Esistono varie forme di machine learning e quella di cui parliamo oggi ha dimostrato di avere enormi potenzialità e ricadute nel mondo reale. Pensieri in codice Entra a far parte della community Canale Telegram Gruppo Telegram Sostieni il progetto Sostieni tramite Satispay Sostieni tramite Revolut Sostieni tramite PayPal (applica commissioni) Sostieni utilizzando i link affiliati di Pensieri in codice: Amazon, Todoist, Readwise Reader, Satispay Sostenitori di oggi: Edoardo Secco, Carlo Tomas, Corrado Bigliardi Partner Runtime Radio GrUSP - Codice sconto per tutti gli eventi: community_PIC Schrödinger Hat Fonti dell'episodio https://www.nature.com/articles/s41586-023-06004-9 https://www.deepmind.com/blog/alphadev-discovers-faster-sorting-algorithms Attrezzatura Shure Microfono Podcast USB MV7 Neewer NW-5 Pannello fonoassorbente Link affiliati: il costo per te non cambia, ma una piccola parte del ricavato sostiene il podcast. Crediti Sound design - Alex Raccuglia Voce intro - Maria Chiara Virgili Voce intro - Spad Musiche - Kubbi - Up In My Jam, Light-foot - Moldy Lotion, Creativity, Old time memories Suoni - Zapsplat.com Cover e trascrizione - Francesco Zubani
Audio and video play straight from the show's own hosting. PodSubs stores and serves no media.
Transcript
From the show. Tap a time to play from there.
Sono mesi ormai che il mondo intero è rimasto a bocca aperta dopo aver visto le potenzialità di chat GPT e le migliaia di applicazioni che ne stanno fiorendo al ritmo di decine al giorno. Anche noi ne abbiamo parlato nello scorso episodio. Ma il machine learning non è fatto solo di large language model che replicano il comportamento umano. Esistono altri tipi di intelligenze artificiali basate su approcci differenti e che possono generare risultati e ricadute anche più importanti.
Noi oggi, approfittando di una notizia che forse non ha avuto il giusto risalto, cogliamo l'occasione per parlare di una differente forma di machine learning chiamata Deep Reinforcement Learning. Ma prima ascoltiamo la sigla. Sono due mesi, lo so, ti è mancata, anche a me. Benvenuti su Pensieri in Codice. Il podcast dove si ragiona da informatici con Valerio Galano.
Cominciamo dalla notizia. Il 7 giugno di quest'anno, quindi circa un mese e mezzo fa, DeepMind, una sussidiaria di Google che fa ricerca nel campo dell'intelligenza artificiale, ha annunciato che uno dei suoi sistemi, in particolare quello chiamato Alphadev, ha sviluppato un nuovo algoritmo di ordinamento utilizzando il linguaggio Assembly. Detta così potrebbe sembrare qualcosa di banale, una notizia come tante, ma la realtà
è che si tratta di un passo in avanti molto importante. Questo nuovo algoritmo, infatti, ha la caratteristica di essere più efficiente di tutti i suoi predecessori implementati fino ad ora da intelligenze umane. I ricercatori informatici lavorano continuamente nel tentativo di migliorare le performance degli algoritmi di base e, nello specifico, per quelli di ordinamento, erano anni che non veniva realizzato qualcosa che risultasse più veloce di quelli già conosciuti.
Con l'impiego di Alphadev, invece, questo limite è stato superato ed è una cosa emblematica che colpisce sotto tanti punti di vista. Innanzitutto perché, parlando pragmaticamente, un migliore algoritmo di ordinamento ha ricadute positive enormi sul mondo reale, a breve ne parleremo in modo più approfondito. Ma oltre a ciò, da un punto di vista più generale, questo avvenimento ci dà un'idea di quali siano le grandi potenzialità di un sistema di machine learning quando viene
utilizzato effettivamente per superare quelli che sono i limiti dell'inventiva umana. Ma procediamo con ordine e facciamo un passo indietro perché, per capire bene gli aspetti più interessanti di questa vicenda, è necessario conoscere un paio di concetti. Quindi, innanzitutto, ripassiamo brevemente cos'è un algoritmo di ordinamento, che cos'è il linguaggio Assembly e poi parliamo di come funziona Alphadev e di che cosa è stato in
grado di produrre. Senza entrare nel campo tecnico, un algoritmo di ordinamento, lo dice il nome stesso, è un algoritmo che serve ad ordinare qualcosa. Nella sua forma più semplice, solitamente questo qualcosa sono numeri, perché i computer lavorano essenzialmente con i numeri. Quindi, banalmente, se avessi una lista come 7, 1 e 499, potrei utilizzare uno dei tanti
algoritmi di ordinamento già esistenti per trasformarla in 1, 7 e 499. Ovviamente, la mia lista potrebbe essere di tre numeri, ma anche di due, di uno o di un miliardo, poco importa, alla fine dell'esecuzione l'algoritmo me la dovrebbe restituire ordinata. Ok, bene, ma a cosa serve ordinare dei numeri? Beh, diciamo che in campo informatico serve praticamente per qualsiasi cosa. Se ti stai immaginando una colonna di numeri in Excel che si può ordinare con un clic,
sappi che la storia è molto più complicata di così. Nel software in generale, operare su dati ordinati è più conveniente che farlo su dati organizzati in modo casuale. Pertanto, qualsiasi programma, procedura, sistema, esegue ordinamenti ogni volta che ciò è conveniente dal punto di vista computazionale. Ovviamente non lo fa di sua spontanea volontà, ma sono i programmatori che, ogni qualvolta devono implementare un algoritmo, possono decidere se ordinarne i dati sia un atto migliorativo
o meno per lo scopo che si sono prefissi. E questo tipo di operazioni è presente a tutti i livelli. Può ordinare l'utente quando, ad esempio, filtra una lista o, come dicevamo poco fa, ordina una colonna Excel. Può ordinare un software prima di lavorare su dei dati. Può ordinare un componente hardware prima di eseguire certe operazioni. E il discorso può essere complicato o poi a piacere, se pensi che in informatica tutto è espresso per mezzo di numeri. I caratteri, i simboli, i dati, gli oggetti.
Alla fine sono tutti numeri e quindi tutti possono essere ordinati in qualche modo. Ed è grazie a questo fatto che il nostro computer può ricercare all'interno dei nostri harddisk, file, archivi cloud, eccetera. Ed è sempre grazie all'ordinamento delle informazioni se può restituirci risultati in tempi brevi. Immagina il tuo harddisk come un elenco telefonico o un dizionario, se non fosse ordinato in qualche modo, quanto ci vorrebbe per trovare un numero o una parola.
E poi, oltre che per l'efficienza, l'ordinamento è importante anche a livello funzionale, per l'esperienza utente. Immagina di ricevere i risultati di un motore di ricerca non ordinati per attinenza. Sarebbero praticamente inutili, dovresti spulciare decine e decine di pagine ogni volta. Insomma, l'ordinamento è fondamentale praticamente in ogni aspetto della gestione delle informazioni, sia digitali che analogiche. E oggi come oggi significa praticamente qualsiasi cosa.
E quindi, a questo punto, riesci a immaginare quante volte al giorno NEL MONDO viene invocato un algoritmo di ordinamento? Il conteggio va fatto in trilioni. Oggi come oggi è difficile che qualcuno scriva il proprio algoritmo di ordinamento. Avviene, ma solo in casi particolari. E per questo motivo le migliori implementazioni di tali algoritmi sono già presenti sotto forma di funzioni invocabili all'interno degli strumenti software che i programmatori
solitamente utilizzano. Quindi l'idea di fondo della ricerca è che se si riescono a migliorare le performance di tali funzioni, sostituendole poi all'interno dei linguaggi, dei compilatori e dei chip, il beneficio che ne deriva è enorme e viene propagato in maniera relativamente facile e trasparente al software realizzato tramite tali strumenti. I ricercatori lavorano sempre a nuovi algoritmi di base. Migliorare infatti le performance di questi porta chiaramente ricadute positive a tutti
i livelli. Ora ci sarebbe tanto da dire su questo argomento, sul concetto di efficienza, sulle caratteristiche dei algoritmi eccetera, ma per quello che ci interessa oggi accontentiamoci di tenere a mente questo fatto. Un algoritmo più performante consuma meno risorse, quindi può essere eseguito su processori meno potenti, spreca meno energia e fa il suo lavoro in meno tempo. Da tutto questo derivano tutta una serie di vantaggi tecnici. In pratica, migliorare gli algoritmi di base incrementa di molto la qualità del software
sovrastante rendendolo più leggero e veloce. Adesso la seconda nozione da tenere a mente riguarda invece il linguaggio Assembly. Anche qui, senza essere tecnici che tanto non ci serve, Assembly è un linguaggio molto simile alle istruzioni che si utilizzano normalmente per istruire i processori. Diciamo che è quasi la lingua nella quale si può dialogare direttamente con una CPU.
Naturalmente, nella frase che ho appena detto, quel quasi è molto importante. Infatti, questo linguaggio, come tutti i linguaggi, è una strazione, cioè ha lo scopo di permettere ai programmatori di ignorare le peculiarità dei singoli processori che possono differire a seconda di tipo, modello, marca. Ma siccome si tratta di un set di istruzioni molto complesse da combinare insieme direttamente per ottenere ciò che si desidera, la programmazione, in pratica, si svolge utilizzando altri linguaggi
definiti comunemente ad alto livello, che sono a loro volta astrazioni di Assembly e sono più semplici da utilizzare per noi umani. Tali linguaggi vengono poi tradotti in codice Assembly e questo codice viene a sua volta tradotto nelle istruzioni proprie dello specifico processore prima di dargliele in pasto. Ok, so che sembra complicato, ma non lo è. Prova a seguirmi sul ragionamento. Hai mai visto un esempio di codice sorgente di un qualsiasi software?
Avrai notato che, a prescindere dal linguaggio in cui era scritto, la sintassi, pur non essendo una lingua corrente, ha qualcosa di simile all'inglese? Magari una funzione inizia con la parola function o una variabile definita con var o una condizione con if? Ecco, questo è un linguaggio ad alto livello. Quando un programma scritto in questo modo deve essere eseguito, lo si fa elaborare ad un altro programma chiamato compilatore, che prende tutte le istruzioni scritte in questa
specie di inglese e le trasforma in istruzioni assembly, che risultano molto più complesse. Tramite poi un secondo programma, chiamato assembler, il codice assembly viene trasformato nelle vere e proprie istruzioni per il processore, ancora più complesse, e finalmente quest'ultimo può eseguire i comandi che gli sono stati impartiti. Se questi passaggi che ti ho descritto ti sono chiari, direi che per quello che dobbiamo affrontare oggi non ci serve altro.
Torniamo quindi all'argomento principale dell'episodio. Abbiamo detto che un certo motore di machine learning ha inventato un nuovo algoritmo, ma com'è possibile che un software inventi un altro software? Beh, in questo particolare caso tutto è iniziato dal concetto di gioco. Alphadev non è il primo sistema messo a punto dal team di DeepMind, prima di esso infatti
sono stati realizzati altri software di machine learning e alcuni di questi anche hanno fatto notizia. C'è stato ad esempio AlphaGo, che ha battuto il campione mondiale del gioco Go e che poi si è evoluto in AlphaZero, che è in grado di giocare a Go, a scacchi e persino a Shoji, quel gioco che a volte viene chiamato scacchi giapponesi. Poi c'è stato Alphastar, che ha sconfitto i migliori giocatori mondiali del famoso videogame Starcraft 2 della Blizzard.
Insomma, Alphadev ha a tutti gli effetti degli antenati illustri, ma questi sembrano essere specializzati nell'ambito del gioco e in realtà ciò non è un caso. I giochi che presentano tante possibili scelte per ogni mossa infatti, come ad esempio gli scacchi o i videogame di strategia in tempo reale, si prestano molto bene all'impiego di una particolare tecnica di machine learning chiamata reinforcement learning. Il reinforcement learning funziona più o meno in questo modo, si istruisce un'intelligenza
artificiale per farle tentare di conseguire un dato obiettivo e la si premia se riesce nell'intento oppure la si penalizza se fallisce. Nel nostro caso specifico, rapportando il tutto alla dimensione del gioco, si fa giocare la I al gioco designato e ad ogni mossa la si premia se la mossa scelta la avvicina alla vittoria o la si penalizza in caso contrario. Ad ogni operazione, in questo modo, l'algoritmo memorizza se la sua scelta è stata buona
o meno e, giocando miliardi di partite, impara come comportarsi nelle più varie situazioni del gioco. Anche se all'apparenza questo potrebbe sembrare un compito semplice per una intelligenza artificiale, si tratta in realtà di qualcosa di molto complesso perché una stessa mossa può avere un valore diverso a seconda di tantissime altre condizioni. Se pensiamo ad esempio agli scacchi, muovere il re può avere senso se ad esempio è sotto scacco, ma ne ha molto meno se nel muoverlo lo esponiamo all'essere mangiato da un pezzo
avversario. Si tratta di sviluppare una notevole capacità decisionale che fino ad un certo livello di complessità per noi umani è abbastanza naturale, ma non lo è affatto per una macchina. Immagina che il tuo obiettivo ad esempio sia andare a Roma, puoi prendere l'auto o comprare un biglietto aereo, tanto per dirne una, ma la scelta giusta cambia in base a dove ti trovi, a quanto traffico c'è, a quanto puoi spendere e a mille altri fattori, senza contare poi gli imprevisti, uno sciopero, un incidente e così via.
Da umano te la caveresti facilmente in una situazione del genere, ma insegnare ad un software come comportarsi efficientemente di fronte ad una molteplicità di casi diventa estremamente complesso. I giochi sono quindi un ambiente perfetto per questo tipo di machine learning, perché seppur presentino un alto grado di incertezza hanno comunque un set di regole limitato. È relativamente facile capire chi vince e chi perde e di norma non si verificano eventi
imprevisti. Ovviamente in quest'ottica l'obiettivo principale della IA è vincere la partita e per far sì che essa possa elaborare le informazioni, sia le ricompense che le penalità che le probabilità di vittoria vengono espresse tramite tutta una serie di complesse funzioni matematiche. Come abbiamo detto prima però, Alphadev non ha avuto a che fare con un classico gioco
umano né con un videogame, esso ha dovuto lavorare su altri algoritmi che in linea di principio sono qualcosa di abbastanza diverso da un gioco. Per questo motivo, per raggiungere il loro obiettivo, i programmatori di DeepMind hanno trasformato la ricerca di un algoritmo di ordinamento più veloce in una sorta di gioco progettato apposta per Alphadev. La vittoria in questo gioco consisteva appunto nello sviluppare un algoritmo che prima di tutto funzionasse correttamente e poi che fosse anche più veloce dei suoi predecessori.
Ad ogni mossa Alphadev selezionava e utilizzava una nuova istruzione dal set assembly che aveva a disposizione e veniva premiato se si avvicinava maggiormente all'obiettivo. Stabilite queste regole, l'IA ha giocato un numero enorme di partite, gareggiando contro se stessa e cercando ogni volta di stabilire il record di punteggio, attuando così una modalità di apprendimento che prende il nome di Deep Reinforcement Learning. Secondo gli sviluppatori di DeepMind, cito, il numero di possibili combinazioni di istruzioni
è simile al numero di particelle dell'universo e al numero di possibili combinazioni dimosse nei giochi degli scacchi e del go messi insieme, e una singola partita sbagliata invalida l'intero algoritmo. Ad ogni iterazione, quindi, dopo aver aggiunto l'istruzione scelta, Alphadev valutava la correttezza dell'algoritmo, confrontando il risultato ottenuto con quello atteso. La ricompensa scattava sia per la correttezza sia per la maggiore velocità.
Così facendo, alla fine, Alphadev ha scoperto un nuovo algoritmo di ordinamento che ha portato miglioramenti fino al 70% per le sequenze più brevi e circa dell'1,7% per le sequenze che superano i 250.000 elementi. Un dettaglio molto interessante, poi, è che, differentemente da come avviene nel caso dei large language model, non è stato necessario basarsi su esempi precedentemente creati da umani, ma il sistema ha scoperto da solo la propria strada verso la risoluzione del problema.
È una differenza che va ben colta perché l'approccio del Deep Reinforcement Learning è molto più utile rispetto all'LLM quando si cerca di produrre qualcosa di nuovo e migliore rispetto a quanto già fatto da menti umane. Qui non parliamo più, infatti, di una collezione enorme di esempi a cui attingere per creare una sequenza di parole sensate. Qui il concetto è risolvere un problema esplorando nuovi approcci e nuove combinazioni
mai provate prima. Ora, al di là dei dettagli tecnici per i quali ti lascio il paper originale in descrizione, la cosa secondo me più interessante di questa storia è che l'algoritmo di ordinamento è stato sviluppato utilizzando un approccio totalmente diverso dai precedenti sotto vari aspetti. Innanzitutto, per anni i ricercatori hanno progettato e realizzato algoritmi di base
utilizzando il ragionamento e l'intuito, mentre questo nuovo risultato è stato ottenuto letteralmente effettuando milioni di tentativi fino a scoprire la giusta combinazione di elementi. So che a prima vista è qualcosa che potrebbe ricordare il concetto di forza bruta, che di solito non è mai la migliore delle soluzioni auspicabili, ma la realtà è che il reinforcement learning è molto di più di un algoritmo di forza bruta e, risultati alla mano, la scelta di utilizzarlo ha portato a superare un limite che sembrava ormai definitivo.
Poi, un'altra peculiarità è che l'intera lavorazione è stata eseguita utilizzando Assembly e non un linguaggio ad alto livello e questo ha rappresentato un'ulteriore differenza nell'approccio perché gli umani in generale non lavorano sugli algoritmi Assembly. Questa scelta aveva un duplice scopo, innanzitutto restringeva il ventaglio di possibili combinazioni di istruzioni perché Assembly è meno articolato di un qualsiasi linguaggio a livello superiore
e poi eliminava un livello di complessità che poteva nascondere delle inefficienze. Se infatti pensiamo che un'istruzione di un linguaggio ad alto livello viene trasformata solitamente in una serie di istruzioni Assembly, possiamo anche supporre che una lunga sequenza di operazioni ad alto livello possa generare una combinazione in Assembly non ottimale. In teoria i compilatori dovrebbero evitare queste condizioni, ma non sempre è possibile farlo, prevedere tutte le possibili combinazioni che un programmatore potrebbe decidere di utilizzare
è praticamente impossibile. Quindi, in pratica, Assembly rappresenta un ambiente più flessibile in cui operare e utilizzandolo direttamente Alphadev ha potuto eliminare completamente tutto lo strato di incertezza dovuto all'astrazione causata da un qualsiasi linguaggio, lasciando poi ai programmatori umani il compito di ricostruire il nuovo algoritmo a livello superiore. E nello specifico, in DeepMind, hanno riportato tutto il lavoro fatto da Alphadev in linguaggio
C++ e poi l'hanno reso open e, altra nota positiva, l'hanno inserito in una delle librerie più utilizzate al mondo. Ciò significa che questo codice migliorato verrà ora utilizzato da centinaia di migliaia di programmatori e software e tutto ciò non può che essere un'ottima notizia per noi e per la società. Per via del suo approccio totalmente diverso da quello abitualmente utilizzato fino ad ora,
Alphadev, nello svolgere il suo compito, ha anche prodotto alcuni risultati molto singolari e interessanti. Un esempio di ciò è rappresentato da una serie di strane sequenze di istruzioni che i ricercatori di DeepMind hanno chiamato Alphadev Swap & Copy Moves. A livello concettuale, infatti, si tratta di qualcosa di molto simile alla mossa 37 di AlphaGo che la EA mise in campo contro il campione mondiale di Go. Durante quella leggendaria partita, l'intelligenza artificiale aveva eseguito una mossa talmente
controintuitiva che aveva stupito tutti gli esperti, campione compreso, ma che alla fine l'aveva portata a vincere il match. Con le sue Swap & Copy Moves, Alphadev a suo modo ha fatto qualcosa di simile, implementando alcune operazioni abbastanza banali in modo del tutto singolare e fuori da ciò che i ricercatori sono abituati a vedere. In pratica, nel proprio algoritmo, in alcuni casi, la EA ha deciso di saltare a piepari alcune istruzioni nel flusso del codice, istruzioni che fino ad ora erano considerate
indispensabili per il corretto funzionamento del processo. Nello specifico, il fenomeno si è manifestato nel caso in cui venga calcolato l'ordinamento per otto numeri, dove alcune istruzioni di confronto semplicemente mancano nell'algoritmo. A prima vista, questo comportamento è apparso come un errore, ma poi, verificando meglio nel codice, si è scoperto che, per via di come era strutturato il processo, per quel particolare caso semplicemente quei confronti non servivano.
Se essi fossero stati implementati, infatti, avrebbero restituito un unico valore, lo stesso, sempre, ad ogni esecuzione con qualsiasi sequenza di input. Quindi, banalmente, erano superflui. Questo fatto mostra come una intelligenza di reinforcement learning sia in grado letteralmente di scoprire soluzioni più efficienti, anche quando queste, apparendo contrarie ad ogni logica, sono, invece, molto difficili da individuare con intuito e creatività.
In DeepMind, poi, si sono concentrati particolarmente sul miglioramento degli algoritmi di ordinamento per sequenze brevi, fatte di 3-5 elementi. Tali algoritmi sono, infatti, tra i più utilizzati, perché vengono spesso impiegati più volte come parte di funzioni di ordinamento di sequenze più ampie e, quindi, il loro miglioramento può portare ad una velocizzazione complessiva per qualsiasi numero di elementi.
Questa focalizzazione ha, quindi, portato ad un ulteriore risultato particolarmente interessante che è venuto fuori per la funzione chiamata varsort4, cioè la funzione di ordinamento di liste di 4 elementi. Come accennavamo poco fa, nei moderni linguaggi di programmazione, la funzione normalmente invocata per l'ordinamento, che di solito si chiama sort o qualcosa del genere, nasconde in realtà una serie di funzioni diverse al proprio interno, che vengono impiegate a seconda del numero di elementi da ordinare.
In pratica, ciò vuol dire che se io da programmatore utilizzo la funzione sort, questa a sua volta conta gli elementi da ordinare e se sono 2 invoca sort2, se sono 3 invoca sort3, se sono 4 sort4 e così via, fino ad un certo numero che varia a seconda dell'implementazione. Poi, superato tale numero, vengono utilizzate combinazioni di tutte queste funzioni per sequenze più piccole. Ebbene, Alphadev ha scoperto che per una lista di 4 elementi questo non è il modo più efficiente
di procedere, almeno in assembly. Al contrario, ha utilizzato il seguente approccio. Come già noto, se gli elementi sono 2 chiama la funzione varsort2, se gli elementi sono 3 chiama varsort3, ma se gli elementi sono più di 3 chiama comunque varsort3 sui primi tre elementi e poi invoca una versione semplificata di varsort4 che lavora sul risultato parzialmente ordinato da varsort3. Ok, lo so che è un processo un po' complicato da descrivere a parole e da immaginare, ma
se vuoi trovi un semplice schema nel paper alla figura 4. Ad ogni modo, cambiando questa strategia che prima era considerata basilare e ovvia quasi scontata, si è scoperto che si ottiene un notevole incremento in termini di velocità complessiva e quindi di efficienza dell'algoritmo. Insomma, migliorando uno degli algoritmi più utilizzati dagli sviluppatori di tutto il
mondo, Alphadev va dimostrato come un'intelligenza artificiale e può essere utilizzata in modo da avere un impatto positivo e reale sulle nostre vite. Utilizzandolo in questo modo, questo motore di Machine Learning può rappresentare un'arma potentissima nello sviluppo di strumenti che contribuiscono a migliorare l'intero panorama informatico e a risolvere problemi a vantaggio dell'intera società. Migliorando Alphadev, o addirittura sviluppando dei competitor più potenti, si potrebbero ottimizzare algoritmi direttamente nei vari linguaggi ad alto livello e ciò potrebbe
risultare ancora più utile nel mondo dello sviluppo software. Ma anche così, le creazioni di Alphadev, come le Swap & Copy Moves o la Varsort 4, non solo dimostrano che esso può migliorare un algoritmo esistente, ma addirittura che è in grado di trovare nuove soluzioni del tutto innovative a problemi di complessità enorme. E questa cosa è possibile perché, a differenza dei large language model come ChatGPT, gli algoritmi di Deep Reinforcement Learning come Alphadev sono in grado realmente di creare
qualcosa di nuovo, di inventare soluzioni e non solo di riprodurre quello che è il comportamento umano. Bene, finisce qui l'episodio di oggi. Per tutti i dettagli riguardanti la notizia, l'algoritmo, eccetera, ti rimando ovviamente ai link in descrizione. Ringrazio come sempre Edoardo e Carlo per la loro donazione mensile e poi Corrado che
ha fatto la sua donazione ormai ben due mesi fa, ma io sono super ingolfato e ci ho messo una vita a far uscire questo episodio. A proposito, in queste settimane ho preparato una roba interessantissima, ma che per ora è top secret. Se riesco spero di pubblicarla già al prossimo episodio. Tu intanto, se apprezzi il mio lavoro, fai come Carlo, Edoardo e Corrado e dimostralo concretamente. Sul sito Pensieri in Codice trovi tutti gli episodi, tutti i link per le donazioni, le
affiliazioni, il gruppo Telegram, il canale Telegram, eccetera. E in più, da oggi, se doni più di 10€, anche accumulando più donazioni e conteggiando le donazioni passate, ricevi a casa tutti gli adesivi e il segnalibro con le nuove grafiche. Basta che mi scrivi il tuo indirizzo per email o su Telegram. A proposito poi di Telegram, ti ricordo che l'accesso al gruppo di Pensieri in Codice è su autorizzazione per via dei bot che infestano la piattaforma, quindi ti consiglio di scrivermi
per velocizzare le procedure di verifica, ti basta cercare chiocciola valerio galano direttamente nella casella di ricerca di Telegram. Infine, non dimenticare di condividere l'episodio con amici, parenti, gruppi, eccetera, che come al solito io cerco di farti fare bella figura e a te spargere la voce non costa nulla. E basta, grazie per aver ascoltato fin qui, noi ci sentiamo al prossimo episodio e tu non dimenticare mai che un informatico risolve problemi, a volte, anche usando il computer.
Quanto inquina una domanda fatta a un chatbot? In rete le risposte non mancano, ma quanto sono affidabili? In questo episodio della Community Edition Paola Zubani, consulente in ambito sostenibilità, ci accompagna tra...
Da quando lavoro con gli agenti di Intelligenza Artificiale, il mio Second Brain ha rischiato di morire: a cosa serve prendere appunti, se tanto la macchina sa già tutto? In questo episodio ti racconto perché invece è...
Per festeggiare i 150 episodi, stavolta al microfono non ci sono solo io: Nox, speaker artificiale di Runtime by Night, mi intervista per provare a raccontarti la vera anima di Pensieri in codice, tra idee da smontare,...
Oggi parliamo del legame tra tecnologia e memoria: come gli strumenti digitali cambiano il nostro modo di ricordare, come funziona la memoria umana e in cosa differisce da quella digitale. E sul finale una bella...
Oggi ti racconto la storia dell’Elea 9003, il primo calcolatore elettronico commerciale italiano: un’avventura tra Olivetti, ricerca, transistor e design che ha provato a portare l’Italia nel futuro dell’elettronica....