Esperti di Machine Learning – Sasha Luccioni

Esperti di Machine Learning Sasha Luccioni

🤗 Benvenuti agli esperti di Machine Learning – Sasha Luccioni

🚀 Se sei interessato a scoprire come gli esperti di ML, come Sasha, possono accelerare la tua roadmap di ML, visita: hf.co/support.

Ciao amici! Benvenuti agli esperti di Machine Learning. Sono la vostra conduttrice, Britney Muller, e l’ospite di oggi è Sasha Luccioni. Sasha è una ricercatrice scientifica presso Hugging Face, dove si occupa degli impatti etici e sociali dei modelli e dei dataset di Machine Learning.

Sasha è anche co-presidente del Carbon Footprint WG del Big Science Workshop, fa parte del consiglio direttivo di WiML e è un membro fondatore dell’organizzazione Climate Change AI (CCAI), che catalizza lavori di impatto applicando il machine learning alla crisi climatica.

Ascolterai Sasha parlare di come misura l’impronta di carbonio di una email, di come ha aiutato una mensa locale a sfruttare il potere del ML e di come il significato e la creatività alimentano il suo lavoro.

Sono molto entusiasta di presentarti questo brillante episodio! Ecco la mia conversazione con Sasha Luccioni:

Nota: La trascrizione è stata leggermente modificata/riformattata per offrire la migliore esperienza di lettura possibile.

Grazie mille per essere qui oggi, siamo davvero entusiasti di averti con noi!

Sasha: Sono davvero entusiasta di essere qui.

Andando subito al sodo, puoi parlare del tuo background e di cosa ti ha portato a Hugging Face?

Sasha: Sì, se andiamo indietro nel tempo, ho iniziato a studiare linguistica. Ero appassionata di lingue e entrambi i miei genitori erano matematici. Ma pensavo, non voglio fare matematica, voglio fare linguistica. Durante la mia laurea ho iniziato a fare NLP, elaborazione del linguaggio naturale, e mi sono appassionata molto.

Il mio dottorato è stato in informatica, ma ho mantenuto una prospettiva linguistica. Ho iniziato nelle scienze umanistiche e poi sono passata all’informatica. Dopo il mio dottorato, ho trascorso un paio di anni lavorando nella ricerca di IA applicata. Il mio ultimo lavoro è stato nel settore finanziario e poi un giorno ho deciso che volevo fare ricerca di IA positiva per la società, quindi ho lasciato il mio lavoro. Ho deciso che nessuna quantità di denaro valeva la pena di lavorare sull’IA per l’IA stessa, volevo fare di più. Quindi ho trascorso un paio di anni lavorando con Yoshua Bengio, nel frattempo lavorando su progetti di IA per il bene, progetti di IA sul cambiamento climatico, e poi cercavo il mio prossimo ruolo.

Volevo essere in un posto in cui mi fidavo che stessero facendo le cose giuste e andando nella giusta direzione. Quando ho incontrato Thom e Clem, sapevo che Hugging Face era il posto per me e che sarebbe stato esattamente quello che stavo cercando.

Mi piace che tu abbia voluto fare qualcosa di significativo!

Sasha: Sì, quando sento le persone la domenica sera dire “Domani è lunedì…”, io penso “Domani è lunedì! Che bello!” E non è che io sia un workaholic, faccio sicuramente anche altre cose e ho una famiglia e tutto, ma sono veramente entusiasta di andare a lavorare per fare cose davvero interessanti. Penso che sia importante. So che le persone possono vivere anche senza, ma io no.

Di cosa sei più entusiasta in questo momento in cui stai lavorando?

Sasha: Penso che il progetto Big Science sia sicuramente molto ispiratore. Negli ultimi anni ho visto questi grandi modelli di linguaggio e mi chiedevo sempre, ma come funzionano? E dov’è il codice, dov’è il loro dato, e cosa sta succedendo al loro interno? Come sono sviluppati e chi è coinvolto? Era tutto come una scatola nera e sono così felice che finalmente la stiamo trasformando in una scatola di vetro. E ci sono così tante persone coinvolte e così tante prospettive davvero interessanti.

E faccio da presidente del gruppo di lavoro sull’impronta di carbonio, quindi stiamo lavorando su diversi aspetti degli impatti ambientali e non solo sul conteggio delle emissioni di CO2, ma anche su altre cose come i costi di produzione. A un certo punto, abbiamo persino considerato quanto CO2 genera una email, cose del genere, quindi stiamo sicuramente pensando a prospettive diverse.

Anche per quanto riguarda i dati, sono coinvolto in molti gruppi di lavoro sui dati presso Big Science, ed è davvero interessante perché di solito è stato come se stessimo cercando di ottenere il maggior numero possibile di dati, inserirli in un modello di linguaggio e sarebbe stato fantastico. E avrebbe imparato tutte queste cose, ma quello che c’è effettivamente lì, c’è così tante cose strane su internet e cose che non necessariamente vuoi che il tuo modello veda. Quindi stiamo veramente cercando di prestare attenzione, di curare i dati e di considerare anche il multilinguismo per assicurarci che non sia solo al cento per cento in inglese o al 99% in inglese. Quindi è davvero una grande iniziativa e mi fa eccitare essere coinvolto.

Amo l’idea di valutare l’impronta di carbonio di una email!?

Sasha: Sì, alcune persone l’hanno fatto, a seconda se c’era un allegato o meno, ma è stato solo perché abbiamo trovato questo articolo di, penso che fosse un progetto di fisica teorica e l’hanno fatto, hanno fatto tutto. Hanno fatto videochiamate, spostamenti, email e anche gli esperimenti effettivi. E hanno realizzato questo grafico a torta ed è stato bello perché c’erano 37 categorie nel grafico a torta e volevamo davvero farlo anche noi. Ma non so se vogliamo arrivare a quel livello di dettaglio, ma stavamo per fare un sondaggio e chiedere ai partecipanti, in media, quante ore hanno trascorso lavorando su Big Science o allenandosi con i modelli di linguaggio e cose del genere. Quindi non volevamo solo il numero di ore di GPU per addestrare il modello, ma anche l’implicazione delle persone e la partecipazione al progetto.

Puoi parlare un po’ di più dell’impatto ambientale dell’IA?

Sasha: Sì, è un argomento a cui mi sono interessato tre anni fa. Il primo articolo che è uscito è stato di Emma Strubell e dei suoi colleghi e fondamentalmente hanno addestrato un grande modello di linguaggio con l’ottimizzazione degli iperparametri. Quindi fondamentalmente hanno esaminato tutte le diverse configurazioni e il risultato che hanno ottenuto è stato che quel modello di IA ha emesso la stessa quantità di carbonio di cinque auto durante la loro vita. Cosa che include benzina e tutto, come la media del consumo. E con i miei colleghi ci siamo detti, beh, non sembra giusto, non possono essere tutti i modelli, giusto? E quindi siamo andati davvero a fondo per capire cosa ha un impatto sulle emissioni e come possiamo misurarle.

All’inizio abbiamo creato solo questa calcolatrice online in cui una persona poteva inserire l’hardware che utilizzava, per quanto tempo si è allenata e dove si trovava, se in una posizione fisica o in un’istanza di cloud computing. E poi gli avrebbe dato una stima del carbonio emesso coinvolto. Fondamentalmente è stato il nostro primo tentativo, una calcolatrice, e poi abbiamo aiutato a creare un pacchetto chiamato code carbon che lo fa effettivamente in tempo reale. Quindi funzionerà parallelamente a tutto ciò che stai facendo per addestrare un modello e alla fine fornirà una stima delle emissioni di carbonio.

Ultimamente siamo andati sempre più in profondità. Ho appena avuto un articolo di cui sono stato coautore che è stato accettato, su come ridurre in modo proattivo le emissioni. Ad esempio, anticipando i momenti in cui i server non vengono utilizzati tanto quanto in altri momenti, come ritardare il tempo o scegliere la regione giusta perché se ti alleni, non so, in Australia, sarà una rete basata sul carbone e quindi altamente inquinante. Mentre in Quebec o a Montreal, dove mi trovo, è al cento per cento idroelettrico. Quindi solo facendo questa scelta, puoi ridurre le tue emissioni di circa cento volte. E quindi piccole cose del genere, oltre a stimare, vogliamo anche che le persone inizino a ridurre le loro emissioni. È il prossimo passo.

Non mi è mai passato per la mente che geograficamente dove fai i calcoli ha un costo di emissioni diverso.

Sasha: Oh sì, ora sono davvero interessato alle reti energetiche. Ogni volta che vado da qualche parte, chiedo, quindi da dove proviene l’energia? Come viene generata? Ed è davvero interessante, ci sono molti fattori storici e molti fattori culturali.

Ad esempio, la Francia è principalmente nucleare, principalmente energia, e il Canada ha molta energia idroelettrica. Alcuni posti hanno molta energia eolica o maremotrice, quindi è davvero interessante capire da dove proviene l’elettricità quando accendi una lampada e a quale costo per l’ambiente. Perché quando ero piccolo, spegnevo sempre le luci e staccavo le prese ma niente di più. Ero solo attento alle buone pratiche. Spegni la luce quando non sei in una stanza, ma dopo quello, puoi davvero approfondire a seconda di dove vivi, l’energia proviene da fonti diverse. E c’è più o meno inquinamento, ma non vediamo come viene prodotta l’energia, vediamo solo la luce e diciamo oh, questa è la mia lampada. Quindi è davvero importante cominciare a pensarci.

È così facile non pensare a queste cose, che potrei vedere come un ostacolo per gli ingegneri di machine learning che potrebbero non avere questa consapevolezza generale.

Sasha: Sì, esattamente. E voglio dire, di solito è solo per abitudine, giusto? Penso che ci sia un’opzione predefinita quando si utilizzano istanze cloud, spesso è quella più vicina a te o quella con il maggior numero di GPU disponibili o quello che sia. C’è un’opzione predefinita e le persone dicono “ok, va bene, qualsiasi cosa” e cliccano su predefinito. È questo aspetto della teoria della spinta.

Ho fatto una laurea magistrale in scienze cognitive e solo cambiando l’opzione predefinita, puoi cambiare il comportamento delle persone in modo incredibile. Quindi che tu metta mele o barrette di cioccolato vicino alla cassa, o piccole cose del genere. E quindi, se l’opzione predefinita diventasse improvvisamente quella a basso impatto di carbonio, potremmo risparmiare così tante emissioni solo perché le persone dicono “ok, va bene, addestrerò un modello a Montreal, non importa”. Non importa, purché tu abbia accesso all’hardware di cui hai bisogno, non ti importa dove si trovi. Ma nel lungo periodo, si accumula davvero.

Quali sono alcuni dei metodi in cui i team e gli ingegneri di machine learning potrebbero essere un po’ più proattivi in aspetti come questi?

Sasha: Ho notato che molte persone sono molto attente all’ambiente. Ad esempio, vanno in bicicletta per andare al lavoro o mangiano meno carne e cose del genere. Hanno questa consapevolezza ambientale, ma poi la dissociamo dal nostro lavoro perché non siamo consapevoli del nostro impatto come ricercatori o ingegneri di machine learning sull’ambiente. E senza condividerlo necessariamente, iniziando semplicemente a misurare, ad esempio, le emissioni di carbonio. E iniziando a guardare quali istanze si stanno scegliendo, se si ha una scelta. Ad esempio, so che Google Cloud e AWS hanno iniziato a mettere un piccolo tag per indicare quelle a basso impatto di carbonio, quindi puoi sceglierle perché le informazioni sono disponibili. E iniziando a fare questi piccoli passi e a collegare i puntini tra l’ambiente e la tecnologia. Questi sono punti che spesso non vengono collegati perché la tecnologia è così distribuita e non si vede davvero. E quindi, rendendola più concreta, si vede l’impatto che può avere sull’ambiente.

È un ottimo punto. E ho ascoltato un paio di tuoi discorsi e podcast in cui hai accennato a come il machine learning possa essere usato per aiutare a compensare l’impatto ambientale dei modelli.

Sasha: Sì, abbiamo scritto un paper un paio di anni fa che è stata un’esperienza interessante. Sono quasi cento pagine, si intitola “Affrontare il cambiamento climatico con il machine learning”. E ci sono circa 25 autori, ma ci sono tutte queste diverse sezioni che vanno dall’elettricità alla pianificazione urbana al trasporto alla silvicoltura e all’agricoltura. Fondamentalmente abbiamo questi capitoli del paper in cui parliamo dei problemi che esistono. Ad esempio, l’energia rinnovabile è variabile in molti casi. Quindi se hai dei pannelli solari, non produrranno energia di notte. È una cosa scontata. E poi l’energia eolica dipende dal vento. E quindi una grande sfida nell’implementazione delle energie rinnovabili è che devi rispondere alla domanda. Devi essere in grado di fornire energia alle persone di notte, anche se stai utilizzando energia solare. E quindi di solito hai generatori diesel o un sistema di backup che spesso annulla l’effetto ambientale, come le emissioni che stai risparmiando, ma ciò che può fare il machine learning è prevedere quanto energia sarà necessaria. Quindi in base ai giorni precedenti, in base alla temperatura, in base agli eventi che accadono, puoi iniziare a dire “ok, bene, prevederemo mezz’ora prima o un’ora prima o 6 ore o 24 ore prima”. E puoi iniziare a avere diversi orizzonti e fare previsioni a serie temporali.

Quindi invece di accendere un generatore diesel, cosa interessante perché puoi accenderlo semplicemente e in pochi secondi è pronto. Quello che puoi fare anche è avere delle batterie, ma le batterie devi iniziare a caricarle in anticipo. Quindi diciamo che mancano sei ore, inizi a caricare le tue batterie, sapendo che sta arrivando una nuvola o che sta per calare la notte, quindi hai bisogno di quella energia immagazzinata in anticipo. E quindi ci sono cose che potresti fare in modo proattivo che possono fare una grande differenza. E il machine learning è bravo in questo, è bravo a prevedere il futuro, è bravo a trovare le giuste caratteristiche e cose del genere. Quindi questo è uno degli esempi principali. Un altro è il rilevamento remoto. Quindi abbiamo molti dati satellitari sul pianeta e possiamo vedere sia la deforestazione che tracciare gli incendi. In molti casi, puoi rilevare automaticamente gli incendi boschivi in base alle immagini satellitari e inviare immediatamente delle squadre sul posto. Perché spesso si trovano in luoghi remoti in cui non necessariamente ci sono persone che vivono. E quindi ci sono tutti questi casi in cui il machine learning potrebbe essere estremamente utile. Abbiamo i dati, abbiamo la necessità, quindi questo paper tratta di come coinvolgersi, di cosa si è bravi a fare, di cosa si ama fare e di come applicare il machine learning e usarlo nella lotta contro il cambiamento climatico.

Per le persone che sono interessate a questo sforzo, ma che forse lavorano in un’organizzazione in cui non è una priorità, quali consigli hai per incentivare le squadre a dare priorità all’impatto ambientale?

Sasha: Quindi è sempre una questione di costi e benefici o di tempo, sai, il tempo che devi dedicarci. E a volte le persone semplicemente non sanno che esistono strumenti diversi o approcci diversi. E quindi se le persone sono interessate o anche solo curiose di saperne di più, penso che sia il primo passo perché anche quando ho iniziato a pensare a cosa posso fare, non sapevo che tutte queste cose esistessero. Le persone hanno lavorato su questo per un bel po’ di tempo utilizzando diverse tecniche di data science.

Ad esempio, abbiamo creato un sito web chiamato climatechange.ai, e abbiamo riassunti interattivi che puoi leggere su come il cambiamento climatico può aiutare e rilevare il metano o altre cose. E penso che semplicemente diffondendo queste conoscenze si possano innescare dei processi di pensiero o discussioni interessanti. Ho partecipato a diverse tavole rotonde in aziende che non sono tradizionalmente orientate al cambiamento climatico, ma che stanno iniziando a pensarci. E dicono “ok, abbiamo messo un bidone per il compostaggio in cucina, o abbiamo fatto questo e abbiamo fatto quello”. Quindi, dal lato tecnico, cosa possiamo fare? È davvero interessante perché ci sono molti frutti a portata di mano che devi solo imparare. E poi è come “oh, bene, posso fare questo, posso utilizzare per default questa istanza di cloud computing e non mi costerà niente. E bisogna cambiare un parametro da qualche parte.”

Quali sono alcuni degli errori più comuni che vedi commettere dagli ingegneri o dalle squadre di machine learning quando si tratta di implementare questi miglioramenti?

Sasha: In realtà, le persone che lavorano con l’apprendimento automatico o l’intelligenza artificiale, in generale, hanno questo stereotipo da altre comunità secondo cui pensiamo che l’IA risolverà tutto. Siamo appena arrivati e diciamo “oh, faremo l’IA. E risolverà tutti i tuoi problemi, non importa cosa tu abbia fatto negli ultimi 50 anni, l’IA lo farà”. E non ho visto questa attitudine tanto, ma sappiamo cosa può fare l’IA, sappiamo cosa può fare l’apprendimento automatico, e abbiamo una certa visione del mondo. È come quando hai un martello, tutto sembra un chiodo, quindi è un po’ così. E ho partecipato a un paio di hackathon e in generale le persone vogliono creare o fare qualcosa per combattere il cambiamento climatico. Spesso è come “oh, sembra una cosa fantastica che l’IA possa fare, e noi la faremo” senza pensare a come verrà utilizzata o quanto sarà utile o come sarà. Perché è come “sì, certo, l’IA può fare tutte queste cose, ma alla fine qualcuno la userà”.

Ad esempio, se crei qualcosa per analizzare le immagini satellitari e rilevare gli incendi, le informazioni prodotte dal tuo modello devono essere interpretabili. O devi aggiungere quel piccolo passaggio extra di inviare una nuova e-mail o quello che è. Altrimenti, addestriamo un modello, è fantastico, è super preciso, ma alla fine nessuno lo userà solo perché manca quel piccolo collegamento con il mondo reale o con il modo in cui le persone lo utilizzeranno. E questo non è affascinante, le persone dicono “sì, va bene, non so nemmeno come scrivere uno script che invia una e-mail”. Nemmeno io. Ma comunque, fare quel piccolo passo extra è molto meno complesso dal punto di vista tecnologico rispetto a quello che hai fatto finora. Aggiungere solo quella piccola cosa farà una grande differenza e può riguardare l’interfaccia utente o la creazione di un’applicazione. È come il materiale di apprendimento automatico che è realmente cruciale per far sì che il tuo progetto venga utilizzato.

E ho partecipato all’organizzazione di workshop in cui le persone presentano idee super fantastiche sulla carta con ottime percentuali di precisione, ma poi rimangono solo sulla carta o in forma di articolo perché è ancora necessario fare il passo successivo. Ricordo questa presentazione di un algoritmo di apprendimento automatico che poteva ridurre le emissioni di volo degli aerei dal 3 al 7% calcolando la velocità del vento, ecc. Ovviamente, quella persona avrebbe dovuto creare una startup o un prodotto o proporre la cosa a Boeing o chiunque altro, altrimenti era solo una carta che avevano pubblicato in quel workshop che stavo organizzando, e poi basta. E gli scienziati o gli ingegneri non hanno necessariamente quelle competenze necessarie per andare da un produttore di aeroplani con questa cosa, ma è frustrante. E alla fine, vedere queste grandi idee, questa grande tecnologia che si spegne.

Così triste. È una storia meravigliosa, però, e come ci sono opportunità così.

Sasha: Sì, e penso che gli scienziati, così spesso, non vogliano necessariamente fare soldi, vogliono solo risolvere problemi spesso. E quindi non è necessario nemmeno avviare una startup, potresti semplicemente parlare con qualcuno o proporre questo a qualcuno, ma devi uscire dalla tua zona di comfort. E le conferenze accademiche a cui partecipi, devi partecipare a un evento di networking nell’industria dell’aviazione e questo è spaventoso, giusto? E quindi spesso ci sono queste barriere tra discipline che trovo molto tristi. Mi piace davvero andare a un evento di networking aziendale o di un’industria a caso perché è qui che si possono fare connessioni che possono apportare i cambiamenti più grandi. Non è nelle conferenze specifiche del settore perché tutti parlano dello stesso stile tecnico che ovviamente sta facendo progressi e innovazioni. Ma se sei l’unico esperto di apprendimento automatico in una stanza piena di esperti di aviazione, puoi fare molto. Puoi accendere tutte queste piccole scintille e in seguito avrai persone che riducono le emissioni dei voli.

È potente. Mi chiedo se puoi aggiungere un po’ di contesto in merito al perché trovare un significato nel tuo lavoro sia così importante?

Sasha: Sì, c’è questo concetto che mia madre ha letto su una rivista anni fa quando ero bambino. Si chiama Ikigai, ed è un concetto giapponese, è come trovare la ragione o il significato della vita. È un po’ come trovare il tuo posto nell’universo. Ed era come se avessi bisogno di trovare qualcosa che avesse questi quattro elementi. Come ciò che ami fare, ciò in cui sei bravo, ciò di cui il mondo ha bisogno e poi ciò che può essere una carriera. Ero sempre del parere che questa fosse la mia carriera, ma lei diceva sempre di no perché anche se ami fare questo, ma non puoi essere pagato per farlo, allora è anche una vita difficile. E quindi mi ha sempre chiesto questo quando sceglievo i miei corsi all’università o addirittura il mio titolo, mi chiedeva sempre se fosse in linea con le cose che amo fare e le cose in cui sono bravo. E alcune cose mi diceva sì, ma non sei bravo in quello però. Voglio dire, potresti davvero voler fare questo, ma forse non è ciò in cui sei bravo.

Quindi penso che sia sempre stato il mio fattore trainante nella mia carriera. E sento che aiuta a sentirti utile e come una forza positiva nel mondo. Ad esempio, quando lavoravo a Morgan Stanley, sentivo che c’erano problemi interessanti, stavo facendo davvero bene, nessuna domanda, lo stipendio era incredibile. Nessun lamento in quel senso, ma mancava questo aspetto di ciò di cui ha bisogno il mondo che era un po’ come un prurito che non riuscivo a grattare essenzialmente. Ma dato questo quadro, questo “itchy guy”, ho pensato oh, è quello che manca nella mia vita. E quindi penso che le persone in generale, non solo nell’apprendimento automatico, facciano bene a pensare non solo a ciò in cui sono bravi, ma anche a ciò che amano fare, cosa li motiva, perché dovrebbero alzarsi dal letto al mattino e naturalmente avere questo aspetto di ciò di cui ha bisogno il mondo. E non deve essere come risolvere la fame nel mondo, può essere su una scala molto più piccola o su una scala concettuale molto più ampia.

Ad esempio, quello che sento che stiamo facendo a Hugging Face è davvero che l’apprendimento automatico ha bisogno di più codice open source, più condivisione di modelli, ma non perché risolverà un problema specifico, perché può contribuire a una serie di problemi. Tutto, dalla riproducibilità alla compatibilità al prodotto, ma c’è come il mondo ha bisogno di questo fino a un certo punto. E quindi penso che mi abbia davvero aiutato a convergere su Hugging Face come forse il mondo non ha necessariamente bisogno di social network migliori perché molte persone fanno ricerca sull’IA nel contesto dei social media o di queste grandi aziende tecnologiche. Forse il mondo non ha necessariamente bisogno di questo, forse non adesso, forse ciò di cui il mondo ha bisogno è qualcosa di diverso. E quindi questo quadro a quattro parti mi ha davvero aiutato a trovare un significato nella mia carriera e nella mia vita in generale, cercando di trovare tutti e quattro questi elementi.

Quali altri esempi o applicazioni trovi e vedi potenziale significato nell’IA e nell’apprendimento automatico?

Sasha: Credo che un aspetto spesso trascurato sia l’accessibilità e suppongo la democratizzazione, ma rendere l’IA più facile per i non specialisti. Perché immagina se una persona come un giornalista o un medico o qualsiasi altra professione potesse facilmente addestrare o utilizzare un modello di IA. Perché mi sembra che, sì, sicuramente facciamo IA in medicina e assistenza sanitaria, ma da un punto di vista molto orientato all’apprendimento automatico. Ma se avessimo più medici che fossero abilitati a creare più strumenti o qualsiasi altra professione come un panettiere… In realtà ho un amico che ha una panetteria qui a Montreal ed era tipo: “Ehi, l’IA può aiutarmi a fare del pane migliore?” E io ho risposto probabilmente sì. Sono sicuro che se fai qualche tipo di sperimentazione e lui ha detto: “Posso installare una telecamera nel mio forno”. E io ho detto: “Oh sì, potresti farlo suppongo”. Voglio dire, ne stavamo parlando e sai, in realtà, il pane è abbastanza capriccioso, hai bisogno della giusta umidità e richiede molta sperimentazione e molte competenze da ‘boulangers’ [panettieri]. E lo stesso vale per i croissant, i suoi croissant sono così buoni ed è come: “Sì, devi davvero conoscere il burro giusto, ecc.” E lui diceva: “Voglio creare un modello di IA che aiuti a fare il pane”. E io ero tipo: “Non so nemmeno come aiutarti a iniziare, da dove inizi a farlo?”

Quindi l’accessibilità è una parte così importante. Ad esempio, internet è diventato così accessibile al giorno d’oggi. Chiunque può navigare, e inizialmente era molto meno accessibile, quindi penso che l’IA abbia ancora qualche strada da percorrere per diventare uno strumento più accessibile e democratico.

E hai già parlato della potenza dei dati e di come non se ne parli abbastanza.

Sasha: Sì, quattro o cinque anni fa sono andato in Costa Rica con mio marito in viaggio. Stavamo guardando una mappa e poi ho trovato questo centro di ricerca che era ai confini del mondo. Era come essere nel bel mezzo del nulla. Dovevamo prendere una macchina su una strada sterrata, poi una prima barca e poi una seconda barca per arrivarci. E sono nel bel mezzo della giungla e fondamentalmente studiano la giungla e hanno tutte queste telecamere trappola che si attivano automaticamente, che sono sparse per tutta la giungla. E poi ogni paio di giorni devono camminare da una telecamera all’altra per sostituire le schede SD. E poi prendono queste schede SD e le riportano alla stazione e poi hanno un laptop e devono guardare ogni foto che ha scattato. E ovviamente ci sono molti falsi positivi a causa del vento o altro, come un animale che si muove molto velocemente, quindi ci sono letteralmente forse il 5% di immagini effettivamente buone. E io ho pensato perché non lo stanno usando per tracciare la biodiversità? E loro hanno detto no, abbiamo visto un giaguaro il blah, blah, blah in questa posizione perché ne hanno molti.

Poi hanno cercato di tracciare se un giaguaro o un altro animale veniva ucciso, se aveva cuccioli o se sembrava ferito; tutte queste cose diverse. E poi ho pensato, sono sicuro che una parte di questo potrebbe essere automatizzato, almeno il processo di filtraggio per eliminare le immagini che non sono essenzialmente utili, ma avevano studenti universitari o altro che lo facevano. Ma ancora, ci sono così tanti esempi come questo in tutti i settori. E avere questi piccoli strumenti, non sto dicendo che perché penso che non siamo ancora lì, sostituire completamente gli scienziati in questo tipo di compito, ma solo piccoli componenti che sono fastidiosi e che richiedono tempo, quindi l’apprendimento automatico può aiutare a colmare questa lacuna.

Wow. È così interessante!

Sasha: In realtà, i dati delle telecamere trappola sono una parte molto importante nel tracciare la biodiversità. Viene utilizzato per gli uccelli e altri animali. Viene utilizzato in molti casi e in realtà ci sono state competizioni Kaggle negli ultimi anni sui dati delle telecamere trappola. E fondamentalmente durante l’anno, hanno telecamere trappola in diversi luoghi, come il Kenya ne ha molte e anche la Tanzania. E poi alla fine dell’anno, c’è questa grande competizione Kaggle per riconoscere diverse specie di animali. Poi dopo di che, distribuiscono i modelli e li aggiornano ogni anno.

Quindi sta prendendo piede, ma ci sono semplicemente molti dati, come hai detto. Quindi ogni ecosistema è unico e quindi hai bisogno di un modello che venga addestrato esattamente su quello. Non puoi prendere un modello dal Kenya e farlo funzionare in Costa Rica, non funzionerà. Hai bisogno di dati, hai bisogno di esperti per addestrare il modello e quindi ci sono molti elementi che devono convergere affinché tu possa farlo. Come AutoTrain, Hugging Face ne ha uno, ma ancora più semplice in cui i ricercatori sulla biodiversità in Costa Rica potrebbero dire: “Queste sono le mie immagini, aiutami a capire quali sono di buona qualità e i tipi di animali che ci sono”. E potrebbero semplicemente trascinare e rilasciare le immagini come un’interfaccia web o qualcosa del genere. E poi avrebbero questo modello che dice: “Ecco le 12 immagini di giaguari, questo è ferito, questo ha un cucciolo, eccetera”.

Hai delle intuizioni per i team che stanno cercando di risolvere problemi come questo con l’apprendimento automatico, ma che semplicemente mancano dei dati necessari?

Sasha: Sì, suppongo un’altra aneddoto, ne ho molti di questi aneddoti, ma a un certo punto volevamo organizzare un hackathon di AI per il bene sociale qui a Montreal, circa tre o quattro anni fa. E poi avremmo contattato tutte queste ONG, come le mense per i poveri, i rifugi per i senzatetto a Montreal. E abbiamo iniziato a andare in questi posti e poi ci siamo detti, ok, dove sono i vostri dati? E loro hanno risposto “Quali dati?”. Io ho detto “Beh, non tenete traccia di quante persone avete nel vostro rifugio per senzatetto o se tornano,” e loro hanno risposto “No.” E poi hanno aggiunto “Ma d’altra parte, abbiamo questi problemi di persone che scompaiono e non sappiamo dove si trovino o persone che rimangono a lungo. E poi a un certo punto dovremmo dirgli di non restare.” Avevano molti problemi, ad esempio, nella cucina per i poveri, c’era molto cibo sprecato perché avevano difficoltà a prevedere quante persone sarebbero arrivate. E a volte dicevano “Sì, abbiamo notato che a ottobre di solito ci sono meno persone, ma non abbiamo davvero dati per supportare questa affermazione.

Quindi abbiamo cancellato completamente l’hackathon, e invece abbiamo fatto, penso che li chiamiamo workshop di alfabetizzazione dei dati o di alfabetizzazione digitale. Quindi essenzialmente andavamo in questi posti se erano interessati e offrivamo workshop di una o due ore su come utilizzare un foglio di calcolo e capire cosa volevano tenere traccia. Perché a volte non sapevano nemmeno che tipo di cose volevano salvare o di cui volevano davvero avere una traccia. Ne abbiamo fatti un paio in alcuni posti, come tornavamo ogni paio di mesi a fare un controllo. E poi, un anno dopo, avevamo un paio, in particolare una cucina per i poveri, in realtà siamo riusciti a fare una connessione tra loro, e non ricordo più il nome dell’azienda, ma essenzialmente hanno fatto questa cosa di software di gestione della catena di approvvigionamento. E quindi la cucina è stata in grado di implementare un sistema in cui avrebbero tracciato, ad esempio, “Abbiamo ricevuto 10 chili di pomodori, oggi sono arrivate tante persone e questo è lo spreco di cibo che abbiamo”. Poi, un anno dopo, siamo stati in grado di fare un hackathon per aiutarli a ridurre lo spreco di cibo.

Quindi è stato davvero bello perché abbiamo visto un anno e qualcosa prima non avevano traccia di nulla, avevano solo intuizioni, utili ma non formali. E poi, un anno dopo, siamo stati in grado di ottenere dati e integrarli nella loro app, e avrebbero avuto un avviso che diceva “Attenzione, i vostri pomodori si stanno per rovinare presto perché sono passati tre giorni da quando li avete avuti”. Oppure, nei casi in cui si trattava di pasta, sarebbe stato sei mesi o un anno, e quindi abbiamo implementato un sistema che in realtà avrebbe dato loro degli avvisi. E in termini di tecnologia era super semplice, non c’era nemmeno molto di intelligenza artificiale, ma solo qualcosa che li aiutasse a tenere traccia delle diverse categorie di cibo. Ed è stata un’esperienza davvero interessante perché ho capito che sì, puoi arrivare e dire che li aiuterai a fare qualunque cosa, ma se non hai molti dati, cosa puoi fare?

Esattamente, è molto interessante. È incredibile che tu sia riuscito a entrare lì e fornire quel primo passo, la componente educativa di quel puzzle per farli iniziare su qualcosa del genere.

Sasha: Sì, è passato un po’ di tempo da quando ho organizzato un hackathon. Ma penso che questi eventi di coinvolgimento della comunità siano davvero importanti perché aiutano le persone a imparare cose come abbiamo imparato che non puoi semplicemente irrompere e usare l’IA, la alfabetizzazione digitale è molto più importante e loro non hanno mai davvero fatto lo sforzo di raccogliere i dati, anche se ne avevano bisogno. O non sapevano cosa potesse essere fatto e cose del genere. Quindi fare questo sforzo o fare un passo indietro e aiutare a migliorare le competenze tecnologiche, in generale, è un contributo davvero utile che le persone non si rendono conto che è un’opzione, suppongo.

A quali industrie sei più entusiasta di vedere l’apprendimento automatico applicato?

Sasha: Cambiamento climatico! Sì, l’ambiente è un po’ la mia priorità. L’istruzione è sempre stata qualcosa che mi ha interessato molto e che ho sempre aspettato. Ho fatto il mio dottorato in educazione e intelligenza artificiale, come l’IA può essere utilizzata nell’istruzione. Continuo ad aspettare che raggiunga finalmente un certo picco, ma suppongo che ci siano molti elementi di contesto e cose del genere, ma penso che l’IA, l’apprendimento automatico e l’istruzione possano essere utilizzati in tanti modi diversi.

Ad esempio, quello su cui stavo lavorando durante il mio dottorato era come aiutare a scegliere attività, come attività di apprendimento ed esercizi, più adatti ai discenti. Invece di dare a tutti i bambini o adulti o chiunque lo stesso esercizio per aiutarli a concentrarsi sui loro punti deboli di conoscenza, le loro abilità deboli e concentrarsi su quelle. Quindi invece di un approccio unico per tutti. E non sostituendo l’insegnante, ma piuttosto tutoraggio, come dire, impari un concetto a scuola e ti aiuto a lavorarci su. E c’è qualcuno che capisce questo molto velocemente e non ha bisogno di quegli esercizi, ma qualcun altro potrebbe aver bisogno di più tempo per esercitarsi. E penso che si possa fare così tanto, ma ancora non lo vedo davvero usato, ma penso che abbia un potenziale davvero impattante.

Va bene, quindi andiamo a fare una serie di domande rapide. Se potessi tornare indietro e fare una cosa diversa all’inizio della tua carriera di apprendimento automatico, cosa sarebbe?

Sasha: Dedicherei più tempo a concentrarmi sulla matematica. Come ho detto, i miei genitori sono matematici e mi davano sempre esercizi di matematica extra. E dicevano sempre che la matematica è universale, matematica, matematica, matematica. Quindi quando ti somministrano cose durante l’infanzia, non le apprezzi necessariamente in seguito, e così io pensavo no, lingue. E così per buona parte dei miei studi universitari, pensavo no matematica, solo umanistica. E quindi mi sembra che se fossi stato un po’ più aperto fin dall’inizio e avessi capito il potenziale della matematica, anche in linguistica o in molte altre cose, penso che sarei arrivato dove sono molto più velocemente che passare tre anni a dire no matematica, no matematica.

Ricordo che nell’ultimo anno della scuola superiore, i miei genitori mi hanno fatto iscrivere a una gara di matematica, tipo un’Olimpiade, e l’ho vinta. Poi ricordo di aver preso una medaglia e l’ho messa a mia madre e le ho detto “Ora lasciami stare, non farò più matematica nella mia vita.” E lei ha risposto “Sì, sì.” E poi dopo, quando ho scelto il mio programma di dottorato, mi ha detto “Oh vedo che ci sono lezioni di matematica, eh? perché stai facendo apprendimento automatico, eh?”, e io ho risposto “No,” ma sì, avrei dovuto superare il mio disgusto iniziale per la matematica molto più velocemente.

È così divertente, ed è interessante sentire questo perché spesso sento dire alle persone che devi conoscere sempre meno matematica, più avanzate diventano alcune di queste librerie e programmi di apprendimento automatico.

Sasha: Sicuramente, ma penso che avere una buona base, non dico che devi essere un super genio, ma avere questa intuizione. Ad esempio, quando stavo lavorando con Yoshua, lui è un genio matematico totale e solo la facilità di interpretare i risultati o capire i comportamenti di un modello di apprendimento automatico solo perché la matematica è così naturale. Mentre per me devo essere tipo, ok, quindi scriverò questa equazione con la funzione di perdita. Cercherò di capire le conseguenze, ecc., ed è un po’ meno automatico, ma è una competenza che puoi sviluppare. Non è necessariamente teorica, potrebbe anche essere una conoscenza sperimentale. Ma avere una base matematica davvero solida ti aiuta ad arrivare lì più velocemente, non puoi davvero saltare alcuni passaggi.

È stato brillante. E puoi chiedere aiuto ai tuoi genitori?

Sasha: No, rifiuto di chiedere aiuto ai miei genitori, neanche per sogno. Inoltre, dato che sono matematici teorici, pensano che l’apprendimento automatico sia solo per le persone che non sono brave in matematica e che sono pigre o cose del genere. E quindi a seconda dell’area in cui ti trovi, ci sono matematici puri, matematici teorici, matematici applicati, statistici e ci sono tutti questi diversi gruppi.

E quindi mi ricordo che mio fratello minore stava pensando di dedicarsi all’apprendimento automatico e mio padre gli ha detto di no, di rimanere nella matematica teorica, perché è lì che ci sono tutti i geni. Lui ha detto “No, l’apprendimento automatico è dove la matematica va a morire” e io ho detto “Papà, sono qui!” E lui ha risposto “Beh, preferirei che tuo fratello si dedicasse a qualcosa di più raffinato” e io ho detto “Non è giusto”.

Quindi sì, ci sono molti aspetti empirici nell’apprendimento automatico e molto tentativo ed errore, come sintonizzare gli iperparametri senza sapere realmente il motivo. Quindi penso che i matematici formali, a meno che non ci sia una formula, non considerino l’apprendimento automatico reale o legittimo.

Quindi oltre a una base matematica, che consiglio daresti a qualcuno che vuole iniziare con l’apprendimento automatico?

Sasha: Penso che sia importante mettere le mani in pasta e iniziare con Jupyter Notebooks o esercizi di programmazione, cose del genere. Soprattutto se hai angolazioni specifiche o problemi a cui vuoi dedicarti o semplicemente idee in generale, inizia a provare. Mi ricordo che ho fatto una scuola estiva sull’apprendimento automatico quando ero all’inizio del mio dottorato, penso. Ed è stato davvero interessante, ma poi tutti questi esempi erano così sconnessi. Non ricordo qual era il dato, tipo gatti contro cani, non so, ma perché dovrei usarlo? E poi parte dell’esercizio consisteva nel trovare qualcosa che volessi usare, come un classificatore essenzialmente da utilizzare.

Poi mi ricordo di aver ottenuto delle immagini di fiori o qualcosa del genere e mi sono appassionato molto. Pensavo “Sì, guarda, confonde questo fiore con quell’altro perché sono simili. Capisco che ho bisogno di più immagini” e mi sono appassionato molto e lì ho capito che non si tratta solo di una classificazione astratta. Oppure, ricordo che stavamo usando questa app chiamata MNIST che è molto popolare perché sono cifre scritte a mano e sono molto piccole, quindi la rete va veloce. La gente la usa molto all’inizio dei corsi di apprendimento automatico. E io pensavo “A chi importa, non voglio classificare cifre, tipo, non importa, giusto?” E poi, quando ci hanno permesso di scegliere le nostre immagini, all’improvviso diventa molto più personale, interessante e coinvolgente. Quindi penso che se le persone sono bloccate in una routine, possono concentrarsi su cose che li interessano. Ad esempio, ottenere dei dati sul cambiamento climatico e iniziare a sperimentarci, rende davvero il processo più piacevole.

Adoro questo, trova qualcosa che ti interessa.

Sasha: Esattamente. E uno dei miei progetti preferiti su cui ho lavorato è stato la classificazione delle farfalle. Abbiamo addestrato reti neurali a classificare le farfalle basandoci sulle foto scattate dalle persone ed è stato divertentissimo. Si impara molto e si sta anche risolvendo un problema di cui si capisce come verrà utilizzato, quindi è stata un’esperienza fantastica in cui essere coinvolti. E vorrei che tutti trovassero questo tipo di interesse nel lavoro che fanno perché si ha davvero l’impressione di fare la differenza ed è bello, divertente ed interessante, ti viene voglia di fare di più. Ad esempio, questo progetto è stato realizzato in collaborazione con l’insectarium di Montréal, che è un museo sugli insetti. Sono rimasto in contatto con molte di queste persone e adesso hanno appena rinnovato l’insectarium e lo apriranno dopo tre anni di ristrutturazione questo weekend.

Hanno anche invitato me e la mia famiglia all’inaugurazione e sono così emozionato di andarci. Potremo manipolare gli insetti, ci saranno insetti stecco e ci sarà una grande serra con farfalle ovunque. E in quella serra, bisogna installare l’app, ma si possono scattare foto alle farfalle e poi la nostra rete di intelligenza artificiale le identificherà. Sono così eccitato di andarci, di utilizzare l’app e di vedere i miei figli usarla e vedere tutto questo. A causa della vecchia versione, ti davano un piccolo opuscolo con le immagini delle farfalle e dovevi andare a cercarle. Non vedo l’ora di vedere la differenza tra quella rappresentazione statica e questa app reale che si può usare per scattare foto alle farfalle.

Oh mio Dio. Ed è così bello vedere qualcosa che hai creato essere usato così.

Sasha: Esattamente. E anche se non è come combattere il cambiamento climatico, penso che possa fare una grande differenza nel aiutare le persone ad apprezzare la natura e la biodiversità e a prendere qualcosa che è così astratto e bidimensionale e a renderlo qualcosa in cui puoi davvero essere coinvolto e fare foto. Penso che questo faccia una grande differenza in termini di percezione e connessione. Ti aiuta a creare un legame tra te stesso e la natura, per esempio.

Allora le persone dovrebbero avere paura che l’IA prenda il controllo del mondo?

Sasha: Penso che siamo davvero lontani da questo. Suppongo che dipenda da cosa intendi per “prendere il controllo del mondo”, ma penso che dovremmo essere molto più consapevoli di ciò che sta accadendo in questo momento. Invece di pensare al futuro e dire “oh il terminatore”, dovremmo essere consapevoli di come l’IA viene utilizzata nei nostri telefoni e nelle nostre vite, e essere più consapevoli di questo.

Tecnologia o eventi in generale, abbiamo più influenza su di loro di quanto pensiamo. Ad esempio, usando Alexa, stiamo dando agenzia, non solo materialmente o finanziariamente, a questa tecnologia. E possiamo anche parteciparvi, ad esempio, potremmo scegliere di non permettere che i nostri dati vengano utilizzati per qualcosa se stiamo usando questa tecnologia. Oppure potremmo leggere le note a piè di pagina e capire cosa fa l’IA in questo caso, e in generale essere più coinvolti.

Quindi penso che le persone vedano davvero l’IA come una minaccia potenziale molto lontana, ma in realtà è una minaccia attuale, ma su una scala diversa. È come una diversa percezione. Invece di pensare a questa AGI o altro, cominciamo a pensare alle piccole cose della nostra vita per le quali viene utilizzata l’IA e interagiamo con esse. In questo modo ci sarà meno possibilità che l’AGI prenda il controllo del mondo se facciamo scelte più consapevoli riguardo alla condivisione dei dati, al consenso, all’utilizzo della tecnologia in determinati modi. Ad esempio, se scopriamo che la forza di polizia della nostra città sta utilizzando la tecnologia di riconoscimento facciale, possiamo far sentire la nostra voce a riguardo. Questo fa parte dei nostri diritti come cittadini in molti luoghi. Quindi è impegnandosi che possiamo influenzare il futuro.

A cosa sei interessato in questo momento? Potrebbe essere qualsiasi cosa, un film, una ricetta, un podcast, ecc.?

Sasha: Durante la pandemia, o i lockdown e cose del genere, mi sono appassionato alle piante. Ne ho comprate così tante e adesso stiamo preparando un giardino con i miei figli. È la prima volta che faccio questo, abbiamo piantato semi come pomodori, peperoni e cetrioli. Di solito li compro già pronti al supermercato, ma questa volta ho pensato “no, voglio insegnare ai miei figli”. Ma voglio anche imparare qual è l’intero processo. Li abbiamo piantati circa 10 giorni fa e stanno iniziando a crescere. Li annaffiamo ogni giorno e penso che questo faccia parte del processo di imparare di più sulla natura e sulle condizioni che possono aiutare le piante a prosperare e cose del genere. L’estate scorsa abbiamo costruito non solo un semplice quadrato riempito di terra, ma quest’anno stiamo cercando di migliorarlo. Voglio avere diversi livelli e cose del genere, quindi non vedo l’ora di imparare di più sulla coltivazione del proprio cibo.

È davvero figo. Mi sembra un’attività che ti fa scendere dalla testa.

Sasha: Sì, ed è l’opposto assoluto di ciò che faccio. È fantastico non fare qualcosa sul mio computer, ma semplicemente uscire e avere le unghie sporche. Ricordo di pensare “chi vorrebbe fare del giardinaggio, è così noioso”, ora invece sono appassionato di giardinaggio. Non vedo l’ora del weekend per andare a fare giardinaggio.

Sì, è meraviglioso. C’è qualcosa di così soddisfacente nel creare qualcosa che puoi vedere, toccare, sentire e annusare, invece di pulsare pixel.

Sasha: Esattamente, a volte passi un’intera giornata lottando con un programma che ha dei bug e non funziona. È così frustrante, e poi esci fuori e dici “ma ho dei pomodorini, va tutto bene”.

Quali sono alcuni dei tuoi articoli preferiti sull’apprendimento automatico?

Sasha: Al momento i miei preferiti sono gli articoli di un ricercatore di nome Abeba Birhane, che si occupa di etica nell’intelligenza artificiale. È come guardare le cose da un punto di vista completamente diverso. Ad esempio, ha scritto un articolo che è stato appena accettato a FAcct, una conferenza sull’etica e l’equità nell’intelligenza artificiale. Questo articolo parlava dei valori e di come la nostra ricerca sull’apprendimento automatico sia effettivamente guidata dalle cose che valorizziamo. Ad esempio, se valorizzo una rete con alta precisione, potrei essere meno propenso a concentrarmi sull’efficienza. Quindi, ad esempio, addestrerò un modello per molto tempo solo perché desidero che sia davvero preciso. Oppure, se voglio qualcosa di nuovo, come un valore di novità, non leggerò la letteratura e non vedrò cosa le persone hanno fatto negli ultimi 10 anni, ma reinventerò tutto.

Quindi, lei e i suoi coautori hanno scritto un articolo molto interessante sul collegamento tra valori teorici, come una sorta di metafisica, e il modo in cui vengono istanziati nell’apprendimento automatico. Ho trovato davvero interessante perché di solito non lo guardiamo in questo modo. Di solito è come “oh, dobbiamo stabilire lo stato dell’arte, dobbiamo stabilire la precisione e fare questo e quello”, ma è solo un segno di spunta, devi farlo. E poi loro pensano molto più approfonditamente sul perché stiamo facendo questo e poi su quali sono alcuni modi estremi di fare le cose. Ad esempio, fare un compromesso tra efficienza e precisione, ad esempio, se hai un modello leggermente meno preciso, ma molto più efficiente e addestrabile più velocemente, potrebbe essere un buon modo per democratizzare l’intelligenza artificiale perché le persone hanno bisogno di meno risorse computazionali per addestrare un modello. E quindi ci sono tutte queste diverse connessioni che fanno che trovo davvero interessanti.

Sasha: Sì, qualcosa su cui sto lavorando al di fuori di Big Science riguarda la valutazione e il modo in cui valutiamo i modelli. In qualche modo, è simile a ciò di cui parla Ababa nel suo articolo, ma anche da una prospettiva puramente di apprendimento automatico, quali sono i diversi modi in cui possiamo valutare e confrontare i modelli su diversi aspetti, suppongo. Non solo la precisione, ma anche l’efficienza, le emissioni di carbonio e cose del genere. Quindi c’è un progetto che è iniziato un mese fa su come valutare in modo che non sia solo basato sulle prestazioni, ma tenga conto di diversi aspetti essenzialmente. E penso che questo sia un aspetto molto trascurato dell’apprendimento automatico, di solito le persone semplicemente di nuovo e spuntano cose come “oh, devi valutare questo e quello e quello”, e poi inviano l’articolo. Ci sono anche questi interessanti compromessi che potremmo fare e cose che potremmo misurare ma non facciamo.

Ad esempio, se hai un set di dati e hai una precisione media, la precisione è la stessa anche in diversi sottoinsiemi del set di dati? Ad esempio, ci sono schemi che puoi individuare che ti aiuteranno a migliorare il tuo modello, ma renderanno anche più equo? Suppongo che l’esempio tipico sia il riconoscimento delle immagini: funziona allo stesso modo con… Beh, il famoso articolo di Gender Shades ha dimostrato che l’algoritmo funzionava meglio con uomini bianchi che con donne afroamericane, ma potresti fare lo stesso con qualsiasi cosa. Non solo genere e razza, ma potresti farlo anche per immagini, colore o tipi di oggetti o angolazioni. Ad esempio, funziona bene con immagini dall’alto o con immagini a livello di strada. Ci sono tutti questi modi diversi di analizzare la precisione o le prestazioni che non abbiamo davvero esaminato perché di solito richiedono più tempo. E quindi vogliamo creare strumenti per aiutare le persone ad approfondire i risultati e comprendere meglio i loro modelli.

Dove possono trovarti online?

Sasha: Sono su Twitter @SashaMTL, e questo è tutto. Ho un sito web, ma non lo aggiorno abbastanza spesso, quindi penso che Twitter sia la migliore opzione.

Perfetto. Possiamo anche linkare quello. Sasha, grazie mille per esserti unita a me oggi, è stato davvero interessante e incredibile. Lo apprezzo davvero.

Sasha: Grazie, Britney.

Grazie per aver ascoltato gli esperti di Machine Learning!

Se tu o qualcuno che conosci è interessato a un accesso diretto agli esperti di ML leader come Sasha, pronti ad aiutarti ad accelerare il tuo progetto di ML, vai su hf.co/support per saperne di più. ❤️

Esperti di Machine Learning – Sasha Luccioni