Torniamo a parlare di Machine Learning e di Explanations, ma questa volta con un paradigma del tutto nuovo: Explanatory Learning.

Seguendo l’esempio del Reinforcement Learning con i giochi Atari, in questa chiacchierata illustreremo le sfide dell’Explanatory Learning con Odeen, un gioco che simula l’impresa scientifica in un semplice universo stile Flatlandia. Introdurremo quindi le Critical Rationalist Networks, un approccio basato sul deep learning (Transformers) che si ispira alla teoria epistemologica di Popper per risolvere problemi di EL. Infine confronteremo le CRNs con approcci neurali end-to-end e di Program Synthesis su Odeen, discutendo prestazioni, garanzie, flessibilità ed effettiva spiegabilità dei diversi metodi.

Antonio Norelli  è un dottorando di Informatica alla Sapienza di Roma nel laboratorio di ricerca GLADIA, dove lavora con il prof. Emanuele Rodolà su AI e Deep Learning. Fisico di formazione, ha conseguito la laurea magistrale in Informatica e il diploma di eccellenza della SSAS, la Scuola Superiore di Studi Avanzati della Sapienza. Ha lavorato come Research Intern a Spiketrap (startup di San Francisco, USA) e come Applied Scientist Intern ad Amazon Science (Laboratorio Lablet a Tubinga, Germania).

Repo github con i riferimenti all’articolo ed ai dataset

I sistemi più recenti di intelligenza artificiale, come ad esempio quelli basati su deep learning, benché solitamente molto accurati, spesso non consentono una facile compresione delle dinamiche che li portano a generare le proprie “predizioni”.

L’Explainable AI è un campo di ricerca che studia come meglio comprendere ed interpretare sistemi opachi, quali ad esempio le reti neurali, attraverso l’uso di “spiegazioni”. Tali spiegazioni consentono di identificare i meccanismi di funzionamento interni di questi sistemi e conseguentemente di capire se potervi fare affidamento per prendere decisioni.  Ad esempio una spiegazione per una predizione corretta generata da una rete neurale consente di capire se tale predizione è corretta per i motivi giusti. Oppure una spiegazione può aiutare a capire per quali ragioni un sistema basato su AI produce una predizione sbagliata e, conseguentemente, può aiutare a capire come migliorare il sistema (o i dati utilizzati per addestrarlo).

In questo intervento vedremo una panoramica sul campo dell’explainable AI, illustrando alcune delle tecniche più conosciute per la generazione di spiegazioni; a seguire verranno presentate delle tecniche di Explainable AI specifiche per sistemi che utilizzano AI per task di data management. Infine vedremo come alcune spiegazioni possono operativamente essere utilizzate per migliorare i sistemi stessi.

Tommaso Teofili è Principal Software Engineer a Red Hat e dottorando all’Università Roma Tre. Svolge attività di ricerca e sviluppo nel campo dell’Explainable AI, nonché appassionato di tematiche di NLP e Information Retrieval. Contribuisce attivamente a diversi progetti open source come membro dell’Apache Software Foundation.

Nel prossimo meetup DataScienceSeed parleremo di un prodotto basato su AI che è partito da Genova, per raggiungere il mercato in USA con l’acquisizione da parte di una multinazionale. Stiamo parlando di Pillo, il robot assistente alla salute, ed i nostri relatori saranno Emanuele Baglini e Antonello Scalmato, che incontreremo online il   23 Marzo a partire dalle 18:00.

Pillo è stato il primo social robot destinato alla salute al mondo. E’ un assistente vocale, in grado di erogare dosi di medicinali in maniera proattiva. Il device riconosce la persona a cui deve dispensare le medicine, erogandole al destinatario alla giusta ora. Pillo aiuta anche i familiari e caregiver a monitorare lo stato di assunzione della terapia, consentendo loro di intervenire.

Pillo Health ha raccolto nel tempo 13 milioni di dollari da diversi investitori, tra cui Stanley Venture e Samsung Venture, ed è passato da solo una idea ad un prodotto realizzato in migliaia di esemplari e commercializzato in USA.

Pillo è stato pluripremiato in diverse occasioni, tra cui alcuni dei più prestigiosi sono stati l’”Intelligent Assistant Award 2019” ad HIMSS 2019 di Orlando e l’”Innovation Award 2019” al CES di Las Vegas.

Nel corso del talk ripercorreremo la crescita di Pillo Health, dall’idea fino all’acquisto da parte di Stanley Black+Decker e passeremo in rassegna gli aspetti chiave dello sviluppo di un prodotto così complesso partendo da zero e con risorse limitate, tra cui avere il team giusto ed una precisa strategia per velocizzare lo sviluppo e utilizzare ogni possibile componente messa a disposizione dal mercato, senza reinventare la ruota.

Emanuele Baglini – Emanuele ha oltre 20 anni di esperienza nell’ingegneria (hardware, software e produzione). Dopo la laurea in ingegneria informatica, ha lavorato nel gruppo di ricerca di robotica dell’Università di Genova. Ha approfondito la conoscenza dei sistemi embedded, delle reti di sensori e, più in generale, di vari campi della robotica. Emanuele ha gestito team di ricerca e sviluppo e ha maturato una profonda esperienza nella gestione, sviluppo e produzione di prodotti complessi. È stato responsabile della gestione operativa e finanziaria di piccole imprese, per le quali ha ricoperto la carica di amministratore delegato. È coautore di articoli accademici e inventore di brevetti internazionali. Emanuele è stato CTO in Pillo Health, dove ha diretto la ricerca e lo sviluppo del prodotto, portandolo da un’idea al prodotto realizzato in migliaia di unità. Attualmente è uno dei co-fondatori di Ermit, dove ricopre il ruolo di CEO.

Antonello Scalmato, Ph.D. – Antonello ha un dottorato di ricerca in Robotica e Ambient Intelligence. Ha lavorato per più di 10 anni in diversi campi dell’intelligenza artificiale, con una specializzazione sulla rappresentazione della conoscenza, ed è autore di oltre 20 articoli su questi temi di ricerca. È coautore di diversi brevetti, in particolare di uno relativo al Context Awareness in Smart Home e di uno dei brevetti di Pillo Health relativi al Robot e alle sue funzionalità. Negli anni è diventato un esperto di architettura di servizi basati sul cloud. In Pillo Health è stato il Director of Cloud and AI services. Attualmente è uno dei co-fondatori di Ermit, dove ricopre il ruolo di Director of Cloud & Intelligent Services.

Ultimo appuntamento dell’anno con i meetup di datascienceseed. Con la nuova formula ibrida con l’incontro in presenza aperto agli iscritti all’associazione, insieme al nostro usuale streaming sul canale youtube, ci vediamo poco prima di natale Giovedi 16 Dicembre, a partire dalle ore 18:00  per parlare di buchi e crepe.

Registrazione su eventbrite seguendo il link qui sotto: La prenotazione su eventbrite riguarda per il momento l’accesso web. Dobbiamo ancora avere le conferme finali per consentire ai soci dell’associazione DataScienceSeed di partecipare in presenza.

Andrea Ranieri, ricercatore del CNR-IMATI di Genova, ci descriverà una applicazione del deep-learning ad un problema ben noto a chiunque abbia percorso una strada asfaltata: la manutenzione del manto stradale.

L’infrastruttura stradale è uno dei pilastri delle moderne società: essa rende possibile il trasporto efficiente di persone e merci laddove altre modalità di trasporto non potrebbero competere in termini di costo.

Tuttavia l’asfalto stradale tende a deteriorarsi col tempo, con l’utilizzo e a causa dei fenomeni atmosferici ed ambientali. E’ proprio la capillarità dell’infrastruttura stradale, il suo maggior pregio, che la rende anche molto difficile e costosa da monitorare e manutenere – solo negli US, sia i danni agli automobilisti che per la manutenzione delle strade sono stimati in “billions USD/year”.

Ad oggi, in Italia come anche nella maggioranza dei Paesi nel mondo, il rilevamento dei danni al manto stradale avviene manualmente, con operatori specializzati in campo e costose attrezzature. Questo limita molto l’efficacia del monitoraggio da parte degli enti preposti alla manutenzione.

Il CNR di Genova ha recentemente iniziato ad applicare la Computer Vision, le Reti Neurali e l’Intelligenza Artificiale al problema della pothole e crack detection sul manto stradale. L’approccio scelto è quello di eseguire la segmentazione semantica di immagini stradali per individuare in modo molto preciso sia buche che fessurazioni.

Andrea ci racconterà come è possibile fare tutto questo, e quali sono gli scenari futuri resi possibili dall’utilizzo di self-supervised learning e telecamere RGB-D.

Andrea Ranieri è ricercatore presso il Consiglio Nazionale delle Ricerche, Istituto di Matematica Applicata e Tecnologie Informatiche (IMATI), dove si occupa di Deep Learning e AI principalmente in ambito Computer Vision. Andrea ha una laurea in Ingegneria Informatica, un Dottorato di Ricerca in Scienze ed Ingegneria dello Spazio e un background tecnologico estremamente vario che va da networking e sistemi distribuiti a robotica e perception. Usa Linux quotidianamente da più di 15 anni e Python e Fast.ai da neanche 3. I suoi interessi di ricerca vanno dalla segmentazione di immagini al self-supervised learning, passando per tecniche “context-aware” per la data augmentation.