I Beatles tornano con “Now and Then”, una canzone completata grazie all’intelligenza artificiale. Ecco la storia dietro questa traccia e come la tecnologia ha dato nuova vita alla musica.
Oggi questa data va ricordata perché segna il ritorno dei Beatles. Il leggendario gruppo di Liverpool, formato da John Lennon, Paul McCartney, George Harrison e Ringo Starr ritorna oggi a fare musica insieme. Grazie anche all’intelligenza artificiale. E l’occasione è stata il lancio di una “nuova canzone”, come non accadeva dal 1995.
La traccia, intitolata “Now and Then”, non è solo un tributo allo straordinario talento del gruppo. È anche un esempio brillante di come la tecnologia di oggi possa dare nuova vita alla musica.
Il ritorno inatteso dei Beatles
La storia dietro la produzione di “Now and Then” è davvero affascinante ed emozionante. Paul McCartney e Ringo Starr, gli unici membri viventi della band, hanno utilizzato la tecnologia di apprendimento automatico per assemblare una traccia finita da una vecchia registrazione “lo-fi” di John Lennon. Questa demo, che risale agli anni ’70, era rimasta incompleta a causa di problemi tecnici.
Malgrado tutto, grazie alle innovazioni tecnologiche, è stato possibile separare la voce di Lennon dal pianoforte, eliminare i rumori di sottofondo. Questo ha permesso ai Beatles rimanenti di aggiungere la loro magia.
La magia dell’IA nella Musica
Il software di apprendimento automatico, sviluppato dal team del regista Peter Jackson per il documentario “Get Back”, ha permesso di separare la voce di Lennon dal pianoforte senza alcuna sovrapposizione o degradazione della qualità.
Questo ha dato a Paul McCartney e Ringo Starr la possibilità di aggiungere nuovi elementi musicali alla traccia, completandola. La stessa tecnica avanzata è stata poi utilizzata per dare vita a “Now and Then”. Il passato e il presente uniti in un’armonia perfetta.
In sintesi, possiamo dire che l’intelligenza artificiale e l’apprendimento automatico (ML, machine learning) hanno giocato un ruolo cruciale nel restauro e nel miglioramento delle vecchie registrazioni dei Beatles per il documentario “Get Back”. Lo stesso è valso anche per la realizzazione di “Now and Then”. Si tratta di tecnologie che hanno permesso di superare le sfide tecniche. E dare vita a un’esperienza audiovisiva di alta qualità che rende omaggio all’eredità dei Beatles.
L’impresa di oggi non solo celebra l’eredità dei Beatles. Apre anche la porta a infinite possibilità per la musica del passato. Con la tecnologia moderna, vecchie registrazioni possono essere restaurate e rivitalizzate, permettendo alle nuove generazioni di apprezzare la magia della musica in modi mai immaginati prima.
L’eredità dei Beatles nell’Era Digitale
“Now and Then” potrebbe essere davvero l’ultimo saluto dei Beatles. Il loro spirito e la loro innovazione continueranno a vivere. Continuando ad ispirare artisti e appassionati di musica in tutto il mondo. E, come sempre, i Beatles ci ricordano che la musica è eterna, proprio come il loro leggendario talento.
Dove ascoltare la nuova canzone dei Beatles
Potete ascoltare la nuova canzone dei Beatles sulle piattaforme di streaming, con supporto per il mix Atmos dove supportato. La si può ascoltare su Spotify, YouTube, Apple Music. E poi, sempre da oggi, è disponibile un documentario “Now and Then” su Disney Plus che racconta i momenti in cui Paul McCartney e Ringo Starr hanno contribuito a lavorare sulla canzone.
Ascoltatela perché è davvero un viaggio musicale straordinario.
“Machine Learning Solutions” è la startup innovativa di Teleskill e l’Università La Sapienza, una startup creata per supportare le aziende in progetti di machine learning. Ne abbiamo parlato con i due fondatori Emanuele Pucci, di Teleskill, e Massimo Panella, docente di Elettrotecnica e di Intelligenza Computazionale proprio presso La Sapienza.
Il machine learning è un tema di grande attualità per gli immensi vantaggi che può portare in azienda e in ogni settore dell’attività dell’impresa: marketing, commerciale e vendita, ricerca e sviluppo, benessere organizzativo, formazione e tanto altro ancora. Ed è proprio per assistere e supportare le aziende in progetti di machine learning che è diventata operativa, molto di recente, Machine Learning Solutions, la startup innovativa creata a seguito della collaborazione tra Teleskill, azienda di innovazione digitale guidata da Emanuele Pucci, e il prof. Massimo Panella, docente di Elettrotecnica e di Intelligenza Computazionale presso il Dipartimento di Ingegneria dell’Informazione, Elettronica e Telecomunicazioni dell’Università di Roma “La Sapienza”. La società nasce, infatti, nell’ambito del progetto “New Machine Learning Solutions for Data Mining and Multimedia Signal Processing”, per l’Avviso Pubblico POR FESR Lazio 2014-2020 “Pre-seed Spin Off” in cui Machine Learning Solutions è risultata una delle aziende vincitrici.
Intervistiamo i due fondatori, Emanuele Pucci e Massimo Panella, per capire il loro punto di vista sul tema.
Come nasce Machine Learning Solutions? Emanuele Pucci: Machine Learning Solutions è un esempio vincente di quanto possa essere fruttuosa la collaborazione, lo scambio di esperienze, la sinergia tra Università e Azienda. Nel nostro caso il prof. Panella realizza all’interno del suo Dipartimento la parte di ricerca, mentre Teleskill si occupa da sempre della fase di sviluppo. Ricerca e Sviluppo, attività da sempre molto curate in Teleskill, hanno così raggiunto una sintesi, anche imprenditoriale, con la creazione della start up innovativa Machine Learning Solutions.
Quali sono gli obiettivi della nuova società? Emanuele Pucci: Il machine learning sta emergendo velocemente e interessa un sempre maggior numero di soggetti. L’obiettivo primario di Machine Learning Solutions è fornire servizi innovativi, basati sul paradigma del machine learning, tramite attività di ricerca, sviluppo e consulenza personalizzata caso per caso. Teleskill ha ormai un’esperienza ventennale nel settore e-learning e, da parte mia, vedo concrete possibilità di sviluppo in quest’area. Il machine learning applicato all’e-learning ne amplia enormemente l’efficacia permettendo, ma sono solo alcuni esempi, di creare formazione personalizzata per individuo o per gruppi, di migliorare l’offerta formativa customizzandola in tempo reale sull’utente e sui suoi comportamenti e azioni, di migliorare la learning retention, di prevedere i singoli gap formativi degli utenti, di analizzare in modo automatico ed adattivo i dati di fruizione e i risultati formativi in genere, di studiare il comportamento durante un collegamento in videoconferenza live o la fruizione di un learning object, di applicare logiche di deep learning con ad esempio lo speech recognition e quindi di massimizzare l’efficacia dell’apprendimento e l’ottimizzazione delle risorse formative da fornire al singolo discente e quindi il tempo per formarsi, aumentando di fatto il ROI del progetto e-learning.
Sono convinto inoltre che applicare logiche di machine learning in percorsi formativi possa far aumentare molto anche la motivazione (engagement) di chi studia in quanto vengono somministrati programmi formativi personalizzati e non generici. Massimo Panella: Aggiungo che il machine learning è strategico per le imprese italiane interessate a innovazione di prodotto e di processo al tempo di Industria 4.0. Di grande interesse, a mio parere, sono anche i settori applicativi delle soluzioni progettate: sicurezza; multimedialità; logistica e mobilità sostenibile; gestione dell’energia e delle fonti rinnovabili; sanità elettronica e telemedicina; domotica; fruizione e valorizzazione dei beni e attività culturali.
Che tipologia di servizi potrà offrire Machine Learning Solutions? Massimo Panella: Machine Learning Solutions svilupperà nuove tecnologie su tre aree principali: riconoscimento biometrico e comportamentale; Pattern Recognition e Data Mining; Data Analytics e Decision Support System.
Il riconoscimento biometrico garantisce la certezza dell’identità del discente ed è una caratteristica sempre più richiesta in molti ambiti, non solo nel settore educational. Inoltre il riconoscimento comportamentale (behavioural analysis) attiene alle analisi delle sue reazioni durante l’evento formativo sia in corsi registrati che in diretta live. Più in concreto, si tratta di avere informazioni in tempo reale sul livello di attenzione e il grado di apprendimento che si va concretizzando durante l’attività di formazione online. Questa sfida si basa sulla realizzazione di algoritmi innovativi per l’elaborazione intelligente dei flussi multimediali audio/video e l’estrazione d’informazioni mediante tecniche di pattern recognition e data mining. Questi algoritmi saranno peraltro sviluppati da Machine Learning Solutions anche in altri campi applicativi, come per esempio quello ingegneristico, biomedico o sociale, utilizzando l’esperienza ventennale nella ricerca sulle reti neurali artificiali e, più in generale, sui sistemi di calcolo a imitazione biologica.
Per quanto riguarda la terza area, si tratta di sviluppare sistemi per l’analisi dei dati, l’estrazione di contenuti informativi di alto livello e la realizzazione di sistemi di supporto alle decisioni nei contesti dove i segnali e soprattutto i Big Data derivano da molteplici sorgenti informative distribuite nello spazio e nel tempo, come nel caso delle reti di sensori, delle smart grid, dell’Internet-of-Things (IoT), dei mercati finanziari, dei dati biomedicali, delle reti veicolari, del crowdsourcing, della multimedialità.
SAS Forum Milan si conferma un appuntamento tra i più interessanti in Italia per quanto riguarda l’Innovazione e la Tecnologia. Il tema di questa edizione era il rapporto tra Uomo e Macchina, un rapporto che sta prendendo diverse forme grazie all’Intelligenza Artificiale e al Machine Learning. Ma alla base di tutto, serve una modellazione matematica come ci dicono Adriano Bacconi e Ottavio Crivaro.
SAS Forum Milan si conferma un appuntamento tra i più interessanti in Italia per quanto riguarda l’Innovazione e la Tecnologia. Il tema di questa edizione era il rapporto tra Uomo e Macchina, un rapporto che sta prendendo diverse forme grazie all’Intelligenza Artificiale e al Machine Learning. E quello che oggi ci sembra “straordinario”, in realtà non sarà altro che l’”ordinario” in un futuro non proprio lontanissimo. Un futuro davvero vicino e sul palco centrale della sala plenaria del MiCo di Milano lo abbiamo visto scorrere con tante applicazioni concrete. Lo straordinario che alimenta tecnologie ed innovazioni “possibili”.
L’intelligenza Artificiale sarà sempre più parte delle nostre vite, ma, come ha giustamente ricordato Marco Icardi, Regional Vice President SAS e CEO SAS Italy, “oggi tutti ne parlano, ma nessuno sa come farla davvero”. E per vedere degli esempi concreti, e di successo, di AI (Artificial Intelligence) bisognava essere infatti al SAS Forum Milan 2018. Un aspetto che ha tenuto a sottolineare Marco Icardi è che, a differenza di quello che si è portati (erroneamente) a credere, l’Intelligenza Artificiale non porterà nuova disoccupazione, ma, anzi, farà emergere nuove competenze che faranno nascere nuove figure professionali. E’ un cambiamento, una trasformazione che porterà nuovi e diversi benefici.
Sullo sfondo, come ha sottolineato il professor Marco Zorzi dell’Università di Padova, il Machine Learning oggi è più maturo e lo sarà sempre di più. Di conseguenza, non si parla di una sfida tra Uomo e Macchina, ma di Collaborazione, perchè l’Intelligenza Umana sarà sempre necessaria per interpretare i risultati.
SAS Forum Milan è stata l’occasione per ascoltare in Italia Hannah Fry, matematica inglese famosa per il suo studio sulle relazioni e il dating e anche per la formula matematica che regola le relazioni. La Fry, in sostanza, ci ha dimostrato chiaramente che un modello di Intelligenza Artificiale basato su Machine Learning ha bisogno, alla base, di un modello matematico. Non serve generare solo un algoritmo per rilevare i dati, serve un modello ampio che dia una visione ampia di risultati. Un approccio che la Fry ha dimostrato e raccontato, illuminando la platea del MiCo con oltre 2 mila partecipanti tra manager, esperti e imprenditori.
E’ stata l’occasione per ascoltare Bibop G. Gresta, chairman di Hyperloop Transportation Technologies, la società che sta lavorando su un sistema di trasporto Hyperloop che si basa su un’idea di Elon Musk (fondatore della Tesla) del 2013. Gresta, in un modo assolutamente coinvolgente, ha spiegato al SAS Forum Milan come oggi i trasporti siano una grande perdita di tempo, non sostenibili dal punto di vista economico e dal punto di vista ambientale. La capsula, quello che è alla base del progetto e che presto diventerà realtà, viaggerà ad oltre 1.200 Km/h (Milano-Roma in mezz’ora!) con massimo 40 passeggeri.
Ma quello che ci ha incuriosito molto è stato l’intervento di Adriano Bacconi, allenatore ed esperto di match analysis, e Ottavio Crivaro, fondatore di Moxoff, che hanno portato la loro piattaforma che si serve proprio dell’Intelligenza Artificiale per fare in modo che gli allenatori delle squadre di calcio possano ottimizzare le proprie strategie di gioco.
Adriano Bacconi è stato uno dei primi a portare il concetto della match analysis in Italia, ha cominciato a “dare i numeri” con Massimo Caputi all’epoca di Telemontecarlo (TMC, diventata poi La7), fino ad arrivare alla “Domenica Sportiva” sulla Rai, portando l’analisi delle partire e i dati relativi agli spostamenti dei giocatori a conoscenza del grande pubblico. Tante poi le collaborazioni con i club di serie A e di serie B (l’ultima proprio con il Palermo). Dati che, estrapolati e gestiti in maniera corretta, possono essere fondamentali per migliorare la strategia di gioco.
“Oggi non serve più caricare gli allenatori e i loro collaboratori di dati e numeri che in realtà dicono poco, serve invece elaborare una strategia di analisi in modo da ottenere informazioni più specifiche da quei numeri. Quello che interessa oggi all’allenatore non è solo in numero dei passaggi fatti, dei cross, dei tiri in porta, ma del perchè in quel momento il giocatore non ha passato la palla in una direzione specifica, del perchè non ha compiuto quell’azione che avrebbe aiutato di più la squadra. Ecco, è questo l’elemento nuovo che cerchiamo di trasmettere agli allenatori e ce ne sono tanti, soprattutto, i nuovi, quelli emergenti che hanno se non altro una mentalità più aperta, riescono a cogliere il senso di una strategia di elaborazione come questa. Parlo di allenatori giovani, come De Zerbi tanto per fare un nome, che hanno capito che l’ammasso dei dati come si faceva 20 anni fa, oggi non serve più. Hanno una mentalità analitica, forse non hanno gli strumenti, hanno la curiosità, l’apertura mentale“.
Esiste poi un problema decisionale, come sottolinea Ottavio Crivaro, “perchè poi tutta la metodologia e le decisioni vengono prese dall’allenatore, in Premier League invece c’è una organizzazione delle società diversa, con persone che si occupano della match analysis. E’ un approccio culturale diverso. Provate a pensare alla pallavolo, sport fatto di dati, le grandi squadre non sanno dove risiedono i propri dati ad esempio”.
“C’è da dire” – afferma Bacconi – “che oggi anche in Italia i grandi club stanno cominciando a lavorare con un’impostazione diversa, pensiamo alla Juventus ma anche all’Inter. Ma poi tutto parte dagli allenatori. Di nuovo, De Zerbi, come anche Nicola, pur con idee di gioco differenti, hanno compreso le opportunità di questo sistema che gli permette di codificare certi comportamento dei propri giocatori e di impostare una certa strategia. Perchè poi quello che interessa, come dicevamo prima, è perchè il giocatore non ha passato in quel momento, oppure se un giocatore perde la palla perchè gli altri non la recuperano. In questo modo ogni allenatore crea il suo modello, ci mette la sua filosofia di gioco“.
Marco Icardi – SAS Italy
Hannah Fry
Bibop G. Gresta
Adriano Bacconi
Ottavio Crivaro
L’aspetto più interessante è proprio l’elaborazione della piattaforma che si muove, appunto su un principio diverso. “Bisogna andare oltre la misura del dato” – sottolinea Crivaro – “si deve passare ad una logica di estrapolare, da una enorme mole di dati, delle risposte. Esiste, come già detto, un approccio culturale che deve fare la differenza. E’ fondamentale comunque focalizzarsi sul fatto che oggi si parla di Intelligenza Artificiale, ma parliamo di integrazione tra una modellazione matematica e algoritmi di Machine Learning. Non è un sofismo, ma è un aspetto fondamentale. Non ci si può più basare solo sui dati, gli algoritmi di Machine Learnig servono a tirar fuori informazioni dati e simulazioni. Il modello matematico ti aiuta a rappresentare quello che sarebbe stato l’atteggiamento del giocatore. Per arrivare a fare queste elaborazione ci vorrebbero tantissimi dati, al punto che non ce la si potrebbe fare, ecco che l’integrazione di un modello matematico insieme agli algoritmi di Machine Learning ti aiutano a fare questo. E’ quello che in sostanza ha dimostrato Hannah Fry nel suo intervento“.
Ecco, questo un esempio eccellente di cosa significa oggi collaborazione tra Uomo e Macchina, collaborazione che, come dimostrato, non può prescindere oggi da una modellazione matematica.
Chissà quante volte vi sarà capitato di inserire un’immagine in un tweet e di vederla tagliata male nel contenuto. Twitter sembra aver trovato la soluzione a questo problema affidandosi al machine learning. Attraverso un sistema di reti neurali le anteprime verranno ritagliate mettendo in risalto la parte più interessante.
Chissà quante volte vi siete trovati nella condizione di aggiungere un’immagine all’interno di un tweet, magari nelle misure proporzionate, e di vederla comunque tagliata in modo da avere un’anteprima, all’interno del tweet stesso, sballata. Una situazione in cui ci si potrebbero riconoscere in tanti, in alcuni casi anche fastidiosa. Ebbene, Twitter sembra aver trovato la soluzione a questo problema, grazie al machine learning, ossia un sistema di reti neurali che rilasceranno delle anteprime del contenuto mettendo in risalto la parte più interessate delle immagini. Quella che un utente vuole vedere, in pratica.
Twitter annuncia questa soluzione dal suo blog ufficiale a firma di Lucas Theis e Zehan Wang, ricercatori di Twitter sul machine learning. Nel post, molto dettagliato, i due ricercatori spiegano l’utilizzo delle reti neurali che inizialmente andava bene per ritagliare al meglio i volti ritratti in un’immagina, ma il metodo non andava bene per paesaggi, oggetti e gatti.
La soluzione a cui sono arrivati è stata possibile grazie alla “salienza”, ossia ritagliare mettendo in risalto la parte più interessante di un’immagine, con la presenza o meno di volti. Per arrivare a questo, i due ricercatori spiegano di aver utilizzato dati accademici riferiti all’oculometria (quella che in inglese di definisce “eye tracking”) per comprendere meglio le parti di un’immagine che persone tendono a vedere per prime. Questi stessi dati sono stati poi utilizzati per creare algoritmi e reti neurali in modo da prevedere ciò che le persone vogliono vedere prima in un’immagine.
Prima
Dopo
Per cercare di tradurre il tutto e renderlo più comprensibile, Twitter ritaglierà un maniera automatica le immagini riuscendo, grazie proprio al machine learning, quindi con una rete neurale dieci volte più veloce del progetto iniziale, a mettere in rilevanza la parte più interessante dell’immagine contenuta nel tweet.
Questo tipo di tecnica è già attiva via desktop e sulle app iOS e Android.
Gestisci Consenso
Per fornire le migliori esperienze, utilizziamo tecnologie come i cookie per memorizzare e/o accedere alle informazioni del dispositivo. Il consenso a queste tecnologie ci permetterà di elaborare dati come il comportamento di navigazione o ID unici su questo sito. Non acconsentire o ritirare il consenso può influire negativamente su alcune caratteristiche e funzioni.
Funzionale
Sempre attivo
L'archiviazione tecnica o l'accesso sono strettamente necessari al fine legittimo di consentire l'uso di un servizio specifico esplicitamente richiesto dall'abbonato o dall'utente, o al solo scopo di effettuare la trasmissione di una comunicazione su una rete di comunicazione elettronica.
Preferenze
L'archiviazione tecnica o l'accesso sono necessari per lo scopo legittimo di memorizzare le preferenze che non sono richieste dall'abbonato o dall'utente.
Statistiche
L'archiviazione tecnica o l'accesso che viene utilizzato esclusivamente per scopi statistici.L'archiviazione tecnica o l'accesso che viene utilizzato esclusivamente per scopi statistici anonimi. Senza un mandato di comparizione, una conformità volontaria da parte del vostro Fornitore di Servizi Internet, o ulteriori registrazioni da parte di terzi, le informazioni memorizzate o recuperate per questo scopo da sole non possono di solito essere utilizzate per l'identificazione.
Marketing
L'archiviazione tecnica o l'accesso sono necessari per creare profili di utenti per inviare pubblicità, o per tracciare l'utente su un sito web o su diversi siti web per scopi di marketing simili.
