1
00:00:00,240 --> 00:00:05,200
Benvenuti all'episodio 58 di Adue, in cui scoprire come ottenere il massimo

2
00:00:05,200 --> 00:00:06,800
dalla vostra tecnologia Apple.

3
00:00:06,800 --> 00:00:10,640
Io sono Filippo Strozzi e sono il vostro ospite assieme all'amico Roberto

4
00:00:10,640 --> 00:00:11,440
Marin.

5
00:00:11,440 --> 00:00:14,400
Di che cosa parliamo in questo episodio, Roberto Caro?

6
00:00:14,400 --> 00:00:18,960
Parliamo della mia santa pazienza a stare con te, Filippo, qui col

7
00:00:19,120 --> 00:00:21,760
podcast davanti al microfono.

8
00:00:21,760 --> 00:00:25,920
Ma ovviamente un altro bel po' di pazienza mi serve perché devo

9
00:00:25,920 --> 00:00:31,440
introdurre un carissimo ospite non solo perché costa un sacco, ma anche

10
00:00:31,440 --> 00:00:36,320
perché è un nostro amico di lunghissima data, ha introdotto entrambi al

11
00:00:36,320 --> 00:00:41,680
mondo del podcasting, e quindi per questo verrà perseguitato dalle leggi apposta.

12
00:00:41,680 --> 00:00:45,680
Ma nonostante questo, ha avuto anche il tempo di trovare il modo

13
00:00:45,680 --> 00:00:49,440
di fare un figlio alla sua venerante età, che praticamente è il

14
00:00:49,440 --> 00:00:52,400
papà di tutti noi, ma adesso è papà davvero.

15
00:00:52,400 --> 00:00:57,120
Introduciamo il nostro mitico Alex Raccuglia.

16
00:00:57,360 --> 00:00:59,600
Ciao ciao, buonasera a tutti quelli che ci ascoltano.

17
00:00:59,600 --> 00:01:01,840
Anzi, buongiorno, perché se ci ascoltano il podcast.

18
00:01:01,840 --> 00:01:02,240
Ciao!

19
00:01:02,240 --> 00:01:03,520
Benvenuto tra di noi!

20
00:01:03,520 --> 00:01:08,000
Oh, finalmente una voce che da tanto tempo mancava all'interno del mondo

21
00:01:08,000 --> 00:01:12,000
del podcast, perché giustamente fare un figlio è tanto facile all'inizio, ma

22
00:01:12,000 --> 00:01:15,200
poi alla fine, quando si prende il giro con il bambino per

23
00:01:15,200 --> 00:01:17,760
casa, è sempre un po' più difficile, un po' più lungo.

24
00:01:17,760 --> 00:01:21,760
Bisogna trovare gli spazi, il tempo, riequilibrare tutto quanto.

25
00:01:21,760 --> 00:01:26,960
Sappiamo benissimo che c'è una folta schiera di persone che aspetta Alex

26
00:01:27,120 --> 00:01:31,520
che ritorni con una puntata vera e sottolineo vera 3-4 volte di

27
00:01:31,520 --> 00:01:33,280
MDB Summer Radio.

28
00:01:33,280 --> 00:01:37,600
E intanto, per fargli riscaldare, far riprendere un po' il giro di

29
00:01:37,760 --> 00:01:41,920
invece di stare sempre in macchina a parlare con Siri una volta,

30
00:01:41,920 --> 00:01:46,480
con il microfono l'altra volta e soprattutto a prendersela per il traffico

31
00:01:46,480 --> 00:01:47,360
milanese.

32
00:01:47,360 --> 00:01:50,880
Questa volta abbiamo iniziato a fargli scaldare un po' la situazione perché,

33
00:01:50,880 --> 00:01:54,400
insomma, il nostro Alex deve introdurre un bellissimo argomento che è il

34
00:01:54,400 --> 00:01:58,880
machine learning all'interno del mondo dell'informatica, ma non solo questo, lo stiamo

35
00:01:58,880 --> 00:02:03,800
riscaldando perché, come sapete, a breve c'è il WWDC 2023.

36
00:02:04,040 --> 00:02:08,680
Qua c'è buona parte dei keynote, perché siamo tre su cinque.

37
00:02:08,680 --> 00:02:12,360
Uno è online che ci sta seguendo, ringraziamo Daniele che è sempre

38
00:02:12,360 --> 00:02:13,000
con noi.

39
00:02:13,160 --> 00:02:17,480
L'altro invece è super impegnatissimo perché è un canale che ormai ha

40
00:02:17,480 --> 00:02:22,200
preso il largo, è diventato un VIP e quindi non ci guarda

41
00:02:22,200 --> 00:02:26,920
più, ovviamente, ma giustamente ha i suoi tempi e tantissime cose da

42
00:02:26,920 --> 00:02:27,320
fare.

43
00:02:27,320 --> 00:02:30,440
Ma in ogni caso un'altra cosa che volevo fare è ringraziare tutte

44
00:02:30,440 --> 00:02:34,040
le persone che sono adesso qui online e che ci fanno compagnia

45
00:02:34,040 --> 00:02:34,760
nella diretta.

46
00:02:34,840 --> 00:02:37,800
Se non lo sapete siamo anche in diretta YouTube.

47
00:02:37,800 --> 00:02:42,920
E soprattutto, come dicevo, volevo ringraziare in particolar modo Nicola e il

48
00:02:42,920 --> 00:02:48,120
nostro mitico Magnetar Tech che ha cambiato il nome a NASO, in

49
00:02:48,280 --> 00:02:51,000
ogni caso lo conosciamo bene o male tutti quanti.

50
00:02:51,000 --> 00:02:55,800
Ringrazio di cuore ovviamente perché la vostra vicinanza ci aiuta, come sempre,

51
00:02:55,800 --> 00:02:57,960
a portare avanti il podcast.

52
00:02:57,960 --> 00:03:00,920
Ma prima di iniziare, una cosa che a me non piace fare

53
00:03:00,920 --> 00:03:02,200
è dire sigla

54
00:03:03,320 --> 00:03:05,160
, A2 Podcast.

55
00:03:05,160 --> 00:03:08,680
Scopri come ottenere il massimo dalla tua tecnologia apple.

56
00:03:08,680 --> 00:03:13,240
Due professionisti, Filippo e Roberto, te lo spiegano con argomenti monotematici ed

57
00:03:13,240 --> 00:03:15,880
ospiti che raccontano il loro flusso di lavoro

58
00:03:18,760 --> 00:03:19,080
,

59
00:03:22,920 --> 00:03:26,920
e direi che dobbiamo anche ringraziare Alex di questa meravigliosa sigla.

60
00:03:26,920 --> 00:03:32,440
È arrivato in tempo praticamente appena me l'avete commissionata, il ricorsivo.

61
00:03:32,440 --> 00:03:36,440
Alex che presenta Alex, ma ce la siamo dovuta guadagnare.

62
00:03:36,440 --> 00:03:37,800
Te le faccio io le prime domande.

63
00:03:37,800 --> 00:03:38,840
Parto così subito.

64
00:03:38,840 --> 00:03:41,640
Raccontaci un piccolo spaccato della tua vita.

65
00:03:41,640 --> 00:03:45,000
Allora, com'è adesso vivere da papà a programmatore?

66
00:03:45,040 --> 00:03:46,160
Ma interessante.

67
00:03:46,160 --> 00:03:49,680
Vivere da papà è fighissimo, è abbastanza sfiancante dal punto di vista

68
00:03:49,680 --> 00:03:50,640
dell'energia.

69
00:03:50,640 --> 00:03:53,440
E mi rendo conto che magari a 30 anni uno lo gestisce

70
00:03:53,440 --> 00:03:55,120
meglio che ha quasi 50.

71
00:03:55,120 --> 00:03:57,680
Però sono veramente molto contento.

72
00:03:57,680 --> 00:04:01,040
Devo dire che ogni volta che lo vedo mi rilassa quel bambino,

73
00:04:01,040 --> 00:04:02,800
per cui sono molto contento.

74
00:04:02,800 --> 00:04:06,480
Essere programmatore, devo dire che credo di aver dimezzato il tempo che

75
00:04:06,480 --> 00:04:11,200
dedico alla mia azienda, soprattutto a delle cose collaterali, tipo il supporto

76
00:04:11,200 --> 00:04:14,080
clienti, che adesso mi è molto più difficile rispetto a prima, questo,

77
00:04:14,080 --> 00:04:15,360
infatti, inficcia sul karma.

78
00:04:15,360 --> 00:04:19,680
Però, per il resto, il fatto di lavorare molto di testa prima,

79
00:04:20,240 --> 00:04:23,920
anche l'idea stupida di registrare i podcast in auto prima che di

80
00:04:23,920 --> 00:04:27,600
andare in ufficio, mi aiuta a razionalizzare per formalizzare le cose.

81
00:04:27,600 --> 00:04:30,720
E arrivo, diciamo, in ufficio, riesco a ritagliarmi a questo punto qualche

82
00:04:30,720 --> 00:04:34,080
decina di minuti di qua e là per poter sviluppare cose.

83
00:04:34,080 --> 00:04:36,960
I weekend invece sono diventati off limits, anzi, tutta la vita in

84
00:04:36,960 --> 00:04:39,840
casa è diventata off limits, potrei lasciare il computer direttamente in ufficio

85
00:04:39,920 --> 00:04:41,440
non cambierebbe più niente ormai.

86
00:04:41,440 --> 00:04:43,280
Tuttavia, si va avanti, ci si diverte.

87
00:04:43,280 --> 00:04:46,800
Io sto attendendo un responso che potrebbe cambiare la vita della mia

88
00:04:46,800 --> 00:04:51,200
azienda, perché sono in contatto con uno store americano che vende app

89
00:04:51,680 --> 00:04:54,560
su me che hanno una visibilità 100 volte maggiore di quella che

90
00:04:54,560 --> 00:04:55,280
posso avere io.

91
00:04:55,360 --> 00:04:59,520
Per cui, anche se le loro commissioni sono relativamente alte, entrare nel

92
00:04:59,520 --> 00:05:03,520
loro store, secondo me, sarebbe una figata cosmica e mi darebbe una

93
00:05:03,520 --> 00:05:07,120
certa ventata d'aria fresca, mah incrocio le dita e speriamo.

94
00:05:07,280 --> 00:05:11,600
Incrociamo anche noi a questo punto perché te lo meriti come si

95
00:05:11,600 --> 00:05:14,480
suol dire: assolutamente sì.

96
00:05:14,720 --> 00:05:16,960
Non lo so, il te lo meriti, è una cosa che mi

97
00:05:16,960 --> 00:05:21,080
sembrava molto relegata alle pubblicità degli anni Ottanta o degli anni 90,

98
00:05:20,960 --> 00:05:23,440
sì, ti meriti di avere un'automobile migliore.

99
00:05:23,680 --> 00:05:25,120
Non lo so, spero di sì.

100
00:05:25,440 --> 00:05:26,000
Lo spero

101
00:05:27,280 --> 00:05:31,240
non tanto per l'economia familiare, ma per capire che ho fatto qualcosa,

102
00:05:29,840 --> 00:05:34,120
mettiamola così, qualcosa di vero e non qualcosa di campato per aria.

103
00:05:34,200 --> 00:05:36,840
Che poi, se usate le mie applicazioni, voi due le usate, sapete

104
00:05:36,840 --> 00:05:40,200
che sono pieni di casini, perché ogni tanto è meglio che me

105
00:05:40,200 --> 00:05:41,000
ne stia zitto.

106
00:05:41,000 --> 00:05:41,720
No, ma no, ma no.

107
00:05:41,800 --> 00:05:44,360
Il quanto beta tester e anche il nostro lavoro.

108
00:05:44,760 --> 00:05:49,240
Ma invece, tornando a bomba sulla questione per cui ti abbiamo chiamato

109
00:05:49,240 --> 00:05:53,640
in puntata qui su A2 Podcast, è per riprendere un po' dove

110
00:05:53,640 --> 00:05:54,440
ci eravamo fermati.

111
00:05:54,440 --> 00:05:58,040
Ci eravamo fermati alla puntata 57 con un amico comune so che

112
00:05:58,040 --> 00:06:01,880
lo conosci anche tu, Alex, è il mitico Lucio Bragagnolo, dove abbiamo

113
00:06:01,880 --> 00:06:05,160
parlato essenzialmente di intelligenza artificiale.

114
00:06:05,160 --> 00:06:09,960
Il prossimo step, dopo l'intelligenza artificiale, tutti i casini che si stanno

115
00:06:09,960 --> 00:06:15,800
portando dietro, tra cui facendo una piccola parentesi, uno su tutti è

116
00:06:15,800 --> 00:06:20,760
quello che potrebbe essere la gestione dei dati personali e l'immenso grab

117
00:06:20,920 --> 00:06:24,120
totale dei dati che ci sono in tutto il mondo per riuscire

118
00:06:24,120 --> 00:06:27,720
a tirare su qualche sold, che sono tutti dati nostri.

119
00:06:27,800 --> 00:06:31,080
O per esempio, se immagino che non faccia piacere a nessuno il

120
00:06:31,080 --> 00:06:36,040
fatto che gli articoli, probabilmente anche il podcasting o tutto quello che

121
00:06:36,040 --> 00:06:39,160
viene immesso all'interno della rete di tutte le persone che ci sono

122
00:06:39,160 --> 00:06:45,400
all'interno dell'umanità, chiamiamolo così, nel mondo, viene grabbato per addestrare questo simpatico

123
00:06:45,400 --> 00:06:47,320
motore di intelligenza artificiale.

124
00:06:47,320 --> 00:06:51,480
Che ribadisco, e ribadiamo tutti quanti assieme perché siamo molto allineati anche

125
00:06:51,480 --> 00:06:55,320
su questo punto di vista, non si tratta di un'intelligenza artificiale.

126
00:06:55,320 --> 00:07:00,200
Io personalmente, dal mio punto di vista di tecnico architetto, ho pensato

127
00:07:00,200 --> 00:07:03,960
a rinominare questa intelligenza artificiale perché non se ne può più chiamarla

128
00:07:03,960 --> 00:07:05,000
intelligenza artificiale.

129
00:07:05,160 --> 00:07:09,000
Secondo me è meglio chiamarlo acceleratore, perché in effetti, sotto un certo

130
00:07:09,000 --> 00:07:13,800
punto di vista, molte attività che riguardano altre attività, come ad esempio

131
00:07:13,880 --> 00:07:19,120
la mia, quella di Filippo e anche quella di Alex, l'utilizzo dell'intelligenza

132
00:07:19,120 --> 00:07:24,080
artificiale o questi modelli semantici, o via discorrendo, ci sono varie possibilità

133
00:07:24,080 --> 00:07:29,840
di utilizzo di questi acceleratori, permettono in effetti di migliorare e velocizzare

134
00:07:29,840 --> 00:07:33,760
molte azioni ripetitive, che in effetti è il fulcro di quello che

135
00:07:33,760 --> 00:07:35,360
dovrebbe fare in realtà un computer.

136
00:07:35,360 --> 00:07:38,640
Cioè il computer non è solo lì per farci vedere delle cose,

137
00:07:38,640 --> 00:07:42,720
nel senso come qualcosa che ci permette di fruire di quello che

138
00:07:42,720 --> 00:07:47,840
c'è nella rete, vedere dei video o via discorrendo, ma soprattutto ci

139
00:07:48,000 --> 00:07:52,080
permette di lavorare e una cosa che ci aveva sempre ispirato e

140
00:07:52,080 --> 00:07:56,400
che ci aveva promesso l'informatica è appunto quello che avremmo smesso di

141
00:07:56,400 --> 00:07:58,000
fare lavori ripetitivi.

142
00:07:58,000 --> 00:08:01,600
E quindi questo qui potrebbe essere, secondo me, la parte ottimistica di

143
00:08:01,600 --> 00:08:06,640
quello che ci sta succedendo attorno e una parte di questa invasione

144
00:08:06,640 --> 00:08:11,040
informatica che in pratica ha invaso tutti gli aspetti della nostra vita,

145
00:08:11,040 --> 00:08:15,200
perché parlavo anche su Snap, ma anche in altri settori, se ne

146
00:08:15,200 --> 00:08:20,800
parla, praticamente in tutti i settori, di come riuscire a implementare questi

147
00:08:20,800 --> 00:08:26,320
acceleratori, questi strumenti che possono diventare davvero molto interessanti, ma che dall'altra

148
00:08:26,320 --> 00:08:29,680
parte, come il buon Walter Varini ci ha spiegato più di una

149
00:08:29,680 --> 00:08:33,360
volta, ha anche un lato oscuro di cui dobbiamo cercare di tenerci

150
00:08:33,360 --> 00:08:37,360
alla lontana, ma soprattutto conoscerlo per riuscire a combatterlo.

151
00:08:37,360 --> 00:08:42,000
E proprio appunto perché siamo qua all'interno di questo podcast che cerchiamo

152
00:08:42,000 --> 00:08:47,520
di farvi conoscere anche qual è l'idea che c'è dietro a questi

153
00:08:47,520 --> 00:08:48,320
acceleratori.

154
00:08:48,320 --> 00:08:51,840
Uno di questi acceleratori è il machine learning.

155
00:08:51,840 --> 00:08:55,200
Cosa ci vuoi raccontare, caro il nostro Alex del Machine Learning?

156
00:08:55,200 --> 00:08:59,680
Allora, permetto che io sono uno sviluppatore che utilizza degli strumenti piuttosto

157
00:08:59,760 --> 00:09:00,760
che un teorico.

158
00:09:00,760 --> 00:09:05,160
Il machine learning è un insieme di metodi che consentono di fare

159
00:09:05,160 --> 00:09:09,480
training a modelli di intelligenza artificiale, passiamola così.

160
00:09:09,480 --> 00:09:14,440
La filosofia alla base è molto semplificata questa, veramente passatemela tanto, anche

161
00:09:14,440 --> 00:09:16,680
perché, ripeto, non sono un accademico.

162
00:09:16,680 --> 00:09:21,240
È io faccio vedere a una macchina mille volte qualcosa, dopo un

163
00:09:21,240 --> 00:09:24,440
po' di volte questa macchina inizia a riconoscere questo qualcosa.

164
00:09:24,440 --> 00:09:27,640
Il riconoscimento, diciamo che è un po' alla base di tutto quanto,

165
00:09:27,720 --> 00:09:31,240
anche delle intelligenze artificiali generative.

166
00:09:31,240 --> 00:09:34,600
Passatemi il termine intelligenza artificiale, lo so che sono algoritmi, lo so

167
00:09:34,600 --> 00:09:37,240
che sono strutture dati, però cerchiamo di semplificare.

168
00:09:37,240 --> 00:09:40,840
La machine learning è un insieme di tecniche che consentono di andare

169
00:09:40,840 --> 00:09:43,880
a costruire queste cose che si chiamano modelli, che sono una cosa

170
00:09:43,880 --> 00:09:47,240
che sta a metà strada tra un programma e una struttura dati,

171
00:09:47,240 --> 00:09:51,800
cioè messi insieme, diciamo, che consentono poi di fare delle cose.

172
00:09:52,040 --> 00:09:56,440
Il primo principio di base è quello delle reti neurali, che sono

173
00:09:57,320 --> 00:10:01,720
un'astrazione matematica che è stata inventata a metà del secolo scorso.

174
00:10:01,720 --> 00:10:05,720
E fino fino a poco tempo fa non era praticamente utilizzabile perché

175
00:10:05,720 --> 00:10:09,720
non c'era abbastanza potenza di calcolo, oppure era utilizzabile ma con tantissime

176
00:10:09,720 --> 00:10:10,680
limitazioni.

177
00:10:10,760 --> 00:10:15,640
Una rete neurale essenzialmente è un sistema che calcola polinomi molto semplici,

178
00:10:15,640 --> 00:10:18,840
tipo X più Y più Y, più Z, eccetera, eccetera, eccetera, solo

179
00:10:18,840 --> 00:10:22,760
che invece di avere tre variabili ne ha decine, centinaia di migliaia

180
00:10:22,760 --> 00:10:23,560
o anche milioni.

181
00:10:23,960 --> 00:10:27,240
Per cui se c'è una potenza di calcolo sufficiente, si possono calcolare

182
00:10:27,240 --> 00:10:30,440
tutti questi bei polinomi che poi servono a fare delle cose.

183
00:10:30,440 --> 00:10:33,800
Il machine learning è un insieme di tecniche che consentono di andare

184
00:10:33,800 --> 00:10:39,160
a costruire questi polinomi, perché applicare una rete neurale a qualcosa per

185
00:10:40,040 --> 00:10:44,200
risolvere dei problemi per trovare delle soluzioni è un conto.

186
00:10:44,200 --> 00:10:45,920
Insegnare questa rete neurale a

187
00:10:46,000 --> 00:10:48,640
fare training, come fare è un po' più complicato.

188
00:10:48,640 --> 00:10:51,680
Il machine learning serve essenzialmente per fare questa cosa qui e ci

189
00:10:51,680 --> 00:10:55,040
sono anche un sacco di tecniche più o meno algoritmiche che consentono

190
00:10:55,040 --> 00:10:58,720
di velocizzare il training, perché uno può dire se io ti do

191
00:10:58,720 --> 00:11:02,080
davanti un milione di fotografie di una scimmia, magari dopo un po'

192
00:11:02,080 --> 00:11:05,920
capisci che un milione e unesima di fotografia è quella è una

193
00:11:05,920 --> 00:11:06,320
scimmia.

194
00:11:06,320 --> 00:11:10,480
L'insieme di modalità con cui si fa training, cioè si prendono questo

195
00:11:10,480 --> 00:11:14,640
milione di fotografie che corrispondono, che ne so, a mille miliardi di

196
00:11:14,640 --> 00:11:18,640
pixel, farle diventare dei vettori dei numeri e conseguenza andare a fare

197
00:11:18,640 --> 00:11:20,640
classificazione, faccio un esempio.

198
00:11:20,960 --> 00:11:26,080
È tutta la branca della teoria dell'informazione su cui si sta studiando

199
00:11:26,080 --> 00:11:30,320
negli ultimi 20-30 anni e che è esplosa ultimamente perché la potenza

200
00:11:30,320 --> 00:11:34,080
di calcolo adesso sono tali per cui questi modelli, che sono appunto

201
00:11:34,160 --> 00:11:38,720
una fusione tra strutture dati e programmi, possono diventare talmente complessi che

202
00:11:38,720 --> 00:11:43,200
iniziano a fare delle cose che possono iniziare a diventare interessanti.

203
00:11:43,200 --> 00:11:48,720
Dal punto di vista dell'etica, lasciatemi aggiungere questo, come dire, se una

204
00:11:48,720 --> 00:11:50,480
macchina fa il lavoro al posto mio.

205
00:11:50,480 --> 00:11:53,200
Io continuo a dire che questi strumenti sono de strumenti che vanno

206
00:11:53,200 --> 00:11:56,080
considerati come degli strumenti e non come degli oggetti finiti.

207
00:11:56,080 --> 00:11:59,680
Se tu sei un professionista e a un certo punto ti prende

208
00:11:59,680 --> 00:12:04,000
un garzone, uno stagista per fare qualcosa, tu gli insegni a fare

209
00:12:04,000 --> 00:12:07,120
le cose e lo stagista inizialmente farà dei lavori molto molto semplici,

210
00:12:07,120 --> 00:12:12,480
che magari sono dei lavori ripetitivi, noiosi, basilari, però dico sempre: la

211
00:12:12,480 --> 00:12:13,760
firma ce la devi mettere tu.

212
00:12:13,760 --> 00:12:16,560
Per cui alla fine allo stagista lo devi controllare quello che ha

213
00:12:16,560 --> 00:12:16,960
fatto.

214
00:12:16,960 --> 00:12:18,240
È lo stesso di quasi di

215
00:12:19,600 --> 00:12:20,880
queste tecnologie.

216
00:12:20,880 --> 00:12:25,040
Sono tecnologie che, secondo me, in mano a chi ne conosce modalità

217
00:12:25,040 --> 00:12:29,840
di uso, limiti etici, legali e tecnici possono

218
00:12:29,840 --> 00:12:32,200
fornire un grosso risultato.

219
00:12:32,440 --> 00:12:37,000
Fare diventare un prodotto chiuso e finito mi sembra assolutamente una cosa

220
00:12:37,000 --> 00:12:41,640
folle e senza controllo, e che probabilmente prima o poi qualcuno si

221
00:12:41,640 --> 00:12:46,440
farà tanto male, ma veramente tanto male, e a quel punto, in

222
00:12:46,440 --> 00:12:50,200
qualche modo, l'opinione pubblica dirà: Sì, vabbè, cerchiamo di capire cosa si

223
00:12:50,200 --> 00:12:52,520
può fare, cioè non tanto cosa si può fare, cosa non si

224
00:12:52,520 --> 00:12:55,400
può fare, ma come gestire più o meno legalmente, e dal punto

225
00:12:55,400 --> 00:12:57,480
di vista della responsabilità, la cosa.

226
00:12:57,480 --> 00:12:59,880
E forse lì si farà un pochettino un passo indietro.

227
00:12:59,880 --> 00:13:02,920
La Silicon Valley ce lo spiega il nostro caro amico Vanini, ma

228
00:13:02,920 --> 00:13:06,440
lo vediamo sempre: è un insieme di gente che dobbiamo fare le

229
00:13:06,440 --> 00:13:10,440
cose in fretta, dicono: ora che è arrivato chat GPT, e magicamente

230
00:13:10,440 --> 00:13:12,040
sono apparse Brad di

231
00:13:13,160 --> 00:13:14,600
ard di Google.

232
00:13:14,680 --> 00:13:18,120
Ieri è stata annunciata quella di Amazon, eccetera, eccetera, eccetera, come mai

233
00:13:18,120 --> 00:13:20,920
arrivano tutti adesso, perché sono arrivati quelli lì e allora tutti devono

234
00:13:20,920 --> 00:13:25,080
buttare fuori il prodotto, indipendentemente dal fatto che sia finito, testato e

235
00:13:25,080 --> 00:13:26,120
certificato.

236
00:13:26,120 --> 00:13:29,480
E in quest'ottica qui io devo essere sincero, per qualche tempo, per

237
00:13:29,480 --> 00:13:32,360
qualche mese, ho pensato che Apple dicesse, ma perché stanno lì fermi

238
00:13:32,360 --> 00:13:34,600
al palo che tutti stanno correndo come dei pazzi?

239
00:13:34,600 --> 00:13:37,560
Loro, che sono una delle aziende più ricche al mondo, hanno un

240
00:13:37,560 --> 00:13:38,360
sacco di risorse.

241
00:13:38,360 --> 00:13:41,640
Sembra quasi che vogliono non dicono rimare contro, ma starsene un po'

242
00:13:41,640 --> 00:13:42,040
fermi.

243
00:13:42,040 --> 00:13:45,160
E la realtà è che se poi si guarda un pochettino sotto

244
00:13:45,160 --> 00:13:51,160
la superficie, si chiede alla chat GPT di turno di fare qualcosa,

245
00:13:51,480 --> 00:13:56,360
allo stable diffusion di turno di generare qualcosa, al whisper di turno

246
00:13:56,360 --> 00:14:02,280
di trascrivere qualcosa, scopre che le basi di dati che vengono utilizzate

247
00:14:02,280 --> 00:14:06,760
sono talmente piene di fuffa, perché internet è pieno di fuffa, che

248
00:14:06,760 --> 00:14:10,440
il valore di questi progetti è ok, sì, visto che non siamo

249
00:14:10,440 --> 00:14:14,680
capaci di discernere delle pagine decenti, di distillare tra quello che c'è

250
00:14:14,680 --> 00:14:18,720
in internet, qualcosa che noi possiamo legalmente utilizzare e che comunque sia

251
00:14:19,040 --> 00:14:22,240
di qualità e certificato, prendiamo cento volte tanto.

252
00:14:22,240 --> 00:14:26,960
Vabbè, così in tutto questo marasma, la cacca, diciamo che un pochettino

253
00:14:26,960 --> 00:14:29,280
si diluisce, però la cacca è sempre lì.

254
00:14:29,920 --> 00:14:32,400
Quando c'è il machine learning, la cacca è sempre lì, vuol dire

255
00:14:32,400 --> 00:14:36,080
che prima o poi, in qualche modo salta fuori, va a passatemi

256
00:14:36,080 --> 00:14:41,520
il termine, sputtanare, la confidenza che puoi dare nel risultato di una

257
00:14:41,520 --> 00:14:42,080
risposta.

258
00:14:42,080 --> 00:14:45,680
Non è tanto se fai la ricerca che ha Alessandro Manzoni, magari

259
00:14:45,680 --> 00:14:49,840
ti dice che è un esponente del Partito Democratico Americano, non è

260
00:14:49,840 --> 00:14:54,080
proprio quello: è che magari su delle cose in cui è un

261
00:14:54,080 --> 00:15:00,640
pochettino più sottile, ti ritrovi delle micro informazioni sbagliate che potrebbero causare

262
00:15:00,640 --> 00:15:05,040
una serie di catene di decisioni sbagliate che potrebbero portare a dei

263
00:15:05,040 --> 00:15:09,840
risultati se non catastrofici, molto grossonalamente errati.

264
00:15:09,840 --> 00:15:14,720
Ho cercato di essere più politically correct possibile, sei stato bravissimo.

265
00:15:14,720 --> 00:15:18,400
Io una segnalazione, una precisazione forse.

266
00:15:18,400 --> 00:15:23,600
Perché ovviamente tu tratti della materia perché la conosci, poi non l'abbiamo

267
00:15:23,600 --> 00:15:29,120
detto, ma adesso ti stai occupando, e dopo lo approfondiremo meglio, anche

268
00:15:29,120 --> 00:15:34,080
di sviluppare varie applicazioni che si basano su machine learning e su

269
00:15:34,320 --> 00:15:36,000
tecnologie simili.

270
00:15:36,080 --> 00:15:41,520
Due osservazioni che volevo fare, diciamo per chi è meno addentro alla

271
00:15:41,520 --> 00:15:42,640
vicenda.

272
00:15:42,880 --> 00:15:48,240
In parte, appunto, il cosiddetto training, cioè insegnare a fare le cose,

273
00:15:48,240 --> 00:15:53,600
tra virgolette, a queste intelligenze artificiali, è molto basato anche sulla statistica,

274
00:15:53,600 --> 00:16:01,160
quindi sul riconoscimento, sostanzialmente in una grossa mole di dati, di modelli

275
00:16:01,560 --> 00:16:07,000
che siano appunto rappresentativi di un'immagine, di un oggetto, o anche del

276
00:16:07,160 --> 00:16:09,000
testo, sostanzialmente.

277
00:16:09,000 --> 00:16:13,240
L'altra cosa su cui poi ti chiedevo, appunto, di fare il famoso

278
00:16:13,240 --> 00:16:17,960
approfondimento, un po' anche il motivo per cui ti abbiamo chiamato qui

279
00:16:18,120 --> 00:16:23,160
la volta scorsa con Lucio si discuteva del fatto che, appunto, ricollegandomi

280
00:16:23,160 --> 00:16:27,880
anche quello che hai detto tu poco fa, Apple, da una parte

281
00:16:28,200 --> 00:16:34,520
sembrerebbe ferma, nel senso che non sta facendo annunci mega galattici di

282
00:16:34,520 --> 00:16:37,000
intelligenza artificiale o altre cose.

283
00:16:37,000 --> 00:16:44,120
Ma dietro dietro, effettivamente ci sono degli strumenti sviluppati, ormai anche da

284
00:16:44,120 --> 00:16:47,400
tempo, perché Apple non è stata qui a guardare

285
00:16:48,520 --> 00:16:56,040
, Apple ha approcciato l'idea del machine learning e della gestione, diciamo, delle

286
00:16:56,040 --> 00:17:00,200
varie branche sia da una parte creando hardware apposta.

287
00:17:00,200 --> 00:17:04,520
Quindi ormai tutti i dispositivi Apple moderni, chiamiamoli così, hanno comunque una

288
00:17:04,520 --> 00:17:07,560
parte di processori che è dedicata esclusivamente a quello.

289
00:17:07,560 --> 00:17:13,000
Dall'altra ha creato una base per gli sviluppatori, e su questo poi

290
00:17:13,640 --> 00:17:16,920
voglio le tue opinioni, i tuoi approfondimenti.

291
00:17:16,920 --> 00:17:22,600
E dall'altro sta iniziando a sviluppare dei prodotti che, chiamiamoli così, non

292
00:17:22,600 --> 00:17:27,720
sono pubblicizzati, diciamo troppo come machine learning, ma per esempio live text,

293
00:17:28,040 --> 00:17:35,000
il riconoscimento della musica quando l'ascolti, oppure l'iPhone che ti permette di

294
00:17:35,640 --> 00:17:41,560
attivare dei comandi rapidi se senti un particolare suono, sono tutte, anche

295
00:17:41,560 --> 00:17:47,680
se forse meno eclatanti come chat GPT, ma sono tutte applicazioni basate

296
00:17:47,840 --> 00:17:48,960
sul machine learning.

297
00:17:44,920 --> 00:17:51,120
Allora, Apple fa questa cosa interessante.

298
00:17:51,760 --> 00:17:54,320
Ci sono le tecnologie e poi ci sono i prodotti.

299
00:17:54,320 --> 00:18:00,640
La stessa tecnologia, una tecnologia relativamente semplice, se ben stradata, può andare

300
00:18:00,640 --> 00:18:02,560
a creare un prodotto molto interessante.

301
00:18:03,120 --> 00:18:04,080
Pensiamo a live text.

302
00:18:04,080 --> 00:18:05,200
Come funziona live text?

303
00:18:05,200 --> 00:18:10,480
Live text utilizza modelli di machine learning per il riconoscimento dei caratteri.

304
00:18:10,480 --> 00:18:12,080
Come sono fatti questi modelli?

305
00:18:12,080 --> 00:18:13,440
Sono fatti in vari modi.

306
00:18:13,440 --> 00:18:14,480
Io ho la sensazione.

307
00:18:14,800 --> 00:18:19,200
Apple non fa mistero del fatto che su molte delle proprie tecnologie

308
00:18:19,360 --> 00:18:22,720
fa uso di cose che sono open source, cioè sviluppate anche da

309
00:18:22,720 --> 00:18:25,680
altri e che li mette a disposizione in maniera più o meno

310
00:18:25,680 --> 00:18:26,560
semplificata.

311
00:18:26,560 --> 00:18:29,840
Questo significa due cose: che traducono tutti i vari modelli in modo

312
00:18:29,840 --> 00:18:35,520
tale che possono essere macinati attraverso le loro tecnologie, per cui attraverso

313
00:18:35,520 --> 00:18:36,720
i loro processori.

314
00:18:36,720 --> 00:18:41,920
Apple dice: il 25% dei transistor che sono in questo processore sono

315
00:18:41,920 --> 00:18:44,560
dedicati esclusivamente al machine learning.

316
00:18:44,560 --> 00:18:49,120
Ma non solo, se utilizzate le nostre librerie, ha bisogno vengono utilizzate

317
00:18:49,120 --> 00:18:50,640
tutte le CPU e tutte le GPU.

318
00:18:50,800 --> 00:18:54,960
Vuol dire che praticamente il 90% del processore può essere utilizzato per

319
00:18:54,960 --> 00:18:56,880
fare robe di intelligenza artificiale.

320
00:18:56,880 --> 00:18:57,760
Fighissimo.

321
00:18:58,000 --> 00:19:01,600
La cosa bella di live text è che c'è questa tecnologia alla

322
00:19:01,600 --> 00:19:04,000
base che ti dice dove stanno i caratteri.

323
00:19:04,000 --> 00:19:08,560
E poi c'è tutta comunque una componente algoritmica che va a cercare

324
00:19:08,560 --> 00:19:12,320
di capire come sono raggruppati, che senso hanno, se possono essere una

325
00:19:12,320 --> 00:19:15,760
sorta di testo, se ci sono alcuni caratteri che sono o è

326
00:19:15,760 --> 00:19:16,560
questo o quest'altro.

327
00:19:16,880 --> 00:19:21,440
Allora facciamo un'indagine statistica su quale potrebbe essere la parola più più

328
00:19:21,440 --> 00:19:23,120
sensata che stia lì in mezzo.

329
00:19:23,120 --> 00:19:27,680
E infine raggruppati in una struttura che ti consente di evidenziare questo

330
00:19:27,680 --> 00:19:31,080
come se fosse un campo di testo, e di conseguenza con una

331
00:19:29,920 --> 00:19:33,080
componente di interfaccia utente interattiva.

332
00:19:33,240 --> 00:19:38,200
Ecco, la tecnologia sottostante è quella del riconoscimento del testo nelle immagini,

333
00:19:38,200 --> 00:19:41,160
che magari non è neanche sviluppata da loro, ma loro l'hanno tradotta

334
00:19:41,160 --> 00:19:42,600
in modo tale che sia efficace.

335
00:19:42,600 --> 00:19:45,480
Che sia efficace vuol dire che magari alla stessa velocità, ma consuma

336
00:19:45,480 --> 00:19:49,080
un decimo della batteria, perché provate a lanciare un modello di machine

337
00:19:49,080 --> 00:19:54,680
learning non compilato per CoreML, gli M1 vanno quasi in terminal trottling,

338
00:19:54,840 --> 00:19:56,360
li sentite che proprio scaldano.

339
00:19:56,360 --> 00:19:59,320
Se invece utilizzate la loro tecnologia, non scalda un cavolo.

340
00:19:59,320 --> 00:20:02,680
Cioè, quel processore è pensato effettivamente per essere efficiente dal punto di

341
00:20:02,680 --> 00:20:03,720
vista energetico.

342
00:20:03,720 --> 00:20:05,960
Per cui c'è tutta questa cosa qui, le cose che mette a

343
00:20:05,960 --> 00:20:09,240
disposizione Apple sono molto poche, rare fatte.

344
00:20:09,240 --> 00:20:13,240
C'è stato un grande rallentamento nelle app, nelle API, negli ultimi tre

345
00:20:13,240 --> 00:20:13,480
anni.

346
00:20:13,480 --> 00:20:17,160
Che io davo per, inizialmente pensavo che fosse colpa della pandemia, poi

347
00:20:17,560 --> 00:20:20,280
effettivamente, visto come stanno correndo gli altri, mi sono chiesto: non è

348
00:20:20,280 --> 00:20:23,320
che c'è qualche sorta di cambio di direzione, un timone differente, però

349
00:20:23,400 --> 00:20:26,520
sono rimasto lì a guardare da sviluppatore.

350
00:20:26,520 --> 00:20:29,400
Però confezionato con un bellissimo sistema.

351
00:20:29,400 --> 00:20:31,720
Stesso ditosi per riconoscimento dei suoni.

352
00:20:32,040 --> 00:20:38,520
C'è tantissima accademia libera per essere utilizzata per l'identificazione dei suoni.

353
00:20:38,520 --> 00:20:43,480
Spoiler alert: l'identificazione dei suoni e la classificazione delle immagini sono la

354
00:20:43,480 --> 00:20:46,680
stessa identica cosa, solo che i suoni vengono prima tradotti in immagini

355
00:20:46,840 --> 00:20:48,840
per poi essere classificati.

356
00:20:48,840 --> 00:20:52,280
È più complicato di così, ma la filosofia di fondo è questa.

357
00:20:52,280 --> 00:20:53,960
Chiusa parentesi, Apple cosa ci fa?

358
00:20:53,960 --> 00:20:59,480
Ci costruisce un sistema molto molto pratico e pragmatico che consente di

359
00:20:59,480 --> 00:21:04,360
fare il triggering, appunto, di ascoltare e facendo uso di sistemi che

360
00:21:04,360 --> 00:21:08,680
vengono tradotti per i loro processori, fare delle cose che lavorano in

361
00:21:08,680 --> 00:21:13,640
continuazione senza comunque essere gravanti dal punto di vista del consumo energetico.

362
00:21:13,640 --> 00:21:16,560
Consumo energetico non è soltanto mi ciucia via la batteria, ma anche

363
00:21:16,560 --> 00:21:20,560
mi impedisce di fondere il cellulare se sono se sono fuori a

364
00:21:20,560 --> 00:21:24,960
20 gradi e non sotto zero, è questa è la cosa su

365
00:21:24,960 --> 00:21:26,160
cui stanno lavorando.

366
00:21:26,160 --> 00:21:29,120
Questo dal punto di vista di quello che mettono a disposizione dell'utente.

367
00:21:29,120 --> 00:21:32,640
Per lo sviluppatore, il discorso è un po' più complicato e anche

368
00:21:32,640 --> 00:21:34,960
un pochettino più nebuloso per quanto mi riguarda.

369
00:21:34,960 --> 00:21:36,640
Ma se vuoi ne parliamo dopo.

370
00:21:36,640 --> 00:21:41,600
Sì, sì, molto volentieri, anche perché qui lo dico, qui lo negoci

371
00:21:41,600 --> 00:21:48,560
con le mie invece decisamente scarse capacità di programmazione, sono abbastanza interessato

372
00:21:49,360 --> 00:21:54,240
dal linguaggio naturale di Apple e da cosa si può potenzialmente fare

373
00:21:54,800 --> 00:21:55,840
sul dispositivo.

374
00:21:55,840 --> 00:21:59,440
Ecco, una cosa che non l'abbiamo detto, e che forse è da

375
00:21:59,440 --> 00:22:06,080
considerare anche come approccio diverso rispetto, casomai, ai notici a GPT e

376
00:22:06,080 --> 00:22:07,120
compagnia Bella.

377
00:22:07,280 --> 00:22:13,840
Tutti questi sistemi di chiamiamo così intelligenze artificiali lavorano su computer che

378
00:22:13,840 --> 00:22:18,960
sono lontani, sui server, presumibilmente in America e in altri posti, e

379
00:22:18,960 --> 00:22:23,600
dove tutto quello che noi digitiamo diciamo davanti al computer o che

380
00:22:23,760 --> 00:22:27,920
gli chiediamo di fare viene fatta da sistemi enormi e così via.

381
00:22:28,400 --> 00:22:32,320
L'approccio interessante di Apple è che spesso e volentieri tutto quello che

382
00:22:32,320 --> 00:22:37,520
vediamo fare di machine lear da Apple è direttamente sul dispositivo, quindi

383
00:22:37,520 --> 00:22:44,240
anche una filosofia per certi versi opposta a quanto le chiamiamole così

384
00:22:44,400 --> 00:22:49,040
tecnologie più blasonate o comunque più chiacchierate del periodo, stanno facendo.

385
00:22:49,040 --> 00:22:54,560
Quindi sicuramente un approccio antitetico, chiamiamolo in questi termini, a quello che

386
00:22:55,040 --> 00:22:59,480
ad oggi è il maggioritario, sì, in alcuni casi questa è una

387
00:22:58,960 --> 00:23:00,040
cosa, questa

388
00:22:59,200 --> 00:23:00,520
cosa è una cosa

389
00:22:59,680 --> 00:23:01,240
bella.

390
00:23:01,400 --> 00:23:06,440
Il fatto che il processo rimanga sul device, rende tutto eticamente e

391
00:23:06,440 --> 00:23:11,240
legalmente più sicuro e più confinato, ma è anche più controllabile dallo

392
00:23:11,240 --> 00:23:14,760
sviluppatore e meno controllabile da chi offre il servizio.

393
00:23:14,760 --> 00:23:17,800
Perché è ovvio che se tu ti do un'automobile e te la

394
00:23:17,800 --> 00:23:19,000
guidi, non guadagno più.

395
00:23:19,000 --> 00:23:21,400
Se invece io ogni volta che tu ti metti in auto mi

396
00:23:21,400 --> 00:23:24,440
devi pagare il biglietto come se fosse un tram, allora io guadagno

397
00:23:24,440 --> 00:23:27,400
continuamente, per cui è ovvio che l'industria si stia spostando lì.

398
00:23:27,480 --> 00:23:31,160
Poi siamo tutti incazzati, ma è difficile riuscire a fare qualcosa in

399
00:23:31,160 --> 00:23:31,960
questo momento.

400
00:23:31,960 --> 00:23:35,720
Ci sono alcuni ambiti in cui questa cosa è molto difficile da

401
00:23:35,720 --> 00:23:39,320
fare, perché i modelli sono talmente grandi che non possono stare su

402
00:23:39,320 --> 00:23:39,880
un device.

403
00:23:40,040 --> 00:23:45,480
Il large language model di ChatGPT è una roba che ha 167

404
00:23:45,480 --> 00:23:47,000
miliardi di parametri.

405
00:23:47,000 --> 00:23:48,440
È enorme, è infinito.

406
00:23:48,440 --> 00:23:50,200
Ci sono delle cose simili.

407
00:23:50,200 --> 00:23:53,960
Sì, ne ha parlato appunto Lucio l'altra volta parlando di Alpaca, che

408
00:23:53,960 --> 00:23:57,320
è figlio di Lama, che è una cosa sviluppata da Facebook, che

409
00:23:57,320 --> 00:24:00,520
poi è stata fatta trapelare in qualche modo, oppure oppure è stata

410
00:24:00,760 --> 00:24:03,400
trapelata, di conseguenza l'ha resa open source.

411
00:24:03,400 --> 00:24:08,120
Ecco, l'ama ha un modello che è grande suo 4 o 5

412
00:24:08,120 --> 00:24:12,280
GB, capisci che su un device da 64 GB comincia ad essere

413
00:24:12,520 --> 00:24:15,400
un lavoro importante ed è un modello molto piccolo.

414
00:24:15,400 --> 00:24:20,280
La cosa buona degli alpaca del caso è che possono essere allenati

415
00:24:21,160 --> 00:24:26,040
con delle basi di dati molto più raffinate, per cui magari non

416
00:24:26,040 --> 00:24:30,040
c'è bisogno di un modello tanto complicato se il dataset è più

417
00:24:30,200 --> 00:24:34,760
corretto, cioè, se invece dai impasto alla merda, cioè gli si dà

418
00:24:34,760 --> 00:24:39,080
in pasto qualcosa di buono, allora non c'è bisogno di un modello

419
00:24:39,080 --> 00:24:40,840
altrettanto complesso.

420
00:24:40,840 --> 00:24:45,360
Altro esempio: Whisper, che è il modello open source di OpenAI per

421
00:24:45,600 --> 00:24:49,680
la trascrizione del testo, su cui si sta lavorando tantissimo, che è,

422
00:24:49,680 --> 00:24:52,880
secondo me, una delle cose più avanzate che ci sia in giro.

423
00:24:52,880 --> 00:24:56,000
Ben più avanzata della roba che fa Google quando mette i sottotitoli

424
00:24:56,000 --> 00:24:57,040
in automatico a YouTube.

425
00:24:57,040 --> 00:24:58,960
Ecco, questo modello è grosso 3 GB

426
00:25:00,000 --> 00:25:00,160
.

427
00:25:00,160 --> 00:25:03,280
E sono 3 GB erotti, cioè, che sono tanti sul modello per

428
00:25:03,280 --> 00:25:04,800
fare l'elaborazione in locale.

429
00:25:04,800 --> 00:25:06,640
Ovvio che poi può essere ottimizzato.

430
00:25:06,640 --> 00:25:09,760
Ovvio che poi un modello del genere ha dentro tanta fuffa e

431
00:25:09,840 --> 00:25:14,320
lì la fuffa la vedi, cioè fisicamente se tu fai esplodere un

432
00:25:14,320 --> 00:25:16,080
bicchiere, cosa c'è?

433
00:25:16,080 --> 00:25:16,720
È una.

434
00:25:17,680 --> 00:25:19,040
La trascrizione di questo.

435
00:25:19,040 --> 00:25:21,680
La maggior parte dei modelli ti dice: è un effetto sonoro, è

436
00:25:21,680 --> 00:25:22,800
musica o non è niente.

437
00:25:22,800 --> 00:25:28,400
Whisper ti dice sottotitoli generati da tot, il che significa essenzialmente che

438
00:25:28,400 --> 00:25:32,560
questi qui di Open AI, ma proprio candidamente, hanno preso tonnellate di

439
00:25:32,560 --> 00:25:38,000
telefilm scaricati più o meno legalmente, ci hanno messo dentro i sottotitoli

440
00:25:38,000 --> 00:25:41,520
che erano stati generati dalla gente per vedere i film sottotitolati quando

441
00:25:41,520 --> 00:25:45,280
c'è ancora, si scaricavano dal torrent e gli hanno buttati in pasto.

442
00:25:45,280 --> 00:25:48,160
E di conseguenza, quando c'erano gli effetti sonori finali, tipo la musica

443
00:25:48,160 --> 00:25:53,600
finale, sottotitoli creati da X e allora trovate piene di queste stringhe

444
00:25:53,840 --> 00:25:54,880
spurie dentro.

445
00:25:54,880 --> 00:25:57,280
Vuol dire che se c'è questa roba, c'è in un modello da

446
00:25:57,280 --> 00:26:01,680
3 GB open source, non so pensare cosa ci sia dentro le

447
00:26:01,680 --> 00:26:03,520
cose che noi non possiamo vedere.

448
00:26:03,520 --> 00:26:06,720
Per cui il bilanciamento è quello sul device è fighissimo.

449
00:26:06,720 --> 00:26:08,480
A oggi alcune cose non si possono fare.

450
00:26:08,480 --> 00:26:12,320
Se ti scarichi stable diffusion per fare la generazione di immagini che

451
00:26:12,320 --> 00:26:16,800
non sono allo stato dell'arte, come potrebbe essere Midjourney, ti scarichi decine

452
00:26:16,800 --> 00:26:18,320
di GB di modelli.

453
00:26:18,320 --> 00:26:21,680
E a questo punto è praticamente impossibile fare una roba del genere

454
00:26:21,680 --> 00:26:22,640
su un device.

455
00:26:22,640 --> 00:26:25,840
Almeno su questa classe di device in cui il taglio minore è

456
00:26:26,240 --> 00:26:27,920
64 GB per dire.

457
00:26:27,920 --> 00:26:30,840
Avesti bisogno di un sistema operativo di 50 GB, allora non ti

458
00:26:30,840 --> 00:26:32,040
rimane più niente attaccato.

459
00:26:32,040 --> 00:26:35,160
Per cui ci sono alcune applicazioni per cui a oggi questa cosa

460
00:26:29,920 --> 00:26:35,880
non si può fare.

461
00:26:36,120 --> 00:26:38,760
Però, per il resto, sì, il fatto di avere tutto un device

462
00:26:39,000 --> 00:26:43,160
è comodo e bisogna essere sinceri, Apple, quando fa le cose per

463
00:26:43,160 --> 00:26:47,560
i propri device, per i propri sistemi, le ottimizza molto molto molto

464
00:26:47,560 --> 00:26:48,120
bene.

465
00:26:48,120 --> 00:26:53,240
Per cui sono delle cose facilmente innestabili in un sistema del genere,

466
00:26:53,240 --> 00:26:54,520
senza pesare troppo sull'utente.

467
00:26:54,520 --> 00:26:57,640
Ti faccio una domanda solo per capire se ho capito correttamente.

468
00:26:57,640 --> 00:27:03,400
Con CoreML e Create ML, che sono, diciamo, le due librerie che

469
00:27:03,400 --> 00:27:08,520
ha sviluppato Apple per gli sviluppatori, diciamo che c'è la possibilità di

470
00:27:08,520 --> 00:27:12,760
creare micro modelli che a questo punto sono molto meno pesanti.

471
00:27:12,760 --> 00:27:18,440
Cioè, sul modello, chiamiamolo così, generale che è stato già istruito da

472
00:27:18,440 --> 00:27:19,000
Apple.

473
00:27:19,000 --> 00:27:23,720
Quindi, comunque ha già una base, non so, del riconoscimento delle foto

474
00:27:23,800 --> 00:27:26,360
piuttosto che del riconoscimento del testo e così via.

475
00:27:26,360 --> 00:27:30,520
Tu puoi andare, tu, sviluppatore, chiamiamolo in questi termini, puoi andare a

476
00:27:30,520 --> 00:27:34,360
fargli l'allenamento fine, che, almeno dal mio punto di vista, è la

477
00:27:34,360 --> 00:27:37,800
cosa più interessante di queste tecnologie, perché è ovvio che se da

478
00:27:37,800 --> 00:27:41,160
un certo punto di vista, chat GPT piuttosto che tutti gli altri

479
00:27:41,240 --> 00:27:47,320
vari modelli, sono generalisti e comunque io non li potrei utilizzare per

480
00:27:47,320 --> 00:27:48,280
mille motivi.

481
00:27:48,280 --> 00:27:52,520
Un modello, diciamo, che io posso andare a raffinare con le mie

482
00:27:52,520 --> 00:27:54,840
cose specifiche della mia attività, per esempio.

483
00:27:54,840 --> 00:27:59,640
Potenzialmente mi rimane in mano, nel senso che, avendo le capacità, ho

484
00:27:59,640 --> 00:28:04,200
dato io in pasto i dati che ritengo opportuni e giusti a

485
00:28:04,200 --> 00:28:08,280
questo modello ulteriore di raffinato.

486
00:28:08,280 --> 00:28:12,600
Lì, secondo me, c'è anche quell'aspetto di Apple che è da una

487
00:28:12,600 --> 00:28:14,840
parte innovativo, e dall'altro

488
00:28:16,160 --> 00:28:19,680
crea anche delle soluzioni che sono, almeno dal mio punto di vista,

489
00:28:14,840 --> 00:28:20,160
interessanti.

490
00:28:20,240 --> 00:28:24,560
Nel senso che se io dassi in pasto, non so, 100.000 contratti

491
00:28:24,880 --> 00:28:28,720
a chat GPT o chi per esso voglio dire: sì, è vero,

492
00:28:28,720 --> 00:28:34,960
casomai diventa uno strumento dove dico: creami il contratto d'affitto con Tizio

493
00:28:35,040 --> 00:28:40,000
Caio, piuttosto che creami lo sfratto tizio contro Caio.

494
00:28:40,000 --> 00:28:43,600
Ma di fatto, io ho dato in mano a ChatGPT o meglio

495
00:28:43,680 --> 00:28:48,000
Open High, tutti questi dati e loro a loro volta potrebbero creare

496
00:28:48,000 --> 00:28:50,080
la stessa cosa con i dati che gli ho dato io, e

497
00:28:50,080 --> 00:28:54,320
quindi ovviamente diventarmi un concorrente sleale, mettiamoli in questi termini.

498
00:28:54,320 --> 00:28:57,920
Sì, anche perché credo che sia la cosa meno GDPR compliant nel

499
00:28:57,920 --> 00:28:58,400
mondo.

500
00:28:58,400 --> 00:29:03,680
Vabbè, a prescina da tutto il resto, che ovviamente non sarebbe minimamente

501
00:29:03,680 --> 00:29:06,000
fattibile, mettiamoli in questi termini.

502
00:29:06,000 --> 00:29:10,880
Allora, sì, quello di cui parli viene chiamato da Apple Transfer Learning,

503
00:29:10,880 --> 00:29:16,160
mette a disposizione degli sviluppatori attraverso Create ML, che è un programma

504
00:29:16,160 --> 00:29:20,720
molto semplice, facilissimo da usare, che ti consente di specificare set di

505
00:29:20,720 --> 00:29:24,800
dati per fare il training per alcune classi di applicazioni.

506
00:29:24,800 --> 00:29:27,840
Nella fattispecie classificazione delle immagini.

507
00:29:27,840 --> 00:29:32,160
Il riconoscimento di oggetti all'interno delle immagini, la classificazione dei suoni e

508
00:29:32,160 --> 00:29:33,280
altre cose del genere.

509
00:29:33,280 --> 00:29:36,480
Però devo dirti la verità: la parte più interessante, quella dei testi,

510
00:29:36,480 --> 00:29:40,080
è quella su cui non ho ancora lavorato perché ho il terrore

511
00:29:40,080 --> 00:29:41,600
che sia molto byassato.

512
00:29:41,600 --> 00:29:43,520
Passatemi il termine, sull'inglese.

513
00:29:43,520 --> 00:29:46,240
Però devo essere sincero, che è una cosa che a me interessa.

514
00:29:46,800 --> 00:29:48,400
Non ci ho ancora sbattuto la testa.

515
00:29:48,400 --> 00:29:53,120
Allora, io ho giocato pochissimo e con le mie scarse capacità, tendo

516
00:29:53,120 --> 00:29:55,520
a precisare, quindi non voglio sembrare.

517
00:29:55,520 --> 00:29:58,880
Devo dirti la verità: io l'ho provato ovviamente con l'italiano.

518
00:29:58,880 --> 00:30:02,600
Ho fatto qualche test perché apro e chiudo una piccolissima parentesi.

519
00:30:02,760 --> 00:30:07,240
Sostanzialmente, lo sviluppatore che ha creato Toolbox Pro, che non c'è più,

520
00:30:07,240 --> 00:30:09,560
tra l'altro, perché ci ha lasciato recentemente.

521
00:30:09,560 --> 00:30:14,440
Però, tra le varie cose, Toolbox Pro è un'applicazione sostanzialmente che dà

522
00:30:14,440 --> 00:30:18,840
azioni a comandi rapidi, è per questo che ovviamente ci ho giocato

523
00:30:18,840 --> 00:30:20,680
e ho approfondito la vicenda.

524
00:30:20,680 --> 00:30:24,920
E la cosa interessante è che tra le varie azioni che donava

525
00:30:24,920 --> 00:30:30,360
a comandi rapidi, c'era quello appunto di riconoscere sostanzialmente i nomi delle

526
00:30:30,360 --> 00:30:34,600
persone, i nomi dei luoghi, i nomi delle società e quindi estrapolare

527
00:30:34,600 --> 00:30:36,520
in un testo i dati.

528
00:30:36,520 --> 00:30:39,720
Dal mio punto di vista era interessante perché, appunto, io gli davo

529
00:30:39,720 --> 00:30:43,880
in pasto il contratto di locazione, mi estrapolava i dati delle parti,

530
00:30:43,880 --> 00:30:47,720
e a questo punto io potevo potenzialmente utilizzare questi dati delle parti,

531
00:30:47,720 --> 00:30:52,200
per esempio, per fare lo sfratto, cioè quindi riciclando i dati senza

532
00:30:52,200 --> 00:30:57,640
dover metterli io a manina bella nell'atto di sfratto, e devo dirti

533
00:30:57,800 --> 00:31:03,320
la verità, ovviamente senza nessun tipo di personalizzazione, non so come spiegarlo,

534
00:31:03,320 --> 00:31:09,000
ma il risultato non era perfetto, ovviamente, perché ogni tanto prendeva fischi

535
00:31:09,000 --> 00:31:09,720
per fiaschi.

536
00:31:09,720 --> 00:31:10,680
Non so se mi spiego.

537
00:31:10,680 --> 00:31:15,960
Tuttavia, per essere un modello che amavamo grezzo, presumibilmente istruito più che

538
00:31:15,960 --> 00:31:19,160
altro sul testo inglese che sul testo in italiano.

539
00:31:19,160 --> 00:31:22,840
I risultati non erano affatto male, e tant'è vero che poi questo

540
00:31:23,000 --> 00:31:26,920
mi ha dato il la, diciamo, per fare gli approfondimenti e i

541
00:31:26,920 --> 00:31:27,880
ragionamenti.

542
00:31:28,760 --> 00:31:34,840
Ti ho anche chiesto qualcosa proprio perché ho qualche test basilare, l'ho

543
00:31:34,840 --> 00:31:38,920
fatto, ma ovviamente allo stato attuale non ho le capacità per fare

544
00:31:38,920 --> 00:31:41,480
cose clamorose, committamole in questi termini.

545
00:31:41,880 --> 00:31:46,320
Mi ricordo perfettamente, ed era anche, però, fuori dalla mia ambita di

546
00:31:46,320 --> 00:31:49,680
competenza, non che non sia interessato, anzi, mi interessa tantissimo, perché quello

547
00:31:49,680 --> 00:31:52,320
su cui sto lavorando in questi giorni è proprio l'analisi del testo

548
00:31:52,320 --> 00:31:54,800
per fare riassunti dei contenuti.

549
00:31:54,800 --> 00:31:59,760
Però su questo esempio in particolare non ci ho lavorato.

550
00:31:59,760 --> 00:32:03,440
Tornando alla domanda di prima, il transfer learning praticamente prevede che ci

551
00:32:03,440 --> 00:32:04,400
siano dei modelli.

552
00:32:04,400 --> 00:32:07,440
Allora, anche lì la questione dei modelli, nel senso, fare l'analisi di

553
00:32:07,440 --> 00:32:10,400
un'immagine per capire che cosa c'è dentro un'immagine, è una cosa molto

554
00:32:10,400 --> 00:32:11,200
complicata.

555
00:32:11,200 --> 00:32:14,400
E la struttura che si viene a creare, cioè, nel senso, non

556
00:32:14,400 --> 00:32:17,760
è una cosa molto semplice che dice prendiamo i pixel e vediamo

557
00:32:17,760 --> 00:32:18,400
cosa c'è dentro.

558
00:32:18,400 --> 00:32:22,720
L'idea è quella di prendere un'immagine, scomporla, trasformarla in vari modi, in

559
00:32:22,720 --> 00:32:27,040
tante immagini, sotto una quarantina, ognuno ha fatto con un filtro diverso,

560
00:32:27,040 --> 00:32:29,680
come se usassimo dei filtri di Instagram per dire, ma molto più

561
00:32:29,680 --> 00:32:30,160
potenti.

562
00:32:30,160 --> 00:32:33,760
E ognuno di questi è passarla attraverso una serie di tantissimi filtri

563
00:32:34,000 --> 00:32:37,840
che poi vanno più o meno a dare una sorta di classificazione.

564
00:32:37,840 --> 00:32:40,560
Ecco, la costruzione di questo modello molto complicato.

565
00:32:40,560 --> 00:32:44,800
Se vedete i diagrammi sono delle cose con decine, se non centinaia

566
00:32:44,800 --> 00:32:47,600
di step intermedi, che uno ti fa dire: tutta sta roba qua

567
00:32:47,600 --> 00:32:49,440
avviene in tempo reale su un processore di oggi.

568
00:32:49,440 --> 00:32:51,280
Sì, dici, mamma mia, quanto sono forti!

569
00:32:51,280 --> 00:32:54,080
La generazione del modello è la cosa più complicata.

570
00:32:54,080 --> 00:32:58,960
Una volta fatto questo, che questa struttura con questi blocchi è definita,

571
00:32:59,200 --> 00:33:01,840
aggiungerci delle informazioni molto semplice.

572
00:33:01,840 --> 00:33:05,600
Infatti, fare la classificazione di immagini ulteriore è una cosa che prende

573
00:33:05,600 --> 00:33:06,480
poche immagini.

574
00:33:06,480 --> 00:33:09,600
Apple dice potete usarne anche 10 per ogni singola classe, se non

575
00:33:09,760 --> 00:33:10,880
60 50 è meglio.

576
00:33:10,880 --> 00:33:14,320
E i modelli che vengono creati occupano qualche K, qualche decina di

577
00:33:14,320 --> 00:33:19,280
K e non tantissimo, perché appunto il grosso del noccio lo sta

578
00:33:19,280 --> 00:33:20,480
nel modello originale.

579
00:33:20,480 --> 00:33:23,760
Questa è una cosa molto comoda per le applicazioni, anche proprio per

580
00:33:23,760 --> 00:33:27,760
sviluppare delle applicazioni molto leggere che possono essere utilizzate.

581
00:33:27,760 --> 00:33:32,760
Non soltanto utilizzate velocemente e scaricate velocemente, ma anche perché pesino relativamente

582
00:33:32,760 --> 00:33:35,640
poco sul peso della computazione.

583
00:33:35,800 --> 00:33:39,480
Per quanto concerner il linguaggio, devo essere sincero, mi vuole essere non

584
00:33:39,480 --> 00:33:42,760
costruttivo, non assertivo, ma è una di quelle cose su cui studierò

585
00:33:42,760 --> 00:33:43,720
da qui in avanti.

586
00:33:43,720 --> 00:33:47,400
Mi sono concentrato fino adesso sull'audiovideo perché era quello che mi interessava

587
00:33:47,400 --> 00:33:48,040
di più.

588
00:33:48,920 --> 00:33:52,120
In questo periodo devo essere sincero, sono tornato a essere interessato più

589
00:33:52,120 --> 00:33:54,920
al testo perché ho visto che ci sono un sacco di cose

590
00:33:54,920 --> 00:33:55,800
interessanti da fare.

591
00:33:56,040 --> 00:34:01,240
Però sto rivolgendo a servizi che sono terzi e non proprio nativi

592
00:34:01,240 --> 00:34:04,280
ad Apple, perché o la qualità di quelli di Apple non regge

593
00:34:04,280 --> 00:34:09,000
il confronto con altre aziende, oppure Apple proprio non mette a disposizione

594
00:34:09,160 --> 00:34:12,760
delle API fattibili o utilizzabili.

595
00:34:13,000 --> 00:34:17,240
Se posso chiedere, perché noi abbiamo visto ovviamente in anteprima alcune cose,

596
00:34:17,240 --> 00:34:22,520
ma se ovviamente hai voglia di raccontarci cosa stai facendo, e anche

597
00:34:22,760 --> 00:34:27,560
perché spesso e volentieri secondo me, a parte appunto il fatto che

598
00:34:28,360 --> 00:34:35,960
chat GPT o le immagini quasi realistiche realizzate dai vari software per

599
00:34:36,600 --> 00:34:43,400
dipingere digitando del testo, quali sono poi anche potenzialmente le applicazioni pratiche

600
00:34:43,400 --> 00:34:45,800
o comunque quelle su cui tu stai

601
00:34:46,840 --> 00:34:49,000
sperimentando, giocando e così via.

602
00:34:49,000 --> 00:34:55,240
Proprio per avere un'idea anche concreta di dove questi strumenti possono fare

603
00:34:55,240 --> 00:34:56,280
anche la differenza.

604
00:34:56,280 --> 00:35:02,280
Perché secondo me, alla fine continua a ripetere, sì, bello bello chatGPT

605
00:35:02,280 --> 00:35:03,480
e tutti i suoi emoli.

606
00:35:03,560 --> 00:35:07,640
Non so, io ho visto VTC che adesso ha creato questo sistema

607
00:35:07,960 --> 00:35:13,320
per fare partire una shortcut che poi dialoga con ChatGPT e che

608
00:35:13,320 --> 00:35:18,160
ti risponde con la voce di Siri: bellissimo, in parte utile, però

609
00:35:14,840 --> 00:35:22,000
alla fine è il solito discorso come della domotica comodissimo.

610
00:35:22,080 --> 00:35:25,920
Che io dico una frase e mi si spegne alla luce in

611
00:35:25,920 --> 00:35:27,760
ufficio, ma non è essenziale.

612
00:35:27,760 --> 00:35:29,840
Non so se mi spiego come cosa.

613
00:35:29,840 --> 00:35:32,320
Cioè, non è che mi ha cambiato la vita dal giorno alla

614
00:35:32,320 --> 00:35:37,280
notte, non so, è più uno spizio per un nerd tecnologico.

615
00:35:37,520 --> 00:35:39,200
Sì, sì, capisci.

616
00:35:39,200 --> 00:35:42,160
Allora, ti dico quello su cui lo sto lavorando in questi giorni.

617
00:35:42,160 --> 00:35:46,800
Spinto da un paio di richieste che ho ricevuto direttamente su Twitter,

618
00:35:46,800 --> 00:35:49,520
mi sono messo a studiare appunto la questione della trascrizione.

619
00:35:49,520 --> 00:35:53,840
Io ho lavorato tantissimo con le API di Apple per la trascrizione

620
00:35:53,840 --> 00:35:57,040
del testo, che sono state le prime a nascere.

621
00:35:57,040 --> 00:36:00,400
Nel senso, Siri è stato il primo grande oggetto del genere ed

622
00:36:00,400 --> 00:36:01,440
è stata una figata.

623
00:36:01,440 --> 00:36:04,320
Solo che da allora, nel senso che Siri è rimasto molto seduto

624
00:36:04,320 --> 00:36:05,040
su se stesso.

625
00:36:05,200 --> 00:36:08,880
Io ho sviluppato un'applicazione che si chiama Video Tag, che consentiva di

626
00:36:08,880 --> 00:36:10,320
creare le tag di un testo.

627
00:36:10,400 --> 00:36:12,960
Nel senso di idea: ti do questo testo, ho parlato.

628
00:36:13,280 --> 00:36:16,160
Una puntata di un podcast, una conferenza in audio.

629
00:36:16,160 --> 00:36:20,320
Il mio programma faceva la trascrizione usando l'API di Siri, diciamo, che

630
00:36:20,320 --> 00:36:22,080
si perdono una parola ogni 10.

631
00:36:22,080 --> 00:36:26,080
Per cui la trascrizione non era utilizzabile, però diciamo che poteva andare

632
00:36:26,080 --> 00:36:29,440
a servire per generare delle keyword, vedere quali erano i nomi più

633
00:36:29,440 --> 00:36:31,440
ripetuti, le cose più ripetute.

634
00:36:31,440 --> 00:36:33,760
E ho fatto questo tipo di applicazione tre anni fa.

635
00:36:33,760 --> 00:36:36,080
Ultimamente è venuto fuori Whisper.

636
00:36:36,080 --> 00:36:39,200
Inizialmente non l'ho cagato perché era una cosa che per poter essere

637
00:36:39,200 --> 00:36:44,000
utilizzato doveva di installare Python e tutte le 200.000 cose che sono

638
00:36:44,000 --> 00:36:44,560
necessarie.

639
00:36:44,560 --> 00:36:49,600
Poi, in open source, qualcuno ha sviluppato una libreria Swift compatibile, con

640
00:36:49,600 --> 00:36:52,080
un modello open source rilasciato da Open AI.

641
00:36:52,080 --> 00:36:53,360
Mi sono detto: beh, utilizziamolo.

642
00:36:53,360 --> 00:36:56,880
Iniziato a scrivere un'applicazione che si chiama Transcribe per la trascrizione del

643
00:36:56,880 --> 00:37:00,520
testo, dei video, e con l'idea di avere il testo in sync

644
00:37:02,120 --> 00:37:03,240
per fare i sottotitoli.

645
00:36:59,760 --> 00:37:06,680
Dovrebbe uscire nel senso che se gli americani mi rispondono a breve.

646
00:37:06,840 --> 00:37:09,800
Ma non mi sono fermato lì perché mi sono reso conto che

647
00:37:09,800 --> 00:37:12,360
mi sarebbe piaciuto fare dei tutorial solo che quando li faccio in

648
00:37:12,360 --> 00:37:13,880
inglese faccio una grandissima fatica.

649
00:37:13,880 --> 00:37:17,000
Devo mettermi qui, registrare in un momento di silenzio.

650
00:37:17,000 --> 00:37:18,920
E adesso a casa mia, il silenzio è una cosa che non

651
00:37:18,920 --> 00:37:19,640
c'è quasi più.

652
00:37:19,640 --> 00:37:22,280
Avere, che ne so, un'ora e mezza di tempo da dedicare e

653
00:37:22,280 --> 00:37:24,200
un'ora e mezza di tempo di seguito non ce l'ho più.

654
00:37:24,200 --> 00:37:26,840
Mi sono detto sarebbe bello poter fare un tutorial in italiano al

655
00:37:26,840 --> 00:37:29,160
volo e poi tradurlo in inglese.

656
00:37:29,160 --> 00:37:32,040
E allora mi sono detto: ma si può fare qualcosa del genere?

657
00:37:32,040 --> 00:37:36,760
E allora ho utilizzando l'API di Deep, The Apple, che è il

658
00:37:36,760 --> 00:37:39,720
servizio di traduzione online, secondo me è il più raffinato al mondo.

659
00:37:39,720 --> 00:37:43,240
Ho scritto un'applicazione che adesso non esiste ancora, nel senso che io

660
00:37:43,240 --> 00:37:45,080
la uso ma non è in vendita.

661
00:37:45,080 --> 00:37:47,640
Che non solo fa la trascrizione del testo, ma fa anche la

662
00:37:47,640 --> 00:37:50,280
traduzione in altre lingue, che è una cosa molto comoda.

663
00:37:50,280 --> 00:37:52,520
E infine mi sono detto: sarebbe bello trovare il modo di far

664
00:37:52,520 --> 00:37:54,600
spickerare questa roba uno speaker digitale.

665
00:37:54,600 --> 00:37:59,000
E nel frattempo ho scoperto che Amazon ha le migliori speaker digitali

666
00:37:59,000 --> 00:38:01,880
al mondo, secondo me, con l'API di Azure.

667
00:38:01,880 --> 00:38:05,960
E con un'altra applicazione che lavora in timem con questa, ho fatto

668
00:38:05,960 --> 00:38:09,160
sì di avere una sorta di applicazione che consente di fare lo

669
00:38:09,320 --> 00:38:14,200
speakeraggio digitale nell'ottica di non tanto di prendere un testo e speaker,

670
00:38:14,200 --> 00:38:17,800
perché questo lo fanno tutti, sono servizi gratuiti su internet.

671
00:38:17,960 --> 00:38:21,560
La mia idea è come faccio a far sì che possa lavorare

672
00:38:21,560 --> 00:38:24,680
con uno speaker digitale come se io lavorassi con una persona davvero,

673
00:38:24,680 --> 00:38:26,760
con tutte le idiosincrasie.

674
00:38:26,760 --> 00:38:29,880
Allora mi sono detto: facciamo un'applicazione per quelli come me che magari

675
00:38:29,880 --> 00:38:33,240
fanno a volte fanno anche direzione del doppiaggio o aiutano, assistono ai

676
00:38:33,400 --> 00:38:36,600
doppiaggi, in modo tale da far sì che non ci sia solo

677
00:38:36,600 --> 00:38:40,200
uno speakeraggio automatico, nel senso ti spickerò quello che c'è scritto, ma

678
00:38:40,200 --> 00:38:43,640
ti posso intervenire in maniera costruttiva e anche agile dal punto di

679
00:38:43,640 --> 00:38:45,440
vista dell'interfaccia per lo spicheraggio.

680
00:38:45,520 --> 00:38:48,720
Per cui, alla fine, queste due classi di applicazione utilizzano tre servizi:

681
00:38:48,720 --> 00:38:54,720
Whisper per la trascrizione del testo, Deep per la traduzione, Microsoft Azure

682
00:38:54,880 --> 00:38:55,760
per lo speaker.

683
00:38:55,760 --> 00:38:59,200
Così che posso fare dei tutorial in italiano e farli direttamente in

684
00:38:59,200 --> 00:38:59,760
inglese.

685
00:38:59,760 --> 00:39:03,440
Poi lo utilizzo anche per fare i video di presentazione dei prodotti.

686
00:39:03,440 --> 00:39:06,640
Insomma, lo sto utilizzando tantissimo, l'ho utilizzato per un trailer di un

687
00:39:06,640 --> 00:39:10,640
videogioco, per un video di presentazione interna, cioè, diciamo che sta diventando

688
00:39:10,640 --> 00:39:13,040
una cosa che a me mi sta esplodendo in mano questa roba

689
00:39:13,040 --> 00:39:13,200
qui.

690
00:39:13,280 --> 00:39:17,040
Solo che appunto sono tutti servizi che, essendo di terze parti, vanno

691
00:39:17,040 --> 00:39:17,600
pagati.

692
00:39:17,600 --> 00:39:20,880
Relativamente poco, ma in qualche modo vanno pagati, sia quelli di traduzione

693
00:39:20,880 --> 00:39:23,680
che quelli di speakeraggio.

694
00:39:23,680 --> 00:39:28,080
La mia filosofia delle applicazioni non è: metti il testo, metti il

695
00:39:28,080 --> 00:39:31,280
video in italiano, ti viene tradotto in inglese in automatico, perché questa

696
00:39:31,280 --> 00:39:33,440
roba qua produce soltanto della fuffa.

697
00:39:33,440 --> 00:39:36,880
La mia idea: i miei servizi ti sono ti danno un grande

698
00:39:36,880 --> 00:39:39,600
sostegno, ma la revisione è fondamentale.

699
00:39:39,600 --> 00:39:43,440
Per cui tutte le cose che uno fa, dalla trascrizione alla traduzione,

700
00:39:43,440 --> 00:39:48,160
allo spickeraggio, comunque consentono sempre e in maniera molto forte all'utente di

701
00:39:48,160 --> 00:39:50,880
intervenire in modo tale da dire, ok, se stai dicendo una casata,

702
00:39:50,960 --> 00:39:53,520
sei tradotto un modo di dire in un modo sbagliato, e io

703
00:39:53,520 --> 00:39:56,800
me ne accorgo, cambio questa cosa in modo tale che sia comunque

704
00:39:56,800 --> 00:39:59,760
la supervisione umana, ma questa roba qua sia una sorta di sostegno.

705
00:39:59,760 --> 00:40:03,360
Allora, mi chiedono se transcribe lo vendi solo sullo storo americano.

706
00:40:03,360 --> 00:40:06,480
Sì, l'idea è quella di venderlo sullo storicano, se i modelli di

707
00:40:06,480 --> 00:40:08,560
business riusciamo a farli combaciare.

708
00:40:08,560 --> 00:40:13,440
Tra l'altro, ecco una cosa che ho notato, diciamo, che stai approcciando,

709
00:40:13,440 --> 00:40:15,920
è un approccio che ho visto fare anche ad altri.

710
00:40:16,320 --> 00:40:22,160
La cosa interessante è alla fine che, diciamo, il programmatore, cioè tu,

711
00:40:22,720 --> 00:40:29,040
si mette come collante per creare servizi, diciamo, che collaterali, unendo però

712
00:40:29,040 --> 00:40:29,920
strumenti differenti.

713
00:40:30,600 --> 00:40:37,400
Quindi anche l'interoperatività, diciamo, le capacità, i limiti di uno strumento messi

714
00:40:37,400 --> 00:40:41,800
assieme però ad altri strumenti, ti permettono di ottenere un risultato che

715
00:40:41,800 --> 00:40:46,680
singolarmente i vari prodotti non offrivano.

716
00:40:46,920 --> 00:40:50,920
Sto vedendo che, per esempio, adesso si sta ragionando molto sul fatto

717
00:40:50,920 --> 00:40:56,440
di dire: è vero, casomai ChatGPT non è forte su una certa

718
00:40:56,760 --> 00:41:03,080
cosa, però mettendo assieme la capacità di creare del testo verosimile, la

719
00:41:03,080 --> 00:41:08,360
capacità di riconoscere oggetti di un'altra applicazione e una serie di chiamiamole

720
00:41:08,360 --> 00:41:12,760
così routine di passaggio tra un'applicazione e l'altra, ti permette di creare

721
00:41:13,080 --> 00:41:19,640
sistemi, chiamiamolo così, più evoluti, non sicuramente intelligenze artificiali generali, ma sicuramente

722
00:41:19,640 --> 00:41:25,320
qualcosa di più avanzato, di un semplice sistema di creazione di parole

723
00:41:25,320 --> 00:41:26,200
verosimili.

724
00:41:26,200 --> 00:41:30,520
Sì, continuo a ripetere, ho fatto questo esempio perché quello su cui

725
00:41:30,520 --> 00:41:35,720
sto lavorando in questi mesi ho preso tre servizi che singolarmente hanno

726
00:41:35,720 --> 00:41:36,920
dei grossi limiti.

727
00:41:36,920 --> 00:41:37,640
Però, nel senso,

728
00:41:38,760 --> 00:41:42,920
è un po' come dire: abbiamo questi ingredienti, non sono gli ingredienti

729
00:41:42,920 --> 00:41:45,640
perfetti per fare una torta, ma c'è qualcosa di leggermente modificato.

730
00:41:45,640 --> 00:41:49,400
A uno diciamo che cerca di muoversi, di spostarsi, di cambiare un

731
00:41:49,400 --> 00:41:54,120
pochettino atteggiamento in modo tale da poter costruire attraverso questi ingredienti, questi

732
00:41:54,120 --> 00:41:55,800
servizi, una sorta di prodotto.

733
00:41:55,800 --> 00:41:58,840
Che poi sia un prodotto vincente o non vincente, lo dirà il

734
00:41:58,840 --> 00:42:02,040
mercato, il culo, il marketing, eccetera, eccetera, eccetera.

735
00:42:02,200 --> 00:42:05,000
In tutto questo devo essere sincero, quello che mi sembrava il prodotto

736
00:42:05,000 --> 00:42:08,360
più forte che è Chat GPT, più lo utilizzo, e io ultimamente

737
00:42:08,360 --> 00:42:12,760
lo utilizzo direttamente con le api di OpenAI, più lo utilizzo più

738
00:42:12,760 --> 00:42:15,600
mi rendo conto di quanto sia in realtà debole, cioè, è un

739
00:42:14,920 --> 00:42:19,920
ovvio che poi sull'italiano abbiamo un dataset ancora più ridotto.

740
00:42:20,160 --> 00:42:23,760
Però è un veramente a volte dico: vabbè, è un bel giocattolo,

741
00:42:24,080 --> 00:42:30,000
ci puoi divertire, ma non ci costruirei un prodotto e soprattutto non

742
00:42:30,000 --> 00:42:34,160
potrei pensare di farlo diventare una cosa che sostituisca l'intervento umano.

743
00:42:34,160 --> 00:42:39,280
C'è una mia conoscente che fa la copywriter, se è abbonata al

744
00:42:39,280 --> 00:42:41,600
Servizio Plus come supporto.

745
00:42:41,600 --> 00:42:44,560
E io mi auguro sono abbastanza sicuro, ma mi auguro che lei

746
00:42:44,640 --> 00:42:48,560
questi testi che vengano generati in qualche modo, poi comunque li supervisioni

747
00:42:48,720 --> 00:42:49,440
in qualche modo.

748
00:42:49,440 --> 00:42:53,200
Io per primo ho mandato una newsletter di un'associazione che conosco.

749
00:42:54,240 --> 00:42:57,440
Mi hanno dato i dati e allora, visto che i copy non

750
00:42:57,440 --> 00:43:00,640
tardava a mandarmelo, l'ho scritto io in questo modo qui.

751
00:43:00,640 --> 00:43:03,440
E poi mi ho dato l'email di prova e mi hanno detto

752
00:43:03,520 --> 00:43:05,760
guarda che manca questo dato qui.

753
00:43:05,760 --> 00:43:08,560
Io te l'ho detto come dato, poi tu non l'hai messo dentro

754
00:43:08,560 --> 00:43:09,120
perché?

755
00:43:09,360 --> 00:43:13,760
Per tutti i vari motivi statistici, probabilistici e stocastici, non è entrato.

756
00:43:13,760 --> 00:43:15,840
La supervisione umana è fondamentale.

757
00:43:15,840 --> 00:43:19,440
E in Chat GPT, questi modelli di Chat GPT è ancora troppo

758
00:43:19,440 --> 00:43:20,000
forte.

759
00:43:20,320 --> 00:43:22,560
Lo vedi anche con da lì.

760
00:43:22,560 --> 00:43:25,680
Da lì è bellissimo quando ti fanno vedere le demo.

761
00:43:26,320 --> 00:43:29,200
Guarda che belle immagini che sono state create, però, non ti fanno

762
00:43:29,200 --> 00:43:33,920
vedere le mille volte tante immagini che sono delle cose inutilizzabili, completamente

763
00:43:33,920 --> 00:43:34,720
scrause.

764
00:43:34,720 --> 00:43:38,800
Le cose miglioreranno, migliorano sicuramente, però di strada fare ce n'è ancora.

765
00:43:39,040 --> 00:43:43,120
Nel senso, chiedi a chat GPT di iscriverti una routine di Swift

766
00:43:43,200 --> 00:43:46,800
che non sia una cosa molto semplice, ti tira fuori delle cose

767
00:43:46,800 --> 00:43:50,560
assolutamente astruse, che sono delle cose quasi inutilizzabili per dirti.

768
00:43:50,560 --> 00:43:53,680
E Swift è uno dei linguaggi più usati, ovviamente non è JavaScript,

769
00:43:53,680 --> 00:43:56,320
però non è neanche il modulo a 2 per dire.

770
00:43:56,800 --> 00:44:01,080
Stiamo parlando di cose che sì, nella testa di chi fa marketing,

771
00:43:59,680 --> 00:44:02,600
sono adesso non c'è più bisogno di

772
00:44:02,680 --> 00:44:03,320
programmatori.

773
00:44:03,320 --> 00:44:06,040
La realtà è che probabilmente ce n'è più bisogno adesso, perché tutto

774
00:44:06,040 --> 00:44:09,720
quello che viene fatto in questo modo va in qualche modo formalizzato

775
00:44:09,720 --> 00:44:12,600
e validato e in qualche modo certificato.

776
00:44:12,600 --> 00:44:16,760
Io poi lavorando per aziende americane che necessitano di certificazioni allucinanti, nel

777
00:44:16,840 --> 00:44:19,400
senso, mi è arrivata una circolare da parte di uno dei nostri

778
00:44:19,400 --> 00:44:24,520
clienti più grandi, una farmaceutica americana, e questa circolare è serveramente vietato

779
00:44:24,680 --> 00:44:28,600
anche solo di aprire il sito ente del chat GPT a tutti

780
00:44:28,600 --> 00:44:29,720
i dipendenti.

781
00:44:30,040 --> 00:44:33,480
Il sottointeso è: se lo fate, le risorse umane vientano come un

782
00:44:33,480 --> 00:44:38,200
trattore, chiudi parentesi, è chiaro che, oltre alla questione dei dati, c'è

783
00:44:38,200 --> 00:44:43,960
anche una questione di sostenibilità non tanto ecologica, ma sostenibilità della vericità

784
00:44:43,960 --> 00:44:44,360
dei fatti.

785
00:44:44,360 --> 00:44:47,720
E siccome non si può chiedere a questi strumenti se una roba

786
00:44:47,720 --> 00:44:52,680
è veramente vera oppure no, diventano assolutamente effimeri per certi versi.

787
00:44:52,680 --> 00:44:53,880
Scusami, sto dilagando.

788
00:44:54,120 --> 00:44:56,440
No, no, no, no, ma sei stato molto chiaro e poi ti

789
00:44:56,440 --> 00:45:02,520
dico appunto: oggi, ovviamente, la puntata era più verticale, chiamiamoli in questi

790
00:45:02,520 --> 00:45:08,120
termini, proprio perché l'idea era di toccare con mano e far toccare

791
00:45:08,120 --> 00:45:12,600
poi i nostri ascoltatori con mano, anche le complessità che stanno dietro

792
00:45:12,840 --> 00:45:15,880
lo specchietto per l'allodole da un certo punto di vista, che è

793
00:45:15,880 --> 00:45:21,240
Chat GPT e tutto il movimento di marketing che ci sta davanti

794
00:45:21,320 --> 00:45:26,200
probabilmente, e i milioni o i miliardi che si stanno spendendo e

795
00:45:26,200 --> 00:45:31,320
investendo, e quindi anche la necessità di avere un ritorno economico di

796
00:45:31,320 --> 00:45:32,520
tutte queste cose.

797
00:45:32,520 --> 00:45:36,920
E quindi sicuramente hai dato una bella idea anche perché, appunto, la

798
00:45:36,920 --> 00:45:40,200
cosa interessante è che tu poi ci stai lavorando sopra nel bene

799
00:45:40,200 --> 00:45:40,760
e nel male.

800
00:45:40,760 --> 00:45:44,360
Voglio dire adesso, è ovvio che tu sei uno dei tanti sviluppatori

801
00:45:44,520 --> 00:45:48,400
e così via, ma il vantaggio nostro è che avevamo la possibilità

802
00:45:50,480 --> 00:45:57,040
di poter avere informazioni da dentro e senza filtri, quando casomai, appunto

803
00:45:57,280 --> 00:46:04,720
altri più remissivi anche nel dare informazioni, anzi, ti ringrazio perché comunque

804
00:46:04,720 --> 00:46:07,520
sei stato molto aperto anche su cose che stai facendo, che hai

805
00:46:07,520 --> 00:46:13,040
in pentolo, come si suol dire, quindi è molto interessante da questo

806
00:46:13,040 --> 00:46:18,960
punto di vista, proprio perché secondo me nella concretezza si capiscono i

807
00:46:18,960 --> 00:46:25,600
limiti, le potenzialità anche future, perché poi oggettivamente ogni giorno ne esce

808
00:46:25,600 --> 00:46:29,280
una, adesso che è la storia di Alpaca e così via, effettivamente

809
00:46:29,280 --> 00:46:33,200
a prescindere da come questi dati sono stati gestiti e generati, poi,

810
00:46:33,200 --> 00:46:37,040
se non ricordo male, Alpaca, in pratica, hanno fatto training utilizzando chat

811
00:46:37,120 --> 00:46:38,160
di GPT.

812
00:46:38,160 --> 00:46:39,920
Quindi, con

813
00:46:43,040 --> 00:46:48,320
l'ulteriore problema di già una base dati, diciamo sporca, chiamiamoli in questi

814
00:46:48,320 --> 00:46:53,360
termini, che insegna a una nuova base dati che a questo punto

815
00:46:53,360 --> 00:46:58,000
è più sporca, presumibilmente per forza di cose, per cui anche tutte

816
00:46:58,000 --> 00:47:03,840
queste problematiche che possono sembrare poco interessanti, ma se noi basiamo il

817
00:47:03,840 --> 00:47:08,800
nostro lavoro su cosa fa uno di questi modelli, vuol dire anche

818
00:47:08,800 --> 00:47:10,080
affidarsi a questi modelli.

819
00:47:10,080 --> 00:47:14,320
Se i modelli non sono sicuri o comunque se non sono stati

820
00:47:14,320 --> 00:47:18,320
controllati perfettamente, è ovvio che c'è un problema.

821
00:47:18,320 --> 00:47:24,160
A tal proposito, in parte per svicolare: vedevo che, per esempio, Adobe

822
00:47:24,160 --> 00:47:28,640
invece offre ovviamente agli abbonati e così via, credo che si chiami

823
00:47:28,640 --> 00:47:33,240
Firefly, che è sostanzialmente un motore di generazione di immagini, ma il

824
00:47:33,240 --> 00:47:39,160
vantaggio chiamiamolo così di Adobe è che almeno sostiene Adobe e ci

825
00:47:39,160 --> 00:47:43,480
credo anche, visto che Adobe ha comunque le risorse, le capacità e

826
00:47:43,480 --> 00:47:49,720
così via, è invece stato modellato su materiale comunque a disposizione di

827
00:47:49,720 --> 00:47:55,240
Adobe, perché avevano acquisito le licenze per le immagini, per esempio, o

828
00:47:55,240 --> 00:48:01,720
avevano già, perché poi Adobe ha una caterva di materiale audio-video, chiamiamolo

829
00:48:01,720 --> 00:48:02,840
in questi termini.

830
00:48:02,840 --> 00:48:07,000
Secondo te questo potrebbe essere, chiamiamolo così il futuro.

831
00:48:07,000 --> 00:48:12,040
Cioè, adesso, chat GPT ovviamente ha fatto scraping di mezza internet, nel

832
00:48:12,040 --> 00:48:12,920
bene e nel male.

833
00:48:12,920 --> 00:48:20,040
Però grandi compagnie possono invece permettersi di fare investimenti di grosse dimensioni

834
00:48:20,040 --> 00:48:26,200
e recuperare non dati grezi, ma dati, raffinati e quindi anche migliori

835
00:48:26,200 --> 00:48:31,000
e soprattutto evitare tutta una serie a livello di business, chiamiamolo così,

836
00:48:31,000 --> 00:48:36,920
di problematiche giuridiche, di violazioni di copyright e quant'altro, che ovviamente sono

837
00:48:37,080 --> 00:48:41,480
una delle cose recenti, che è stata fatta causa, non mi ricordo

838
00:48:41,560 --> 00:48:47,240
più se a Midjourney o un altro, per avere appunto rubato o

839
00:48:47,720 --> 00:48:52,280
illegittimamente utilizzato immagini prese da internet di autori famosi, la cosa di

840
00:48:52,360 --> 00:48:53,160
Adobe.

841
00:48:53,320 --> 00:49:00,840
Nonostante io sia un loro abbonato, subscriber, non è ancora.

842
00:49:01,640 --> 00:49:04,440
Mi sono iscritto la waiting list, ma siamo ancora in waiting list

843
00:49:04,520 --> 00:49:05,240
in ufficio.

844
00:49:05,280 --> 00:49:11,560
Mi sono fatto quell'account c'è persino Davide Gatti, abbiamo anche Davide, che

845
00:49:11,560 --> 00:49:12,520
onorissimo!

846
00:49:12,680 --> 00:49:13,720
Onore, ragazzi!

847
00:49:14,120 --> 00:49:18,320
Tra Mauro e Davide siamo benvenuti di vips.

848
00:49:18,560 --> 00:49:21,600
Allora, dicevo: la cosa che mi è piaciuta di più di Adobe

849
00:49:21,600 --> 00:49:25,360
non è tanto quella della generazione delle immagini a partire dal testo,

850
00:49:25,360 --> 00:49:28,880
quanto tutta la parte che viene dopo, nel senso, la generazione di

851
00:49:29,120 --> 00:49:33,760
effetti sul testo, di immagini vettoriali, questo tipo di applicazioni che sono

852
00:49:33,760 --> 00:49:37,920
molto più interessanti, è un po' quello che fa Figma in vettoriale,

853
00:49:38,080 --> 00:49:43,200
trovo essere molto più stimolante rispetto alla generazione delle immagini fotografiche.

854
00:49:43,200 --> 00:49:47,120
Ma non perché sei già visto, ma perché è devo essere sincero:

855
00:49:47,360 --> 00:49:51,840
se tu sei come me abbonato a library di immagini, è difficile

856
00:49:51,840 --> 00:49:54,560
che tu non trovi qualcosa che ti serve e che tu possa

857
00:49:54,960 --> 00:49:57,920
utilizzare tranquillamente con tutti i diritti del caso.

858
00:49:57,920 --> 00:50:03,360
Invece, la questione degli effetti, la questione del vettoriale inizia a diventare

859
00:50:03,920 --> 00:50:05,040
molto interessante.

860
00:50:05,280 --> 00:50:08,560
Ho letto che Firefly ha i suoi problemi anche lui, nel senso

861
00:50:08,560 --> 00:50:11,760
che su alcune cose è eccezionale, se però gli chiede delle cose

862
00:50:11,760 --> 00:50:16,080
che sono un pochettino diverse dalla quantità di roba di stock che

863
00:50:16,080 --> 00:50:18,000
adobe, lo mandi abbastanza in ginocchio.

864
00:50:18,000 --> 00:50:21,520
Però non ho ancora avuto, o non conto un cavolo, probabilmente non

865
00:50:21,520 --> 00:50:24,640
mi invitano al GPT 4, non mi invitano per Firefly.

866
00:50:25,840 --> 00:50:28,720
Sì, perché noi siamo stati invitati, sicuramente.

867
00:50:28,720 --> 00:50:32,480
Ma in ogni caso, a parte queste cose, la cosa che secondo

868
00:50:32,480 --> 00:50:37,840
me è da sottolineare per questo tipo di acceleratori, come li chiamo,

869
00:50:37,840 --> 00:50:41,840
è che è difficile riuscire a correggerli, diciamo così.

870
00:50:41,840 --> 00:50:45,600
È difficile riuscire a capire perché viene fornito un tipo di risposta,

871
00:50:45,600 --> 00:50:50,480
ma soprattutto dalla parte, diciamo del back-end, chiamiamolo in questo modo, non

872
00:50:50,480 --> 00:50:55,680
si riesce poi a correggere in modo puntuale.

873
00:50:55,680 --> 00:50:59,680
Tant'è che avevo letto da qualche parte che c'era forse una persona

874
00:51:00,120 --> 00:51:05,720
che aveva diciamo interrogato Chat GPT riguardo proprio a se stesso e

875
00:51:05,720 --> 00:51:09,960
aveva ottenuto delle nozioni fuorvianti che non c'entravano niente con la sua

876
00:51:09,960 --> 00:51:13,800
vita e ha intentato causa appunto a Chat GPT.

877
00:51:13,800 --> 00:51:17,640
Al di là della questione è che anche il garante da parte

878
00:51:17,640 --> 00:51:20,520
sua, non dico che si è messo contro, ma ha sollevato un

879
00:51:20,520 --> 00:51:23,400
problema non di poco conto, che è quello appunto di riuscire a

880
00:51:23,400 --> 00:51:27,240
rettificare in modo puntuale le informazioni che vengono fornite.

881
00:51:27,240 --> 00:51:31,800
Perché ci stiamo tutti che un'informazione da parte di

882
00:51:33,080 --> 00:51:38,520
questi programmi, di questi acceleratori ti diano delle informazioni magari sbagliate, non

883
00:51:38,520 --> 00:51:39,720
corrette, non perfette.

884
00:51:39,720 --> 00:51:43,960
Come diceva giustamente Alex, ci vuole sempre il punto di vista critico.

885
00:51:43,960 --> 00:51:47,720
Ma d'altra parte è altrettanto vero che il punto di vista critico

886
00:51:47,720 --> 00:51:52,200
non tutti ce l'hanno ed è anche difficile riuscire ad avere un

887
00:51:52,200 --> 00:51:55,880
punto di vista critico su qualcosa che stai chiedendo e molto probabilmente

888
00:51:55,880 --> 00:51:58,280
non ne hai la conoscenza perfetta.

889
00:51:58,280 --> 00:52:02,360
C'è chi lo usa appunto per lavoro, per magari riuscire a sgrossare,

890
00:52:02,360 --> 00:52:07,960
a tirare giù, uno script per un video, riuscire a tirare fuori

891
00:52:08,280 --> 00:52:12,920
la traccia per un articolo e tante altre cose, ma ci sono

892
00:52:12,920 --> 00:52:18,200
altre tante altre persone che magari pensano di avere di fronte quasi

893
00:52:18,200 --> 00:52:21,960
un motore di ricerca un po' più evoluto, e quindi di riuscire

894
00:52:21,960 --> 00:52:25,960
a tirare fuori un'informazione corretta.

895
00:52:25,960 --> 00:52:30,760
Quindi non è detto che questo passaggio che sembra basilare ma in

896
00:52:30,760 --> 00:52:36,920
realtà è di grande spessore culturale, ed è giusto che venga sottolineato

897
00:52:36,920 --> 00:52:41,320
in questa fase iniziale dell'utilizzo di questi acceleratori.

898
00:52:41,320 --> 00:52:47,840
D'altra parte, ritornando invece, per quanto riguarda Apple, volevo chiedere appunto ad

899
00:52:47,840 --> 00:52:52,800
Alex una cosa che proprio oggi mi è capitato mentre stavo sfogliando

900
00:52:52,800 --> 00:52:56,320
le fotografie tramite l'applicazione foto di iPhone.

901
00:52:56,320 --> 00:53:02,160
Mi è capitato di vedere che Apple mette una I, diciamo, all'interno

902
00:53:02,160 --> 00:53:07,440
della barra in basso delle fotografie, e in casi specifici c'è questa

903
00:53:07,440 --> 00:53:13,040
I che cambia icona, in alcune fotografie questa I diventa con due,

904
00:53:13,040 --> 00:53:16,320
diciamo, specie di esatto, di stelline.

905
00:53:16,320 --> 00:53:20,080
Adesso sto cercando qualcos'altro, ma in effetti stelline è la definizione giusta.

906
00:53:20,080 --> 00:53:25,040
Mi chiedevo se l'utilizzo, cioè la nascita di queste stelline stiano dietro

907
00:53:25,040 --> 00:53:28,080
a quello che può essere in effetti una machine learning.

908
00:53:28,080 --> 00:53:32,560
Nella fatispecie, io ho fatto la prova sfogliando praticamente tutte le fotografie

909
00:53:32,560 --> 00:53:33,200
che ho.

910
00:53:33,200 --> 00:53:38,480
Ho visto che ha la tendenza a riconoscere i luoghi fisici, nel

911
00:53:38,480 --> 00:53:40,320
senso luoghi importanti.

912
00:53:40,320 --> 00:53:43,040
Recentemente sono andato a Napoli e poi avevo ancora delle foto di

913
00:53:43,040 --> 00:53:48,400
Roma e quindi le ha riconosciuti i posti più famosi.

914
00:53:48,400 --> 00:53:52,400
E poi ho notato che, ad esempio, ho fatto delle fotografie in

915
00:53:52,400 --> 00:53:58,400
cui era inquadrata in larga parte della vegetazione e fa il riconoscimento

916
00:53:58,400 --> 00:54:02,640
dell'essenza arborea che c'è all'interno di queste fotografie.

917
00:54:02,640 --> 00:54:08,240
Possiamo definirle machine learning anche in questo caso una tipologia di intelligenza

918
00:54:08,240 --> 00:54:08,880
artificiale.

919
00:54:08,880 --> 00:54:13,120
Io faccio questo esempio che è quello che possiamo avere tra le

920
00:54:13,120 --> 00:54:16,000
mani di tutti quanti, perché tra tutti quanti io sono sempre l'uomo

921
00:54:16,000 --> 00:54:21,520
della strada, quello che diciamo ha una conoscenza informatica non così elevata,

922
00:54:21,520 --> 00:54:26,560
ma diciamo che dal punto di vista proprio manuale mi è venuto

923
00:54:26,560 --> 00:54:30,040
in mano questa cosa qua proprio oggi e volevo appunto chiedere ad

924
00:54:29,920 --> 00:54:31,480
Alex di che si tratta.

925
00:54:31,800 --> 00:54:36,040
La questione della location è molto più probabile che sia geo taggato

926
00:54:36,040 --> 00:54:39,000
col GPS, altrimenti è probabile che.

927
00:54:39,000 --> 00:54:41,640
Però dubito che sia fatto in locale.

928
00:54:41,640 --> 00:54:44,920
Però se è fatto in locale, probabilmente hanno un database di ne

929
00:54:44,920 --> 00:54:50,200
so, 100-100 luoghi in cui c'è, ne so, il Duomo di Milano,

930
00:54:50,200 --> 00:54:53,080
il Colosse a Roma, e allora a questo punto riconoscerli è anche

931
00:54:53,160 --> 00:54:54,280
abbastanza facile.

932
00:54:54,280 --> 00:54:58,440
Per quanto concerne invece il contenuto vero e proprio, Apple ha già

933
00:54:58,440 --> 00:55:03,000
di suo un API che ti mette a disposizione circa 1100 classi,

934
00:55:03,000 --> 00:55:05,320
nel senso di classificazione.

935
00:55:05,320 --> 00:55:10,200
È un sistema di riconoscimento delle immagini basato su una rete neurale,

936
00:55:10,360 --> 00:55:13,160
un modello di rete neurale open source, che se non sbaglio, si

937
00:55:13,160 --> 00:55:16,920
chiama Mobile Net, forse una versione 2 o versione 3, perché esiste

938
00:55:16,920 --> 00:55:17,720
la versione 3.

939
00:55:17,720 --> 00:55:21,400
Queste 100 classi in cui ci puoi, se tu fai una fotografia,

940
00:55:21,400 --> 00:55:23,240
ti dice che è una percentuale.

941
00:55:23,240 --> 00:55:28,040
In questa fotografia c'è al 10% un albero, al 3% un bambino,

942
00:55:28,040 --> 00:55:32,200
al 1% un sorriso, al 4% il cielo blu per dirti ci

943
00:55:32,360 --> 00:55:33,960
sono un sacco di classi.

944
00:55:33,960 --> 00:55:36,680
Per cui è molto probabile che poi si scelga le 10 classi

945
00:55:36,680 --> 00:55:40,360
più rappresentative e più percentualmente presenti, in modo tale che se tu

946
00:55:40,360 --> 00:55:43,960
cerchi cane, ti trova tutte le foto con dentro un cane.

947
00:55:43,960 --> 00:55:47,240
Io ho utilizzato questa API già tre anni fa, appunto con video

948
00:55:47,400 --> 00:55:50,760
tag, che consente di fare questa cosa sia con le immagini che

949
00:55:50,760 --> 00:55:56,120
con i video, per poi mandare queste classi trovate come keyword di

950
00:55:56,280 --> 00:55:57,160
Final Cut Pro.

951
00:55:57,160 --> 00:56:00,120
Mi era venuto in mente di questa applicazione.

952
00:56:00,120 --> 00:56:03,160
Anzi, quando ho fatto questa applicazione, qualche giorno dopo Apple ha fatto

953
00:56:03,160 --> 00:56:07,640
il WWDC dicendo: Questa feature sarà presente nella prossima versione di Final

954
00:56:07,640 --> 00:56:10,680
Cut, che sarà una versione che gira su computer M1.

955
00:56:10,680 --> 00:56:12,840
Al che ho detto: Vabbè, questa applicazione l'ho sviluppata.

956
00:56:12,840 --> 00:56:16,160
Poi la butto nel cesso perché sarà già inclusa nel sistema.

957
00:56:14,920 --> 00:56:18,080
Sono tre anni e mezzo che aspetto sta roba.

958
00:56:18,160 --> 00:56:21,840
Anzi, ormai, fra due mesi sono quattro anni che aspettiamo sta roba,

959
00:56:21,840 --> 00:56:24,640
e Apple non ha aggiunto questa feature e se è riuscita ad

960
00:56:24,720 --> 00:56:28,000
aggiungerla, uno sviluppatore cretino e sfigato come sono io.

961
00:56:28,000 --> 00:56:32,160
Cioè, mi fa dubitare sul commitment di Apple su Final Cut, però

962
00:56:32,480 --> 00:56:35,440
questa è una storia che ci porterebbe molto lontano.

963
00:56:35,440 --> 00:56:39,040
Però è una cosa abbastanza inquietante per certi versi, perché io utilizzo

964
00:56:39,040 --> 00:56:42,080
le app che loro mi mettono a disposizione con un'ottima, con tutto

965
00:56:42,080 --> 00:56:45,600
il tempo di utilizzo, con tutte le limitazioni del caso, però sono

966
00:56:45,600 --> 00:56:48,560
riuscito a fare una cosa così e perché non lo fanno loro,

967
00:56:48,560 --> 00:56:49,280
però non lo so.

968
00:56:49,280 --> 00:56:52,000
Detto questo, per quanto concerne i monumenti, non lo so.

969
00:56:52,000 --> 00:56:57,520
Probabilmente ci sono delle basi di dati, dei dataset di documenti già

970
00:56:57,520 --> 00:57:01,200
pronti, che Apple ha macinato e loro diciamo che magari in background

971
00:57:01,360 --> 00:57:02,000
fa queste analisi.

972
00:57:02,640 --> 00:57:06,000
Io ti dico, mi sono accorto che, per esempio, riconosci anche le

973
00:57:06,000 --> 00:57:06,480
piante.

974
00:57:06,480 --> 00:57:09,360
Quindi, se tu fai una foto a un fiore piuttosto che a

975
00:57:09,360 --> 00:57:12,160
un albero, ti riconosce ovviamente non solo che il fiore è che

976
00:57:12,160 --> 00:57:17,040
l'albero, ma ti fa anche la ricerca della tipologia di pianta, ti

977
00:57:17,040 --> 00:57:22,320
dà un risultato, adesso, poi la mia conoscenza di botanica è abbastanza

978
00:57:22,320 --> 00:57:24,160
basica, mettiamola in questi termini.

979
00:57:24,160 --> 00:57:29,840
Quindi, quantomeno, ti dà almeno due possibilità di riconoscimento della pianta o

980
00:57:29,840 --> 00:57:30,720
dell'albero.

981
00:57:30,720 --> 00:57:35,040
Non so con quale precisione perché non ho le capacità.

982
00:57:35,680 --> 00:57:38,720
Diciamo che da foto a foto, devo dire la verità: che la

983
00:57:38,720 --> 00:57:41,920
foto che a cui recentemente sabato sono andato a fare un giro

984
00:57:41,920 --> 00:57:42,800
con la famiglia.

985
00:57:42,800 --> 00:57:45,840
Abbiamo trovato un albero molto bello e molto grande.

986
00:57:45,840 --> 00:57:46,960
A cui ho fatto una foto.

987
00:57:46,960 --> 00:57:48,960
Mia moglie mi chiedeva: Ma che calbero sarà?

988
00:57:49,040 --> 00:57:51,200
Io ho detto: ci provo a vedere con l'iPhone.

989
00:57:51,200 --> 00:57:53,840
Mi ha dato un nome, non so se era quello giusto o

990
00:57:53,840 --> 00:57:54,880
meno, ma effettivamente

991
00:57:55,920 --> 00:58:00,760
la foto, diciamo di riferimento del nome che mi ha dato, assomigliava

992
00:57:59,440 --> 00:58:02,440
sicuramente all'albero che ho fotografato

993
00:58:02,520 --> 00:58:02,600
.

994
00:57:59,680 --> 00:58:04,760
Poi questo non so di più.

995
00:58:05,160 --> 00:58:09,400
Allora, ho messo nella chat proprio su YouTube, ha un link GitHub,

996
00:58:09,400 --> 00:58:10,840
dove ci sono i modelli.

997
00:58:10,840 --> 00:58:13,320
Non i modelli in generale, ma i modelli che sono stati tradotti

998
00:58:13,320 --> 00:58:15,880
in Core Mel che ce ne sono di tutti i tipi.

999
00:58:15,880 --> 00:58:19,800
Per cui c'è Oxford 12: Detect Flowers o from Images.

1000
00:58:19,800 --> 00:58:21,480
Però, diciamo che ce ne sono.

1001
00:58:21,640 --> 00:58:23,640
Modelli del genere, ce ne sono tantissimi.

1002
00:58:23,640 --> 00:58:28,760
C'è un dataset di mille brani divisi in dieci generi per capire

1003
00:58:29,000 --> 00:58:30,520
di che genere è la canzone.

1004
00:58:31,240 --> 00:58:34,920
C'è gente che si è messa lì, si è costruito questi dataset.

1005
00:58:34,920 --> 00:58:37,880
Il dataset, è il tutto perché sui dataset, se hai un dataset

1006
00:58:37,880 --> 00:58:41,240
fatto bene, a questo punto riesce a costruirti con molta facilità anche

1007
00:58:41,320 --> 00:58:43,560
tu stesso, una cosa del genere.

1008
00:58:43,560 --> 00:58:45,080
L'abbiamo fatto tutti noi insieme.

1009
00:58:45,080 --> 00:58:48,040
Vi ricordate quando vi ho fatto scegliere, ho fatto scegliere se una

1010
00:58:48,040 --> 00:58:50,840
cosa era un primo piano, una mezza figura, una figura intera.

1011
00:58:50,840 --> 00:58:54,840
Ecco, l'abbiamo fatto adesso il mio algoritmo, basato su questo modello che

1012
00:58:54,840 --> 00:58:59,160
abbiamo creato tutti insieme, ci azzecca nel 90% dei casi, che non

1013
00:58:59,160 --> 00:59:00,840
è perfetto al 100%.

1014
00:59:00,840 --> 00:59:04,040
Apple direbbe: io il 90% è troppo basso come percentuale.

1015
00:59:04,040 --> 00:59:07,320
Se non siamo al 99,5 non possiamo fare un prodotto.

1016
00:59:07,320 --> 00:59:10,360
Però la maggior parte di chi fa queste cose, vanno veramente chi

1017
00:59:10,360 --> 00:59:12,680
fa il mio mestiere, va anche un tanto al chilo, se dici

1018
00:59:12,920 --> 00:59:16,520
tra questi 100 clip, quali sono quelli con primo piano?

1019
00:59:16,520 --> 00:59:20,040
Se se ne perde una o mi dà un falso positivo, sticavoli,

1020
00:59:20,040 --> 00:59:22,600
a meno, ho comunque una buona sgrassatura.

1021
00:59:22,600 --> 00:59:27,560
Apple non ha fatto altro che implementare in maniera molto veloce questi

1022
00:59:27,800 --> 00:59:29,720
modelli che sono già presenti.

1023
00:59:29,800 --> 00:59:35,560
Ovvio che un'applicazione di botanica bella che magari ha classificazione per 2500

1024
00:59:35,560 --> 00:59:38,600
specie, è un'altra roba e allora ne c'è bisogno di un servizio.

1025
00:59:38,600 --> 00:59:42,600
Ci sono applicazioni che costano 4 euro al mese per dirti e

1026
00:59:42,600 --> 00:59:44,920
che ti fanno questa roba qui, che sono molto comode.

1027
00:59:45,040 --> 00:59:48,880
Però, giustamente, se un'azienda ha investito dei soldi per fare questo tipo

1028
00:59:48,880 --> 00:59:52,640
di classificazione, il suo modello, il suo dataset, è anche giusto che

1029
00:59:52,640 --> 00:59:54,400
voglia ritornare in qualche modo.

1030
00:59:54,400 --> 00:59:57,280
Anche perché poi ho letto un articolo qualche tempo fa che diceva

1031
00:59:57,280 --> 01:00:00,400
che i dataset, questi dataset di milioni di immagini che sono stati

1032
01:00:00,400 --> 01:00:03,840
utilizzati per fare il training di questi modelli che sono utilizzati in

1033
01:00:03,840 --> 01:00:09,280
tutte le applicazioni, non soltanto di Apple, hanno dentro un 510% di

1034
01:00:09,280 --> 01:00:10,320
tag sbagliati.

1035
01:00:10,320 --> 01:00:12,800
E a quel punto lì cosa fai?

1036
01:00:13,120 --> 01:00:15,440
Come puoi a capire se è una cosa giusta e sbagliata?

1037
01:00:15,440 --> 01:00:19,440
Sai che quel dataset, comunque con un asterisco non è perfetto al

1038
01:00:19,440 --> 01:00:20,160
100%.

1039
01:00:20,160 --> 01:00:24,240
E abbiamo visto che proprio la stessa chat GPT OpenAI che ha

1040
01:00:24,240 --> 01:00:24,560
pagato.

1041
01:00:24,560 --> 01:00:29,280
Tra virtà, sottopagato lavoratori in Africa per fare questo mestiere, e ci

1042
01:00:29,280 --> 01:00:31,200
sta che questi a un certo punto, sai che c'è per un

1043
01:00:31,200 --> 01:00:33,600
euro al giorno, mi butto dentro quel cazzo che trovo e non

1044
01:00:33,600 --> 01:00:35,200
sto lì a controllare.

1045
01:00:36,160 --> 01:00:39,280
Forse un giorno il vero lavoro del futuro sarà appunto fare dei

1046
01:00:39,280 --> 01:00:42,800
dataset fatti bene per il machine learning.

1047
01:00:42,800 --> 01:00:44,080
Spero che non sia questo.

1048
01:00:44,080 --> 01:00:45,280
Però potrebbe essere.

1049
01:00:45,280 --> 01:00:48,400
Mi ricollego invece io al mio lavoro un attimo per un paio

1050
01:00:48,400 --> 01:00:52,880
di notizie, giusto perché avevo registrato proprio nel pomeriggio una puntata di

1051
01:00:52,880 --> 01:00:58,640
Snap che riguarda appunto il machine learning per l'annuncio di un programma

1052
01:00:58,640 --> 01:01:02,160
che secondo me devo già ringraziare che non lo uso più, però

1053
01:01:02,160 --> 01:01:06,640
viene ancora molto usato: che appunto AutoCAD, che nella versione 2024 ha

1054
01:01:06,640 --> 01:01:11,520
avuto la bella pensata di inserire il machine learning appunto per riuscire

1055
01:01:11,520 --> 01:01:14,880
a migliorare quello che può essere l'esperienza di progettazione.

1056
01:01:14,880 --> 01:01:19,120
Nella fattispecie riconosce, da quello che ho capito, i blocchi, te li

1057
01:01:19,120 --> 01:01:23,840
suggerisce, i blocchi sono diciamo delle entità che vengono utilizzate per fare

1058
01:01:23,840 --> 01:01:24,720
molte cose.

1059
01:01:24,720 --> 01:01:27,520
La più semplice che mi viene da dire, per esempio, il blocco

1060
01:01:27,520 --> 01:01:31,560
potrebbe essere il disegno di un letto in vista in pianta, e

1061
01:01:31,560 --> 01:01:36,360
quindi questo blocco di linee, chiamiamolo così, viene riconosciuto, viene anche suggerito

1062
01:01:36,600 --> 01:01:43,480
e vengono appunto sparsi viene riconosciuto quelli che vengono utilizzati all'interno del

1063
01:01:43,480 --> 01:01:49,720
disegno e quindi fa una specie di riconoscimento automatico dei blocchi e

1064
01:01:49,720 --> 01:01:51,480
ragiona quasi da solo.

1065
01:01:52,040 --> 01:01:56,920
Ovviamente c'è sempre dietro bisogno dell'utente, del cardista che dia le dritte

1066
01:01:56,920 --> 01:01:59,080
al computer ma ci mancherebbe.

1067
01:01:59,080 --> 01:02:03,400
Ma la cosa interessante che stavo ragionando appunto in questo periodo è

1068
01:02:03,400 --> 01:02:06,600
che sotto un certo punto di vista Apple in questo senso si

1069
01:02:06,600 --> 01:02:11,880
sta portando avanti con un vantaggio competitivo perché all'interno dei suoi SOC

1070
01:02:12,120 --> 01:02:15,960
c'è appunto una parte dedicata a questo tipo di elaborazioni.

1071
01:02:15,960 --> 01:02:19,960
Che come dicevate voi, giustamente, io ho fatto il collegamento adesso mentre

1072
01:02:19,960 --> 01:02:21,960
ne parlavate e ci sono arrivato adesso.

1073
01:02:21,960 --> 01:02:23,480
Pensate quanto sono lento io.

1074
01:02:23,480 --> 01:02:27,800
Che in effetti un computer come il mio, che comunque è del

1075
01:02:27,800 --> 01:02:31,480
2019 ha qualche anno addosso, però il lavoro non riesce ancora a

1076
01:02:31,480 --> 01:02:32,040
farlo.

1077
01:02:32,040 --> 01:02:36,040
Nel momento in cui io vado a utilizzare programmi software di questo

1078
01:02:36,040 --> 01:02:41,880
tipo, sicuramente riscontrerò un lavoro molto più alto da parte dell'hardware e

1079
01:02:41,880 --> 01:02:42,120
quindi

1080
01:02:43,160 --> 01:02:47,400
specie anche del portatile, perché essendo un portatile, magari non lavoro con

1081
01:02:47,480 --> 01:02:52,360
la presa, e conseguentemente avrò un hardware che sarà molto sotto sforzo

1082
01:02:52,520 --> 01:02:55,960
e conseguentemente l'energia se ne va in mille rivoli.

1083
01:02:55,960 --> 01:02:56,280
Questo

1084
01:02:57,480 --> 01:02:58,760
cosa ci può far pensare?

1085
01:02:58,760 --> 01:03:03,560
Che in effetti l'idea di Apple di mettere all'interno dei SOC un

1086
01:03:03,560 --> 01:03:08,680
coprocessore dedicato a questo tipo di lavorazioni che permette appunto di mantenere

1087
01:03:08,680 --> 01:03:09,680
le temperature basse.

1088
01:03:09,680 --> 01:03:14,360
Come dicevi tu prima, Alex, hai visto anche che se non vengono

1089
01:03:14,360 --> 01:03:19,600
programmati nel modo giusto questi software, se non utilizzano le librerie di

1090
01:03:19,600 --> 01:03:25,680
Apple, insomma, si sente il carico sul processore e questo è probabilmente

1091
01:03:25,680 --> 01:03:30,240
un vantaggio competitivo, secondo me, dal punto di vista di Apple, perché

1092
01:03:30,320 --> 01:03:35,680
in effetti mette in campo delle librerie che dialogano in modo corretto

1093
01:03:35,680 --> 01:03:39,920
col proprio hardware e quindi consente loro di avere questo tipo di

1094
01:03:39,920 --> 01:03:40,560
vantaggio.

1095
01:03:40,560 --> 01:03:43,680
Che ad esempio, io, nonostante sia sul

1096
01:03:44,800 --> 01:03:50,000
ambiente Apple con i miei software e hardware, molto probabilmente sotto questo

1097
01:03:50,000 --> 01:03:54,080
punto di vista stirei ancora di più la differenza verso quello che

1098
01:03:54,080 --> 01:03:58,080
è il futuro di Apple che si è instradato su Apple Silicon

1099
01:03:58,080 --> 01:04:02,000
e di cui dovremmo vedere, chi lo sa anche nel WWDC 2023,

1100
01:04:02,000 --> 01:04:05,440
magari se Dio vuole un M3, se no lo aspettiamo il prossimo

1101
01:04:05,440 --> 01:04:06,960
anno e fa bene lo stesso.

1102
01:04:06,960 --> 01:04:12,800
Un'altra cosa invece, in conclusione per quanto mi riguarda delle novità di

1103
01:04:12,800 --> 01:04:17,840
frontiera che secondo me possono essere interessanti in linea generale, che però

1104
01:04:17,920 --> 01:04:22,480
riguardano il mio ambiente lavorativo e che non ho ancora parlato nel

1105
01:04:22,480 --> 01:04:26,080
podcast, ma ne parlerò poi più approfonditamente e lascio qua diciamo un

1106
01:04:26,080 --> 01:04:28,960
seme per far ragionare un po' tutti quanti.

1107
01:04:29,200 --> 01:04:35,520
Siamo arrivati al punto che un'intelligenza artificiale, un acceleratore, riesce a riconoscere,

1108
01:04:35,520 --> 01:04:41,680
dandogli in pasto una fotografia, riesce a ricreare la mesh tridimensionale.

1109
01:04:41,920 --> 01:04:47,680
Secondo me questo è qualcosa di particolarmente eccitante, nel senso che riuscire

1110
01:04:47,760 --> 01:04:51,120
a tirare fuori una mesh che a questo punto non stiamo più

1111
01:04:51,120 --> 01:04:52,720
parlando di bidimensionale.

1112
01:04:52,720 --> 01:04:56,880
Voi dovete immaginare che gli date una fotografia, questo riesce a ricreare

1113
01:04:56,880 --> 01:05:00,760
le mesh, ma si definiscono come mesh le superfici visibili.

1114
01:05:00,920 --> 01:05:05,160
Ma la cosa interessante è che questo modello che viene estrapolato da

1115
01:05:05,160 --> 01:05:10,840
questo tipo di acceleratore, voi avete le superfici alle distanze giuste.

1116
01:05:10,840 --> 01:05:15,720
Che nella presa visuale della camera, se vi mettete nello stesso punto

1117
01:05:16,200 --> 01:05:20,840
nel mondo tridimensionale a cui avete all'interno questa mesh, voi avete l'esatta

1118
01:05:20,920 --> 01:05:23,160
rappresentazione in bidimensione.

1119
01:05:23,160 --> 01:05:25,880
Ovviamente se voi ruotate il modello, incominciate a vedere

1120
01:05:27,240 --> 01:05:33,960
dei problemi dal punto di vista tridimensionale di gestione delle superfici.

1121
01:05:33,960 --> 01:05:38,440
Ma è molto interessante il fatto che si sia già passato a

1122
01:05:38,440 --> 01:05:44,120
un livello successivo in questo momento in cui una macchina riesce a

1123
01:05:44,120 --> 01:05:49,160
capire le distanze e a distribuire delle superfici che insomma non è

1124
01:05:49,160 --> 01:05:52,280
proprio una bazzecola, anche perché dei calcoli.

1125
01:05:52,280 --> 01:05:59,000
Immagino che dietro a questo tipo di sviluppo tridimensionale sia decisamente molto

1126
01:05:59,000 --> 01:05:59,400
alto.

1127
01:05:59,400 --> 01:06:04,120
Perché già vediamo che ci vuole davvero tantissima energia per il testo,

1128
01:06:04,120 --> 01:06:06,680
che sembra una cosa banale, sono solo delle lettere.

1129
01:06:06,680 --> 01:06:11,960
Ci vuole altrettanta energia per riuscire a far capire a una macchina

1130
01:06:11,960 --> 01:06:14,040
la differenza tra un gatto e un cane.

1131
01:06:14,040 --> 01:06:17,800
Perché comunque, ragazzi miei, il computer non ha la nostra vista.

1132
01:06:17,800 --> 01:06:21,960
Per noi è molto semplice definire cos'è un cane e un gatto,

1133
01:06:21,960 --> 01:06:25,160
ma vede le cose dal punto di vista matematico, non ha un

1134
01:06:25,160 --> 01:06:26,680
occhio come il nostro.

1135
01:06:26,680 --> 01:06:31,080
E quindi ci vuole tutta una serie di allenamento, di gestione delle

1136
01:06:31,080 --> 01:06:34,680
immagini, fargli capire quali sono i cani, quali sono i gatti e

1137
01:06:34,680 --> 01:06:35,960
arrivare al risultato.

1138
01:06:35,960 --> 01:06:41,000
Ci vuole enormi quantità di energia e pensare ad arrivare al riconoscimento

1139
01:06:41,000 --> 01:06:46,480
tridimensionale di una fotografia per adesso, in questo momento, è la frontiera

1140
01:06:46,480 --> 01:06:50,800
che sto vedendo dal punto di vista dell'intelligenza artificiale, che ovviamente non

1141
01:06:50,800 --> 01:06:55,200
è un'intelligenza artificiale, lo ribadiamo tutti, perché se fosse intelligenza artificiale probabilmente

1142
01:06:55,200 --> 01:06:59,520
riuscirebbe anche a fare un modello tridimensionale fatto e finito.

1143
01:06:59,520 --> 01:07:05,200
Ma ci stiamo arrivando perché comunque stiamo vedendo, almeno alcuni esperimenti che

1144
01:07:05,200 --> 01:07:10,640
cercano di trasformare una pianta, una pianta, non intesa una pianta vegetale,

1145
01:07:10,640 --> 01:07:15,280
ma una pianta architettonica, cerca di trasformare una pianta architettonica direttamente in

1146
01:07:15,280 --> 01:07:16,880
un modello tridimensionale.

1147
01:07:17,040 --> 01:07:23,360
Quindi passare dalla bidimensione alla tridimensione in modo abbastanza semplice, ovviamente ci

1148
01:07:23,360 --> 01:07:27,440
vorrà, come sempre, il controllo umano perché c'è poco da fare dal

1149
01:07:27,440 --> 01:07:31,120
punto di vista delle capacità e delle qualità.

1150
01:07:31,120 --> 01:07:35,280
Siamo un passo in avanti per adesso, poi vedremo in un futuro

1151
01:07:35,280 --> 01:07:40,560
lo vedremo, ma sicuramente la questione si sta evolvendo veramente in modo

1152
01:07:40,560 --> 01:07:45,440
molto molto veloce e possiamo anche già iniziare a pensare che probabilmente

1153
01:07:45,440 --> 01:07:50,080
bisogna iniziare a pensare alle leggi della robotica, quelle di Asimov, molto

1154
01:07:50,240 --> 01:07:52,240
probabilmente fra un po' ci arriveremo.

1155
01:07:52,240 --> 01:07:56,160
E in realtà una cosa che abbiamo sempre letto sui libri o

1156
01:07:56,160 --> 01:08:02,080
sui fumetti, io dalla mia parte, Nata Never, diciamo che ho iniziato

1157
01:08:02,080 --> 01:08:06,640
a conoscere le leggi di Asimov lì, direttamente su quel fumetto, e

1158
01:08:06,640 --> 01:08:08,160
poi ho approfondito.

1159
01:08:08,160 --> 01:08:12,880
Ma diciamo che in questa fase storica ci stiamo già chiedendo come

1160
01:08:13,520 --> 01:08:19,280
riuscire a tenere a bada questo tipo di risultati che vengono tirati

1161
01:08:19,280 --> 01:08:25,800
fuori dall'intelligenza artificiale e conseguentemente possiamo già immedesimarci in quello che potrebbero

1162
01:08:25,840 --> 01:08:27,040
essere il futuro.

1163
01:08:27,040 --> 01:08:32,840
Quindi adesso dobbiamo starci veramente sul pezzo per riuscire a dare un'infarinatura

1164
01:08:29,920 --> 01:08:34,920
attorno a questa intelligenza artificiale.

1165
01:08:35,160 --> 01:08:38,280
Primo o poi, chi lo sa, chiedo a Filippo se ci sarà

1166
01:08:38,280 --> 01:08:44,440
un futuro avvocato dell'intelligenza artificiale che dovrà tenere conto anche di quello

1167
01:08:44,440 --> 01:08:48,360
che potrebbero essere i problemi dal punto di vista diciamo civile e

1168
01:08:48,360 --> 01:08:51,560
penale, in certi casi in un futuro, ma probabilmente in civile in

1169
01:08:51,560 --> 01:08:55,480
questo momento, di quello che potrebbe fare o non fare l'intelligenza artificiale,

1170
01:08:55,480 --> 01:08:58,280
che è un po' quello che si sta andando anche a vedere

1171
01:08:58,280 --> 01:09:02,600
all'interno delle macchine a guida autonoma, si è visto recentemente, che in

1172
01:09:02,600 --> 01:09:04,680
qualche modo prendono delle decisioni.

1173
01:09:04,920 --> 01:09:07,480
La domanda è a chi devo dare la colpa?

1174
01:09:07,480 --> 01:09:12,360
All'autista che ha tirato via le mani dal volante, si è affidato

1175
01:09:12,360 --> 01:09:14,920
all'intelligenza artificiale all'interno della macchina?

1176
01:09:14,920 --> 01:09:18,120
È colpa della macchina in se stessa che non è riuscita a

1177
01:09:18,120 --> 01:09:22,680
riconoscere il problema, oppure il problema deriva a questo punto da chi

1178
01:09:22,680 --> 01:09:23,880
l'ha programmata?

1179
01:09:24,120 --> 01:09:27,960
Quindi penso che dobbiamo già iniziare a pensare un po' in modo

1180
01:09:27,960 --> 01:09:32,040
esteso e in modo molto più civile questo nuovo evento che è

1181
01:09:32,040 --> 01:09:36,520
l'intelligenza artificiale, la nascita della base dell'intelligenza artificiale.

1182
01:09:36,680 --> 01:09:41,960
Sì, sicuramente ci sono grosse problemi e prospettive.

1183
01:09:41,960 --> 01:09:47,080
Adesso credo sia ancora abbastanza presto per fare dei ragionamenti concreti.

1184
01:09:47,080 --> 01:09:53,000
Tuttavia, sicuramente l'Europa sta iniziando a predisporre dei disegni di legge proprio

1185
01:09:53,000 --> 01:09:53,320
in

1186
01:09:54,440 --> 01:09:55,560
questi termini.

1187
01:09:55,880 --> 01:10:03,800
Probabilmente, come tutto, occorrerà dare delle regolamentazioni dall'alto verso il basso, anche

1188
01:10:03,800 --> 01:10:08,600
perché l'approccio, diciamo, alla Silicon Valley che intanto io faccio, poi dopo

1189
01:10:08,760 --> 01:10:14,200
vedo cosa succede, non è dei migliori, giusto un esempio banale, ma

1190
01:10:14,480 --> 01:10:21,440
Uber, che in America è spopolato e in tanti stati anche europei,

1191
01:10:21,680 --> 01:10:25,840
è presente, da noi è stato vietato per il semplice fatto che

1192
01:10:26,640 --> 01:10:30,240
ci sono delle norme che prevedono specificamente che non tutti possano fare

1193
01:10:30,240 --> 01:10:31,760
i taxisti e così via.

1194
01:10:31,760 --> 01:10:36,080
È ovvio che ci sono tutta una serie di considerazioni da fare,

1195
01:10:36,400 --> 01:10:43,760
anche di ragionamenti che devono essere ovviamente capiti e apprezzati dalla collettività.

1196
01:10:43,760 --> 01:10:49,440
Oggi siamo sicuramente in un momento di frontiera per quanto riguarda machine

1197
01:10:49,440 --> 01:10:57,440
learning e cosiddette intelligenze artificiali o comunque servizi legati a questi sistemi.

1198
01:10:57,440 --> 01:11:00,400
Beh, direi che abbiamo fatto la nostra solita ora e mezza di

1199
01:11:00,400 --> 01:11:05,360
chiacchierata, una ballo e quell'altra, quindi direi che potremmo andare verso la

1200
01:11:05,360 --> 01:11:11,360
conclusione a meno che Alex non abbia qualcos'altro da raccontarci, da precisare.

1201
01:11:11,520 --> 01:11:15,760
No, in realtà è strano, perché ho affrontato questa puntata, pensando che

1202
01:11:15,760 --> 01:11:19,280
sarei andata in una direzione, poi andata in una direzione completamente diversa,

1203
01:11:19,280 --> 01:11:20,800
ma sono molto contento.

1204
01:11:20,800 --> 01:11:24,240
Spero che sia stato utile le tre cavolate che ho detto per

1205
01:11:24,240 --> 01:11:25,440
voi e per chi vi ascolta.

1206
01:11:25,440 --> 01:11:27,040
Io ho prestato molto, quindi

1207
01:11:28,320 --> 01:11:32,640
ho imparato cose che non conoscevo, quindi sono molto soddisfatto.

1208
01:11:32,640 --> 01:11:35,600
Ma certamente aggiungo io perché si è visto anche dalla quantità di

1209
01:11:35,600 --> 01:11:41,680
persone che sono intervenute nella chat che salutiamo e ringraziamo tutti quanti.

1210
01:11:42,000 --> 01:11:47,760
Come si dice, oltre alle cose interessanti, che con Alex, le cose

1211
01:11:47,760 --> 01:11:51,600
potrebbero andare avanti altre un paio d'ore, tre, e ci sarebbe ancora

1212
01:11:51,600 --> 01:11:52,560
da divertirci.

1213
01:11:52,560 --> 01:11:56,320
Ma purtroppo il tempo è tiranno e si è fatta anche una

1214
01:11:56,320 --> 01:11:57,280
certa ora.

1215
01:11:57,280 --> 01:12:01,000
Quindi vado a chiudere dicendo a Alex se vuoi salutare i nostri

1216
01:12:01,000 --> 01:12:02,440
ascoltatori, hai carta di più.

1217
01:11:59,840 --> 01:12:04,680
Ok, allora, prima di tutto, una piccola aggiunta.

1218
01:12:04,760 --> 01:12:08,520
E mi auguro che tra un mese e mezzo, la WWDC, soprattutto

1219
01:12:09,160 --> 01:12:13,400
negli incontri successivi, cioè quelli non dedicati ai giornalisti o all'utenza, ma

1220
01:12:13,400 --> 01:12:14,280
proprio agli sviluppatori.

1221
01:12:14,440 --> 01:12:18,440
Apple fornisca cose nuove che ci faccia vedere effettivamente tutta questa potenza

1222
01:12:18,440 --> 01:12:19,240
di calcolo.

1223
01:12:19,240 --> 01:12:22,920
Che se c'è qualche api nuova, sono ben contento.

1224
01:12:22,920 --> 01:12:25,960
Ci sono voci che dicono: dicono che anche Apple sta lavorando una

1225
01:12:26,040 --> 01:12:30,840
LLM, cioè un large language model che potrebbe essere utilizzato anche solo

1226
01:12:30,840 --> 01:12:35,160
come filtro per far capire a Siri qualcosa che prima non capisce.

1227
01:12:35,160 --> 01:12:39,960
Tuttavia, insomma, sono molto fiducioso, ma sono meno speranzoso rispetto agli altri

1228
01:12:39,960 --> 01:12:43,480
anni, ma magari verrò piacevolmente stupito.

1229
01:12:43,480 --> 01:12:46,840
Detto questo, allora grazie a tutti quelli che mi hanno ascoltato dire

1230
01:12:46,840 --> 01:12:47,720
le mie cavolate.

1231
01:12:47,720 --> 01:12:49,480
Eh, devo dare i miei riferimenti.

1232
01:12:49,640 --> 01:12:49,880
Certo.

1233
01:12:49,960 --> 01:12:52,760
Ah, ok, vabbè, se volete sentire le cavolate che dico quasi tutti

1234
01:12:52,760 --> 01:12:55,640
i giorni, diciamo un paio di volte alla settimana.

1235
01:12:55,640 --> 01:12:58,760
Intanto che vado in ufficio, il mio podcast è Techno Pils, ma

1236
01:12:58,760 --> 01:13:03,400
troverete il link nella note dell'episodio qui sotto su YouTube dove dico

1237
01:13:03,400 --> 01:13:03,880
le mie cose.

1238
01:13:03,880 --> 01:13:07,160
Invece, insieme a Roberto, settimana prossima torniamo per San Maregio con la

1239
01:13:07,160 --> 01:13:08,040
puntata in Italia,

1240
01:13:09,400 --> 01:13:11,960
no, perché anche se non lo faccio mi viene a prendere direttamente

1241
01:13:11,960 --> 01:13:13,160
di persona.

1242
01:13:14,840 --> 01:13:17,880
Diciamo la verità, ti ho minacciato di fare una puntata io in

1243
01:13:17,880 --> 01:13:22,040
solitaria se non avremmo fatto iniziato a rimettere in pista MDB San

1244
01:13:22,040 --> 01:13:22,440
Maregino.

1245
01:13:22,440 --> 01:13:24,280
No, ma guarda, io sono contentissimo.

1246
01:13:24,520 --> 01:13:27,240
Voi entrambi sapete che fino a tre settimane fa la mia vita

1247
01:13:27,240 --> 01:13:28,440
era molto complicata.

1248
01:13:28,440 --> 01:13:30,360
Certo era anche un po' un casino.

1249
01:13:30,360 --> 01:13:30,600
Adesso

1250
01:13:31,640 --> 01:13:34,920
la situazione non dico che si normalizzerà perché finché non va a

1251
01:13:34,920 --> 01:13:37,800
fare la House, secondo me non si normalizza niente.

1252
01:13:37,800 --> 01:13:41,880
Però va bene: e aspetta, non basta solo quello.

1253
01:13:42,840 --> 01:13:46,320
Vi prego, ma no, non è anzi, è questione che diventi genitori

1254
01:13:44,840 --> 01:13:47,920
per sempre, c'è poco da fare.

1255
01:13:48,640 --> 01:13:52,160
Per cui no, podcaster di musica che MDB Sama Radio, che appunto

1256
01:13:52,240 --> 01:13:56,800
fra una settimana facciamo, basta, direi che mi si ritrova anche su

1257
01:13:56,800 --> 01:13:57,440
Twitter.

1258
01:13:57,440 --> 01:13:59,840
Io sono Alex G, A L X G I.

1259
01:13:59,840 --> 01:14:02,160
Se no, ragazzi, vabbè, cercate Alex Raccuglia.

1260
01:14:02,320 --> 01:14:05,360
Non chiedetelo a chat GPT perché dice che non conto un cazzo.

1261
01:14:05,760 --> 01:14:10,240
Ho appena chiesto, mi ha detto: non è una persona abbastanza famosa

1262
01:14:10,240 --> 01:14:12,000
da sapere qualcosa per cui non dico niente.

1263
01:14:12,000 --> 01:14:14,880
È molto interessante, diciamo che non si inventa più le cose.

1264
01:14:16,480 --> 01:14:21,440
Apro e chiudo una parentesi, Roberto diceva della rinuncia fatta a chat

1265
01:14:21,440 --> 01:14:22,000
GPT.

1266
01:14:22,000 --> 01:14:25,520
Sostanzialmente recentemente c'è stato qualcuno che

1267
01:14:26,560 --> 01:14:33,520
qualcuno ha chiesto di persone che conosceva che cosa faceva, e legittimamente

1268
01:14:33,520 --> 01:14:36,640
ha detto che era un assassino o un truffatore, o robe del

1269
01:14:36,640 --> 01:14:37,120
genere.

1270
01:14:37,120 --> 01:14:42,160
Quindi ovviamente questo può portare anche a diffamazione vera e propria, tra

1271
01:14:42,160 --> 01:14:46,480
virgolette, perché poi se ti affidi a questi sistemi, casomai, io dico

1272
01:14:46,480 --> 01:14:50,560
che se chat GPT non solo dice che Alex Arcula non sa

1273
01:14:50,560 --> 01:14:55,920
chi sia, ma dice che invece un noto trafficante o robe del

1274
01:14:55,920 --> 01:15:00,800
genere, potrebbe darti fastidio legittimamente, ecco, voglio dire.

1275
01:15:02,480 --> 01:15:05,200
Il problema che ti è dato fuori, sempre di questa storia dell'intelligenza

1276
01:15:05,200 --> 01:15:08,480
artificiale, non è tanto quello che le intelligenze artificiali ti dicono, ma

1277
01:15:08,480 --> 01:15:11,680
è che cosa ne fai tu delle informazioni che ti danno.

1278
01:15:11,680 --> 01:15:17,680
Cioè, se chiede l'intelligenza artificiale, o date questi esami, che probabilità ci

1279
01:15:17,680 --> 01:15:20,480
sono che questa applicazione, questa persona abbia una malattia?

1280
01:15:20,480 --> 01:15:23,760
E l'intelligenza artificiale dice: Ma secondo me siamo al 90%.

1281
01:15:23,760 --> 01:15:26,080
Allora tu, medico, allora vabbè, facciamo delle altre analisi.

1282
01:15:26,160 --> 01:15:27,280
Capiamo, vediamo.

1283
01:15:27,280 --> 01:15:28,640
Questo è un atteggiamento.

1284
01:15:28,640 --> 01:15:31,640
Se invece il dirigente dell'ospedale ti dice tu hai questa malattia e

1285
01:15:31,640 --> 01:15:35,240
nessuno ha controllato, ma magari le cose diventano un pochettino più complicate.

1286
01:15:29,920 --> 01:15:35,640
Nel senso,

1287
01:15:35,720 --> 01:15:39,800
cioè è sempre la questione di: alla fine ci deve essere passatemi

1288
01:15:39,800 --> 01:15:42,840
il termine, uno stronzo che ci mette la faccia.

1289
01:15:42,920 --> 01:15:43,800
No, è vero.

1290
01:15:44,600 --> 01:15:47,240
Quando qualcuno smette di metterci la faccia, è un problema.

1291
01:15:47,480 --> 01:15:51,000
E a questo punto se il problema è anche economico.

1292
01:15:51,000 --> 01:15:52,200
Io faccio un pensiero.

1293
01:15:52,600 --> 01:15:53,800
Ci pensavo l'altro giorno.

1294
01:15:53,800 --> 01:15:57,000
Siccome sono diventato padre, ormai la mia vita è cambiata, come dite

1295
01:15:57,000 --> 01:15:57,320
voi.

1296
01:15:57,320 --> 01:15:58,920
Le automobili guidano da sole, ok.

1297
01:15:58,920 --> 01:16:01,080
A questo punto dice, vabbè, a un certo punto, l'automobile guida da

1298
01:16:01,080 --> 01:16:02,440
sola è tirato sotto un bambino.

1299
01:16:02,600 --> 01:16:06,040
E l'azienda potrebbe dire: Sì, alla fine, se noi facciamo i conti

1300
01:16:06,040 --> 01:16:09,800
di quanto ci costa un bambino all'anno, 100 milioni, 200 milioni di

1301
01:16:09,800 --> 01:16:13,400
dollari, vabbè, dai, ci conviene lanciare comunque questa macchina.

1302
01:16:13,400 --> 01:16:15,800
Ecco, non è una questione di quanto costa un bambino all'anno, che

1303
01:16:15,800 --> 01:16:16,520
quello è un bambino.

1304
01:16:16,520 --> 01:16:20,040
Cioè, nel senso, non si può quantificare, sono due, sono

1305
01:16:21,160 --> 01:16:23,400
due cose diverse: un per e una mela.

1306
01:16:23,560 --> 01:16:25,240
Non vanno messe sullo stesso piano.

1307
01:16:25,240 --> 01:16:30,040
E se si dà la possibilità a una macchina di sbagliare, sì,

1308
01:16:30,440 --> 01:16:33,480
ne prendiamo la responsabilità anche sti cazzi, tanto facciamo i soldi, è

1309
01:16:33,480 --> 01:16:36,520
questa roba qui, e questo che è contro la vita, non altre

1310
01:16:36,520 --> 01:16:39,160
scelte, non altre ideologie, dal mio punto di vista.

1311
01:16:39,160 --> 01:16:42,840
Però qui ci stiamo spingendo su territori che non sono neanche politicamente

1312
01:16:42,840 --> 01:16:45,240
corretti, per cui finiamola qui esatto.

1313
01:16:45,240 --> 01:16:49,480
Prima, però, una cosa che non abbiamo detto, ma abbiamo accennato qua

1314
01:16:49,480 --> 01:16:52,840
e là, vi ricordiamo: visto che siamo tutti e tre assieme e

1315
01:16:52,840 --> 01:16:57,640
abbiamo anche in chatte i nostri alleghi compagni, che se tutto va

1316
01:16:57,640 --> 01:17:03,240
bene, se tutti avremo il tempo giusto, il 5 di giugno, se

1317
01:17:03,240 --> 01:17:07,400
non sbaglio, ore 19, ci ritroveremo a chiacchierare.

1318
01:17:07,400 --> 01:17:12,920
Visto che questa puntata esce prima del WWDC, a chiacchierare in diretta

1319
01:17:12,920 --> 01:17:20,880
sull'evento Apple, e quindi, se vorrete, potrete riascoltarci, noi tre più si

1320
01:17:20,880 --> 01:17:24,080
spera a Davide Gatti e non so, anche Daniele.

1321
01:17:24,080 --> 01:17:25,360
Lo prendiamo, Daniele.

1322
01:17:25,760 --> 01:17:28,880
Daniele, sì, sì, sì, assolutamente.

1323
01:17:28,960 --> 01:17:35,120
Quindi, noi cinque a chiacchierare, adesso non abbiamo ovviamente mai organizzato nulla

1324
01:17:35,120 --> 01:17:38,640
di che, ma diciamo, possiamo dare quasi per sempre.

1325
01:17:39,120 --> 01:17:40,080
Lo devo per sicuro.

1326
01:17:40,240 --> 01:17:43,200
Io sono qua che devo cercare di capire se faccio il commento,

1327
01:17:43,200 --> 01:17:45,760
anche la conferenza successiva.

1328
01:17:47,280 --> 01:17:50,480
Lo dico tutti gli anni, ma questo giro, visto che sono interessato

1329
01:17:50,480 --> 01:17:52,320
a varie cose, potrei anche

1330
01:17:54,800 --> 01:17:58,880
cercare di fare con te la notte, anche se la mia età

1331
01:17:58,880 --> 01:18:01,360
anziana, non so quanto reggo.

1332
01:18:01,520 --> 01:18:02,640
Bello facciamo.

1333
01:18:03,360 --> 01:18:06,000
Se siamo in due, è già più giustificabile.

1334
01:18:06,080 --> 01:18:10,320
Io me ne tiro già subito fuori, ma anche no, dormo preferisco.

1335
01:18:10,320 --> 01:18:13,680
Purtroppo non è il mio ambito di applicazione preferito.

1336
01:18:13,680 --> 01:18:15,360
E pazienza, fa lo stesso.

1337
01:18:15,360 --> 01:18:21,360
Lascio voi due a divertirvi con i diciamo fuori onda, chiamiamoli così,

1338
01:18:21,360 --> 01:18:25,520
dedicati agli sviluppatori che ci saranno poi dopo la conferenza che è

1339
01:18:25,520 --> 01:18:27,760
fatta per noi comuni mortali.

1340
01:18:27,760 --> 01:18:32,000
Ma diciamo che dopo aver ringraziato Alex per averci intrattenuto con le

1341
01:18:32,000 --> 01:18:33,440
sue cose interessantissime.

1342
01:18:33,440 --> 01:18:37,600
Io invece vi ricordo che se volete supportare il podcast, potete lasciare

1343
01:18:37,600 --> 01:18:40,240
una bella recensione su Apple Podcast.

1344
01:18:40,240 --> 01:18:42,160
Un po' di stelline ci aiuterebbero.

1345
01:18:42,160 --> 01:18:44,560
Se volete scrivere due righe, ancora meglio.

1346
01:18:44,560 --> 01:18:49,600
Se volete entrare in contatto con noi, potete scriverlo tranquillamente all'indirizzo di

1347
01:18:49,600 --> 01:18:51,520
posta elettronica.

1348
01:18:51,520 --> 01:18:55,040
Scrivi.A chiocciola due podcast.it.

1349
01:18:55,040 --> 01:18:58,800
Sarà quella chiocciola che hai messo al posto della chiocciola, che possono

1350
01:18:58,800 --> 01:19:01,880
capire solo chi legge le note dell'episodio che magari mi sbarella un

1351
01:19:01,880 --> 01:19:04,680
po' la vista, ma dovete anche capire che ho una certa età

1352
01:19:04,680 --> 01:19:08,440
e ho anche un faro puntato sulla faccia per farmi vedere, anche

1353
01:19:08,440 --> 01:19:13,400
se non ce n'è bisogno, ma perché giustamente bisogna essere influencer nell'animo

1354
01:19:13,400 --> 01:19:13,720
per

1355
01:19:15,480 --> 01:19:20,600
portare avanti la baracca e troverete come sempre tutte le note dell'episodio

1356
01:19:20,600 --> 01:19:25,400
con il link degli argomenti che abbiamo trattato in questa puntata e

1357
01:19:25,400 --> 01:19:31,720
tutti i nostri riferimenti andando a visitare a2podcast.it/58.

1358
01:19:33,160 --> 01:19:35,960
Dove ci potete trovare per quanto mi riguarda la mia casa digitale

1359
01:19:36,040 --> 01:19:39,960
la trovate sul mio blog personale che è diventato la casa digitale

1360
01:19:39,960 --> 01:19:42,600
dove c'è tutto quanto di cui mi occupo e non vi voglio

1361
01:19:42,600 --> 01:19:49,800
tediare oltre, la troverete sull'indirizzo marconnet.wordpress.com e si tratta essenzialmente del mio

1362
01:19:49,800 --> 01:19:51,960
blog che si chiama Mac e Architettura.

1363
01:19:51,960 --> 01:19:53,560
Invece il nostro buon Filippo dove lo troviamo?

1364
01:19:53,640 --> 01:19:58,680
Awesome.it e posso dirlo, il mese scorso ho lisciato il podcast, ma

1365
01:19:58,680 --> 01:20:01,960
questo mese ho registrato e già editato la puntata, quindi direi che

1366
01:20:01,960 --> 01:20:03,560
verrà pubblicata come al solito.

1367
01:20:03,560 --> 01:20:09,640
Adesso anzi, probabilmente con il divario temporale che abbiamo, forse viene pubblicato

1368
01:20:09,640 --> 01:20:11,400
prima la puntata e di questa.

1369
01:20:11,400 --> 01:20:15,880
Però insomma, c'è la puntata 40 di compendium, anche se la volete

1370
01:20:15,880 --> 01:20:21,720
ascoltare, facendo gli applausi a Filippo per questo suo traguardo raggiunto, il

1371
01:20:21,720 --> 01:20:23,400
numero 40, che è un numero tondo.

1372
01:20:23,400 --> 01:20:25,320
Ci sentiamo poi tra due settimane.

1373
01:20:25,320 --> 01:20:26,760
Alla prossima, ciao,