Negli ultimi anni il Machine learning ha fatto progressi sorprendenti grazie all’analisi dell’enorme mole di dati a disposizione. Ma, sostengono gli autori, c’è ancora tanta strada da fare prima di vedere una macchina prendere in autonomia decisioni corrette in situazioni delicate. Le dimensioni problematiche da risolvere sono diverse sia di natura tecnica che etica. La soluzione è certamente combinare human e machine intelligence e usare il deep learning per ottimizzare il l’analisi dei dati.
G. Cappiello, M.R. (2019). I limiti e le implicazioni di una predizione automatica. HARVARD BUSINESS REVIEW ITALIA, Ottobre 2019, 86-90.
I limiti e le implicazioni di una predizione automatica
CAPPIELLO, GIUSEPPE;M. Roccetti
2019
Abstract
Negli ultimi anni il Machine learning ha fatto progressi sorprendenti grazie all’analisi dell’enorme mole di dati a disposizione. Ma, sostengono gli autori, c’è ancora tanta strada da fare prima di vedere una macchina prendere in autonomia decisioni corrette in situazioni delicate. Le dimensioni problematiche da risolvere sono diverse sia di natura tecnica che etica. La soluzione è certamente combinare human e machine intelligence e usare il deep learning per ottimizzare il l’analisi dei dati.File in questo prodotto:
Eventuali allegati, non sono esposti
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.