2. DirICTo è un network che raggruppa esperti e
studiosi di tutta l’Italia, in materia di Diritto
dell’Informatica e dell’Informatica Giuridica con il
fine di sviluppare attività di studio, ricerca e
approfondimento nell'ambito delle tematiche di
interesse comune per il mondo giuridico e
informatico
http://www.diricto.it
3. ICT for Law and Forensics è il laboratorio di
Informatica Forense del Dipartimento di Ingegneria
Elettrica e Elettronica dell’Università di Cagliari
Aree di interesse: e-commerce e contrattazione
telematica, la tutela giuridica dei domain names,
privacy e protezione dei dati personali nel mondo
ICT, Cyber Crimes, IT Security & Digital Forensics
http://ict4forensics.diee.unica.it
4. 4
Edoardo E. Artese
avvocato del foro di Milano
Esperto in IT e diritto commerciale (con specifica conoscenza dei
mercati Asiatici)
Membro Inter-Pacific Bar Asssociation
Membro di DirICTo
www.ac-legal.eu @ edoardo.artese@ac-legal-eu
www.ithai.eu
www.diricto.it
5. 5
Alberto Sarullo
Design Group Italia
Tecnologia, user experience, servizi
PisteCiclabili.com
Timbuktu Labs
linkedin.com/in/albertosarullo
6. 1. Evoluzione A.I.
1. Epoca pre computer
2. Connessionismo
3. Sistemi esperti
2. Machine learning
3. Mondo legale e A.I. che aiuta
4. A.I. che decide
5. A.I. che uccide e discrimina
Parleremo di
Intelligenza
Artificiale
6
9. 9
Il paradigma dell'apprendista
stregone
(Antonio Caselli, Intelligenza artificiale,
protezione dei dati personali e
regolazione di Giuseppe D'Acquisto,
Maurizio Naldi, Raffaele Bifulco, Oreste
Pollicino, Bassani Marco)
Pre computer
13. Intelligenza
Artificiale
Contesto storico
○ Connessionismo: tentativo di comprendere
come il cervello umano lavora a livello
neurale e come le persone imparano e
ricordano.
○ 1936 – Macchina di Turing
○ 1943 - Ogni neurone nel cervello è un
semplice processore digitale: il cervello non
è altro che una forma di computer
(McCulloch, Pitts)
○ “What we thought we were doing was
treating the braing as a Turing machine”
(McCulloch)
13
14. Intelligenza
Artificiale
1956: Conferenza di Darthmouth
14
“ogni aspetto
dell’apprendimento o
una qualsiasi altra
caratteristica
dell’intelligenza
possono essere
descritte così
precisamente da
poter costruire una
macchina che le
simuli”
http://www-formal.stanford.edu/jmc/history/dartmouth.pdf
https://web.archive.org/web/20150112124045/http://www.dif.unige.it/epi/hp/frixione/dartmouth_proposal_ital.pdf
15. Connessionismo
Scopo
Lo scopo ultimo dell’Intelligenza Artificiale era
(ed è) creare una Intelligenza Artificiale
Generale che si comporti come una
intelligenza umana, dotata di:
○ Ragionamento logico
○ Comprensione del linguaggio
○ Percezione dell’ambiente esterno
○ Capacità di movimento ed esplorazione
○ Intelligenza emotiva
○ Ragionamento morale
15
16. Connessionismo
Ottimismo nel mondo della ricerca
• 1965, H.A.Simon “machines will be capable,
within twenty years, of doing any work a man
can do.”
• 1967, Marvin Minsky: "Within a generation ... the
problem of creating 'artificial intelligence' will
substantially be solved.”
• 1970, Marvin Minsky: "In from three to eight
years we will have a machine with the general
intelligence of an average human being.
16
17. Connessionismo
Contesto economico:
• 1963: MIT riceve $2.2 M dalla appena
creata Advanced Research Projects
Agency (ARPA). Accordi simili con Newell,
Carnaige Mellon University e Stanfodr AI
project
• 1964-70: ARPA continua a finanziare MIT
con 3M / anno
• 1967: Waseda University, inizia il
programma WABOT completando nel
1972 WABOT-1, il primo robot humanoide
17
18. 19
Isaac Asimov e le tre leggi della robotica
1. Un robot non può recar danno a un essere
umano né può permettere che, a causa del
proprio mancato intervento, un essere umano
riceva danno.
2. Un robot deve obbedire agli ordini impartiti
dagli esseri umani, purché tali ordini non
contravvengano alla Prima Legge.
3. Un robot deve proteggere la propria
esistenza, purché questa autodifesa non
contrasti con la Prima o con la Seconda
Legge.
Connessionismo
20. Connessionismo
Limiti e disillusione
Potenza di calcolo
○ Linguaggio naturale: lavori di Ross Quillian dimostrati su
un vocabolario di 20 parole (la memoria non consentiva
di più)
○ Motion detection in tempo reale, richiede un computer di
10K-1M MIPS. Nel 1976 il più potente computer aveva
80-130 MIPS di potenza (Cray-1, 8M $)
Esplosione combinatoria
○ Complessità esponenziale di molti problemi, non
affrontabile con le risorse a disposizione
Conoscenze e ragionamento comuni
○ Nel 1970 non esistevano computer/database con le
consocenze di un bambino di 5 anni.
21
23. Sistemi esperti
24
1980: sistemi esperti
Sistema esperto: programma che risponde a
domande o risolve problemi legati ad dominio
specifico di conoscenza, usando regole
logiche derivate dalle conoscenze di esperti.
24. Sistemi esperti
25
Contesto economico
○ 1980, USA: successo per il sistema esperto
XCON realizzato presso Carneige Mellon
University per la Digital Equipment Corporation
(2500 regole): risparmio > 25M $/anno
○ 1981, Japan: 850M $ per Fifth generation
computer project, per creare macchine che
possano conversare, tradurre, interpretare
immagini, ragionare come esseri umani
25. Sistemi esperti
26
Risposta USA/GB agli investimenti
giapponesi
1983-1987: UK 350M ₤ per progetto Alvey.
Ambit: AI, NLP, UI.
1983-1993: DARPA 1000M $ per Strategic
Computing Initiative, ispirato dal programma
giapponese
26. Sistemi esperti
27
Investimenti privati
USA: consorzio di aziende americane fonda la
Microelectronics and Computer Technology
Corporation (or "MCC") per finanziare grandi progetti
in ambito AI e IT
Molte corporations sviluppano sistemi esperti e
divisioni/d dipartimenti dedicati
1985: la spesa in AI supera il miliardo di dollari.
29. Sistemi esperti
30
Expectation vs reality
○ XCON: troppo costoso da mantenere e aggiornare,
non può imparare, commette grotteschi errori con
input non usuali, ed è soggetto a problemi..
○ 1991: nessuno degli obiettivi del Fifth Generation
Project giapponese è stato raggiunto: aspettativa
eccessiva rispetto a ciò che era fattibile
○ I sistemi esperti si rivelano utili solo in contesti
molto specifici
30. Intelligenza
Artificiale
31
A.I – secondo inverno
Expert Systems
1980’s
Deep LeMarkov ModelsConnectionism
2012
AI Hype Cycles and AI Winters
1960’s
…
1970’s
Connessionismo Sistemi esperti
Expert Systems
1980’s
Deep Learning
?
Markov Modelsctionism
2012
AI Hype Cycles and AI Winters
1960’s
…
1970’s
DARPA: “AI was not the next wave"
19801960 2000 2010
33. Machine
Learning
34
4 abilitatori della rinascita della IA
The confluence of 4 key factors is behind this new AI Renaissan
More Data
60 years of Research / Mature
Algorithms
More Computing Power
Open Source
Frameworks/Libraries
DSSTNE
PaddlePaddle
60 anni di ricerca + algoritmi robusti Enorme potenza di calcolo
Framework e librerie open
More Computing Power
14
More Data
60 years of Research / Mature
Algorithms
More Computing Power
Open Source
Frameworks/Libraries
DSSTNE
PaddlePaddle
Enorme quantità di dati (IoT)
4 key factors is behind this new AI Renaissance
More Data
ch / Mature
ms
ng Power
Open Source
34. Machine
Learning
35
Machine learning
Il Machine Learning: tecnica che permettere ai
computer di eseguire task cognitivi senza essere
programmati esplicitamente
Computer Science
Symbolic AI (Expert Systems)
Probabilistic AI (Search & Optimization)
Machine Learning
…
Mathematical foundations
Algorithm & data structures
Artificial Intelligence
Communication & Security
Database
…
ML algorithms
35. Intelligenza
Artificiale
36
Dalla ricerca al mercato di massaTraditional AI techniques
Machine Learning
Data
Logic
Output
Ø Static – hard-coded set of steps
and scenarios
Ø Rule Based – expert knowledge
Ø No generalization – handling
special cases difficult
Ø Dynamic – evolves with data,
finds new patterns
Ø Data driven– discovers
knowledge
Ø Generalization – adapts to new
situations and special cases
Data
Output
Logic
Traditional AI techniques
Machine Learning
Data
Logic
Output
Ø Static – hard-coded set of steps
and scenarios
Ø Rule Based – expert knowledge
Ø No generalization – handling
special cases difficult
Ø Dynamic – evolves with data,
finds new patterns
Ø Data driven– discovers
knowledge
Ø Generalization – adapts to new
situations and special cases
Data
Output
Logic
• Statico: scenari codificati
• Basato su regole: richiede
conoscenza esperta
• Non generale: difficile trattare casi
specifici
• Dinamico: evolve con i dati
• Conoscenza ”esperienziale”
basata sui dati
• Generalizzato: si adatta a nuove
situazioni e casi speciali
Programmazione tradizionale vs Machine Learning
37. Machine
LearningArtificial
e
38
Machine learning
Utile per risolvere 2 tipologie di problemi che le
tecniche tradizionali di AI non risolvono:
○ Task non descrivibili da esseri umani
○ Problemi multidimensionali complessi che non
possono essere risolti per ragionamento
numerico
11
arning is parti
er AI techniques fail
?
?
?
?
?
?
s programmers can’t describe
Complex multidimensional problems t
can’t be solved by numerical reasoning
Machine Learning is particularly good at solving 2 types of pro
where other AI techniques fail
?
?
?
?
?
?
Tasks programmers can’t describe
Complex multidimensional problems that
can’t be solved by numerical reasoning
chine Learning is particularly good at solving 2 types of problemsere other AI techniques fail
? ?
?
?
Tasks programmers can’t describe Complex multidimensional problems thatcan’t be solved by numerical reasoning
41. Intelligenza
Artificiale
42
2016 – Google Research: diagnosi retinopatia meglio di un dottore
umano
retinopathy as human doctors (Dec 2016) – soon in production!
Source: http://jamanetwork.com/journals/jama/article-abstract/2588763
43. Intelligenza
Artificiale
44
Gioco del Go: 3 possibili approcci
○ Simbolico: siedo con miglior giocatore di Go al
mondo e trasferisco la sua conoscenza in un
programma
○ Matematico/statistico: simulo tutte le possibili
mosse, i risultati di ogni step e scelgo la mossa che
mi avvicina di più alla vittoria
○ Machine Learning: faccio vedere ad un programma
milioni di partire (reali o simulate), facendolo
apprendere dall’esperienza
elling at playing the game of Go
Mathematical/Statistical AI
Machine Learning approach
“Let’s simulate all thedifferent possiblemoves and theassociated outcomes at
each single step and go
with the most likely towin”
“Let’s show millions of
examples of real life
and simulated games
(won and lost) to the
program, and let it learn
from experience”
44. Intelligenza
Artificiale
45
Machine l
being use
• The searc
• The spam
• The recom
• The face/
/fingerpr
• The locat
security s
• The disea
predictio
• The weat
• Filtro antispam
• Motori di ricerca
• Sistemi di
raccomandazione
• Riconoscimento
testuale/facciale
• Sicurezza basata sul
contesto
• Diagnosi e previsione
di patologie
• Previsioni del tempo
Dalla ricerca al mercato di massa
45. Machine
Learning
46
AI as Services
Amazon AWS https://aws.amazon.com/machine-learning/
Microsoft
Azure
https://azure.microsoft.com/en-us/overview/ai-platform/
Google Cloud https://cloud.google.com/products/machine-learning/
IBM https://www.ibm.com/services/artificial-intelligence
46. Intelligenza
Artificiale
47
Framework open source
Framework Licenza Piattaforme supportate Interfaccia
Caffe BSD license Linux, macOS, Windows Python, MATLAB, C++
Deeplearning4j Apache 2.0 Linux, macOS, Windows, Android Java, Scala, Clojure, Python(Keras), Kotlin
Keras MIT license Linux, macOS, Windows Python, R
Microsoft Cognitive
Toolkit (CNTK)
MIT license Windows, Linux Python (Keras), C++, Command line,BrainScript
Apache MXNet Apache 2.0 Linux, macOS, Windows, AWS, Android, iOS
C++, Python, Julia, Matlab,
JavaScript, Go, R, Scala, Perl
PyTorch BSD license Linux, macOS, Windows Python
TensorFlow Apache 2.0 Linux, macOS, Windows, Android Python (Keras), C/C++, Java, Go, R, Julia
Theano BSD license Linux, macOS, Windows Python (Keras)
Torch BSD license Linux, macOS, Windows, Android, iOS Lua, LuaJIT, C, utility library for C++/OpenCL
61. A.I. che decide
63
A.I che decide
A.I. e previsioni casi Corte di Giustizie
EU per i diritti umani
The judicial decisions of the European
Court of Human Rights (ECtHR) have been
predicted to 79% accuracy using an
artificial intelligence (AI) method
developed by researchers at UCL, the
University of Sheffield and the
University of Pennsylvania.
62. A.I. che decide
64
A.I che decide
Xiaofa Tribunale
di Pechino
(Corte del
Popolo):
- Consigli
legali;
- Terminologia
- 40,000
risposte a
casi in d.b.
63. A.I. che decide
65
A.I che decide
The law tells us what we
can do, but ethics tell
us what we should do
(UK cabinet office, Data
Science Ethical
Framework)
65. A.I. che uccide
68
AI che uccide e commette errori
7 maggio 2016: primo incidente mortale causato
da auto a guida autonoma
https://www.ntsb.gov/investigations/AccidentReports/Reports/HAR1702.pdf
66. 69
Machine Bias
Software COMPAS usato in USA per valutare il
rischio di recidiva dei detenuti sembra
discriminare in base al colore della pelle
https://www.cdcr.ca.gov/rehabilitation/docs/FS_COMPAS_Final_4-15-09.pdf
https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
Machine
Learning
67. 70
Machine Bias
Risultato analisi: il software ha un forte
pregiudizio razziale, perchè apprende da dati con
pregiudizi
Bandito in molti (non tutti) gli stati USA
Machine
Learning
http://advances.sciencemag.org/content/4/1/eaao5580
68. 71
Amazon
Amazon non offre consegna gratuita in giornata in
zone a prevalenza nera
Machine
Learning
https://www.bloomberg.com/graphics/2016-amazon-same-day/
70. 73
Lupi vs Husky
L’algoritmo classifica l’immagine come lupo
…in base alla neve sullo sfondo
“Why Should I Trust You? - https://arxiv.org/pdf/1602.04938.pdf
Machine
Learning
71. 74
Stiamo creando algoritmi che non comprendiamo
Machine
Learning
https://www.theverge.com/2016/7/12/12158238/first-click-deep-learning-algorithmic-black-boxes
72. Machine
Learning
75
Diritto di sapere
GDPR – art 13,2,f, established a right for all
individuals to obtain “meaningful information
about the logic involved” when “automated
(algorithmic) decision-making”, including profiling,
takes place”
I soggetti delle decisioni hanno il diritto di sapere
il perché delle decisioni, ottenendo informazioni
significative
https://gdpr-info.eu/art-13-gdpr/
73. 76
Audit di algoritmi di machine learning
Machine
Learning
Explaining the Predictions of Any Classifier: https://arxiv.org/pdf/1602.04938v1.pdf
https://www.slideshare.net/TerryTaewoongUm/understanding-blackbox-predictions-via-influence-functions-2017
81. Grazie!
Ci sono domande?
Alberto Sarullo
• https://www.linkedin.com/in/albertosarullo
• alberto.sarullo+smau-mi@gmail.com
Edoardo Artese
• https://www.linkedin.com/in/eartese
• edoardo.artese@ac-legal.eu
82. Attribuzione - Non Commerciale
Condividi allo stesso modo 4.0 (CC BY-NC-SA 4.0) Internazionale
Tu sei libero di:
Condividere - riprodurre, distribuire, comunicare al pubblico, esporre in pubblico, rappresentare, eseguire e recitare questo materiale
con qualsiasi mezzo e formato;
Modificare - remixare, trasformare il materiale e basarti su di esso per le tue opere;
Il licenziante non può revocare questi diritti fintanto che tu rispetti i termini della licenza
Alle seguenti condizioni:
• Attribuzione. Devi riconoscere una menzione di paternità adeguata, fornire un link alla licenza e indicare se sono state
effettuate delle modifiche. Puoi fare ciò in qualsiasi maniera ragionevole possibile, ma non con modalità tali da suggerire
che il licenziante avalli te o il tuo utilizzo del materiale.
• Non commerciale. Non puoi usare il materiale per fini commerciali.
• Stessa Licenza. Se remixi, trasformi il materiale o ti basi su di esso, devi distribuire i tuoi contributi con la stessa licenza del
materiale originario.
• Divieto di restrizioni aggiuntive — Non puoi applicare termini legali o misure tecnologiche che impongano ad altri soggetti dei vincoli
giuridici su quanto la licenza consente loro di fare.
• Non sei tenuto a rispettare i termini della licenza per quelle componenti del materiale che siano in pubblico dominio o nei casi in cui il tuo
utilizzo sia consentito da una eccezione o limitazione prevista dalla legge
• Non sono fornite garanzie. La licenza può non conferirti tutte le autorizzazioni necessarie per l'utilizzo che ti prefiggi. Ad esempio, diritti di
terzi come i diritti all'immagine, alla riservatezza e i diritti morali potrebbero restringere gli usi che ti prefiggi sul materiale.
Notas do Editor
La mia pirma pagina web l’ho pubblicata nel ’98, e da allora sono appassionato delle possibilità offerte dalla tecnologia
Evoluzione lungo 4 binari Storico - Economico - Culturale – Tecnologico
Comportamenti deviati da parte di Intelligenze Artificiali
1941 - Il primo computer Turing-completo basato sul sistema binario e totalmente programmabile è lo Z3
Paura legata alla perdita di controllo della conoscenza e della tecnologia
“da grandi poteri derivano grandi responsabilità”
Deriva da una parola ebraica e significa “materia grezza”.
Il Golem è una creatura di argilla, senz’anima, ma che viene “tenuta in vita” dalla magia degli uomini.
Rappresenta il più grande dei tabù connessi con la conoscenza scientifica: il superamento del confine tra materia vivente e non vivente, la trasformazione degli esseri viventi e la capacità di chi detiene la conoscenza di dare la vita a corpi inanimati (es: Frankenstein)
Febbraio 1883 Carlo Collodi
1941 Z3: primo computer Turing-completo basato sul sistema numerico binario e totalmente programmabil
Il cervello è fatto da neuroni, ogni neurone è una macchina di Turing. Con un computer possono replicare il cervello umano
ll documento introduce per la prima volta il termine di intelligenza artificiale,
Conferenza proposta da:
John McCarthy (inventore del LISP 1958)
Marvin Minsky (linguaggio LOGO)
Nathaniel Rochester (il primo computer commerciale della storia)
Claude Shannon (coniò la parola bit)
Aspettative elevatissime
L’asticella dell’aspettativa era piuttosto alta
NRC = National Research Council
Siamo in piena guerra fredda
1969 ARPANET, rete per scopi militari, ma paradossalmente ne nacque uno dei più grandi progetti civili: una rete globale che collega tutta la Terra.
1942 - Circolo vizioso (Asimov)
1968 Romanzo Arthur C. Clarke + Film Stanley Kubrick HAL 9000, IBM+1. Apprendista stregone
Capolavoro della storia del cinema. Seppur ambientato nel futuro, tocca problematiche antichissime relative all'identità della natura umana, al suo destino, al ruolo della conoscenza e della tecnica.
1968 Il cacciatore di androidi di Philip K, che ispirerà Blade Runner 1982
1972 Solaris, tratto dal romanzo del 1961 di Stanisław Lem
MIPS: Million Instructions Per Second
Primo inverno dell’intelligenza artificiale
1960 Finanziamenti DARPA +GB underestimated the difficulty of the project due to computer hardware limitations -> 1973 stop funding
1980 Finanziamenti JP bllions -> absence of the needed computer power (hardware) –
Ridotto l’ambito di ricerca e applicazione
Non replichiamo più il cervello umano, ma estraiamo conoscenze e le scriviamo in logica
Asticella dell’ambizione posta molto in alto
Per la prima volta a parte istituzioni ed enti governativi, anche consorzi di aziende e corporation investono pesantemente nel settore: si esce dall’ambito della ricerca pura e applicata verso l’innovazione
Guerra Fredda 1947-1991, competizione fortissima
Govero USA vede il progetto giapponese come una minaccia alla propria supremazia tecnologica
Reazioni di GB e USA non tardano ad arrivare
1980 io e Caterina
Blade Runner 1982. Sceneggiatura ispirata al romanzo del 1968 Il cacciatore di androidi di Philip K
Terminator 1985
Robocop 1987
Ridotto l’ambito di ricerca e applicazione
Computer capace di processare 200M mosse al secondo
Documentario del 2003 che ha confermato i sospetti dello scacchista ex sovietico: alcuni testimoni che definiscono la vittoria di Deep Blue come una manovra della IBM per aumentare il suo valore azionario.
Cosa è sucesso negli ultimi 20 anni? Che I computer sono diventati potentissimi
Startup che vengono acquisite
Funziona? Si che funziona
Funziona?
Negli ultimi 5 anni risolti problemi irrisolvibili nei precedenti 50.
Dama: 10^20 mosse
Chess: 10^40 mosse
Go: 10^80 mosse
Non ci sono film su Machine Learning, perché
è arrivato direttamente a noi senza che potesse essere immaginato
la sua applicazione è trasparente e seppur pervasiva è limitata a specifici campi
Iniziano le implementazioni per mobile, in grado di sfruttare hardware dedicato
Iniziano le implementazioni per mobile, in grado di sfruttare hardware dedicato
? Tempi
Lo spazio n dimensonale viene partizionato in regioni in base alle caratteristiche degli oggetti di training
3 casi reali
alcuni esempi di comportamenti deviati di AI
Nuove branche di ricerca
Tnx Dino Pedreschi, docente e ricercatore uni versitò di Pisa
Correctional Offender Management Profiling for Alternative Sanctions
Es: Chicago
Amazon: non sappiamo perché: l’ha scelto l’algoritmo. Poi ha cambiato l’algoritmo.
Un pregiudizio relativo al comportamento, al giudizio o alle scelta diventa norma scritta nel codice di una piattaforma che guida la libertà di scelta di popolazioni
Redlining: discriminazione in base al luogo (negli usa è vietato concedere o no un mutuo sulla base della località)
Paper Università di Washington del 2016
Paper Università di Washington del 2016
Non è quindi un husky detector, ma uno snow detector
Questi esempi evidenziano che stiamo creando algoritmo che non comprendiamo.
Di che colore sono gli occhi del gatto? Attenzione umana vs diversi algoritmi
Perchè gli algoritmi fanno queste scelte? Sono efficaci?
Possiamo fidarci? Le metteremmo sulla nostra auto a guida autonoma?
E’ necessario avere chiari livelli di trasparenza e responsabilità
Abbiamo la tecnologia che impara, non abbiamo quella che spiega
Capire la logica delle decisioni e le regole che le governano
Poniamo dei vincoli sul modello in moddo che sia interpretabile e comprensibile
Poniamo un confine nello spazio dei dati tra le diverse decisioni.
Nel vicinato di uno specifico caso il confine tra una decisione è semplice e può essere spiegato.
Se facciamo un modello locale possiamo mettere insieme tante spiegazoni localmente semplici per avere un modello comprensibile.
Black Mirror MetalHead
La distanza tra fantascienza e realtà diventa sempre più sottile
Realtà e fantascienza, così distanti negli anni 60’, sembrano avvicinarsi fino a scambiarsi rendendo reale ciò era fiction
Temi etici enormi