« Verifica Orario locale nel Mondo e precisione Orologio PCAndroid App: VIVINO - Scanner per scegliere e ricordare i Vini »

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

25.01.15

  da Alex   , 4331 parole  
Categorie: Video, Ricerca, Tecnologia

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

Cosa accade quando insegnamo ad un computer ad imparare ?

In questa interessante video-presentazione tenuta a un recente TED, il Tecnologo Jeremy Howard presenta alcuni sorprendenti nuovi sviluppi nel campo dell'apprendimento approfondito, una tecnica che può dare ai computer la capacità di imparare il cinese o di riconoscere gli oggetti nelle fotografie o a eseguire una diagnosi medica.

Fatevi catturare da un settore che cambierà il modo in cui i computer intorno a voi si comportano, molto, ma molto prima di quanto possiate immaginare...

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano
( con sottotitoli in Italiano )

Trascrizione integrale del testo

Un tempo se volevate far fare qualcosa di nuovo ad un computer dovevate programmarlo. La programmazione, per quelli di voi che non l'hanno mai provata, richiede una spiegazione dettagliata di ogni singolo passaggio che volete che il computer faccia per ottenere il vostro scopo. Se volete fare qualcosa che nemmeno voi sapete come si faccia, potrebbe essere una sfida eccezionale.
0:35

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

Questa è la sfida affrontata da quest'uomo, Arthur Samuel. Nel 1956 voleva che il suo computer fosse in grado di batterlo a dama. Come si può scrivere un programma che spieghi in modo dettagliato come essere migliori di voi a dama? Ebbe un'idea: fece giocare il computer contro sé stesso migliaia di volte per imparare a giocare a dama. E ha davvero funzionato, infatti nel 1962 questo computer ha battuto il campione del Connecticut.
1:06

TED Talks - J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano

Così Arthur Samuel è stato il padre dell'apprendimento automatico, ed ho un grande debito con lui, perché sono un professionista dell'apprendimento automatico. Sono stato il presidente di Kaggle una comunità di oltre 200 000 professionisti dell'apprendimento automatico. Kaggle crea delle competizioni per cercare di risolvere problemi irrisolti e ce l'ha fatta centinaia di volte. Da questo punto di osservazione sono stato in grado di scoprire molto su quanto l'apprendimento automatico ha potuto fare in passato, su quel che può fare oggi, e su cosa potrà fare in futuro. Probabilmente il primo grande successo dell'apprendimento automatico in commercio è stato Google. Google ha mostrato che è possibile trovare informazioni usando un algoritmo informatico, un algoritmo basato sull'apprendimento automatico. Da allora ci sono stati numerosi successi commerciali nell'apprendimento automatico. Società quali Amazon e Netflix usano l'apprendimento automatico per suggerire prodotti che potreste voler acquistare, film che potreste voler vedere. A volte è quasi inquietante. Società come Linkedin e Facebook talvolta vi diranno chi potrebbe essere vostro amico e non avete idea di come ci riescano e questo perché stanno utilizzando l'apprendimento automatico. Sono algoritmi che hanno imparato tutto questo dai dati invece che dalla programmazione manuale.
2:18
La IBM è riuscita in questo modo a far sì che Watson battesse due campioni mondiali di "Jeopardy" rispondendo a domande incredibilmente acute e complesse come queste. ["L'antico leone di Nimrud" è scomparso dal museo nazionale di questa città nel 2003 (insieme ad altro materiale)"] Ed ecco perché siamo in grado di vedere la prima auto che si guida da sola. Se vogliamo essere in grado di dire la differenza tra, diciamo, un albero ed un pedone, allora questo è piuttosto importante. Non sappiamo come scrivere questi programmi manualmente ma con l'apprendimento automatico adesso è possibile. Questa auto ha guidato per oltre un milione di chilometri, su strada normale, senza alcun incidente.
2:51
Adesso sappiamo che i computer possono imparare, i computer possono imparare a fare cose che nemmeno noi non sappiamo fare, o che magari possono fare meglio di noi. Uno degli esempi più impressionanti di apprendimento automatico che ho visto è stato durante un progetto che ho condotto a Kaggle dove un gruppo guidato da un tipo chiamato Geoffrey Hinton dell'università di Toronto ha vinto una competizione per la scoperta automatica di droghe. La cosa straordinaria qui, non è soltanto che hanno battuto tutti gli algoritmi sviluppati da Merck o dalla comunità accademica internazionale ma il fatto che nessuno nella squadra avesse mai avuto esperienza in chimica o in biologia o in scienze biologiche e l'hanno fatto in due settimane. Come ci sono riusciti? Hanno utilizzato un algoritmo fenomenale chiamato apprendimento approfondito. Questo successo è stato così importante da essere stato pubblicato in un articolo nella prima pagina del New York Times poche settimane dopo. Questo qui a sinistra è Geoffrey Hinton. Apprendimento approfondito è un algoritmo ispirato al funzionamento del cervello umano che ha come risultato un algoritmo che non ha limiti teorici su quel che può fare. Più dati gli si forniscono e più tempo di calcolo gli si dà, meglio funziona.
3:59
Il New York Times ha anche spiegato in questo articolo un altro straordinario risultato dell'apprendimento approfondito che sto per mostrarvi. Mostra che i computer possono ascoltare e capire.
4:11
(Video) Richard Rashid: l'ultimo passo che voglio essere in grado di compiere in questo processo è di parlarvi veramente in cinese. Il punto chiave qui è che siamo stati in grado di prendere una gran quantità di informazioni da numerosi parlanti cinesi per produrre un sistema da testo a voce che prende il testo cinese e lo converte in lingua cinese e abbiamo preso più o meno un'ora della mia stessa voce e l'abbiamo utilizzata per modulare un sistema standard da testo a voce in modo che suoni come la mia. Il risultato non è perfetto. In realtà ci sono un po' di errori. (In cinese) (Applausi) C'è ancora molto da fare in questo settore. (In cinese) (Applausi) Jeremy Howard: questo è accaduto alla conferenza
5:14
sull'apprendimento automatico in Cina. Non capita davvero spesso alle conferenze accademiche di sentire applausi spontanei benché ovviamente talvolta alle conferenze TEDx siate liberi di farlo. Tutto quello che avete visto è accaduto grazie all'apprendimento approfondito. (Applausi) Grazie. La trascrizione in inglese è apprendimento approfondito. La traduzione in cinese e il testo in alto a destra, apprendimento approfondito, e la costruzione della voce ancora apprendimento approfondito.
5:37
Dunque l'apprendimento approfondito è questa cosa straordinaria. È un singolo algoritmo che sembra essere in grado di fare qualsiasi cosa e ho scoperto che un anno prima ha anche imparato a vedere. In questa sconosciuta competizione dalla Germania chiamata lo Standard tedesco per il riconoscimento dei segnali stradali l'apprendimento approfondito ha imparato a riconoscere segnali stradali come questo. Non solo può riconoscere i segnali stradali meglio di qualunque altro algoritmo la classifica dei leader mostra che in realtà è stato migliore delle persone, almeno il doppio delle persone. Così nel 2011 abbiamo avuto il primo esempio di computer che può vedere meglio delle persone. Da allora sono successe molte cose. Nel 2012 Google ha annunciato che un algoritmo di apprendimento approfondito ha guardato i video di YouTube e ha suddiviso i dati su 16 000 computer per un mese e il computer ha imparato in modo autonomo concetti quali persone e gatti solo guardando i video. Assomiglia molto al modo di imparare degli uomini. Gli uomini non apprendono quando gli si dice cosa vedono, ma apprendendo da soli cosa sono queste cose. Anche nel 2012 Geoffrey Hinton, che abbiamo visto prima, ha vinto la popolarissima competizione ImageNet cercando di capire da un milione e mezzo di immagini di che cosa erano la foto. Già dal 2014 siamo a meno del sei percento del tasso di errore nel riconoscimento delle immagini. Ancora una volta meglio delle persone.
6:52
Le macchine stanno davvero facendo un lavoro straordinario qui e verrà utilizzato nell'industria. Per esempio, Google lo scorso anno ha annunciato che ha mappato ogni singola località in Francia in due ore e lo ha fatto fornendo immagini di strade ad un algoritmo di apprendimento approfondito per riconoscere e leggere i numeri civici. Immaginate quanto si sarebbe impiegato prima: dozzine di persone, diversi anni. Sta accadendo anche in Cina. Baidu è una sorta di Google cinese, immagino, e quel che potete vedere in alto a sinistra è un esempio delle immagini che ho caricato nel sistema di apprendimento approfondito di Baidu, al di sotto potete vedere che il sistema ha capito che cos'è quell'immagine e ha trovato immagini simili. In effetti le immagini simili hanno sfondi simili, simili direzioni dei volti, alcuni persino con la lingua fuori. Questo non sta certamente cercando il testo in una pagina del web. Tutto quello che ho caricato è un'immagine. Così adesso abbiamo computer che comprendono davvero quello che vedono e che possono di conseguenza cercare nei database di centinaia di milioni di immagini in tempo reale.
7:57
Cosa significa che i computer possono vedere? Non è solo che i computer possono vedere. Infatti l'apprendimento approfondito ha fatto molto più di questo. Frasi complesse e sfumate come questa adesso sono comprensibili con un algoritmo di apprendimento approfondito. Come potete vedere qui, questo sistema basato su Stanford che mostra punti rossi in cima ha capito che questa frase sta esprimendo un sentimento negativo. L'apprendimento approfondito è simile al comportamento umano nel comprendere quello di cui tratta la frase e che cosa sta dicendo su queste cose. L'apprendimento approfondito è stato utilizzato per leggere il cinese ad un livello simile a quello di un madrelingua. Questo algoritmo è stato sviluppato in Svizzera da persone che non parlavano o capivano il cinese. Come ho detto, l'uso dell'apprendimento approfondito è praticamente il sistema migliore del mondo per fare questo, anche paragonato alla conoscenza umana.
8:47
Questo è il sistema che abbiamo messo a punto nella mia azienda, che mostra come mettere tutto questo materiale insieme. Queste immagini non hanno alcun testo allegato e mentre sto digitando queste frasi in tempo reale sta capendo queste immagini e immaginando cosa riguardano e trovando immagini simili al testo che sto scrivendo. Come potete vedere, sta effettivamente capendo le mie frasi e sta realmente comprendendo queste immagini. So che avete visto qualcosa di simile su Google dove potete digitare cose e lui vi mostra delle immagini, ma in realtà quello che fa è cercare una pagina web riferita al testo. È molto diverso dal capire davvero le immagini. È una cosa che i computer sono stati in grado di fare per la prima volta negli ultimi mesi. Vediamo che i computer non soltanto
9:29
possono vedere le immagini, possono anche leggere e ovviamente mostrare che possono comprendere quello che sentono. Forse non vi sorprenderà quello che sto per dirvi, cioè che sono in grado di scrivere. Ecco un testo che ho scritto ieri utilizzando un algoritmo di apprendimento approfondito. Ed ecco un testo che un algoritmo di Stanford ha creato. Ognuna di queste frasi è stata creata da un algoritmo di apprendimento approfondito per descrivere ognuna di queste immagini. Questo algoritmo non ha mai visto un uomo in maglietta nera che suona la chitarra. Ha già visto un uomo prima, ha già visto il nero prima, ha già visto una chitarra prima, ma ha generato in modo autonomo questa nuova descrizione di questa fotografia. Non è ancora una prestazione umana, ma ci siamo vicini. Nei test, gli uomini preferiscono un sottotitolo generato dal computer una volta su quattro. Questo sistema ha soltanto due settimane, quindi forse entro il prossimo anno l'algoritmo informatico sarà oltre la prestazione umana alla velocità con cui vanno le cose. I computer possono anche scrivere.
10:27
Abbiamo messo tutto insieme e ci ha portato ad opportunità emozionanti. Per esempio in medicina un gruppo di Boston ha annunciato che ha scoperto dozzine di caratteristiche dei tumori clinicamente rilevanti che aiutano i medici nel fare una prognosi del cancro. Analogamente, a Stanford un gruppo ha annunciato che osservando i tessuti ingranditi hanno sviluppato un sistema basato sull'apprendimento automatico che è migliore dei patologi umani nel predire le percentuali di sopravvivenza nei malati di cancro. In entrambi i casi non solo le previsioni sono più accurate ma generano una nuova scienza intelligente. Nel caso della radiologia sono nuovi indicatori clinici che gli umani possono comprendere. Nel caso di questa patologia il sistema informatico ha scoperto che le cellule intorno al cancro sono importanti quanto le cellule tumorali stesse per fare una diagnosi. È il contrario di quanto è stato insegnato ai patologi per decenni. In ognuno dei due casi sono sistemi sviluppati da una combinazione di esperti in medicina e di esperti in apprendimento automatico ma a partire dallo scorso anno siamo andati anche oltre. Questo è un esempio di identificazione delle aree tumorali di un tessuto umano al microscopio. Questo sistema può identificare le aree con maggiore accuratezza o con la stessa accuratezza di un patologo umano ma è stato costruito interamente con l'apprendimento approfondito senza utilizzare la competenza medica da persone che non hanno alcuna competenza in questo settore. Analogamente qui c'è la segmentazione di un neurone. Ora siamo in grado di segmentare i neuroni con la stessa accuratezza degli uomini, ma questo sistema è stato sviluppato con l'apprendimento approfondito da persone con nessuna competenza in medicina.
12:07
Io stesso, da persona senza alcuna competenza in medicina, sono pienamente qualificato per iniziare una nuova società medica, cosa che ho fatto. Ero piuttosto spaventato nel farlo ma la teoria sembrava suggerire che era possibile fare medicina molto utile utilizzando soltanto queste tecniche di analisi dati. Fortunatamente abbiamo avuto un fantastico riscontro non soltanto dai media, ma anche dalla comunità medica, che è stata di grande supporto. La teoria è che possiamo prendere la parte centrale di un processo medico e trasformarla in un analisi di dati per quanto possibile, lasciando i medici a fare quel che fanno meglio. Voglio farvi un esempio. Ad oggi occorrono 15 minuti per produrre un nuovo test medico diagnostico, io ve lo mostrerò in tempo reale, ma l'ho compresso a tre minuti eliminando qualche parte. Invece di farvi vedere la creazione di un test medico diagnostico sto per mostrarvi un test diagnostico con immagini di auto, perché è qualcosa che possiamo comprendere tutti.
13:05
Quindi inizieremo con circa un milione e mezzo di immagini di auto e voglio creare qualcosa che le suddivida per l'angolazione con cui sono state scattate le fotografie. Queste immagini non sono etichettate, quindi dovrò cominciare da zero. Con il nostro algoritmo per l'apprendimento approfondito si possono identificare automaticamente le aree delle strutture in queste immagini. La cosa bella è che l'uomo e il computer possono lavorare insieme. L'uomo, come potete vedere qui, sta spiegando al computer le aree di interesse che vuole che il computer utilizzi per migliorare l'algoritmo. In realtà questi sistemi di apprendimento approfondito sono in uno spazio di 16 000 dimensioni così potete vedere qui il computer che lo ruota attraverso quello spazio cercando di trovare nuove aree di struttura. Quando ci riesce l'uomo che lo sta guidando può poi segnalare le aree interessanti. Qui il computer ha trovato con successo le aree ad esempio, gli spigoli. Durante questo processo stiamo dicendo gradualmente al computer sempre di più sul tipo di strutture che stiamo cercando. Potete immaginare in un test diagnostico che questo potrebbe essere un patologo che identifica le aree malate, oppure ad esempio un radiologo che indica i noduli potenzialmente problematici. Talvolta può essere difficile per l'algoritmo. Qui è in un qualche modo confuso. Le immagini della parte anteriore e posteriore delle auto sono mescolate. In questo caso dobbiamo essere un po' più cauti, selezionando le parti anteriori come opposte alle parti posteriori. e dicendo al computer che questo è il tipo di gruppo a cui siamo interessati.
14:32
Lo facciamo per un po', tralasciando qualcosa, così addestriamo l'algoritmo per l'apprendimento automatico basandoci su queste coppie di centinaia di cose sperando che il risultato sia migliore. Potete vedere che sta iniziando a dissolvere alcune di queste fotografie mostrandoci che sta già riconoscendo come capire da solo alcune di queste. Possiamo utilizzare questo concetto di immagini simili, e utilizzando immagini simili, come potete vedere. il computer a questo punto è in grado di trovare la parte anteriore delle auto. A questo punto l'uomo può dire al computer va bene, hai fatto un buon lavoro.
15:03
Talvolta, ovviamente, persino a questo punto è ancora difficile separare i gruppi. In questo caso anche dopo aver lasciato il computer a provare a ruotarlo per un po' troveremo ancora che le immagini dei lati sinistri e dei lati destri sono tutte mescolate. Così possiamo dare ulteriori indicazioni al computer e dire, va bene, prova a trovare una proiezione per separare i lati sinistri da quelli destri per quanto possibile utilizzando questo algoritmo di apprendimento approfondito. Dandogli quel suggerimento -- ecco, c'è riuscito. È riuscito a trovare un modo per pensare a questi oggetti separandoli dagli altri.
15:37
Vi state facendo un'idea. Questo non è un caso in cui l'uomo è rimpiazzato dal computer, ma uno in cui lavorano insieme. Quello che stiamo facendo qui è sostituire qualcosa per il quale serviva una squadra di cinque o sei persone per circa sette anni e sostituirlo con qualcosa che impiega 15 minuti e una persona che lavora da sola.
16:01
Questo processo richiede all'incirca quattro o cinque ripetizioni. Potete vedere che adesso abbiamo il 62 per cento del nostro milione e mezzo di immagini classificato correttamente. A questo punto possiamo iniziare a prendere piuttosto velocemente grandi sezioni, controllarle per essere sicuri che non ci siano errori. Dove ci sono errori, possiamo farlo sapere al computer. Utilizzando questo tipo di processo per ognuno dei diversi gruppi siamo vicini ad un tasso di successo dell'80 per cento nel classificare un milione e mezzo di immagini. A questo punto è solo si tratta solo di trovare trova la piccola parte che non è classificata correttamente e si cerca di capire perché. Usando questo approccio in 15 minuti arriviamo a un tasso di classificazione del 97 per cento.
16:42
Questo tipo di tecnica può permetterci di risolvere un problema più grande, cioè che c'è una mancanza di competenza medica nel mondo. Il Forum Economico Mondiale riporta che ci sono dalle 10 alle 20 volte meno medici del necessario nei paesi in via di sviluppo e serviranno circa 300 anni per formare abbastanza persone per risolvere il problema. Quindi immaginate se potessimo aiutare a migliorare la loro efficacia utilizzando l'approccio con questo apprendimento approfondito?
17:07
Sono davvero entusiasta di questa opportunità. Sono anche preoccupato per i problemi. Il problema è che ogni area in blu su questa mappa indica un posto dove i servizi sono oltre l'80 per cento del lavoro. Cosa sono i servizi? Questi sono i servizi. Questi sono anche proprio quello che i computer hanno appena imparato a fare. Così l'80 per cento dell'occupazione mondiale nel mondo sviluppato è in qualcosa che i computer hanno appena imparato a fare. Cosa significa tutto ciò? Che andrà tutto bene. Saranno sostituiti da altri lavori. Ad esempio ci sarà più lavoro per i data scientist. Veramente no. Non occorrono molti data scientist per costruire questi. Ad esempio questi quattro algoritmi sono stati creati dalla stessa persona. Così se pensate: è già accaduto prima abbiamo visto in passato i risultati di quando arrivano novità e vengono sostituite da nuovi lavori, ma come saranno questi nuovi lavori? È molto difficile per noi prevederlo perché la conoscenza umana cresce ad un tasso graduale, mentre ora che abbiamo questo sistema di apprendimento approfondito che sappiamo che ha una conoscenza che cresce a livello esponenziale. Siamo qui. Attualmente vediamo le cose intorno a noi e diciamo: "I computer sono ancora piuttosto stupidi" Giusto? Ma fra cinque anni saranno fuori da questo diagramma. Così dobbiamo iniziare a pensare a questa capacità proprio adesso.
18:21
L'abbiamo già visto, ovviamente. Nella Rivoluzione Industriale abbiamo visto un cambio di passo nella capacità grazie al motore. Il punto è tuttavia che dopo un po' le cose si sono appiattite. Ci sono stati disordini sociali, ma una volta che il motore è stato usato per generare energia in ogni situazione le cose si sono assestate. La Rivoluzione dell'Apprendimento Automatico sarà molto diversa dalla Rivoluzione Industriale perché la Rivoluzione dell'Apprendimento Automatico non si assesterà. Più i computer miglioreranno le attività intellettuali più si potranno costruire computer migliori che miglioreranno le capacità intellettuali, quindi questo sarà un cambiamento che il mondo non ha davvero mai sperimentato prima quindi la vostra comprensione precedente su quel che è possibile, è diverso.
19:01
Sta già avendo un impatto su di noi. Negli ultimi 25 anni la produttività del capitale è cresciuta, la produttività del lavoro è rimasta uguale, è persino calata un po'.
19:12
Quindi voglio che iniziamo a discuterne sin da adesso. So che spesso quando parlo alle persone di questa situazione le persone sono piuttosto sprezzanti. Del resto i computer non possono veramente pensare, non hanno emozioni, non comprendono la poesia, non capiamo davvero come funzionano. Quindi? Già adesso i computer possono fare cose per fare le quali le persone vengono pagate, quindi è tempo di iniziare a pensare a come dovremo modificare le nostre strutture sociali ed economiche per diventare consapevoli di questa nuova realtà. Grazie. (Applausi)

Trovi tutti i link ai post "TED Talks" già pubblicati qui sotto :

Elizabeth Gilbert sul genio

Il Cervello in tempo reale: C.deCharms

Al Gore sulle recenti modificazioni climatiche

Matthieu Ricard e l'abitudine alla felicità

Hans Rosling: I dati cambiano la Mentalità

Rebecca Saxe: Come si forma il giudizio morale

Jill Bolte Taylor: Racconto di un Ictus in diretta

Pranav Mistry: Nuove Tecnologie Sesto-Senso

Ramachandran: I Neuroni plasmano la Civiltà

10° Hans Rosling: Ascesa Asiatica come e quando

11° Rob Hopkins: Verso un Mondo senza Petrolio

12° Jamie Oliver: Educazione al Cibo per i Bambini

13° Bertrand Piccard: Avventura a Energia Solare

14° Dan Barber: Mi sono innamorato di un pesce

15° Aimee Mullins: L'opportunità delle avversità

16° Dan Buettner: Come vivere fino a 100 anni

17° Eric Topol: Il futuro senza fili della Medicina

18° James Randi demolisce le Frodi Paranormali

19° Richard Sears: Pianificare la fine del petrolio

20° Si può "affamare" il cancro con la dieta ?

21° Helen Fisher: Perché amiamo e tradiamo

22° Tan Le: Cuffia per leggere le onde cerebrali

23° J.Assange: Il mondo ha bisogno di Wikileaks

24° Hans Rosling: Cresce la popolazione globale

25° Derek Sivers: Tenetevi per voi i vostri obiettivi

26° C. Anderson: I Video stimolano l'Innovazione

27° Stefano Mancuso: L'intelligenza delle piante

28° Steven Johnson: Da dove provengono le Idee

29° Brian Skerry: Splendore e Orrore degli Oceani

30° Kristina Gjerde: Leggi Acque Internazionali

31° Marcel Dicke: Mangiare insetti: perché no ?

32° Amber Case: Siamo diventati tutti dei Cyborg

33° Hanna Rosin: I dati sull'ascesa delle Donne

34° N. Hertz: Quando non dare ascolto agli esperti

35° Patricia Kuhl: il Genio linguistico dei Bambini

36° Hans Rosling: Lavatrice magica e rivoluzione

37° Cynthia Breazeal: Arrivano i Personal Robot

38° M.Jakubowski progetta Macchine open source

39° H.Fineberg: Siamo pronti per la Neo-evoluzione?

40° Eli Pariser: Attenti alle " Gabbie di Filtri " in rete

41° Stephen Wolfram: Calcolare la teoria del tutto

42° Hong: Automobili per conducenti non vedenti

43° Alice Dreger: Il destino è scritto nell'anatomia

44° D.Kraft: Il futuro della Medicina é nelle App

45° C.Seaman: Fantastiche Foto dei Ghiacci Polari

46° Dave deBronkart: Vi presento l'e-Patient Dave

47° Fischer: Un Robot che vola come un Uccello

48° Julian Treasure: 5 modi per ascoltare meglio

49° M.Pagel: Le Lingue hanno cambiato l'Umanità

50° Huang: La democrazia soffoca la crescita economica ?

51° Bruce Schneier: Il miraggio della Sicurezza

52° Resnick: Benvenuti alla rivoluzione genomica

53° Pamela Meyer: Come smascherare i bugiardi

54° Anna Mracek: Un aereoplano che puoi guidare

55° Christoph McDougall: Siamo nati per correre ?

56° Yves Rossy: In volo con Jetman

57° Daniel Wolpert: La vera ragione del Cervello

58° Plait: Come proteggere la Terra dagli asteroidi

59° Y.Medan: Chirurgia a Ultrasuoni senza Bisturi

60° Britta Riley: Un Orto nel mio Appartamento

61° Antonio Damasio: Comprendere la Coscienza

62° Clay Shirky: Perché SOPA è una cattiva Idea

63° Mikko Hypponen: 3 tipi di Attacchi Informatici

64° Peter van Uhm: Perché ho scelto un fucile

65° Shawn Achor: Il segreto per lavorare meglio

66° Kevin Allocca: Perché i Video diventano Virali

67° Vijay Kumar: Robot che Volano e Cooperano

68° Susan Cain: Il potere degli introversi

69° Paul Snelgrove: Un Censimento dell'Oceano

70° Sherry Turkle: Siamo tutti Connessi ma Soli ?

71° Lisa Harouni: Un'introduzione alla Stampa 3D

72° Brain Greene: Il nostro è l'unico Universo ?

73° Hans Rosling: Religioni e Bambini

74° Tali Sharot: Naturale inclinazione all'Ottimismo

75° William Noel e il codice perduto di Archimede

76° P. Diamandis: L'abbondanza è il nostro futuro

77° M.Banzi: Arduino Immaginazione Open-source

78° M.Little: Test per il Parkinson con 1 Telefonata

79° Peter Norvig: La classe di 100 000 studenti

80° J.Enriquez: I nostri figli di una specie diversa ?

81° D.Koller: Imparare dall'Istruzione Web Online

82° S.Sankar: La nuova simbiosi Uomo-Computer

83° Andrew Blum: Cos'è veramente Internet ?

84° Carl Schoonover: Come guardare nel Cervello

85° Maurizio Seracini: La vita segreta dei dipinti

86° Killingsworth: Essere felice ? Stai nel presente

87° Schwartzberg: Natura, Bellezza e Gratitudine

88° E.Sirolli: Volete aiutare qualcuno ? State zitti !

89° A.Cuddy: Il linguaggio corporeo mostra chi sei

90° Amy Tan: La Creatività e il Processo Creativo

91° C.Shirky: Come Internet trasformerà il governo

92° E.Jorgensen: Il BioHacking puoi farlo anche tu

93° Michael Dickinson: Come Vola una Mosca

94° Elon Musk: La mente dietro Tesla e SpaceX

95° C. Mota: Giocare con i Materiali Intelligenti

96° D.Hillis: Internet puó bloccarsi, serve Piano B

97° Sergey Brin: Perché creare i Google Glass ?

98° Todd Humphreys: Come ingannare un GPS

99° P.Singer: " Altruismo Efficace " come e perché

100° Rodney Brooks: Perché ci affideremo ai Robot

101° D.Wolpert: La vera ragion d'essere del cervello

102° Kelly McGonigal: Come farsi amico lo Stress

103° Russell Foster: Perché Dormiamo ?

104° McCallum: Aiuti Tecnologici per Non Vedenti

105° R.D'Andrea: Potenza Atletica dei Quadricotteri

106° G.Giudice: L'Universo é sul filo di un rasoio ?

107° Hypponen: La NSA ha tradito la Fiducia di tutti

108° Rose George: I segreti del Trasporto Marittimo

109° M.Annunziata: La nuova era dell'Internet Industriale

110° S.Herculano: Cos'ha di speciale il cervello umano ?

111° Diana Nyad: Non mollare, non mollare mai !

112° Guy Hoffman: Perché i Robot avranno "un'anima"

113° Intervista a Larry Page: Dove sta andando Google ?

114° Edward Snowden: Come ci riprenderemo Internet

115° C.Bracy: Gli Hacker buoni sono bravi cittadini

116° D.Epstein: Gli atleti sono più veloci, più bravi e più forti ?

117° A.Bastawrous: Visite Oculistiche fatte con lo Smartphone

118° H.Herr: La nuova Bionica per Correre, Scalare e Ballare

119° Naomi Oreskes: Perché dovremmo fidarci degli Scienziati

120° Nicholas Negroponte: Una storia del futuro lunga 30 anni

121° Joi Ito: Vuoi fare Innovazione ? Diventa un "Adessista"

122° Ray Kurzweil: Preparatevi al Pensiero Ibrido"

123° Tony Robbins: Perché facciamo quello che facciamo"

124° Avi Reichental: Quale è il futuro della Stampa 3D ?"

125° J. Iliff: Perché il Cervello necessita di un buon Sonno"

126° F.Cousteau: Cosa ho imparato in 31 giorni sott'acqua"

127° J.Howard: Le Meravigliose e Terribili conseguenze dei Computer che Imparano"


Trovi altri post Taggati "Video" facendo una ricerca in archivio o una ricerca per immagini ( clicca sulle immagini per leggere i post ).

Sottoscrivi AB Techno Blog Sottoscrivi AB Techno Blog

Vedi anche:
Android App: Controllare gli Additivi alimentari nei Cibi
Musica MP3 da scaricare gratis: 5 Album completi [ # 58 ]
Come puoi verificare il livello di Sicurezza delle Password
Android App: Localizza / Mappa dati Antenne reti GSM / 3G
NeuroEtica & NeuroScienze: Video Corso Penn University

Ultimo post pubblicatoIndice dei Post pubblicatiSottoscrivi  AB Techno BlogEnglish automatic translation

No feedback yet


Form is loading...