![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/12\/2023\/11\/ch1-Page-5-translate-1024x432-1.png\"){kind=spacer}
\"Female mechanic\" and \"male nurse\" when translated to English and then back to French become \"Male mechanic\" and \"female nurse\". Example inspired by Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published[\/caption]\nI problemi si manifestano nell'IA ogni volta che un singolo caso si discosta da quello della maggioranza (sia che questa rappresenti fedelmente la maggioranza nel mondo reale, sia che si tratti solo della maggioranza rappresentata da Internet). Nelle classi, l'insegnante deve compensare le lacune del sistema. E, se necessario, indirizzare l'attenzione degli studenti verso un testo alternativo.<\/p>\n\n
EXPLORE<\/strong><\/p>\n\n<\/header>\n Riesci a trovare uno stereotipo in Google Translate<\/a>? Giocate a tradurre da e verso lingue diverse. Facendo clic sulle due frecce tra le caselle, \u00e8 possibile invertire ci\u00f2 che si sta traducendo (questo \u00e8 ci\u00f2 che abbiamo fatto per l'esempio mostrato sopra).\nLingue come il turco hanno la stessa parola per \"lui\" e \"lei\". Molti stereotipi vengono alla luce quando si traduce dal turco e viceversa. Si noti che molte lingue hanno un pregiudizio maschile: si presume che una persona sconosciuta sia di sesso maschile. Questo non \u00e8 il pregiudizio dell'applicazione. Ci\u00f2 che \u00e8 sconvolgente nel nostro esempio \u00e8 che l'infermiere maschio viene trasformato in femmina.<\/p>\n\n<\/div>\n Per sua natura, le previsioni possono essere errate. In molte applicazioni, questo errore \u00e8 accettabile. In alcuni casi, invece, non lo \u00e8. Inoltre, il modo in cui questo errore viene calcolato non \u00e8 fisso. Esistono diverse misure e il programmatore sceglie quella che ritiene pi\u00f9 rilevante. Spesso l'accuratezza cambia in base all'input stesso.<\/p>\n Poich\u00e9 in classe questi sistemi fanno previsioni sui bambini, spetta all'insegnante giudicare ci\u00f2 che \u00e8 accettabile e agire quando una decisione presa dall'IA non \u00e8 appropriata. Per fare questo, \u00e8 necessario un po' di background sulle tecniche di IA e sugli errori pi\u00f9 comuni ad esse associati.<\/p>\n\n\n 1 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a><\/em>, 2022.<\/a><\/p>","rendered":" La seconda posizione estrema quando si parla di IA \u00e8 l’uso indiscriminato o l’abuso della tecnologia. L’intelligenza artificiale funziona in modo diverso dall’intelligenza umana. A causa della spacifica situazione, della progettazione o dei dati, i sistemi di IA possono funzionare in modo diverso da quanto ci si aspetta.<\/p>\n Ad esempio, un’applicazione sviluppata utilizzando una serie di dati per un determinato scopo non funzioner\u00e0 altrettanto bene su altri dati per un altro scopo. \u00c8 utile conoscere i limiti dell’Intelligenza Artificiale e correggerli: \u00e8 bene non limitarsi all’IA, ma imparare a conoscerne i vantaggi e i limiti.<\/p>\n Google translate impara a tradurre da Internet. I suoi “data miner” esplorano il web pubblico alla ricerca di dati da cui imparare. Oltre al linguaggio, l’intelligenza artificiale impara che il numero di meccanici maschi \u00e8 superiore a quello delle donne. Che il numero di infermiere donne eclissa quello degli infermieri uomini. Non \u00e8 in grado di distinguere tra ci\u00f2 che \u00e8 “vero” e ci\u00f2 che \u00e8 il risultato di stereotipi e altri pregiudizi. Cos\u00ec, Google Translate finisce per propagare ci\u00f2 che apprende, cementando ulteriormente gli stereotipi1<\/sup>:<\/p>\n I problemi si manifestano nell’IA ogni volta che un singolo caso si discosta da quello della maggioranza (sia che questa rappresenti fedelmente la maggioranza nel mondo reale, sia che si tratti solo della maggioranza rappresentata da Internet). Nelle classi, l’insegnante deve compensare le lacune del sistema. E, se necessario, indirizzare l’attenzione degli studenti verso un testo alternativo.<\/p>\n EXPLORE<\/strong><\/p>\n<\/header>\n Riesci a trovare uno stereotipo in Google Translate<\/a>? Giocate a tradurre da e verso lingue diverse. Facendo clic sulle due frecce tra le caselle, \u00e8 possibile invertire ci\u00f2 che si sta traducendo (questo \u00e8 ci\u00f2 che abbiamo fatto per l’esempio mostrato sopra). Per sua natura, le previsioni possono essere errate. In molte applicazioni, questo errore \u00e8 accettabile. In alcuni casi, invece, non lo \u00e8. Inoltre, il modo in cui questo errore viene calcolato non \u00e8 fisso. Esistono diverse misure e il programmatore sceglie quella che ritiene pi\u00f9 rilevante. Spesso l’accuratezza cambia in base all’input stesso.<\/p>\n Poich\u00e9 in classe questi sistemi fanno previsioni sui bambini, spetta all’insegnante giudicare ci\u00f2 che \u00e8 accettabile e agire quando una decisione presa dall’IA non \u00e8 appropriata. Per fare questo, \u00e8 necessario un po’ di background sulle tecniche di IA e sugli errori pi\u00f9 comuni ad esse associati.<\/p>\n 1 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a><\/em>, 2022.<\/a><\/p>\n","protected":false},"author":1,"menu_order":5,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":25,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/42"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/42\/revisions"}],"predecessor-version":[{"id":43,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/42\/revisions\/43"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/parts\/25"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/42\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/media?parent=42"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapter-type?post=42"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/contributor?post=42"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/license?post=42"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Misure di precisione multiple<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/12\/2023\/11\/ch1-page-5-creative-people-300x212-1.png\")
I sistemi di intelligenza artificiale fanno previsioni: se ha capito un argomento, su ci\u00f2 che uno studente dovrebbe studiare in seguito, su quale divisione del gruppo \u00e8 buona per una classe o quando uno studente \u00e8 a rischio di abbandono. \u00a0Spesso queste previsioni sono accompagnate da una percentuale. Questo numero ci dice quanto il sistema ritiene buone le sue previsioni.<\/p>\n
\nPerpetuazione degli stereotipi<\/h3>\n
\nLingue come il turco hanno la stessa parola per “lui” e “lei”. Molti stereotipi vengono alla luce quando si traduce dal turco e viceversa. Si noti che molte lingue hanno un pregiudizio maschile: si presume che una persona sconosciuta sia di sesso maschile. Questo non \u00e8 il pregiudizio dell’applicazione. Ci\u00f2 che \u00e8 sconvolgente nel nostro esempio \u00e8 che l’infermiere maschio viene trasformato in femmina.<\/p>\n<\/div>\nMisure di precisione multiple<\/h3>\n
I sistemi di intelligenza artificiale fanno previsioni: se ha capito un argomento, su ci\u00f2 che uno studente dovrebbe studiare in seguito, su quale divisione del gruppo \u00e8 buona per una classe o quando uno studente \u00e8 a rischio di abbandono. \u00a0Spesso queste previsioni sono accompagnate da una percentuale. Questo numero ci dice quanto il sistema ritiene buone le sue previsioni.<\/p>\n
\n