TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Margaret Mitchell: Come possiamo costruire IA che aiuti gli umani, che non li danneggi.
Filmed:
Readability: 4.6
1,154,210 views
Come ricercatrice presso Google, Margaret Mitchell aiuta a sviluppare computer che possano comunicare quello che vedono e capiscono. Racconta una storia ammonitrice sulle lacune, punti ciechi e preconcetti che inconsciamente codifichiamo nell'IA, e ci chiede di esaminare quello che la tecnologia che creiamo oggi significherà un domani. "Tutto ciò che vediamo adesso è uno spaccato dell'evoluzione dell'intelligenza artificiale", dice Mitchell. "Se vogliamo che l'IA si evolva in modo da aiutare gli umani, allora dobbiamo definire gli obiettivi e le strategie che abilitino quel percorso adesso."
Margaret Mitchell - AI research scientist
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Double-click the English transcript below to play the video.
00:13
I work on helping computers
communicate about the world around us.
communicate about the world around us.
0
1381
4015
Il mio lavoro è aiutare i computer
a descrivere il mondo intorno a noi
a descrivere il mondo intorno a noi
00:17
There are a lot of ways to do this,
1
5754
1793
Ci sono diversi modi per farlo,
00:19
and I like to focus on helping computers
2
7571
2592
mi concentro sull'aiutare i computer
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
a parlare di quello che vedono
e capiscono.
e capiscono.
Prendendo una scena come questa,
00:25
Given a scene like this,
4
13514
1571
un moderno algoritmo
di visione artificiale
di visione artificiale
00:27
a modern computer-vision algorithm
5
15109
1905
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
può dirvi che c'è una donna
e c'è un cane.
e c'è un cane.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Può dirvi che la donna sta sorridendo.
00:34
It might even be able to tell you
that the dog is incredibly cute.
that the dog is incredibly cute.
8
22887
3873
Potrebbe anche dirvi
che il cane è molto carino.
che il cane è molto carino.
00:38
I work on this problem
9
26784
1349
Lavoro su questo problema
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
pensando al modo in cui gli umani
capiscono e processano il mondo.
capiscono e processano il mondo.
00:45
The thoughts, memories and stories
11
33577
2952
I pensieri, ricordi e storie
che una scena come questa
può suscitare negli umani.
può suscitare negli umani.
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Tutte le interconnessioni
di situazioni correlate.
di situazioni correlate.
Forse avete visto
un cane come questo,
un cane come questo,
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
00:58
or you've spent time
running on a beach like this one,
running on a beach like this one,
15
46854
2969
o avete passato del tempo
a correre su una spiaggia come questa
a correre su una spiaggia come questa
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
e quindi evoca pensieri
e ricordi di una vacanza passata,
e ricordi di una vacanza passata,
01:06
past times to the beach,
17
54649
1920
tempi passati in spiaggia,
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
tempi passati a correre con altri cani.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Uno dei miei principi guida
è che aiutando i computer a capire
è che aiutando i computer a capire
01:16
what it's like to have these experiences,
20
64919
2896
com'è avere queste esperienze,
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
a capire cosa condividiamo
e crediamo e sentiamo,
e crediamo e sentiamo,
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
allora siamo in un'ottima posizione
per far evolvere la tecnologia informatica
per far evolvere la tecnologia informatica
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
in modo complementare
con le nostre esperienze.
con le nostre esperienze.
01:35
So, digging more deeply into this,
24
83539
3387
Quindi, andando più in profondità,
01:38
a few years ago I began working on helping
computers to generate human-like stories
computers to generate human-like stories
25
86950
5905
alcuni anni fa mi occupavo di
far generare ai computer storie verosimili
far generare ai computer storie verosimili
01:44
from sequences of images.
26
92879
1666
partendo da sequenze di immagini.
01:47
So, one day,
27
95427
1904
Così un giorno,
01:49
I was working with my computer to ask it
what it thought about a trip to Australia.
what it thought about a trip to Australia.
28
97355
4622
lavoravo al computer chiedendogli
cosa pensasse di un viaggio in Australia.
cosa pensasse di un viaggio in Australia.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
Diede un'occhiata alle fotografie
e vide un koala.
e vide un koala.
01:58
It didn't know what the koala was,
30
106236
1643
Non sapeva cosa fosse un koala,
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
ma disse che era una creatura
dall'aspetto interessante.
dall'aspetto interessante.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Poi condivisi una serie di immagini
di una casa che stava bruciando.
di una casa che stava bruciando.
02:09
It took a look at the images and it said,
33
117704
3285
Diede un'occhiata alle immagini e disse:
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
"È una vista fantastica!
È spettacolare!"
È spettacolare!"
02:17
It sent chills down my spine.
35
125450
2095
Mi sono venuti i brividi.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Ha visto un evento orribile,
che cambia la vita, che la distrugge
che cambia la vita, che la distrugge
02:25
and thought it was something positive.
37
133579
2382
e pensava che fosse qualcosa di positivo.
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
Capii che riconosceva il contrasto,
02:31
the reds, the yellows,
39
139450
2699
i rossi, i gialli,
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
e pensava che fosse qualcosa
da commentare positivamente.
da commentare positivamente.
Un motivo per cui faceva così
02:37
And part of why it was doing this
41
145928
1615
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
era perché la maggior parte
delle immagini che gli avevo dato
delle immagini che gli avevo dato
02:42
were positive images.
43
150546
1840
erano positive.
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
Perché le persone tendono
a condividere immagini positive
a condividere immagini positive
02:48
when they talk about their experiences.
45
156585
2190
quando parlano
delle loro esperienze.
delle loro esperienze.
Quando mai avete visto
un selfie a un funerale?
un selfie a un funerale?
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
Capii che lavorando
al miglioramento dell'IA
al miglioramento dell'IA
02:58
task by task, dataset by dataset,
48
166553
3714
compito dopo compito,
dataset dopo dataset,
dataset dopo dataset,
03:02
that I was creating massive gaps,
49
170291
2897
stavo creando enormi lacune,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
buchi e punti ciechi
in ciò che poteva capire.
in ciò che poteva capire.
03:10
And while doing so,
51
178307
1334
E nel fare ciò,
03:11
I was encoding all kinds of biases.
52
179665
2483
stavo codificando
tutti i tipi di preconcetti.
tutti i tipi di preconcetti.
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Preconcetti che riflettono
un punto di vista limitato,
un punto di vista limitato,
03:18
limited to a single dataset --
54
186371
2261
limitato a un singolo dataset.
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
Preconcetti che riflettono
quelli umani trovati nei dati,
quelli umani trovati nei dati,
03:25
such as prejudice and stereotyping.
56
193165
3104
come pregiudizi e stereotipi.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Ho ripensato all'evoluzione
della tecnologia
della tecnologia
03:32
that brought me to where I was that day --
58
200635
2502
che mi ha portata dove ero quel giorno,
03:35
how the first color images
59
203966
2233
come le prime immagini a colori
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
fossero state calibrate sulla
pelle di una donna bianca,
pelle di una donna bianca,
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
quindi la fotografia a colori
penalizzava i volti neri.
penalizzava i volti neri.
03:46
And that same bias, that same blind spot
62
214514
2925
E quello stesso pregiudizio,
quello stesso punto cieco
quello stesso punto cieco
03:49
continued well into the '90s.
63
217463
1867
persisteva negli anni '90.
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
E lo stesso punto cieco
persiste anche oggi
persiste anche oggi
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
nel modo in cui riconosciamo
volti di persone diverse
volti di persone diverse
03:58
in facial recognition technology.
66
226601
2200
nella tecnologia
del riconoscimento facciale.
del riconoscimento facciale.
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
Ho pensato allo stato dell'arte
nella ricerca di oggi,
nella ricerca di oggi,
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
tendiamo a limitare il nostro pensiero
a un dataset e un problema.
a un dataset e un problema.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
E facendo ciò,
creiamo più punti ciechi e preconcetti
creiamo più punti ciechi e preconcetti
04:14
that the AI could further amplify.
70
242593
2277
che l'IA potrebbe amplificare.
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
Ho capito quindi
che dovremmo pensare di più
che dovremmo pensare di più
04:19
about how the technology we work on today
looks in five years, in 10 years.
looks in five years, in 10 years.
72
247815
5519
a come la tecnologia a cui lavoriamo oggi
sarà tra 5, 10 anni.
sarà tra 5, 10 anni.
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
Gli umani si evolvono lentamente
nel tempo, per correggere errori
nel tempo, per correggere errori
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
nell'interazione tra loro
e il loro ambiente.
e il loro ambiente.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
Mentre l'intelligenza artificiale
si evolve a ritmi velocissimi,
si evolve a ritmi velocissimi,
04:39
And that means that it really matters
76
267013
1773
quindi è molto importante
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
che ci ragioniamo attentamente adesso,
04:44
that we reflect on our own blind spots,
78
272180
3008
che riflettiamo sui nostri punti ciechi,
04:47
our own biases,
79
275212
2317
sui nostri preconcetti,
e pensiamo a come ciò modella
la tecnologia che stiamo creando
la tecnologia che stiamo creando
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
e parliamo di cosa la tecnologia di oggi
rappresenterà un domani.
rappresenterà un domani.
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
Amministratori delegati e scienziati
hanno detto la loro
hanno detto la loro
su ciò che sarà la tecnologia
dell'IA del futuro.
dell'IA del futuro.
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
05:05
Stephen Hawking warns that
84
293157
1618
Stephen Hawking avverte che
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
"l'intelligenza artificiale
potrebbe porre fine all'umanità".
potrebbe porre fine all'umanità".
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
Elon Musk dice che
è un rischio esistenziale
è un rischio esistenziale
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
e uno dei maggiori rischi
che affrontiamo in quanto civiltà.
che affrontiamo in quanto civiltà.
05:17
Bill Gates has made the point,
88
305665
1452
Bill Gates ha affermato:
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
"Non capisco perché le persone
non siano più preoccupate di così".
non siano più preoccupate di così".
Ma questi punti di vista
05:23
But these views --
90
311412
1318
05:25
they're part of the story.
91
313618
1734
fanno parte della storia.
05:28
The math, the models,
92
316079
2420
La matematica, i modelli,
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
le fondamenta su cui si basa
l'intelligenza artificiale
l'intelligenza artificiale
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
sono cose a cui possiamo accedere
e con cui possiamo lavorare.
e con cui possiamo lavorare.
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
Abbiamo strumenti open-source
per il machine learning e IA
per il machine learning e IA
05:40
that we can contribute to.
96
328585
1734
ai quali possiamo contribuire.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
Inoltre possiamo condividere
la nostra esperienza.
la nostra esperienza.
Possiamo condividere la nostra esperienza
con la tecnologia, come ci riguarda
con la tecnologia, come ci riguarda
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
05:50
and how it excites us.
99
338252
1467
e come ci affascina.
05:52
We can discuss what we love.
100
340251
1867
Possiamo discutere su ciò che amiamo.
05:55
We can communicate with foresight
101
343244
2031
Possiamo prevedere
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
quali aspetti
possono essere più benefici
possono essere più benefici
o più problematici col tempo.
06:02
or could be more problematic over time.
103
350180
2600
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Se ci concentriamo
nell'apertura della discussione sull'IA
nell'apertura della discussione sull'IA
06:09
with foresight towards the future,
105
357966
1809
con lungimiranza verso il futuro,
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
ci aiuterà a creare una conversazione
e consapevolezza generali
e consapevolezza generali
06:17
about what AI is now,
107
365387
2513
su ciò che è ora l'IA,
06:21
what it can become
108
369212
2001
su ciò che può diventare
06:23
and all the things that we need to do
109
371237
1785
e su ciò che dobbiamo ancora fare
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
per avere i migliori risultati possibili.
06:29
We already see and know this
in the technology that we use today.
in the technology that we use today.
111
377490
3674
Vediamo e conosciamo già
la tecnologia che usiamo oggi.
la tecnologia che usiamo oggi.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
Usiamo smartphone e
assistenti digitali e robot aspirapolvere.
assistenti digitali e robot aspirapolvere.
06:38
Are they evil?
113
386457
1150
Sono malvagi?
06:40
Maybe sometimes.
114
388268
1547
Forse a volte.
06:42
Are they beneficial?
115
390664
1333
Sono benefici?
06:45
Yes, they're that, too.
116
393005
1533
Sì, sono anche questo.
06:48
And they're not all the same.
117
396236
1761
E non sono tutti uguali.
06:50
And there you already see
a light shining on what the future holds.
a light shining on what the future holds.
118
398489
3540
E potete già vedere
un futuro brillante davanti a noi.
un futuro brillante davanti a noi.
06:54
The future continues on
from what we build and create right now.
from what we build and create right now.
119
402942
3619
Il futuro prosegue
da ciò che costruiamo e creiamo adesso.
da ciò che costruiamo e creiamo adesso.
06:59
We set into motion that domino effect
120
407165
2642
Mettiamo in moto quell'effetto domino
07:01
that carves out AI's evolutionary path.
121
409831
2600
che costituisce
il percorso evolutivo dell'IA.
il percorso evolutivo dell'IA.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
Nel nostro tempo, ora,
plasmiamo l'IA di domani.
plasmiamo l'IA di domani.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
La tecnologia che ci immerge
nelle realtà aumentate
nelle realtà aumentate
07:12
bringing to life past worlds.
124
420289
2566
e porta in vita mondi remoti.
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
La tecnologia che aiuta la gente
a condividere le esperienze
a condividere le esperienze
07:20
when they have difficulty communicating.
126
428180
2262
quando hanno difficoltà a comunicare.
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
La tecnologia costruita
per capire i flussi di immagini
per capire i flussi di immagini
07:27
used as technology for self-driving cars.
128
435879
3079
usata per le vetture autonome.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
La tecnologia costruita per capire
le immagini e generare linguaggio,
le immagini e generare linguaggio,
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
si trasforma in tecnologia che aiuta
coloro che hanno la vista compromessa
coloro che hanno la vista compromessa
07:40
be better able to access the visual world.
131
448014
2800
ad avere accesso al mondo visivo.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
E sappiamo anche come
la tecnologia possa portare problemi.
la tecnologia possa portare problemi.
07:46
We have technology today
133
454885
1428
Esiste la tecnologia
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
che analizza le caratteristiche fisiche
con cui siamo nati,
con cui siamo nati,
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
come il colore della pelle
o la nostra espressione,
o la nostra espressione,
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
per determinare se possiamo essere
o no criminali o terroristi.
o no criminali o terroristi.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
Esiste la tecnologia
che usa i nostri dati,
che usa i nostri dati,
anche dati riguardanti
il nostro genere o la nostra etnia,
il nostro genere o la nostra etnia,
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
per determinare se possiamo
ottenere o meno un prestito.
ottenere o meno un prestito.
08:09
All that we see now
140
477494
1579
Quello che vediamo ora
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
è uno spaccato dell'evoluzione
dell'intelligenza artificiale.
dell'intelligenza artificiale.
08:15
Because where we are right now,
142
483763
1778
Perché noi ci troviamo ora
08:17
is within a moment of that evolution.
143
485565
2238
a un passo da quell'evoluzione.
08:20
That means that what we do now
will affect what happens down the line
will affect what happens down the line
144
488690
3802
Quello che facciamo ora influenzerà
ciò che accade lungo il cammino
ciò che accade lungo il cammino
08:24
and in the future.
145
492516
1200
e nel futuro.
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Se vogliamo che l'IA si evolva
per aiutare gli umani,
per aiutare gli umani,
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
allora dobbiamo definire
gli obiettivi e le strategie
gli obiettivi e le strategie
08:32
that enable that path now.
148
500863
1733
che abilitano quel percorso adesso.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Ciò che vorrei vedere
è qualcosa che si adatti agli umani,
è qualcosa che si adatti agli umani,
08:39
with our culture and with the environment.
150
507442
2800
alla nostra cultura e all'ambiente.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Tecnologia che assista
la gente con problemi neurologici
la gente con problemi neurologici
08:47
or other disabilities
152
515943
1721
o altre disabilità
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
per rendere le sfide della vita
uguali per tutti.
uguali per tutti.
08:54
Technology that works
154
522097
1421
La tecnologia che lavori
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
a prescindere dai vostri dati demografici
o dal colore della pelle.
o dal colore della pelle.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Oggi, quello su cui mi concentro
è la tecnologia per domani
è la tecnologia per domani
09:05
and for 10 years from now.
157
533149
1733
e per i prossimi 10 anni.
09:08
AI can turn out in many different ways.
158
536530
2634
L'IA può diventare molte cose.
09:11
But in this case,
159
539688
1225
Ma in questo caso
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
non è una vettura automatica
senza destinazione.
senza destinazione.
09:16
This is the car that we are driving.
161
544884
2400
Questa è una vettura
che guidiamo noi.
che guidiamo noi.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
Scegliamo noi quando accelerare
e quando rallentare.
e quando rallentare.
09:23
We choose if we need to make a turn.
163
551572
2400
Scegliamo noi se svoltare.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
Scegliamo noi
quale sarà l'IA del futuro.
quale sarà l'IA del futuro.
09:31
There's a vast playing field
165
559186
1337
C'è una vasta scelta
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
di tutto ciò che l'IA può diventare.
09:36
It will become many things.
167
564064
1800
Diventerà molte cose.
09:39
And it's up to us now,
168
567694
1732
E dipende da noi adesso,
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
al fine di capire cosa
dobbiamo mettere in atto
dobbiamo mettere in atto
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
per assicurarci che gli esiti
dell'intelligenza artificiale
dell'intelligenza artificiale
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
saranno i migliori per tutti noi.
09:51
Thank you.
172
579456
1150
Grazie
09:52
(Applause)
173
580630
2187
(Applausi)
ABOUT THE SPEAKER
Margaret Mitchell - AI research scientistMargaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence.
Why you should listen
Margaret Mitchell's research involves vision-language and grounded language generation, focusing on how to evolve artificial intelligence towards positive goals. Her work combines computer vision, natural language processing, social media as well as many statistical methods and insights from cognitive science. Before Google, Mitchell was a founding member of Microsoft Research's "Cognition" group, focused on advancing artificial intelligence, and a researcher in Microsoft Research's Natural Language Processing group.
Margaret Mitchell | Speaker | TED.com