed.
Note:BASTA STATISTICHE E ALGORITMI

Yellow highlight | Location: 592

“deep learning,”
Note:NUOVA TECNICA

Yellow highlight | Location: 593

learning through example
Note:ANALAGIA CON LA MENTE UMANA

Yellow highlight | Location: 594

If you want a child to know the word for “cat,” then every time you see a cat, say the word.
Note:TIPO...

Yellow highlight | Location: 599

Many problems have transformed from algorithmic problems (“what are the features of a cat?”) to prediction problems (“does this image with a missing label have the same features as the cats I have seen before?”).
Note:IN SINTESI

Yellow highlight | Location: 603

prediction—is a key component of intelligence,
Note:PERCHE' PARLIAMO DI INTELLIGENZA

Yellow highlight | Location: 604

In his book On Intelligence, Jeff Hawkins was among the first to argue that prediction is the basis for human intelligence.
Note:REFERENZA

Yellow highlight | Location: 608

Prediction is not just one of the things your brain does. It is the primary function
Note:FUNZIONE PRIMARIA

Yellow highlight | Location: 612

information is fed back into our brain, which updates its algorithm,
Note:AGGIORNAMENTO CONTINUO...BAYES

Yellow highlight | Location: 613

many computer scientists flatly reject his emphasis on the cortex as a model for prediction machines.
Note:MOLTI RESPINGONO L'ANALOGIA

Yellow highlight | Location: 620

We do not speculate on whether this progress heralds the arrival of general artificial intelligence, “the Singularity,”
Note:MODESTIA

Yellow highlight | Location: 622

narrower focus on prediction
Note:CCCCCCCCCCCCC

Yellow highlight | Location: 624

from deterministic to probabilistic programming of computers
Note:IL PASSAGGIO

Yellow highlight | Location: 625

Ian Hacking, in his book The Taming of Chance, said that, before the nineteenth century, probability was the domain of gamblers.
Note:IERI LA PROB. AVEVA CATTIVA STAMPA

Yellow highlight | Location: 628

moving from a Newtonian deterministic perspective to the uncertainties of quantum mechanics.
Note:LA SCIENZA GIA' C'E' PASSATA

Yellow highlight | Location: 629

advance of twenty-first-century computer science matches these previous advances in social and physical sciences:
Note:ANALOGIA

Yellow highlight | Location: 630

structured probabilistically, based on data.
IL NUOVO ALGORITMO