S2 E5 - I progetti di Machine Learning: difficoltà, cause e soluzioni

Ecco l'ultimo appuntamento della seconda stagione del podcast BNova. Host dell'episodio Matteo, marketer BNova, e come ospite Edoardo Annunziata, Data Scientist BNova, che già nella prima stagione ci aveva accompagnato nel viaggio attraverso il mondo dei dati. In questo episodio risponderà ad una domanda ricorrente tra coloro che si occupano del mondo dell’analisi dati: perché i progetti di machine learning e più in generale di AI sono “più difficili” dei progetti software tradizionali?  

In questo nuovo episodio parleremo di Data science come estensione naturale del processo di BI. Tutti i giorni si sente parlare di nuovi traguardi raggiunti dall'intelligenza artificiale ma molte aziende si concentrano ancora principalmente sulla risoluzione dei problemi tradizionali della Business Intelligence (BI). Anche quando si inizia a parlare di progetti di data science, spesso sono progetti isolati. Anche in aziende di grandi dimensioni. E' sempre presente infatti un po' di paura nel prendere in considerazione i progetti di data science, a causa della loro percezione di complessità. Tuttavia dovremmo considerarli come evoluzione uno dell'altro: il massimo valore si ottiene quando entrambi i settori collaborano sinergicamente.

Qual è il connubio tra questi due mondi, quello dell'AI e della filosofia, apparentemente così distanti?Ospite di questa puntata Ermanno, Senior Software engineer e grande appassionato di filosofia. Oggi affrontiamo un tema che mette insieme questi due mondi, informatica e filosofia, in particolar modo parleremo di una branca della filosofia che si occupa del comportamento umano: l’etica.

In questo episodio ci adentriamo in uno temi più cari a noi di BNova e in generale al nostro settore: la collaborazione con gli ambienti Universitari, in particolar modo in riferimento ai progetti di ricerca. Affrontiamo questo tema insieme a Laura Margara, Data Scientist ed anche una delle persone in BNova maggiormente impegnata con i progetti di ricerca che ci vedono lavorare a quattro mani insieme all’Università di Pisa.

Torna la seconda stagione de "Le città invisibili" podcast di BNova. Se con la prima stagione ci eravamo concentrati sul tema della data science, in questa seconda serie spazieremo con argomenti di più ampio respiro sempre inerenti al mondo ICT e analisi dati. Grazie alla storia di Valentina abbiamo esplorato il rapporto tra ragazze e mondo delle materie STEM. Un percorso di scoperta e passione che l'ha portata a eccellere in scienza e matematica, portandola ad incrociare la nostra strada.

La tecnica delle “deepfakes” viene usata per combinare e sovrapporre immagini e video realmente esistenti con altri video o immagini che ritraggono i soggetti, tipicamente personaggi noti, in modo da ricreare situazioni in cui il soggetto ha un atteggiamento ambiguo, sconveniente o sta pronunciano frasi fuori luogo. Si tratta di manipolazioni talmente ben riuscite da risultare del tutto realistiche, per questo la pericolosità delle deepfakes sta proprio nel capire che si tratta di una notizia non vera.La loro creazione si basa sull’uso di intelligenza artificiale e machine learning, tecnologie molto complesse, ma sempre più reperibili, soprattutto in contesti densi di materiale multimediale condiviso (immagini, audio, video). Queste stesse tecniche si rivelano essere non solo il punto di “nascita” delle deepfakes, ma anche la soluzione del problema che ne deriva: manipolazioni così ben riuscite possono essere identificate e scoperte solo da tecnologie altrettanto sofisticate.Giulia e Laura hanno affrontato la questione in questo podcast.

Cosa è un modello matematico? Si tratta di un modo per rappresentare il mondo che ci circonda, una rappresentazione astratta e concettuale di una porzione della realtà. Per questo si usa la matematica, se ne sfruttano i formalisti e la sua obiettività per creare, appunto, modelli in modo realistico. I modelli non solo posso “descrivere” la realtà, ma soprattutto sono utili per fare previsioni degli andamenti e comportamenti futuri.Nel caso delle previsioni sull’andamento dell’epidemia da Corona-virus è stato detto che “I modelli matematici hanno fallito“. Questa forte affermazione rimanda ad un ragionamento più ampio proprio sul concetto di “modello matematico” e sullo scopo dei modelli: ha senso affermare che un modello matematico possa fallire?Edoardo e Giulia si sono interrogati su questo tema.

In questo espisodio della serie di podcast "Le città invisibili", un ospite speciale: il professore Alessandro Lenci, dell'Università di Pisa, docente di Linguistica computazionale. Assieme a lui, Edoardo e Chiara hanno approfondito il tema dell'impatto che lo sviluppo dei modelli di AI, che utilizzano algoritmi di deep learning, possono e potranno avere sul nostro quotidiano. Inoltre durante il podcast abbiamo potuto parlare di un progetto sviluppato insieme, MATE, un sistema per interrogare i big data in linguaggio naturale.

In questo nuovo episodio del podcast BNova parliamo di "imposture intellettuali". Il titolo strizza un occhio al saggio di Sokal del 1996, che infastidito dall'abuso della terminologia scientifica presentò un falso articolo platealmente riempito di assurdità. In esso l'autore voleva esasperare e sottolineare come nel mondo accademico fosse diffuso l'utilizzo di una retorica vuota, volutamente incomprensibile. Anche nel mondo dei dati si presenta una situazione simile, con bombardamenti costanti di buzzword completamente senza significato.

In questa prima puntata parleremo di progetti di data science, della costruzione di un modello predittivo ponendo l’attenzione su due momenti fondamentali del lavoro che chiamati off-line e on-line che racchiudono ognuno i diversi steps del cliclo di vita tipico dei progetti DS. Definiremo cos'è un progetto di Data Science, quali sono i tratti distintivi di un progetto di DS rispetto ad un progetto di BI o di Advanced Analytics e della fase online e off-line di tali progetti.