Le future connessioni del cervello umano con l'IA...

Da SmartWorld

“Collegheremo il cervello umano all’intelligenza artificiale”: Elon Musk svela Neuralink

La tecnologia attualmente è stata testata solo sui topi e non ci sono certezze che possa funzionare con gli umani, ma Musk è stato chiaro: l'obiettivo è raggiungere una simbiosi con l'intelligenza artificiale. 

di Giuseppe Tripodi, 17 lug 2019

Dopo quasi due anni di silenzio, Elon Musk ha finalmente acceso i riflettori su Neuralink, la società fondata dal famosissimo imprenditore statunitense che punta a sviluppare interfacce neurali per collegare il cervello alle macchine. Durante la conferenza tenutasi nella giornata di ieri, 16 luglio, Musk ha svelato i traguardi raggiunti con le sperimentazioni sui topi, ha annunciato quali saranno i futuri passi della società e comunicato di essere alla ricerca di personale qualificato.

La prima cosa che c’è da sapere su Neuralink, è che finora tutti gli esperimenti sono stati condotti con animali, principalmente topi, e che non c’è nessuna garanzia che lo stesso sistema possa funzionare anche con gli esseri umani. Tuttavia, alla fine della conferenza stampa, Musk si è lasciato scappare un traguardo importante, che i suoi collaboratori non sapevano avrebbe condiviso con la stampa: una scimmia è riuscita a controllare un computer col cervello.

Secondo quanto dichiarato, le sperimentazioni con gli umani potrebbero iniziare a metà del 2020: i primi test saranno condotti con persone paralizzate, con l’obiettivo di permettere loro di controllare smartphone e computer. A tal proposito, vale la pena dare un’occhiata all’interfaccia dell’app per iPhone. Come si può leggere dagli screenshot qui sotto, per addestrarsi a muovere il cursore si dovrà provare a muovere la mano nella direzione desiderata.

Ma come avverrà tutto questo? Per collegare il cervello alle macchine, Neuralink utilizzerà dei sottilissimi fili flessibili, più sottili di un capello (immmagine in basso a sinistra). Secondo quanto riferito, il sistema può includere fino a 3.072 elettrodi per matrice, distrubiti su 96 fili.

Questi fili verranno posizionti vicino ai neuroni, in modo da ricevere e trasmettere le informazioni raccolte dai picchi di segnale neuronale: questi dati verranno trasmessi a dei sensori, posizionati sulla superficie del cranio, sotto la pelle, che invieranno poi le informazioni ad un Pod removibile posizionato appena dietro l’orecchio. Attualmente, quest’ultimo passaggio viene effettuato con connessioni cablate, ma Musk sostiene che in futuro tali dati verranno trasmessi via wireless. Il Pod invierà poi gli input allo smartphone o al computer.

A sinistra: i fili connettori e il sensore che verrà posizionato sul cranio.
Al centro e a destra: una rappresentazione di come saranno i collegamenti.

Per posizionare i sensori in questione, Neuralink ha sviluppato un apposito macchinario che pratica un foro di 8 mm sul cranio; tuttavia in futuro Musk spera che l’operazione possa essere eseguita con un laser, per evitare le spiacevoli vibrazioni della perforazione.

Attualmente, il robot in questione, che operererà con la supervisione di un neurochirurgo, riesce ad inserire sei fili (192 elettrodi) al minuto evitando i vasi sanguigni. È doveroso specificare che, attualmente, Neuralink non ha ancora i permessi della FDA per operare su pazienti umani.

Il robot di Neuralink che posiziona gli elettrodi nel cervello

Se gli esperimenti con pazienti paralizzati andassero bene, l’obiettivo finale di Musk è collegare il cervello con una macchina, al fine di migliorare le potenzialità dell’uomo. Ovviamente ci saranno moltissimi problemi da affrontare, pratici ed etici.

Ma Musk non si è trattenuto: a suo dire, l’obiettivo è raggiungere la simbiosi con l’intelligenza artificiale. 

Per saperne di più, potete guardare la conferenza completa di Neuralink qui sotto.

Da dove partire per approfondire le nuove tecnologie della conoscenza...

Da Business Insider

Vuoi diventare un guru di Intelligenza artificiale, machine learning, big data e data analysis? Ecco cosa leggere e che corsi (gratis) fare

Giuditta Mosca, 23 giu 2019

In informatica e nelle sue derivazioni nulla è trascendentale. Qualsiasi argomento, anche ostico, è perfettamente comprensibile e assimilabile. Occorre un metodo di studio, certo, così come occorre partire da risorse attendibili e adeguate al proprio livello di conoscenza.

Cominciamo quindi con risorse dedicate ai novizi, gratuite e (per fortuna) in lingua inglese.

Un mondo variegatissimo

Multidisciplinarità e trasversalità sono più che parole d’ordine, sono l’antefatto embrionale all’acquisizione delle conoscenze. Chi è interessato ai Big data deve per forza fare suoi concetti di programmazione, di data mining e visualizzazione delle informazioni, così chi è interessato all’intelligenza artificiale non può prescindere dal machine learning e dal deep learning.

Considerata l’ampiezza degli argomenti da trattare può essere utile scegliere percorsi di studio e apprendimento circoscritti e definiti, in un’offerta di risorse e piattaforme che sembra davvero sconfinata.

Qui suggeriamo da dove iniziare. Piattaforme, manuali, ambienti e linguaggi di programmazione citati in questo articolo sono solo una parte delle risorse a disposizione, questa vuole essere una sorta di guida per acquisire conoscenze fondamentali.

Big data e analisi dei dati

Raccogliere e archiviare i dati è un compito relativamente semplice. Cosa farne è tema più complesso. Distinguo necessario, in questo caso almeno, per tenere ben definiti il comparto dei Big data e quello della data analysis, collimanti certo ma non per forza di cose sovrapposti.

Chi volesse avvicinarsi al mondo dei Big data può cominciare dai corsi gratuiti organizzati da Cognitive Class, concepiti per i principianti e suddivisi in 3 moduli della durata totale di 12 ore.

In seguito, per approfondire la materia, Dataquest permette di lavorare in modo guidato e gratuito con la programmazione, sfruttando dati preselezionati e dando vita a un esercizio completo con il quale misurarsi.

Per approfondire le necessarie competenze in programmazione, qui c’è una discreta quantità di manuali di Python (anche in lingua italiana), mentre qui c’è un libro essenziale per chi volesse approfondire il linguaggio R. Entrambi questi linguaggi di programmazione sono prelevabili gratuitamente (qui si può prelevare Python, mentre qui si può prelevare R).

Python soprattutto è essenziale per l’analisi dei dati. Due estensioni di questo linguaggio di programmazione (nel caso specifico NumPy e Pandas) sono utili per l’analisi dei dati. Udacity offre un corso immersivo e gratuito che ne sfrutta le capacità di calcolo e di analisi.

Database e framework

I database sono necessari per l’archiviazione delle informazioni in modo logico e ordinato. Anche in questo caso l’offerta è ampia, citiamo MySQL (gratuito) Microsoft SQL express, a costo zero fino a 10 GB di dati. I principianti di MySQL possono avvalersi di corsi gratuiti e di una vasta documentazione online, di un nutrito e completo forum e di documentazione supplementare per neofiti. Chi volesse avventurarsi con il database relazionale di Microsoft può indirizzarsi verso corsi online gratuiti concepiti per non necessitare requisiti tecnici e conoscenze particolari, partendo magari da un corso di teoria generale. Un ottimo manuale è invece prelevabile qui.

Data mining

L’analisi dei dati e il data mining sono due cose diverse. Mentre la prima si prefigge, tra i propri scopi, la pulizia, la trasformazione, la modellazione e la visualizzazione dei dati al fine di rivelare informazioni utili, il data mining è un’estrapolazione di dati secondo ottiche diverse, per esempio per trovare risposte a domande specifiche e individuare modelli e relazioni tra le informazioni.

Le tecniche di data mining sono per lo più automatizzate e fanno leva su alberi decisionali e reti neurali.

Per entrare in sintonia con questo argomento esistono diverse piattaforme. Tra queste, tenendo soprattutto fede al principio della gratuità, va segnalata Knime (Konstanz Information Miner), risorsa Open source che offre anche un’adeguata documentazione e dei corsi online che però hanno un costo che varia dai 50 euro ai 250 euro.

Le attività di Data mining si appoggiano a costrutti di machine learning, altra materia che può legittimamente affascinare e alla quale ci si può avvicinare per gradi.

Machine learning

La piattaforma Knime, già citata nel paragrafo precedente, offre componenti di machine learning. Tuttavia, considerando la complessità del tema, occorre approfondirne i principi teorici. La letteratura è vasta, il suggerimento è di cominciare da questo documento, un must read per chi vuole accostarsi al machine learning e una lettura essenziale anche per prendere parte al corso online gratuito offerto da Class Central e Udacity. Altre letture gratuite raccomandate sono Bayesian Reasoning and Machine Learning del professore David Barber (il libro viene aggiornato periodicamente) e, per approfondire il connubio tra Python e Machine learning, dopo avere appreso i documenti citati sopra, vale la pena affidarsi ad almeno uno di questi 5 libri gratuiti.

Intelligenza artificiale

È un costrutto che si erige su altre discipline, tra le quali il machine learning e il deep learning. Ancora prima è un pensiero filosofico e, compiendo un piccolo atto di coraggio, si può affermare che affonda le proprie radici in tempi remoti, nonostante se ne parli con diversa enfasi ufficialmente dagli anni Cinquanta del secolo scorso.

Circa nel 400 a. C. Platone, riferendosi a Socrate, ne descrive la volontà di riuscire a scindere la pietà dalla non pietà. Un algoritmo rudimentale che ha il merito di dimostrare bene sia la curiosità intrinseca dell’uomo che oggi si manifesta anche nell’Intelligenza artificiale, sia la natura filosofica dei quesiti le cui soluzioni ancora oggi vogliono essere demandate alle macchine.

Per orientarsi in questo universo che appare essere difficilmente definibile, consigliamo di leggere il libro gratuito Artificial Intelligence: foundations of computational agents e soltanto dopo fare un’immersione nel tomo dedicato alle logiche computazionali e a come l’uomo si appoggia alla natura per imbastire studi e considerazioni in materia di Intelligenza artificiale. Gli aspetti filosofici sono invece egregiamente riassunti e concentrati in questo documento gratuito.

I novizi dovrebbero partire da questo corso online, la cui durata è di 16 settimane e prevede un impegno di 6 ore a settimana, per poi proseguire con la formazione offerta da quest’altro corso online (adatto fin da subito alle persone con competenze avanzate), un viaggio approfondito nell’Intelligenza artificiale con particolare focus sulla guida autonoma e che prevede un impegno di circa 10 ore a settimana per 12 settimane. Google mette a disposizione una piattaforma pensata per soddisfare le necessità dei neofiti e quelle di chi nutre appetiti più mirati e ha già acquisito conoscenze solide.

Visualizzazione dei dati

Dopo avere raccolto, pulito ed elaborato i dati, dopo avere applicato logiche di machine learning o di deep learning e intelligenza artificiale per ottenere dei risultati, questi vanno normalmente mostrati a una platea specifica. Ci sono strumenti gratuiti anche per assolvere questo compito.

Chi ha familiarità con Microsoft Excel può provare Power BI, strumento di visualizzazione e business intelligence di Microsoft.

Uno dei migliori software è Tableau Public (l’unica versione gratuita tra quelle offerte), ampiamente documentata e supportata da una numerosa  community di utenti e appassionati.

La profezia di Turing: ecco il computer indistiguibile dall'uomo

Da Agi.it

È arrivato il computer che avvera la profezia di Turing

Dopo sei anni di lavoro, a San Francisco la IBM ha sfidato il campione del mondo di dibattiti con un computer che per 25 minuti ha duellato per sostenere la tesi che gli asili debbano essere finanziati. Ha perso, per ora. Ma la sfida più grande, immaginata nel 1950 dal profeta dell'intelligenza artificiale, è ormai vinta: impossibile distinguere il discorso di una macchina da quello di un essere umano

di Riccardo Luna, 13 feb 2019

Il primo ottobre 1950, sulla rivista Mind, il matematico inglese Alan Turing pubblicò un saggio destinato a cambiare per sempre quello che pensiamo sull’intelligenza artificiale. 

Si chiamava Macchine Calcolatrici e Intelligenza e provava a rispondere alla domanda: le macchine pensano? Tra i molti spunti interessanti, c’è una profezia: dice, Turing, che tempo 50 anni e non avremo più saputo distinguere fra una frase detta da un essere umano e una di un computer. The Imitation Game, lo chiamò, il gioco dell’imitazione. Ci sono voluti 19 anni in più del previsto, ma quel giorno è finalmente arrivato.

L11 febbraio 2019, nel Moscone Center di San Francisco, già teatro di storici annunci come il lancio del primo iPhone, si è svolta la prima sfida di retorica fra un essere umano e un robot.  E il robot ha perso. Per ora. Ma ha parlato così bene, ha sostenuto i suoi argomenti con tale bravura che chi era lì ne è uscito incredulo. L’occasione è stata l’apertura della conferenza annuale sul futuro della IBM, una azienda che da sempre si muove sulle frontiera dell’innovazione.

Fu un computer IBM a sfidare e a un certo punto battere il campione del mondo di scacchi. E poi quello di GO, un altro gioco fatto di calcoli. E poi quello di Jeopardy, un quiz tv molto seguito con domande a trabocchetto. In tutti quei casi però alla fine aveva vinto la capacità di calcolo del computer non davvero la sua intelligenza. Mai si era visto quello che è andato in scena a San Francisco.

Da una parte c’era una sorta di campione del mondo di dibattiti: io non avevo idea che si facessero delle gare, ma pare che sia così e il giovane professore indiano Harish Natarajan, è quello che detiene il maggior numero di campionati mondiali vinti. A sfidarlo un parallelepido nero, alto poco più di una persona, con una fessura azzurra all’altezza degli occhi. A prima vista faceva l’effetto del misterioso monolite nero di “2001 Odissea nello Spazio”, ma qui non ci sono misteri. Si tratta di un progetto, avviato nel 2011 in Israele dal ricercatore Noam Slonim, per costruire una macchina in grado di dibattere con un essere umano. È un progetto e infatti sii chiama Project Debater, ma visto che ha una voce da donna, è stato subito ribattezzato Miss Debater

La sfida consisteva nel sostenere la tesi del perché gli asili nido debbano essere finanziati. 

I duellanti hanno avuto 15 minuti per prepararsi: Harish Natarajan ha scritto furiosamente su dei foglietti, Miss Debater ha silenziosamente analizzato circa 10 miliardi di frasi sul tema che sono in rete. 

La sfida è poi durata 25 minuti di batti e ribatti. Miss Debater si è anche permessa qualche battuta di spirito. È stata quasi perfetta nel tentativo di emulare un essere umano. Secondo la giuria alla fine ha perso. Ma vale la frase con cui ha esordito: “Benvenuti nel futuro”. Stiamo entrando in una fase nuova. Inizia davvero The Imitation Game.

Una delle applicazioni pratiche dell'intelligenza artificiale

Da Ansa.it

L'intelligenza artificiale diventa pediatra

Ha imparato a riconoscere le malattie più comuni nei bambini

13 feb 2019

L’intelligenza artificiale diventa un pediatra: ha imparato a riconoscere e diagnosticare le malattie più comuni nei bambini grazie ad apprendimento automatico e Big Data. 

Lo indica la ricerca condotta fra Cina e Stati Uniti e pubblicata sulla rivista Nature Medicine dall’Università della California a San Diego, dall'università di Guangzhou e dalla Yitu Technology.

La sperimentazione dimostra che i sistemi basati sull'intelligenza artificiale potrebbero lavorare a fianco dei medici, aiutandoli a esaminare grandi quantità di dati e supportandoli nella diagnosi. Il nuovo sistema è stato addestrato e messo a punto su più di 100 milioni di dati provenienti da oltre 1 milione e 300.000 visite pediatriche fatte a Guangzhou.

Il sistema di intelligenza artificiale è stato in grado di identificare le informazioni più importanti dal punto di vista clinico e di stabilire associazioni che altri metodi statistici non hanno rilevato. Ha inoltre dimostrato un livello di accuratezza molto elevato quando è stato messo a confronto con pediatri in carne ed ossa.

Il sistema basato si è comportato molto bene soprattutto nel riconoscere due importanti categorie di malattie: quelle molto comuni, come l'influenza, e quelle più rare e pericolose, come attacchi di asma acuti e meningite. Secondo i ricercatori in futuro il sistema potrebbe essere utilizzato negli ospedali, per l'esame preliminare dei pazienti in attesa.

Come l'apprendimento automatico sta influenzando le Risorse Umane [English/Italiano]

Da Techopedia

How Machine Learning Is Impacting HR Analytics

Takeaway: HR analytics is revolutionizing the way human resources departments operate, leading to higher efficiency and better results overall.

Kaushik Pal, 12 mar 2018

Human resources has been using analytics for years. However, the collection, processing and analysis of data has been largely manual, and given the nature of human resources dynamics and HR KPIs, the approach has been constraining HR. Therefore, it is surprising that HR departments woke up to the utility of machine learning so late in the game.

Nevertheless, machine learning has been slowly but surely entering the HR domain, and multiple use cases such as attrition prediction, right hiring and human resource training have been established. It is also believed that machine learning can predict the success of a potential candidate. More use cases are likely to be discovered soon. Unlike the manual approach, the machine learning approach is much faster, far more responsive to dynamic situations and provides accurate, actionable and valuable data. (Even though the field of data analytics is becoming increasingly automated, people aren't likely to lose their jobs due to it anytime soon. Learn more in No, Data Analytics Bots Aren’t Going to Steal Your Job Anytime Soon.)

The Role of HR

Human resources is inarguably an organization's most valuable asset. HR is responsible for managing the human resources department so that the organization gets the most possible value out of its people. The role of HR includes the following:

• Identifying the right talent for the right role
• Proper compensation and benefits
• Managing employee development with training and opportunities
• Tracking and managing human resources growth with increments, promotions, opportunities and benefits
• Managing employee motivations, grievances and feelings
• Managing exits

Case for Machine Learning in HR

Over time, expectations of the HR department have been changing. Previously, HR would find suitable candidates; conduct or facilitate assessments; hand out offers, compensation and benefits based on HR policies; and manage employee careers and exits. Now, HR is expected to add more value to what it already does and do even more, such as predict attrition and candidate success in a role. Is the current approach to fulfilling these expectations enabling or constraining HR?

Prior to the adoption of machine learning, HR would manage data in manual and semi-automated ways. It would collect, store and process data to produce analytics before the data would quickly become irrelevant because the situation had changed and the data needed updating. For example, data collected before the annual appraisal cycle showed low attrition risks. However, post-appraisal, there is a spike in attrition and employee dissatisfaction, mainly because of mismatch in expectations and actual rewards and a rise in opportunities in the job market. Basically, pre-appraisal analytics misled the organization, and the effort can be considered a waste.

Manual and semi-manual methods are not equipped to enable HR to manage data on the rapidly changing variables related to human resources. HR needs regular, updated analytics on relevant factors such as employee sentiments within the organization, employee attitudes toward policies, and attractiveness of market opportunities versus that offered by the organization. This is serious business. Unless the human capital is managed well, an organization can potentially lose valuable employees. Bill Gates once commented, “You take away our top 20 employees and we [Microsoft] become a mediocre company.” Enter machine learning. What can machine learning offer over the old methods? Consider the following:

Faster Response to Changing Dynamics

This is the age of big data. To manage employees, you need data on:

• Employee attitudes and feelings
• Credentials or qualifications
• Employee views toward policies
• Compensation and benefits trends
• Relevant external developments such as the job market and rival organizations and their impact on your employees

That adds up to a humongous data volume arriving every moment. Manual management is simply ill-equipped to handle it. However, machine learning is appropriate to consistently accept, store and process such data volumes and provide relevant and actionable insights in the form of simple analytics. (Learn more about big data's role in business with Tackling Big Data Analytics Pain Points.)

Accurate Predictions

Machine learning can predict key developments such as attrition, success in job roles and adverse events such as unethical behavior. For example, the success likelihood of an employee in a new role can be predicted based on an analysis of past data such as past project performance, knowledge base and key initiatives taken to improve the knowledge base, which reflects attitudes. Findings based on these parameters can be converted to analytics and then decisions can be made.

Candidate Identification and Applicant Tracking

Machine learning can connect the right job to the right candidate based on job role and the candidate's credentials, experience and interests. Machine learning can leverage social networks for that. It significantly reduces manual effort in candidate assessments and tracking.

Developments

The HR domain, after a lukewarm response to machine learning, is waking up to its utility. Many use cases are being implemented and more are on the way. A summary of the key developments is given below.

Candidate Identification and Application Tracking

With big data from web sources such as forums and social media, organizations are finding the right candidates for the right roles. While assessing candidature, machine learning considers qualifications, experience, interests, professional connections and memberships, achievements, forum discussions and more. This significantly improves chances of role fitment, if not guaranteeing it. A good example could be the professional networking site, LinkedIn.

Machine learning significantly reduces manual effort in applications management and frees the HR to focus on more productive efforts. According to Cristian Rennella, CEO & Cofounder of MejorTrato.com.mx, a company that compares financial products, "In the past, we spent 67.2 percent of each person's time in HR to read the CVs of each candidate who came to us through our own website and third parties. Thanks to AI, this work today is done automatically by our internal system, which through deep learning using TensorFlow, we can automate this task."

Accurate Predictions

HR analytics can often accurately predict key factors such as attrition, employee performance, and even adverse events such as unethical behavior. For example, data from various forum conversations, social media posts, emails, videos, rival organizations and market opportunities can point to changes in attrition levels. Attrition levels are particularly susceptible to change after appraisal cycles.

Job Success Predictions

Data on a candidate's credentials, memberships, attitudes and performance can point to success probability in job roles. The point is, manually attempting to calculate predictions based on so many variables is simply inadequate. HR analytics can provide accurate insights based on which organizations can find the right candidates for the right job roles.

Conclusion

Organizations are already reaping the benefits of adopting machine learning. While machine learning has already reduced manual effort, ML is expected to become even more accurate and prominent in areas like attrition prediction and management, employee management and success.

________________________________

Written by Kaushik Pal

Kaushik is a technical architect with 15 years of experience in enterprise applications and product development. He has expertise in Web technologies, architecture/design, Java/J2EE, open source and Hadoop/big data technologies. Full Bio

§ § §

Come l'apprendimento automatico sta influenzando l'analisi delle risorse umane

Da asporto: l' analisi delle risorse umane sta rivoluzionando il modo in cui operano i dipartimenti delle risorse umane, portando a una maggiore efficienza e migliori risultati generali.

Le risorse umane utilizzano l' analisi da anni. 

Tuttavia, la raccolta, l'elaborazione e l'analisi dei dati è stata in gran parte manuale e, data la natura delle dinamiche delle risorse umane e dei KPI delle risorse umane , l'approccio ha limitato le risorse umane. Pertanto, è sorprendente che i dipartimenti delle risorse umane si siano resi conto dell'utilità dell'apprendimento automatico così in ritardo nel gioco.

Ciononostante, l'apprendimento automatico è entrato lentamente ma inesorabilmente nel dominio delle risorse umane e sono stati creati diversi casi d'uso come la previsione di logoramento, l'assunzione di diritti e l'addestramento delle risorse umane. Si ritiene inoltre che l'apprendimento automatico possa predire il successo di un potenziale candidato. Presto saranno scoperti altri casi d'uso. A differenza dell'approccio manuale, l'approccio di machine learning è molto più veloce, molto più reattivo alle situazioni dinamiche e fornisce dati accurati, fattibili e di valore. (Anche se il campo dell'analisi dei dati sta diventando sempre più automatizzato, le persone non rischiano di perdere il loro lavoro a causa di esso in qualsiasi momento presto. 

Scopri di più in No, i robot di analisi dei dati non stanno rubando il tuo lavoro in qualsiasi momento a breve .)

Il ruolo delle risorse umane 

Le risorse umane sono indiscutibilmente il bene più prezioso di un'organizzazione. 

L'HR è responsabile della gestione del dipartimento risorse umane in modo che l'organizzazione ottenga il maggior valore possibile dalla sua gente. Il ruolo di HR include quanto segue: 

• Identificare il talento giusto per il ruolo giusto 
• Corretta compensazione e benefici 
• Gestire lo sviluppo dei dipendenti con formazione e opportunità 
• Monitoraggio e gestione della crescita delle risorse umane con incrementi, promozioni, opportunità e benefici 
• Gestione delle motivazioni, dei reclami e dei sentimenti dei dipendenti 
• Gestione delle uscite 

Caso per l'apprendimento automatico nelle risorse umane 

Nel tempo, le aspettative del reparto risorse umane sono cambiate. In precedenza, l'HR avrebbe trovato candidati idonei; condurre o facilitare valutazioni; distribuire offerte, compensi e benefici basati sulle politiche delle risorse umane; e gestire le carriere e le uscite dei dipendenti. Ora, si prevede che le Risorse Umane aggiungano più valore a ciò che già fa e facciano ancora di più, come prevedere l'attrito e il successo dei candidati in un ruolo. L'attuale approccio per soddisfare queste aspettative consente o limita le risorse umane? 

Prima dell'adozione dell'apprendimento automatico, l'HR gestiva i dati in modi manuali e semi-automatizzati. Raccogliere, archiviare ed elaborare i dati per produrre analisi prima che i dati diventassero rapidamente irrilevanti perché la situazione era cambiata e i dati necessari all'aggiornamento. Ad esempio, i dati raccolti prima del ciclo di valutazione annuale hanno mostrato bassi rischi di attrito. Tuttavia, dopo la valutazione, c'è un picco nel logoramento e nell'insoddisfazione dei dipendenti, principalmente a causa del disallineamento delle aspettative e dei benefici effettivi e l'aumento delle opportunità nel mercato del lavoro. Fondamentalmente, l'analisi pre-valutazione ha fuorviato l'organizzazione e lo sforzo può essere considerato uno spreco. 

I metodi manuali e semi-manuali non sono attrezzati per consentire alle risorse umane di gestire i dati sulle variabili in rapida evoluzione relative alle risorse umane. Le risorse umane necessitano di analisi periodiche e aggiornate su fattori rilevanti quali i sentimenti dei dipendenti all'interno dell'organizzazione, l'atteggiamento dei dipendenti nei confronti delle politiche e l'attrattiva delle opportunità di mercato rispetto a quelle offerte dall'organizzazione. Questo è un affare serio. A meno che il capitale umano non sia gestito bene, un'organizzazione può potenzialmente perdere dipendenti preziosi. Bill Gates una volta ha commentato: "Tu porti via i nostri 20 dipendenti principali e noi [Microsoft] diventiamo una società mediocre." Inserisci l'apprendimento automatico. Cosa può offrire l'apprendimento automatico rispetto ai vecchi metodi? Considera quanto segue: 

Risposta più rapida alle dinamiche mutevoli 

Questa è l'era dei "grandi dati". Per gestire i dipendenti, hai bisogno di dati su: 

• Atteggiamenti e sentimenti dei dipendenti 
• Credenziali o qualifiche 
• Visualizzazioni dei dipendenti verso le politiche 
• Tendenze di compensazione e benefici 
• Sviluppi esterni rilevanti come il mercato del lavoro e le organizzazioni rivali e il loro impatto sui dipendenti 

Ciò si traduce in un enorme volume di dati in arrivo ogni momento. La gestione manuale è semplicemente mal equipaggiata per gestirlo. Tuttavia, l'apprendimento automatico è appropriato per accettare, archiviare ed elaborare costantemente tali volumi di dati e fornire approfondimenti pertinenti e utilizzabili sotto forma di semplici analisi. (Ulteriori informazioni sul ruolo dei big data nelle attività commerciali con Tackling Big Paining Analytics ). 

Previsioni accurate 

L'apprendimento automatico può prevedere sviluppi chiave come il logoramento, il successo nei ruoli lavorativi e gli eventi avversi come il comportamento non etico. Ad esempio, la probabilità di successo di un dipendente in un nuovo ruolo può essere prevista sulla base di un'analisi dei dati passati quali le prestazioni del progetto passato, la base di conoscenze e le iniziative chiave adottate per migliorare la base di conoscenze, che riflette gli atteggiamenti. I risultati basati su questi parametri possono essere convertiti in analisi e quindi le decisioni possono essere prese. 

Identificazione del candidato e tracciamento del candidato 

L'apprendimento automatico può collegare il lavoro giusto al candidato giusto in base al ruolo professionale e alle credenziali, all'esperienza e agli interessi del candidato. L'apprendimento automatico può sfruttare i social network per questo. Riduce significativamente lo sforzo manuale nelle valutazioni e nel monitoraggio dei candidati. 

Sviluppi 

Il dominio delle risorse umane, dopo una tiepida risposta all'apprendimento automatico, si sta svegliando alla sua utilità. Molti casi d'uso vengono implementati e altri sono in arrivo. Di seguito è riportato un riepilogo degli sviluppi chiave. 

Identificazione del candidato e tracciamento delle applicazioni 

Con i big data da fonti web come forum e social media , le organizzazioni stanno trovando i candidati giusti per i ruoli giusti. Durante la valutazione della candidatura, l'apprendimento automatico considera le qualifiche, l'esperienza, gli interessi, le connessioni professionali e le iscrizioni, i risultati, le discussioni sul forum e altro ancora. Ciò migliora significativamente le possibilità di adattamento dei ruoli, se non lo garantisce. Un buon esempio potrebbe essere il sito di networking professionale, LinkedIn . 

L'apprendimento automatico riduce significativamente lo sforzo manuale nella gestione delle applicazioni e libera le risorse umane per concentrarsi su sforzi più produttivi. Secondo Cristian Rennella, CEO & Cofounder di MejorTrato.com.mx , una società che mette a confronto prodotti finanziari, "In passato, abbiamo speso il 67,2 percento del tempo di ciascuna persona in Risorse Umane per leggere i CV di ciascun candidato che ci è venuto tramite il nostro proprio sito Web e terze parti. Grazie a AI, questo lavoro oggi viene eseguito automaticamente dal nostro sistema interno, che attraverso l'apprendimento approfondito con TensorFlow , possiamo automatizzare questo compito. " 

Previsioni accurate 

L'analisi delle risorse umane può spesso prevedere con precisione fattori chiave come il logoramento, le prestazioni dei dipendenti e persino eventi avversi come il comportamento non etico. Ad esempio, i dati provenienti da varie conversazioni sul forum, post sui social media, email, video, organizzazioni rivali e opportunità di mercato possono indicare cambiamenti nei livelli di attrito. I livelli di attrito sono particolarmente suscettibili al cambiamento dopo cicli di valutazione. 

Previsioni di riuscita nell'attività

I dati relativi alle credenziali, alle appartenenze, alle attitudini e alle prestazioni di un candidato possono indicare probabilità di successo in ruoli di lavoro. Il punto è che tentare manualmente di calcolare le previsioni sulla base di così tante variabili è semplicemente inadeguato. L'analisi delle risorse umane può fornire approfondimenti accurati in base alle organizzazioni in grado di trovare i candidati giusti per i ruoli di lavoro giusti. 

Conclusione 

Le organizzazioni stanno già sfruttando i vantaggi dell'adozione dell'apprendimento automatico. Mentre l'apprendimento automatico ha già ridotto lo sforzo manuale, si prevede che la tecnologia ML diventi ancora più precisa e prominente in aree come la previsione e la gestione dell'attrito, la gestione dei dipendenti e il successo. 

________________________________

Scritto da Kaushik Pal

Kaushik è un architetto tecnico con 15 anni di esperienza nelle applicazioni aziendali e nello sviluppo del prodotto. Ha esperienza in tecnologie Web, architettura / design, Java / J2EE, tecnologie open source e Hadoop / big data. Biografia Completa

L'intelligenza artificiale: un esempio di come funziona...

Da IlSole24Ore

I limiti dell’intelligenza artificiale in un video

di Luca Tremolada, 22 ott 2017

E’ un giochino e va preso come tale. Ma è piuttosto esemplificativo di come funzionino le reti neurali e il deep learning. Come sappiamo, le reti neurali opportunamente addestrate possono classificare le immagini e riconoscere gli oggetti identificando caratteristiche che li accomunano. 

Tuttavia, senza l’intervento “umano” non comprendono quello che vedono. Per aiutare a comprenderne il funzionamento Google ha pubblicato online un tutorial chiamato Teachable Machine che semplifica il processo di apprendimento e mostra come “insegnare” (tra virgolette) a interpretare delle immagini associando a ciascuna di esse una azione. In sostanza, il tutorial ti aiuta ad addestrare l’Ia. In che modo? Attraverso una webcam l’utente mostra degli oggetti che poi vengono associati a una immagine o a un suono. Il sistema riconosce l’oggetto ed esegue il comando. 

In questo video pubblicato sul sito dell’autorevole Mit Technology Review, viene “scherzata” il machine learning. Va detto che spesse volte dietro il marchio “intelligenza artificiale” ci sono limitati moduli di machine learning, statistica e algoritmi per capirci. Sostanzialmente sono sistemi avanzati di riconoscimento di schemi che si ripetono. Non c’è quindi auto-apprendimento.

Cosa è una rete neurale? Di solito viene rappresentata una rete neurale come un panino con strati di cibo uno sopra l’altro. Gli strati contengono neuroni artificiali, che sono piccole unità computazionali che si eccitano – il modo in cui un vero neurone si eccita – e passa quella eccitazione agli altri neuroni a cui sono connessi. L’eccitazione di un neurone è rappresentata da un numero, come 0,13 o 32,39, che dice quanto sia eccitato. E c’è un altro parametro, su ciascuna delle connessioni tra due neuroni, che determina la quantità di eccitazione che deve passare da uno all’altro. Quel numero intende modellare la forza delle sinapsi tra i neuroni nel cervello. Quando il numero è più alto, significa che la connessione è più forte, quindi più dell’eccitazione di uno scorre verso l’altro.

Una delle applicazioni più facili delle reti neurali è il riconoscimento delle immagini. Cioè, riconoscere in un video un determinato oggetto, come in questo caso le mani che si muovono. Il primo passo è quello di ottenere un’immagine. Diciamo per semplicità, è una piccola immagine in bianco e nero che è 100 pixel di larghezza e 100 pixel di altezza. Questa immagine viene sottoposta alla rete neurale impostando l’eccitazione di ciascun neurone simulato nello strato di input in modo che sia uguale alla luminosità di ogni pixel. Si collega quindi questo grande strato di neuroni ad un altro grande strato di neuroni sopra di esso. Infine, nello strato superiore del “panino”, lo strato di uscita, hai appena due neuroni – uno che rappresenta l’oggetto e l’altro che rappresenta il non oggetto. L’idea è insegnare alla rete neurale che il primo di quei neuroni si eccita solo se “vede” l’immagine dell’oggetto, e il secondo, se non ce n’è”. Questa tecnica si chiama Backpropagation ed è un metodo di apprendimento supervisionato. Funziona meglio con enormi quantità di dati. Ecco perché i Big data sono così importanti in questo campo. Ed è questo il limite vero dello sviluppo dell’Ia. Per affinare bene gli algoritmi servono moltissimi dati e capacità di calcolo. Un asset questo che le aziende e le università, a differenza delle grandi piattaforme come ad esempio Google e Facebook, non possiedono. (Qui l’articolo del Mit per approfondire)


______________________________________

Video di spiegazione degli esperimenti di Intelligenza Artificiale offerti da Google:





Il link alla "Teachable Machine" di Google:

       

       https://teachablemachine.withgoogle.com/

L'Intelligenza Artificiale ora compone musica...

Da Repubblica.it

Daddy's Car, così canta l'intelligenza artificiale

L'hanno realizzata i ricercatori del Sony Research Laboratory e il compositore francese Benoît Carré grazie a un software in grado di "apprendere" e comporre spartiti

di Marta MANZO, 25 set 2016

A sentirla è un'orecchiabile canzone pop che ricorda la musica dei Beatles, ma dietro non c'è il quartetto di Liverpool. Si chiama "Daddy's car" ed è la prima canzone interamente composta con l'intelligenza artificiale. L'esperimento è riuscito al Sony Csl Research Laboratory, grazie a un sistema di software chiamato Flow Machines.

I ricercatori hanno impostato un enorme database, con circa tredicimila spartiti di differenti stili e compositori: dentro c'è molto jazz, pop, ma anche tanti brasiliani e classici cantautori americani. Quindi, hanno utilizzato "Flow composer", uno strumento di intelligenza artificiale basato sull'apprendimento automatico. Questo software è una specie di assistente intelligente che aiuta a comporre nuove canzoni, in qualsiasi stile, sia in modalità automatica, sia in modo interattivo, e a creare nuove armonie. Consente anche di modificare le melodie o, basandosi su uno spartito, di comporre come se si stessero suonando strumenti diversi. Basta selezionare stile e lunghezza della pista e si può cominciare a comporre.

Per "Daddy's Car" i ricercatori si sono affidati al cantante e compositore francese Benoît Carré: è stato lui a scegliere lo ''stile Beatles" degli anni '60 e il sistema ha generato melodia e armonia, mentre al compositore è rimasto di scrivere il testo. Quindi, con un altro sistema chiamato Rechord, Carré ha miscelato altri frammenti audio con lo spartito ottenuto. Infine, ha terminato la produzione e mixato. E il risultato è in tutto e per tutto simile a una ben più celebre "All you need is love".

Il giovane autore è ancora al lavoro e ha già creato un'altra canzone, pescando stavolta nel contenitore dei cantautori americani, che contiene spartiti di compositori come Cole Porter, George Gerswhin, Duke Ellington. Con la stessa tecnica, anche qui scrivendo le parole, ha dato luce a "Mr. Shadow".

§§§

Se l'AI canta come i Beatles

La musica composta dall'intelligenza artificiale è un esperimento interessante, pur con i suoi limiti. Ci suona familiare e potrebbe aprire nuove frontiere alla composizione, ma è senz'anima, come la macchina che l'ha generata

di Ernesto ASSANTE, 25 set 2016

LENNON e McCartney possono essere sostituiti dall’intelligenza artificiale? Anzi, i compositori, gli autori, i musicisti, possono essere rimpiazzati da macchine creative? La risposta tecnica è sì, la potete ascoltare nel brano ''impostato'' da Benoit Carnet e creato dal software Flow Machines: Daddys' Car. La risposta critica è ''sì, se le canzoni composte dalle macchine sono belle''. La risposta è anche ''no, perché Lennon & McCartney li abbiamo già avuti''. Insomma, se ci si concede un po' di equilibrio, la risposta corretta dovrebbe essere ''dipende''.

Brian Eno, ad esempio (ma ci sono molti altri artisti che hanno lavorato negli ultimi sessant'anni sulla stessa frontiera) ha ampiamente teorizzato e lavorato attorno alla ''generative music'', musica generata da macchine con un piccolo intervento umano, anzi ha costruito buona parte delle sue opere musicali sul rapporto tra uomo e macchina e sulla possibilità che la musica si crei da sola attraverso le macchine. Flow Machines prova ad applicare le stesse teorie alla canzone, che è materia profondamente diversa e che, fino ad oggi, ha richiesto un fortissimo rapporto con l’autore e un rapporto ancora più forte con l’interprete. Il rapporto tra macchine e creatività è stato fondamentale per lo sviluppo della musica del nostro secolo, le macchine sono servite per creare musiche che non esistevano prima, suoni che hanno aperto mondi completamente nuovi e che hanno dato modo a milioni di musicisti e compositori di creare, a loro volta altre musiche e altri suoni, dando corpo a idee e spazio all’immaginazione. E' questo il caso in questione? Beh, si tratta di un esperimento, in parte riuscito, in parte no, certamente interessante e curioso, un'eccellente dimostrazione delle possibilità della composizione automatica.

Musica senz'anima? Certamente sì, non può averla, non vuole averla, non l'avrà. Sarà un altro tipo di musica, sarà brutta o bella, affascinante e insulsa, inutile o necessaria quanto la musica ''umana''? Non siamo in grado di dirlo oggi, possiamo dire però che fin quando si limiteranno a replicare cose che siamo in grado di fare da soli, sarà sostanzialmente inutile. 

Ma ci servono davvero dei compositori automatici? Beh, avere dell'arte in più non fa mai male, perchè per rendere questo mondo migliore ci servono compositori di ogni genere, ci serve la musica, la creatività, la melodia, non ne possiamo fare a meno. Se i compositori automatici sapranno scrivere bella musica

ben vengano, saranno migliori di altri compositori automatici o umani che ne scrivono di brutta. Se invece si limiteranno all'ovvio o al brutto, beh, saranno in ottima compagnia di tanti compositori umani, alcuni dei quali sia in passato sia oggi sono riusciti anche ad ottenere grande successo.