{"id":16160,"date":"2018-08-22T13:24:25","date_gmt":"2018-08-22T11:24:25","guid":{"rendered":"https:\/\/www.kaspersky.it\/blog\/?p=16160"},"modified":"2021-04-28T16:04:05","modified_gmt":"2021-04-28T14:04:05","slug":"machine-learning-nine-challenges","status":"publish","type":"post","link":"https:\/\/www.kaspersky.it\/blog\/machine-learning-nine-challenges\/16160\/","title":{"rendered":"Le nove sfide dell&#8217;apprendimento automatico"},"content":{"rendered":"<p>Speriamo di vivere un futuro brillante ma, al giorno d\u2019oggi, l\u2019intelligenza artificiale (acronimo IA) ci fa porre molte domande, alcune delle quali riguardano la morale e l\u2019etica. In cosa ci ha gi\u00e0 sorpreso l\u2019apprendimento automatico? Si pu\u00f2 ingannare una macchina e, in tal caso, \u00e8 molto difficile riuscirci? Ci aspetta un futuro alla Skynet e di ribellione delle macchine? Vediamo un po\u2019.<\/p>\n<input type=\"hidden\" class=\"category_for_banner\" value=\"kis-difenditi-attacchi-informatici\">\n<h2><\/h2>\n<h2>Intelligenza artificiale forte e debole<\/h2>\n<p>Innanzitutto, dobbiamo fare una differenza tra due concetti: esiste una intelligenza artificiale forte e una debole. L\u2019IA forte sarebbe un\u2019ipotetica macchina in grado di pensare, cosciente di esistere in quanto tale. Non solo pu\u00f2 portare a termini i compiti assegnati ma sarebbe in grado di imparare.<\/p>\n<p>L\u2019IA debole esiste gi\u00e0; si trova in applicazioni create per risolvere problemi specifici, ad esempio riconoscere un\u2019immagine, guidare un\u2019auto, giocare a Go etc. L\u2019IA debole viene chiamata anche \u201capprendimento automatico\u201d.<\/p>\n<p>Non sappiamo ancora se sar\u00e0 mai inventata l\u2019IA forte. Secondo alcuni <a href=\"https:\/\/www.technologyreview.com\/s\/607970\/experts-predict-when-artificial-intelligence-will-exceed-human-performance\/\" target=\"_blank\" rel=\"noopener nofollow\">sondaggi degli esperti<\/a>, dovremo aspettare almeno altri 45 anni. \u201cUn giorno\u201d si far\u00e0, diciamo cos\u00ec. Gli esperti dicono anche che l\u2019energia per fusione sar\u00e0 in commercio tra 40 anni, ed \u00e8 ci\u00f2 che hanno detto circa 50 anni fa.<\/p>\n<h2>Cosa pu\u00f2 andare storto?<\/h2>\n<p>Insomma, anche se son sappiamo se l\u2019IA forte sar\u00e0 fattibile, quella debole \u00e8 gi\u00e0 tra noi, lavora sodo in molti settori e le aree in cui viene impiegata aumentano progressivamente ogni anno. L\u2019apprendimento automatico ci consente di gestire compiti pratici senza una programmazione definita proprio perch\u00e9, come dice il termine stesso, questa tecnologia apprende da esempi. Per maggiori informazioni sull\u2019argomento, vi consigliamo di dare una lettura al nostro articolo del blog <a href=\"https:\/\/www.kaspersky.it\/blog\/machine-learning-explained\/9350\/\" target=\"_blank\" rel=\"noopener\">\u201cCome funziona l\u2019apprendimento automatico, in parole semplici\u201d<\/a>.<\/p>\n<p>Insegniamo alle macchine a risolvere problemi concreti, e il modello matematico risultante (che chiamiamo algoritmo \u201cdi apprendimento\u201d) non pu\u00f2 portare a una macchina con un desiderio irrefrenabile di opprimere o salvare l\u2019umanit\u00e0. In altre parole, non dobbiamo preoccuparci che lA debole sfoci in un futuro scenario alla Skynet. In ogni caso, non tutto potrebbe andare per il verso giusto. Vediamo qualche caso.<\/p>\n<h3>1 .Cattive intenzioni<\/h3>\n<p>Se mediante l\u2019apprendimento automatico insegniamo a un esercito di droni a uccidere, il risultato pu\u00f2 essere considerato etico?<\/p>\n<p><span class=\"embed-youtube\" style=\"text-align:center; display: block;\"><iframe class=\"youtube-player\" type=\"text\/html\" width=\"640\" height=\"390\" src=\"https:\/\/www.youtube.com\/embed\/TlO2gcs1YvM?version=3&amp;rel=1&amp;fs=1&amp;showsearch=0&amp;showinfo=1&amp;iv_load_policy=1&amp;wmode=transparent\" frameborder=\"0\" allowfullscreen=\"true\"><\/iframe><\/span><\/p>\n<p>L\u2019anno scorso c\u2019\u00e8 stato un piccolo scandalo in merito. <a href=\"https:\/\/gizmodo.com\/google-employees-resign-in-protest-against-pentagon-con-1825729300\" target=\"_blank\" rel=\"noopener nofollow\">Google sta sviluppando un software<\/a> impiegato in un progetto militare chiamato Project Maven che coinvolge droni. Nel futuro, ci\u00f2 potrebbe portare a creare armi completamente autonome.<\/p>\n<p>Dodici dipendenti di Google hanno rassegnato le dimissioni per protesta e altri 4 mila dipendenti hanno firmato una petizione dove si chiede alla compagnia di rinunciare a questo appalto militare. Oltre mille scienziati rinomati nel campo dell\u2019intelligenza artificiale, dell\u2019etica e della tecnologia informatica hanno scritto una <a href=\"https:\/\/www.icrac.net\/open-letter-in-support-of-google-employees-and-tech-workers\/\" target=\"_blank\" rel=\"noopener nofollow\">lettera aperta<\/a> a Google per chiedere all\u2019azienda di abbandonare il progetto e di sostenere un accordo a livello internazionale per bandire le armi autonome.<\/p>\n<h3>2. Intenzioni degli sviluppatori<\/h3>\n<p>Anche se gli sviluppatori degli algoritmi per l\u2019apprendimento automatico non hanno intenzioni di fare del male, molti di loro vorranno comunque guadagnarci. In sostanza, gli algoritmi vengono creati per generare benefici agli sviluppatori e non sempre per il bene della societ\u00e0. Ad esempio, alcuni algoritmi nel campo medico potrebbero consigliare cure costose invece di pensare a ci\u00f2 che \u00e8 meglio per il paziente.<\/p>\n<p>A volte \u00e8 la societ\u00e0 stessa a non avere interesse per un algoritmo che potrebbe diventare un termine di paragone a livello morale. Ad esempio, esiste un compromesso tra la velocit\u00e0 di guida e il tasso di mortalit\u00e0 di un incidente automobilistico. Potremmo programmare i veicoli autonomi che si muovano a una velocit\u00e0 massima di 30 km\/h, il che ridurrebbe quasi a zero il tasso di mortalit\u00e0 ma comprometterebbe il senso stesso di utilizzare un\u2019automobile.<\/p>\n<h3>3. I parametri di sistema non sempre includono l\u2019etica<\/h3>\n<p>Di default i computer ovviamente non sanno nulla di etica. Un algoritmo pu\u00f2 organizzare un budget a livello nazionale con lo scopo di \u201cmassimizzare il rapporto tra PIL\/produttivit\u00e0 lavorativa\/aspettativa di vita\u201d; tuttavia, se nel modello non vengono inclusi dei limiti etici, verrebbero eliminati i budget dedicati alle scuole, agli ospedali e all\u2019ambiente, in quanto non generano entrate dirette per il PIL di un paese.<\/p>\n<p>E se andiamo oltre, si potrebbe decidere di aumentare la produttivit\u00e0 al massimo sbarazzandosi di chiunque non possa lavorare.<\/p>\n<p>Insomma, le questioni etiche devono essere considerate sempre e fin dal primo momento.<\/p>\n<h3>4. Relativit\u00e0 etica<\/h3>\n<p>L\u2019etica subisce dei cambiamenti nel tempo, e a volte anche velocemente. Per esempio, l\u2019opinione pubblica pu\u00f2 cambiare opinione su temi importanti come i diritti LGTB, i matrimoni interculturali e tra caste nel corso di una sola generazione.<\/p>\n<p>L\u2019etica pu\u00f2 variare anche da un gruppo all\u2019altro in uno stesso paese, per non parlare da un paese all\u2019altro. In Cina, ad esempio, l\u2019uso del riconoscimento facciale per la <a href=\"http:\/\/www.businessinsider.com\/how-china-is-watching-its-citizens-in-a-modern-surveillance-state-2018-4\" target=\"_blank\" rel=\"noopener nofollow\">sorveglianza di massa<\/a> \u00e8 ormai la norma, mentre in altri paesi c\u2019\u00e8 un punto di vista completamente diverso sull\u2019argomento e la decisione pu\u00f2 dipendere dalla situazione.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignleft size-full wp-image-16166\" src=\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/89\/2018\/08\/23131812\/machine-learning-challenges-face-recognition-china.png\" alt=\"\" width=\"1741\" height=\"1003\"><\/p>\n<p>Anche il clima politico pu\u00f2 influire: ad esempio, in alcuni paesi la guerra al terrorismo ha cambiato in modo molto veloce e significativo norme e ideali etici.<\/p>\n<h3>5. L\u2019apprendimento automatico cambia anche l\u2019uomo<\/h3>\n<p>I sistemi di apprendimento automatico (solo per proporre un esempio di come l\u2019IA influisce direttamente sulle nostre vite) ci consigliamo quali film vedere in base alle opinioni che abbiamo dato su altri film e dopo aver confrontato le nostre preferenze con quelle di altri utenti. E i risultati possono essere alquanto azzeccati.<\/p>\n<p>Un sistema che consiglia un film si adatta alle nostre preferenze nel tempo, con lo scopo di avvicinarsi il pi\u00f9 possibile ai nostri desideri. Se non fosse cos\u00ec, ogni tanto potremmo imbatterci in film che non ci piacciono affatto o in genere a cui non siamo affini. Grazie all\u2019IA, ogni film che ci viene proposto raggiunge l\u2019obiettivo e, alla fine, non ci mettiamo pi\u00f9 a cercare ci\u00f2 che ci piace e ci limitiamo a consumare il prodotto che ci viene proposto.<\/p>\n<p>E la cosa pi\u00f9 interessante \u00e8 che nemmeno ci accorgiamo di essere stati manipolati dagli algoritmi. L\u2019esempio della scelta di un film non \u00e8 preoccupante, ma pensiamo quando si fa lo stesso con le notizie e la propaganda.<\/p>\n<h3>6. False correlazioni<\/h3>\n<p>Una falsa correlazione si verifica quando elementi completamente indipendenti tra loro hanno un comportamento molto simile, il che pu\u00f2 creare l\u2019illusione che siano in qualche modo interconnessei Ad esempio, sapevate che il consumo di margarina negli Stati Uniti ha una forte correlazione con il tasso di divorzio dello stato del Maine?<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignleft size-full wp-image-16167\" src=\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/89\/2018\/08\/23131843\/machine-learning-challenges-false-correlation-EN.png\" alt=\"\" width=\"1900\" height=\"900\"><\/p>\n<p>Ovviamente le persone in carne e ossa, affidandosi alla propria esperienza e intelligenza, capiscono subito che una qualsiasi correlazione diretta tra questi due dati \u00e8 altamente improbabile. Tuttavia, un modello matematico non possiede tale conoscenza, si occupa solo di apprendere dei dati e di creare modelli generici.<\/p>\n<p>Un esempio noto riguarda un programma che selezionava i pazienti che richiedevano con maggiore urgenza l\u2019intervento di un medico. Tale programma era arrivato alla conclusione che i pazienti di asma con polmonite non avevano bisogno di intervento medico quanto i pazienti senza asma. Il programma aveva analizzato i dati e aveva deciso che i pazienti con asma erano in minor pericolo di vita e non erano quindi una priorit\u00e0. In realt\u00e0, il tasso di mortalit\u00e0 era basso proprio perch\u00e9 avevano sempre ricevuto aiuto tempestivamente per via dell\u2019alto rischio dovuto alle loro condizioni di salute.<\/p>\n<h3>7. Loop dei feedback<\/h3>\n<p>Tale fenomeno \u00e8 ancora pi\u00f9 grave delle false correlazioni; avviene quando le decisioni prese da un algoritmo hanno conseguenze sulla realt\u00e0, e nel mondo reale ci si autoconvince che le conclusioni dell\u2019algoritmo siano corrette.<\/p>\n<p>Ad esempio, in California un programma di prevenzione del crimine, analizzando il tasso dei reati registrati, ha suggerito alla polizia di inviare un maggior numeri di agenti nei quartieri con maggiore presenza di afroamericani. Tuttavia, la maggiore presenza di polizia ha portato i residenti a denunciare i crimini con maggiore frequenza (per via della maggiore disponibilit\u00e0 delle forze dell\u2019ordine) e, di conseguenza, la polizia ha redatto pi\u00f9 report e denunce, che ha alimentato il tasso dei reati registrati e quindi un ulteriore invio di forze dell\u2019ordine in zona etc etc.<\/p>\n<h3>8. Dati di riferimento \u201ccontaminai\u201d o \u201cavvelenati\u201d<\/h3>\n<p>I risultati dell\u2019apprendimento degli algoritmi dipendono in gran parte dai dati di riferimento, che sono la base del processo. I dati possono essere non corretti o sono stati distorti in modo accidentale o per uno scopo non trasparente (in quest\u2019ultimo caso si parla di \u201cavvelenamento\u201d dei dati).<\/p>\n<p>Vi proponiamo un esempio di problemi non intenzionali derivanti dai dati di riferimento. Se i dati impiegati come campione per un algoritmo di assunzione di personale sono stati ottenuti da un\u2019azienda che ha un atteggiamento razzista nelle sue assunzioni, l\u2019algoritmo avr\u00e0 a sua volta una componente razzista.<\/p>\n<p>Una volta Microsoft ha insegnato una chatbot a comunicare con gli utenti su Twitter. <a href=\"https:\/\/www.theverge.com\/2016\/3\/24\/11297050\/tay-microsoft-chatbot-racist\" target=\"_blank\" rel=\"noopener nofollow\">Il progetto \u00e8 stato chiuso<\/a> in meno di 24 ore perch\u00e9 i gentilissimi utenti di Twitter in quattro e quattr\u2019otto hanno insegnato al bot a dire parolacce e a citare il Mein Kampf.<\/p>\n<p>https:\/\/twitter.com\/geraldmellor\/status\/712880710328139776<\/p>\n<p>Qui invece un esempio di come sono stati \u201cavvelenati\u201d i dati per l\u2019apprendimento automatico. Un modello matematico di un laboratorio di analisi di virus informatici processa una media di un milione di file al giorno, tra legittimi e dannosi. Il panorama delle minacce \u00e8 in costante evoluzione, e le modifiche al modello vengono inviate ai prodotti installati sui dispositivi degli utenti sotto forma di aggiornamenti del database.<\/p>\n<p>Un hacker pu\u00f2 continuare a generare file dannosi molto simili a quelli legittimi e inviarli al laboratorio antivirus. Tale operazione cancella gradualmente la linea che differenzia un file legittimo da uno dannoso, inficiando il modello e generando <a href=\"https:\/\/encyclopedia.kaspersky.com\/glossary\/false-positive\/?utm_source=kdaily&amp;utm_medium=blog&amp;utm_campaign=termin-explanation\" target=\"_blank\" rel=\"noopener\">falsi positivi<\/a> in potenza.<\/p>\n<p>Ecco perch\u00e9 Kaspersky Lab impiega un <a href=\"https:\/\/www.kaspersky.com\/blog\/multilayered-approach\/6601\/\" target=\"_blank\" rel=\"noopener nofollow\">modello di sicurezza multilivello<\/a> e <a href=\"https:\/\/securelist.com\/five-myths-about-machine-learning-in-cybersecurity\/76351\/\" target=\"_blank\" rel=\"noopener\">non si affida<\/a> esclusivamente all\u2019apprendimento automatico. Le persone in carne ossa, ovvero gli esperti antivirus, si occupano di monitorare continuamente ci\u00f2 che fanno le macchine.<\/p>\n<h3>9. Inganno<\/h3>\n<p>Persino un modello matematico perfettamente funzionante (che si affida a dei dati di qualit\u00e0) pu\u00f2 comunque essere raggirato, se si sa come funziona. Per esempio, un gruppo di ricercatori \u00e8 riuscito a capire come bypassare un algoritmo di riconoscimento facciale utilizzando degli occhiali speciali che applicavano delle distorsioni minime all\u2019immagine, alterando completamente il risultato finale.<\/p>\n<div id=\"attachment_16168\" style=\"width: 1074px\" class=\"wp-caption alignleft\"><img loading=\"lazy\" decoding=\"async\" aria-describedby=\"caption-attachment-16168\" class=\"wp-image-16168 size-full\" src=\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/89\/2018\/08\/23131925\/machine-learning-challenges-fail-1.png\" alt=\"\" width=\"1064\" height=\"638\"><p id=\"caption-attachment-16168\" class=\"wp-caption-text\">Indossare degli occhiali con una montatura colorata in modo speciale ha permesso ai ricercatori di <a href=\"https:\/\/www.theguardian.com\/technology\/2016\/nov\/03\/how-funky-tortoiseshell-glasses-can-beat-facial-recognition\" target=\"_blank\" rel=\"noopener nofollow\">ingannare l\u2019algoritmo di riconoscimento facciale<\/a>.<\/p><\/div>\n<p>Anche in situazioni che non sembrano coinvolgere variabili complicate, si pu\u00f2 ingannare facilmente una macchina impiegando tecniche sconosciute ai pi\u00f9.<\/p>\n<div id=\"attachment_16169\" style=\"width: 859px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" aria-describedby=\"caption-attachment-16169\" class=\"wp-image-16169 size-full\" src=\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/89\/2018\/08\/23132031\/machine-learning-challenges-fail-2.png\" alt=\"\" width=\"849\" height=\"309\"><p id=\"caption-attachment-16169\" class=\"wp-caption-text\">I primi tre segnali <a href=\"https:\/\/arxiv.org\/pdf\/1412.6572.pdf\" target=\"_blank\" rel=\"noopener nofollow\">sono identificati<\/a> come limite di velocit\u00e0 di 45 km\/h e l\u2019ultimo come segnale di STOP.<\/p><\/div>\n<p>Inoltre, per mettere KO un modello matematico di apprendimento automatico, non \u00e8 necessario che si apportino cambiamenti importanti, delle <a href=\"https:\/\/www.kaspersky.it\/blog\/ai-fails\/14182\/\" target=\"_blank\" rel=\"noopener\">piccole modifiche impercettibili<\/a> all\u2019occhio umano possono essere sufficienti.<\/p>\n<div id=\"attachment_16170\" style=\"width: 1610px\" class=\"wp-caption alignleft\"><img loading=\"lazy\" decoding=\"async\" aria-describedby=\"caption-attachment-16170\" class=\"wp-image-16170 size-full\" src=\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/89\/2018\/08\/23132129\/machine-learning-challenges-fail-3.png\" alt=\"\" width=\"1600\" height=\"520\"><p id=\"caption-attachment-16170\" class=\"wp-caption-text\">Aggiungendo un rumore minore al panda della sinistra, <a href=\"https:\/\/arxiv.org\/pdf\/1312.6199.pdf\" target=\"_blank\" rel=\"noopener nofollow\">si ottiene<\/a> un gibbone.<\/p><\/div>\n<p>\u00a0<\/p>\n<p>Fino a quando l\u2019uomo sar\u00e0 pi\u00f9 sveglio della maggior parte degli algoritmi, saremo in grado di raggirarli. Immaginiamo un prossimo futuro in cui l\u2019apprendimento automatico sar\u00e0 applicato al controllo dei bagagli ai raggi X in aeroporto alla ricerca di armi. Un terrorista intelligente potrebbe collocare un oggetto di una certa forma accanto alla pistola per rendere invisibile l\u2019arma al controllo.<\/p>\n<h2>Di chi \u00e8 la colpa e cosa si pu\u00f2 fare<\/h2>\n<p>Nel 2016, il Big Data Working Grupo della presidenza di Obama ha pubblicato un<a href=\"https:\/\/obamawhitehouse.archives.gov\/sites\/default\/files\/microsites\/ostp\/2016_0504_data_discrimination.pdf\" target=\"_blank\" rel=\"noopener nofollow\"> report<\/a> dove si metteva in guardia dai \u201cpotenziali rischi di discriminazione nelle decisioni prese con metodi automatizzati\u201d. Nel report si esortava anche a creare algoritmi che mirassero all\u2019uguaglianza durante la loro progettazione.<\/p>\n<p>Pi\u00f9 facile a dirsi che a farsi.<\/p>\n<p>Innanzitutto, i modelli matematici alla base dell\u2019apprendimento automatico sono difficili da testare e da modificare. Valutiamo regolarmente i nostri programmi passo per passo e sappiamo come testarli, ma con l\u2019apprendimento automatico tutto dipende dall\u2019estensione del campione che non pu\u00f2 essere infinito.<\/p>\n<p>Ad esempio, l\u2019app Google Photo riconosceva le persone di colore e le taggava come gorilla. Davvero! Come potete ben immaginare, ci\u00f2 ha generato un vero e proprio scandalo e Google ha promesso di risolvere il problema nel suo algoritmo. Dopo tre anni, <a href=\"https:\/\/www.theverge.com\/2018\/1\/12\/16882408\/google-racist-gorillas-photo-recognition-algorithm-ai\" target=\"_blank\" rel=\"noopener nofollow\">Google non \u00e8 riuscita a fare di meglio<\/a> se non proibire di taggare persone e oggetti come gorilla, scimpanz\u00e9 o scimmie.<\/p>\n<p>In secondo luogo, \u00e8 complicato comprendere e spiegare le decisioni prese dagli algoritmi di apprendimento automatico. Una rete neurale organizza e soppesa i coefficienti per arrivare a una decisione corretta, ma in che modo? E cosa si pu\u00f2 fare per correggere la risposta?<\/p>\n<p>Nel 2015, alcuni ricercatori hanno dimostrato che <a href=\"https:\/\/www.theguardian.com\/technology\/2015\/jul\/08\/women-less-likely-ads-high-paid-jobs-google-study\" target=\"_blank\" rel=\"noopener nofollow\">le donne visualizzavano con minore frequenza gli annunci di lavori altamente remunerati<\/a> di Google AdSense rispetto agli uomini. <a href=\"https:\/\/www.geekwire.com\/2016\/amazon-same-day-delivery-black-neighborhoods\/\" target=\"_blank\" rel=\"noopener nofollow\">Il servizio di invio giornaliero di Amazon spesso non \u00e8 disponibile in quartieri a maggioranza afroamericana<\/a>. In entrambi i casi, i rappresentati dell\u2019azienda non sono stati in grado di spiegare certe decisioni prese dai loro algoritmi.<\/p>\n<p>Se nessuno ha la colpa, allorai dobbiamo adottare delle nuove leggi e creare delle linee guida etiche specifiche per la robotica. A maggio scorso, la Germania ha fatto un primo passo e ha pubblicato alcune <a href=\"http:\/\/www.bmvi.de\/SharedDocs\/EN\/PressRelease\/2017\/128-dobrindt-federal-government-action-plan-automated-driving.html\" target=\"_blank\" rel=\"noopener nofollow\">regole etiche per la auto senza conducente<\/a>. Tra le altre cose, viene stabilito che:<\/p>\n<ul>\n<li>La sicurezza dell\u2019uomo \u00e8 la priorit\u00e0, anche su animali o beni di propriet\u00e0;<\/li>\n<li>Nel caso l\u2019incidente non possa essere evitato, non devono essere applicati discriminazioni o fattori di distinzione;<\/li>\n<\/ul>\n<p>E ci\u00f2 che \u00e8 pi\u00f9 importante per noi:<\/p>\n<ul>\n<li>I sistemi di guida automatica diventeranno un imperativo etico se viene dimostrato che provocano minori incidenti rispetto alla guida di un essere umano.<\/li>\n<\/ul>\n<p>\u00c8 chiaro che nel tempo ci affideremo sempre di pi\u00f9 all\u2019apprendimento automatico, soprattutto perch\u00e9 consente di gestire un maggior numero di compiti rispetto alle persone. Bisogna tenere in considerazioni i problemi e gli errori che possono sorgere, provare a anticipare le possibili conseguenze in fase di sviluppo di una tecnologia e ricordarsi di monitorare costantemente le prestazioni degli algoritmi nel caso qualcosa vada storto.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Quali sorprese ha in serbo l\u2019apprendimento automatico per noi? Quanto \u00e8 difficile ingannare una macchina? Ci aspetta un futuro alla Skynet e di ribellione delle macchine? Questo e altro nel nostro articolo.<\/p>\n","protected":false},"author":669,"featured_media":16161,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[2195],"tags":[1516,2264,2930,2517,2620,2929,939],"class_list":{"0":"post-16160","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-technology","8":"tag-ai","9":"tag-apprendimento-automatico","10":"tag-etica","11":"tag-humachine","12":"tag-ia","13":"tag-problemi","14":"tag-tecnologie"},"hreflang":[{"hreflang":"it","url":"https:\/\/www.kaspersky.it\/blog\/machine-learning-nine-challenges\/16160\/"},{"hreflang":"en-in","url":"https:\/\/www.kaspersky.co.in\/blog\/machine-learning-nine-challenges\/13976\/"},{"hreflang":"en-ae","url":"https:\/\/me-en.kaspersky.com\/blog\/machine-learning-nine-challenges\/11675\/"},{"hreflang":"en-us","url":"https:\/\/usa.kaspersky.com\/blog\/machine-learning-nine-challenges\/15974\/"},{"hreflang":"es-mx","url":"https:\/\/latam.kaspersky.com\/blog\/machine-learning-nine-challenges\/13334\/"},{"hreflang":"es","url":"https:\/\/www.kaspersky.es\/blog\/machine-learning-nine-challenges\/16771\/"},{"hreflang":"x-default","url":"https:\/\/www.kaspersky.com\/blog\/machine-learning-nine-challenges\/23553\/"},{"hreflang":"pt-br","url":"https:\/\/www.kaspersky.com.br\/blog\/machine-learning-nine-challenges\/11324\/"},{"hreflang":"pl","url":"https:\/\/plblog.kaspersky.com\/machine-learning-nine-challenges\/9867\/"},{"hreflang":"de","url":"https:\/\/www.kaspersky.de\/blog\/machine-learning-nine-challenges\/17511\/"},{"hreflang":"zh","url":"https:\/\/www.kaspersky.com.cn\/blog\/machine-learning-nine-challenges\/9912\/"},{"hreflang":"ja","url":"https:\/\/blog.kaspersky.co.jp\/machine-learning-nine-challenges\/21336\/"},{"hreflang":"en-au","url":"https:\/\/www.kaspersky.com.au\/blog\/machine-learning-nine-challenges\/20846\/"},{"hreflang":"en-za","url":"https:\/\/www.kaspersky.co.za\/blog\/machine-learning-nine-challenges\/20855\/"}],"acf":[],"banners":"","maintag":{"url":"https:\/\/www.kaspersky.it\/blog\/tag\/humachine\/","name":"HuMachine"},"_links":{"self":[{"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/posts\/16160","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/users\/669"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/comments?post=16160"}],"version-history":[{"count":10,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/posts\/16160\/revisions"}],"predecessor-version":[{"id":24519,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/posts\/16160\/revisions\/24519"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/media\/16161"}],"wp:attachment":[{"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/media?parent=16160"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/categories?post=16160"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kaspersky.it\/blog\/wp-json\/wp\/v2\/tags?post=16160"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}