Differenza di genere nell’intelligenza artificiale

Un computer intelligente è tanto versatile quanto le persone che lo hanno istruito.

La sfida tecnologica del futuro si gioca tutta attorno all’intelligenza artificiale. L’IoT (Internet of Things) con le App e i BigData stanno cambiando letteralmente il mondo e il nostro modo di approcciarci davanti ad un problema e ad una necessità. Utilizziamo già questa tecnologia quotidianamente, forse ancora in modo acerbo rispetto alla sua potenzialità, ma alzi la mano chi per andare in un luogo che non conosce non utilizza Google Maps per scegliere la strada migliore e magari verificare anche il traffico lungo la via. Ecco…

DURANTE LE ULTIME tre estati circa due dozzine di futuri scienziati informatici si sono dati appuntamento all’università di Stanford per imparare di più sull’intelligenza artificiale da alcune delle menti più brillanti del settore. I partecipanti, selezionati tra centinaia di candidati, visitano giornalmente le vicine società di tecnologia, interagiscono con robot sociali ed esacotteri e studiano la linguistica computazionale (ad esempio, come si comportano le macchine quando le parole hanno più di un significato) e l’importanza della gestione del tempo. Giocano a frisbee. Ma se la tua idea di intelligenza artificiale è un gruppo di ragazzi intenti a creare nemici più astuti per i loro videogiochi preferiti, allora sei fuori strada. Tutti gli studenti del programma Stanford Artificial Intelligence Laboratory’s Outreach Summer (SAILORS) sono ragazze che hanno appena completato le medie e i loro studi non si concentrano su come rendere più interessanti i loro videogiochi, bensì su come migliorare le nostre vite. Gli ambiti di utilizzo della IA sono numerosi. Può, ad esempio, contribuire a evitare che i jumbo jet si scontrino tra loro o assicurare che i chirurghi si lavino le mani prima di entrare in sala operatoria. “Il nostro obiettivo era ridefinire i concetti alla base dell’intelligenza artificiale in ambito educativo in modo da favorire la diversità e l’accesso agli studenti provenienti da svariati percorsi di vita”, dichiara Fei-Fei Li, direttore del laboratorio di intelligenza artificiale di Stanford e fondatrice del programma SAILORS. “Quando scendono in campo futuri tecnologi di diversa estrazione disciplinare e culturale, l’obiettivo comune è fare in modo che la tecnologia venga messa al servizio del bene dell’umanità”.

SAILORS è stato creato nel 2015 da Li e Olga Russakovsky, al tempo studentessa (adesso è assistente professore all’università di Princeton) per cercare di portare maggiore equilibrio tra i sessi nell’industria della tecnologia. La causa è sia nobile che urgente. Secondo un recente sondaggio, il numero di donne iscritte alle facoltà di scienze dell’informazione è in caduta libera. Nel settore dell’intelligenza artificiale le donne occupano meno del 20% delle posizioni dirigenziali. Si sta abbandonando un settore enorme considerato che giorno dopo giorno sempre più persone usano l’intelligenza artificiale per essere più efficienti e semplificare la propria vita: è grazie all’intelligenza artificiale che le app per la fotografia riconoscono il tuo volto tra gli altri, senza contare la spiaggia dove hai scattato la foto. È grazie all’intelligenza artificiale che i tuoi dispositivi ti capiscono quando chiedi che tempo farà domani. Poi ci sono le applicazioni meno conosciute, come nella diagnosi della retinopatia diabetica (che porta spesso alla cecità) oppure l’invio di un drone in una missione di ricerca e soccorso negli angoli più remoti della terra.

Con l’intelligenza artificiale sempre più presente, la necessità di un bilanciamento tra i sessi nel settore non riguarda più soltanto una questione di giustizia. La diversità è una parte fondamentale della IA per via della natura stessa del machine learning. L’obiettivo dell’intelligenza artificiale è indirizzare le macchine in modo da far eseguire loro compiti che gli umani trovano naturali: riconoscere una voce, prendere decisioni, distinguere una piadina da una pizza. Per ottenere questi risultati nelle macchine viene inserita un’enorme quantità di informazioni (spesso milioni di parole, conversazioni o immagini) esattamente come ognuno di noi assorbe informazioni, in ogni momento di veglia, dal momento della nascita (essenzialmente il machine learning è questo). Più automobili vengono fatte vedere alla macchina, più questa diventa abile nel riconoscerle. Ma se questi insiemi di dati sono parziali o contengono pregiudizi (ad esempio se i ricercatori non includono immagini di Trabant) o se i ragazzi dell’intelligenza artificiale non riconoscono o non tengono conto di questi limiti o pregiudizi (magari non conoscono le oscure automobili della Germania dell’est), le macchine e i loro risultati saranno imperfetti. Sta già accadendo. In un caso un software per il riconoscimento delle immagini riteneva che le persone asiatiche nelle foto stessero facendo l’occhiolino.

Come fanno gli umani a creare laboratori e spazi di lavoro più inclusivi? Questa nuova sfida verrà affrontata nell’ambito di una serie di progetti e da singoli individui. Quest’anno Li, che è anche capo scienziata del team dedicato all’intelligenza artificiale e al machine learning presso Google Cloud, e altri hanno contribuito all’avvio di AI4ALL. L’obiettivo della non profit nazionale è introdurre una maggiore diversificazione nell’ambito dell’intelligenza artificiale e, a tal fine, ha coinvolto esperti di genomica, robotica e sostenibilità in qualità di mentori. L’organizzazione si basa sul lavoro svolto da SAILORS ma si rivolge anche a persone di colore e studenti a basso reddito in tutto il paese attraverso partnership con Princetown, UC Berkeley e Carnegie Mellon, oltre a Stanford. “Molti colleghi e leader del settore ci hanno detto SAILORS è fantastico ma riguarda soltanto Stanford e poche dozzine di studenti all’anno, principalmente della Bay Area di San Francisco,” dichiara Li. “Quindi AI4ALL si concentra sulla diversità e sull’inclusione, non solo sulla parità tra i sessi”.

Tra le altre iniziative simili troviamo Code Next, il laboratorio Google con sede a Oakland che mira a incoraggiare gli studenti latino e afro-americani a considerare una carriera nel campo della tecnologia; DIY Girls, un programma educativo e di mentoring in ambito STEAM (Science, Technology, Engineering, Art e Math) per le comunità con scarsa disponibilità di risorse a Los Angeles e Project Include, che ha lo scopo di aiutare le startup appena avviate o nel loro stadio intermedio ad assumere più donne e persone di colore. Tracy Chou, precedentemente in Pinterest, ha fondato Project Include lo scorso anno insieme ad altre sette donne di spicco nel settore della tecnologia. Nel 2013 Chou chiese a gran voce alle aziende di tecnologia di rendere pubblico il numero di donne impiegate. Quando i numeri cominciarono ad arrivare, confermarono ciò che tutti alla Silicon Valley già sapevano: il mondo della tecnologia, dalle società di maggiori dimensioni alle più piccole startup, è quasi interamente composto da uomini e da bianchi. Project Include, afferma Chou, era il passo successivo più logico. “A un paio d’anni di distanza dalla pubblicazione di quei rapporti e senza grandi stravolgimenti, stiamo assistendo a uno spostamento del focus dell’argomento”, afferma. “Non si tratta più di trasparenza dei dati. Dobbiamo cominciare a muoverci nella giusta direzione”.

Trovare la giusta direzione significa anche rendere il campo dell’intelligenza artificiale più accessibile alle masse. Ci sono relativamente poche persone impiegate nel settore dell’intelligenza artificiale, e già sono già in fase di sperimentazione robot che si prendono cura delle persone e assistenti personali che anticipano i nostri bisogni. Se da una parte gli umani controllano i dati e le regole e dall’altra le macchine fanno il lavoro, è naturale che un migliore input umano porti a risultati migliori.

Ma insomma, IA e ML. Qual è la differenza?

I termini intelligenza artificiale (IA) e machine learning (ML) vengono spesso utilizzati in modo intercambiabile, ma non sono la stessa cosa. L’intelligenza artificiale descrive la capacità delle macchine di imitare i processi di ragionamento e apprendimento dell’uomo, anziché eseguire specifici comandi. Il machine learning è una delle tecniche più efficienti e diffuse che i computer utilizzano per ottenere quella capacità. Nel machine learning, le macchine setacciano diversi esempi per riconoscere i modelli.

 

Scopri le soluzioni Cloud Google nella GCP

Articolo rielaborato apparso su google.com

Author: mentibus

Share This Post On