8.1.25

σ (sigma) e CFR, quante misure servono per il controllo di qualità?

Iniziamo subito con la solita frase rituale... se ti infastidiscono i numeri, “skippa e vai oltre”!
Almeno saprete immediatamente di che morte dovrete morire continuando in questa lettura. 😉


Per quelli che non hanno skippato; vi ricordate della curva “bruttina” che avevamo visto nel post del CFR? Eccola qui, ve la ripropongo:

Dicevamo che questa curva oltre che "bruttina" é definibile alquanto... lineare e sgranata, da cosa deriva questa sua forma? Questa sua forma bruttarella è data da un campione piuttosto esiguo (circa 80 valori) e molto variegato, con valori che vanno da 0 a 5 ∆E₀₀, in maniera molto lineare. Vi ricordate della curtosi vero?

Proviamo ora a chiederci: 
...come sarebbe stata la curva se invece di 80 campioni ne avessimo misurati 1000?
Detto-fatto vi accontento subito, nel video seguente vediamo come all’aumentare dei campioni la curva diventa sempre più morbida e meglio definita.


…Mauro, ma da dove arriva tutta sta mole di dati?

No, no, tranquilli, non ho fatto 1000 misure a mano (ci avrei messo una vita!), ho usato semplicemente un simulatore di misure casuali sviluppato dal sottoscritto in un famoso foglio di calcolo che inizia con la lettera "E" e finisce con "xcel".
Nel video vediamo come all’aumentare delle misure, anche se simulate come in questo caso, l'andamento della popolazione possa essere ipotizzato con sempre maggiore precisione; di contro una campionatura esigua é in grado di darci solo una vaga idea approssimativa della popolazione totale.

Questo piccolo esperimento ci aiuta a capire meglio come dovrebbe essere effettuato un campionamento di qualità statistico attuato in tiratura ed in parte risponde alla domanda che mi ero fatto in questo post relativamente alle difformità del supporto stampato. Guardando l’andamento della curva CFR si capisce come una singola misura alterata influisca sempre meno sul totale del campione nel momento in cui effettuiamo altre misure e valutiamo il campione nel suo complesso. Ovviamente la curva si sposterà verso un giudizio negativo all’aumentare delle difformità del supporto stampato. Stesso discorso vale per il giudizio sulla stabilità del sistema di stampa. Una tiratura di stampa stabile produrrà una curva CFR buona od ottima, mentre un sistema di stampa affetto da un alta variabilità produrrà una curva CFR mediocre o scadente.

Mauro ma che dici!??!! Io mica posso fare 1000 misure per ogni singolo stampato!!!
VERO! ma teniamo in dovuta considerazione alcune cose:
  1. tutta la campionatura non deve essere fatta individualmente su ogni singolo pezzo stampato, né tantomeno va fatta su ogni singolo centimetro dello stampato, può essere invece spalmata lungo tutta la tiratura in quanto la stabilità/omogeneità del sistema di stampa è una prerogativa meccanica del sistema flexo che si presuppone stabile e, nel caso, viene di volta in volta verificata effettuando una corretta ottimizzazione del sistema di stampa.
  2. più la campionatura è numerosa e più risulta essere veritiera / statisticamente probabile. Più sarà esigua e meno sarà veritiera / statisticamente significativa.
  3. ricordiamoci che la curva CFR cerca di rappresentare l'andamento del totale della popolazione (ossia della tiratura di stampa) basandosi sulle misure effettuate su una parte di essa (ossia il campione).
  4. la campionatura può essere fatta anche misurando un solo valore per ogni copia stampata; se la tiratura è ad esempio di 1.000 pezzi, basterà anche una singola misura fatta su ogni copia per iniziare ad avere una campionatura numerosa.
  5. risulta scontato che affidare la campionatura a strumenti e software specifici, che lavorano in linea al processo di stampa (e non fatta manualmente post-stampa), semplifica mostruosamente tutto il processo di controllo qualità.

In un recente post Eddy Hagen ha voluto enfatizzare come i controlli in linea delle macchine da stampa possano trasformarsi da una benedizione ad una maledizione, vedi qui:

Il post di Eddy è chiaramente provocatorio e vuole enfatizzare come in flessografia non sia possibile effettuare correzioni colore in tiratura specifiche per ogni singolo cm del prodotto stampato. Ed, in effetti, vedremo più avanti che questo tipo di valutazione, al fine del controllo qualità, non è assolutamente necessario.

...ma allora quando un ∆E₀₀ misurato risulta essere eccessivo, ed è da correggere?

Qui dobbiamo fare un distinguo su come ragionano i sistemi di controllo closed-loop .

Immaginiamo di avere a disposizione in macchina da stampa uno strumento in linea che sia in grado di misurare le scale di controllo. Data la natura delle macchine flexo, un sistema di controllo in linea non può effettuare correzioni colore per "sezioni" del lavoro stampato, così come avviene in una macchina da stampa offset, il sistema di controllo non potrà quindi agire in tempo reale sull'apertura o sulla chiusura dei calamai, visto che non ci sono, ma dovrà avere più un comportamento di tipo "statistico".
Nel momento in cui lo strumento dovesse misurare un valore di ∆E₀₀ superiore al target impostato, il sistema di controllo dovrà IMMEDIATAMENTE applicare delle correzioni in macchina per cercare di ridurre questa singola lettura errata?
Beh... direi propio di no, in quanto chi può dirci se la prossima copia avrà lo stesso valore "sballato"?
Ricordiamoci che molte volte una lettura fuori tolleranza è solo dovuta ad una difformità specifica di quella singola copia. Visto che il controllo qualità prevede che il 68,27% ossia 2σ (più della metà del campione) rientri nelle specifiche di produzione, può una singola lettura fuori tolleranza inficiare tutta la tiratura?
...quindi se una (1) singola lettura risulta fuori tolleranza cosa dobbiamo fare?
NIENTE! non dobbiamo fare proprio un bel niente!
Una singola lettura fuori tolleranza non incide sula qualità della produzione nel suo complesso.
Al contrario se la misura fuori tolleranza si presenta una volta, e poi ancora alla copia successiva e poi ancora... e così via fino a produrre una TENDENZA statisticamente significativa... allora SI, in quel caso il sistema di controllo dovrà attuare le azioni necessarie alla correzione NON della singola misura, ma della tendenza della produzione nel suo complesso, per fare in modo che questa rientri nelle tolleranze prestabilite dal contratto di fornitura.

Vedete adesso delinearsi meglio ed in un ottica più ampia come un controllo di qualità ragionato, sia qualcosa IN PIÙ rispetto ad una singola misura effettuata su una singola scaletta di controllo di una singola copia stampata.
La singola lettura fatta una-tantum può realmente essere considerata una roulette russa, al contrario le misure dell’andamento storico della produzione nel suo complesso non lo sono mai, anzi avere a disposizione un report storico relativo ALLA/E produzioni di un sistema di stampa flexo diventa un ottimo strumento di controllo sia della singola tiratura, che dello stato qualitativo generale di tutto il sistema di stampa nel suo complesso.

Buona misurazione.

1.1.25

CFR (Cumulative Frequency Relative), questo sconosciuto

In un post precedente (questo post), che vi consiglio vivamente di rileggere prima di continuare nella lettura, avevamo cercato di sviscerare un po' il concetto di scarto quadratico medio σ (Sigma).

Come sempre... se ti infastidiscono i numeri, “skippa e vai oltre” (semicit. Caparezza) 😉

Sigma si adatta molto bene per misure come: la densità di stampa, oppure la percentuale di retino e simili, perché queste hanno un valore medio (Mean), un limite superiore (UCL) ed un limite inferiore (LCL).  In entrambe le direzioni, sia con valori troppo bassi che troppo alti, le misure possono arrivare ad essere fuori tolleranza. Vedi qui sotto un esempio applicato alle misure di densità.


Quando si tratta invece di valutare misure che posseggono solo valori positivi crescenti, come le misure di ∆E₀₀, si evidenzia una relativa complessità insita nell'uso di Sigma, in quanto i valori di Sigma inferiori a Mean (µ) sono, ovviamente, da considerarsi sempre buoni perché tendenti a zero che rappresenta il valore perfetto.


Vista la relativa complessità dell'uso di Sigma applicato alle misure di ∆E₀₀, immagino quindi vi farà estremamente piacere sapere che esiste un altro metodo statistico, molto più diretto e di facile interpretazione visiva, che meglio si adatta a ∆E₀₀. Stiamo parlando della curva CFR:

Cumulative Frequency Relative (CFR)

La curva CFR è in grado di farci vedere in modo molto più semplice e diretto se un campione di dati ha un andamento classificabile come: Ottimo, Buono, Mediocre o Scadente, rispetto a dei valori standard da noi precedentemente definiti.

La curva CFR valuta la bontà del campione in 3 punti percentile specifici; valuta il 50%, il 90% ed il 100% del campione.

… Mauro, ma cosa significa percentile?

Percentile significa ricondurre un campione qualsiasi composto da X elementi, ad una scala predefinita fissa di 100 valori. L’uso del percentile ci consente di posizionare con semplicità dei paletti qualitativi a nostra discrezione.

…ok Mauro, è dove li mettiamo questi paletti?

Dobbiamo quindi in primo luogo definire quanti e quali sono i valori standard. Dicevamo che vogliamo classificare il campione in quattro categorie specifiche, vediamole schematizzate nella seguente tabella:

Calcolato il percentile del campione e stabiliti i paletti qualitativi necessari alla nostra valutazione, possiamo ora tracciare la curva CFR, come nell'esempio qui sotto:

La curva CFR, a differenza di Sigma, è in grado di visualizzare in modo semplice e diretto l'andamento del campione in relazione alle fasce qualitative indicate. Tramite un semplice giudizio visivo possiamo giudicare come i dati rispecchino un certo tipo di comportamento.

… bello Mauro, ma funziona sul serio?

Se non ci credete, possiamo fare un esempio pratico utilizzando gli stessi valori usati nel post del Sigma, questo era il campione:

E questa é la risultante curva CFR applicata al campione:


In questo caso la curva è un po’ "bruttina" perché la campionatura è in numero esiguo; la curva CFR sarà tanto più morbida quanto più ampia è la campionatura.

… ok Mauro come possiamo interpretare questa curva CFR?

In prima analisi possiamo dire che i valori del campione rientrano in un giudizio al limite tra Buono e Mediocre. Sono quindi migliorabili? si, certamente. Sono tutti da buttare? No, direi proprio di no, anzi sono valori accettabili.

CFR ci aiuta nel valutare in modo immediato ed intuitivo l'andamento complessivo anche di un grosso numero di dati. Questa curva viene spesso utilizzata per valutare la qualità delle forme test (ECI, IT8 etc.) usate per la creazione dei profili colore ICC, in quanto queste sono composte da un elevato numero di tasselli. Vediamone qui un esempio:

L'uso della curva CFR semplifica e migliora il giudizio che possiamo dare sulla qualità generale del prodotto stampato, aiutandoci ad avere un approccio più ragionato, svincolandoci così dalla semplicistica valutazione legata alle sole misurazioni di ∆E₀₀ inferiore o superiore a 2 che fa molto "media del pollo" di Trilussa.


Buona misurazione.

18.12.24

σ (sigma), questo sconosciuto

Se vi dico Sigma ... cosa vi viene in mente?

  1. un nuovo modello di macchina elettrica.
  2. un teleobiettivo reflex professionale di fascia alta.
  3. la diciottesima lettera dell'alfabeto greco.
  4. un metodo statistico per capire meglio se le misurazioni effettuate si avvicinano alla media del campione (anche chiamato: scarto quadratico medio).
  5. oppure il vostro supermercato di fiducia che avete sottocasa.

Chi mi conosce sa probabilmente della mia "nerditudine" intrinseca a certi argomenti, indi per cui quando si parla di Sigma io penso subito all'opzione numero 4, ossia allo scarto quadratico medio. Anche perché 4 è il mio numero preferito.

Ah... spoiler-time! Se ti infastidiscono i numeri, “skippa e vai oltre”, non mi offendo. (semicit. Caparezza) 😉


Leggendo questo interessantissimo post di Eddy Hagen :

https://www.insights4print.ceo/2024/12/is-print-quality-control-russian-roulette/

mi sono detto:

"...hm ... tutto ciò è molto interessante, ma Mr. Hagen in questo articolo non fa cenno al Sigma insito nelle sue misurazioni ... quanto sono significative le misure effettuate? Perché non proviamo ad applicare anche in questo caso lo scarto quadratico medio?".

Quindi, visto che Mr. Hagen (lo chiamo così per rispetto) non è l'unico ad avere del tempo da perdere su certi argomenti… detto-fatto... ho preso le sue misurazioni ed ho calcolato alcune cose, del tipo.

Partendo dai suoi dati:

Ho fatto un grafico del Campione dei dati:


Da questo grafico possiamo già vedere come i ∆E₀₀ siano sufficienti (abbastanza? non so, vedremo poi) per fare un minimo di statistica, sono 78 per l'esattezza, e di come questi siano molto variegati fra loro (troppo variegati?). La linea gialla rappresenta la media del campione misurato (Mean).

Poi ho sistemato i campioni in ordine crescente e raggruppati per classi:

Da questo grafico possiamo vedere come i ∆E₀₀ siano abbastanza ben distribuiti fra inferiori a 2 e superiori a 2.

...perchè parli di 2∆E₀₀ ?

In questa fase ho considerato 2∆E₀₀ come spartiacque perché questo è quel valore che la leggenda metropolitana indica come valore “assoluto” sotto al quale tutto è perfetto e sopra il quale tutto diviene "inaccettabile". In realtà Mr. Hagen (ed anche le norme ISO) ci ha ben spiegato nei suoi post che, nel mondo reale, le cose non stanno proprio così.

...si ok Mauro... ma quanti valori misurati sono sotto il 2 e quanti sopra il 2?

Hey .. un attimo, ci sto arrivando... Innanzitutto dobbiamo considerare che i dati considerati sono solo 78, la loro media è 2, 15, la mediana è 2,11 e ... Sigma è 1,18. 😉


...Mauro che noia! Cosa ci importa di SIGMA!!!... quanti valori sono sopra il 2 quindi inaccettabili????

Calma ... calma... è proprio questo l’errore fatto da molti; spartire semplicemente i ∆E₀₀ fra "buoni e cattivi" (ossia fra sotto il 2 e sopra il 2) ci porterebbe quasi sicuramente fuori strada.
Infatti se procedessimo in questa analisi tranchant ci risulterebbe che il 50% del campione è inferiore a 2, mentre l'altro 50% è superiore a 2; ed, insomma, un rapporto 50 su 50 è un risultato un tantino scarsino per essere accettato in una produzione industriale, non vi pare? Chi ha stabilito 2 come target assoluto di qualità?

...si Mauro ... le misure fanno schifo! La stampa è inaccettabile!

No... non è proprio così se… se teniamo in considerazione SIGMA, ossia lo scarto quadratico medio!

Ora, non voglio qui tediarvi con della noiosissima quanto interessantissima teoria che, se volete, potete benissimo approfondire qui:


e qui:


Quindi, ora, dopo aver letto tonnellate di teoria, ed aver chiarito il concetto di Sigma e delle sue innumerevoli applicazioni (che possiamo vedere ben schematizzate in questo grafico):

(immagine tratta da: unovirgolasei.eu)

...bene, ora avendo chiarito che in una popolazione abbiamo 3 livelli di sigma dove  ne rappresenta oltre la metà (68,27%),  rappresenta la quasi totalità (95,45%) e  rappresenta la totalità con un minimo trascurabile di scarto (99,73%); verifichiamo quanti di quei 78 valori misurati da Mr. Hagen rientrano in questi parametri. L'ho calcolato qui:

In effetti molti valori rientrano nel range , per la precisione il 60%
Ed addirittura il 99% dei valori rientrano nel range

Per la precisione, riportando le nostre considerazioni al tipo di misura effettuata, dobbiamo considerare come valori "inaccettabili" (fuori tolleranza) solo quelli in direzione , in quanto i valori inferiori alla media, sono campioni con ∆E₀₀ basso, quindi perfettamente in tolleranza. Indi per cui, le percentuali di Sigma accettabili aumentano diventando le seguenti:

Considerato quanto sopra abbiamo:

La percentuale dei campioni inferiori a +1σ è dell' 81%. Mentre vediamo che pressochè tutti i valori (il 99%) rientrano nella soglia +2σ .
 
Certo, dobbiamo anche tenere in considerazione che il campione misurato è abbastanza esiguo e che la Curtosi della curva (pari a -1,10) ci indica una significativa variabilità dei campioni.

Curticosa? Ma insomma Mauro, cosa possiamo trarre da questa estenuante filippica?

Beh... in primo luogo possiamo dire che tutti i valori ∆E₀₀ misurati da Mr. Hagen rientrano in una tolleranza di produzione <+2σ. Quindi i dati tutto sommato non sono poi così malaccio.
Lo scopo della curva Sigma è appunto ipotizzare il totale di una popolazione partendo da un campione statistico X inferiore alla popolazione. Questo significa che: se, come in questo caso, il 99% dei campioni misurati rientra in un valore inferiore a +2σ, allora possiamo ipotizzare che TUTTA la popolazione avrà lo stesso comportamento.

Ricordiamoci che misure con ∆E₀₀ alto sono dovute prevalentemente alle difformità del supporto stampato ed alla variabilità del processo stesso di stampa.
(immagine tratta da: https://www.insights4print.ceo/)

Io ho la netta sensazione che all’aumentare del campione vedremo attenuarsi le isterie delle misurazioni dovute alle difformità del supporto stampato, questo per il semplice fatto che tali difformità dovrebbero essere in numero inferiore rispetto alle zone “buone” del prodotto stampato, quindi all’aumentare del campione avremo con più probabilità delle misure con ∆E₀₀ basso piuttosto che alto. Se le difformità di stampa non sono molto frequenti, all’aumentare dei campioni misurati, miglioreremo la Curtosi della curva. Ossia, la Curtosi ci fa capire quante difformità di stampa abbiamo nel campione preso in considerazione.

Questo mio post sposta in qualche modo le conclusioni tratte da Mr. Hagen sul controllo di qualità e sulla roulette russa? Non proprio, al massimo cerca di approfondirle ulteriormente, ma lascio a voi ogni ulteriore considerazione del caso. 

Il punto cruciale di questa filippica é sottolineare le evidenti differenze che esistono fra un analisi statistica ragionata e la “media del pollo” di Trilussa.

Ed infine ricordiamoci sempre che un conto è giocare alla roulette russa con 1 proiettile carico su un tamburo da 6 colpi... tutt'altra cosa è rischiare la pelle con un proiettile carico su un tamburo da 100 colpi.

Buona misurazione.


P.S. Ogni suggerimento su come meglio interpretare questi valori è sempre ben accetto.

12.12.24

Che angoli di retino usi in Flexo?

(immagine da www.flexo.expert)
 

Mi hanno detto: “Io in flexo stampo il Magenta a 52,2° 

SBAGLIATO!

In una circonferenza trigonometrica, lavorando nel primo quadrante (ossia quello in alto a destra), l’angolo del Magenta flexo é 22,5° se usiamo il sistema navigazionale dove il grado 0° é posto a Nord e gli angoli sono espressi in senso orario.
Oppure é l’equivalente 67,5° se usiamo il sistema Cartesiano dove il grado 0° é posto ad Est e gli angoli sono espressi in senso antiorario.
In termini di punti di retino e di Rosetta di stampa entrambi i sistemi danno esattamente i medesimi risultati in quanto rappresentano la stessa geometria, vedi immagine sotto:




Tutti i RIP/Workflow usano lo stesso metodo di calcolo per le angolazioni di retino?
NO, ad esempio Prinergy usa il metodo navigazionale, mentre Esko usa il metodo cartesiano. Questo porta sovente a fraintendimenti fra chi lavora in prestampa.

Come facciamo ad evitare l'effetto moiré?
Per ridurre al minimo l'effetto moiré, gli angoli di retino devono essere quanto più distanti possibile fra loro. In un quadrante abbiamo a disposizione 90°, suddivisi per 3 colori fanno una distanza massima possibile di 30° fra i colori.
Ricordiamoci che in flexo tutti gli angoli vengono traslati di +/-7,5° per evitare interferenze con il retino dei rulli anilox, solitamente aventi geometria esagonale a 60°.
Questo è il motivo per cui gli angoli suggeriti in flexo sono i seguenti nel sistema Navigazionale:
  • Magenta 22,5° (=30 – 7,5)
  • Black 52,5° (=22,5 + 30)
  • Cyan 82,5° (=52,5 + 30)
  • Yellow 7,5°
Oppure gli equivalenti nel sistema Cartesiano:
  • Magenta 67,5°
  • Black 37,5°
  • Cyan 7,5°
  • Yellow 82,5°
Perché il nero sta nel mezzo (a 45°)?
Tradizionalmente l’angolo del nero, essendo questo il colore più scuro degli altri, viene posto esattamente a metà quadrante ossia 90 / 2 = 45°, che poi traslati di 7,5° diventano 52,5° nel sistema navigazionale o l’equivalente 37,5° in quello cartesiano.

Perchè il Giallo non ha una distanza di 30° rispetto ai colori più vicini? Questo non causa moiré?
Perchè abbiamo già utilizzato tutti i 90° disponibili in un quadrante (ossia 30 + 30 + 30) per posizionare il Ciano, il Magenta ed il Nero il più possibile distanti fra loro, 
Il Giallo è il colore meno visibile e "più chiaro", questo è il motivo per cui non ha una distanza di 30° rispetto agli altri colori, ma una distanza di soli 15°. Anche nel caso in cui questo possa produrre del moirè, questo sarebbe meno visibile per via del colore chiaro del Giallo. Ultimo ma non meno importante, solitamente i RIP applicano al canale del Giallo una lineatura leggermente più alta di quella degli altri canali, sempre per ridurre al minimo ogni possibile effetto moirè. Tradizionalmente (nella stampa offset) il Giallo viene posto a 0°, +7,5° per l'applicazione flexo, lo posiziona appunto a 7,5° nel sistema navigazionale o l’equivalente 82,5° in quello cartesiano.

Angoli diversi possono essere ottenuti lavorando in altri quadranti (Q1, Q2, Q3 o Q4). Per esempio il Magenta flexo (Navi) può essere impostato a: Q1: 22, 5° – Q2: 112,5° – Q3: 202,5° o Q4: 292,5° .
Dal punto di vista dei punti di retino e della rosetta TUTTE queste inclinazioni del Magenta daranno esattamente i medesimi risultati, in quanto essi rappresentano sempre la stessa geometria semplicemente misurata in quadranti diversi.

Questa filippica solo per dire che... si, molto probabilmente i vostri angoli di retino sono impostati correttamente nel vostro RIP (a meno che non abbiate pasticciato con gli angoli).  😊

Se volete giocare con gli angoli e trovare immediatamente gli angoli di default o gli angoli equivalenti, potete usare FlexoCalculator, troverete il convertitore degli angoli nella sezione "Conversioni".
 



Buona applicazione degli angoli di retino.

14.11.24

Flexo Calculator mobile 1.3.7


FlexoCalculator mobile 1.3.7 nuove funzionalità.

Sezione Distorsione:

  • Rimosso un bug che causava il crash della app.

Sezione Conversioni:

  • conversione dpi<->d/cm: aggiunti gli snap alla slidebar per i valori più comuni. 
  • conversione lpi<->l/cm: aggiunti gli snap alla slidebar per i valori più comuni.
Link all' App Store:
https://itunes.apple.com/it/app/flexocalculator/id1325603568

Buon download.

6.10.24

Le AI nel 2024 - intervento al Web3 del Dr. Richard Stallman


Web3 Summit 2024
August 19-21 Funkhas Berlin
Dr. Richard Stallman – Closing Keynote

(video in inglese)
https://www.youtube.com/watch?v=tqgUGbZdyHs

(video con sottotitoli in italiano)
https://www.youtube.com/watch?app=desktop&v=C_Dh9DkHJPM


min 3:53 – 8:03

[…] ci sono vari tipi di intelligenza artificiale che all’interno di domini specifici possono capire un problema e capire come ottenere la risposta corretta per quel tipo di problema, allo stesso modo in cui, solitamente, gli esseri umani sono in grado di farlo, più o meno. Ma un tipo di programma che non possiamo definire “intelligenza” sono gli LLM (Large Language Models), perché l’intelligenza implica la comprensione, e questi programmi LLM generano solo output, ma non hanno comprensione alcuna sugli output generati. Pensano solo all’uso delle parole, quindi non dobbiamo meravigliarci se gli output generati sono molto spesso falsi o senza senso. Gli output saranno certamente corretti grammaticalmente ma il loro contenuto potrebbe non avere senso alcuno e fare riferimento ad eventi fittizi come se fossero eventi del tutto reali. Eppure, noi la chiamiamo “Intelligenza Artificiale”, e la maggior parte delle persone pensano che gli output generati siano del tutto veri ed affidabili e ci credono, anche se questi software non hanno alcuna idea su cosa sia vero e cosa sia falso, non capiscono le dichiarazioni che generano, quindi non dovremmo chiamarli AI. Io non lo faccio mai. A volte li chiamo generatori di bullshit (bullshit  = stronzate). Il termine bullshit chiarisce che la AI produce output in modo del tutto indifferente sulla veridicità degli stessi. Certo, se non è in grado di capire la veridicità di una frase, non può certamente essere altro che indifferente rispetto alla frase creata. Ed è così che queste AI funzionano. Ci sono anche esseri umani che producono frasi bullshit anche se dovrebbero presumibilmente essere in grado di capirne la veridicità o la falsità, ma non gli importa. […] ad un programma che non ha alcuna idea se ciò che afferma sia vero o falso, di certo non può importare la veridicità o la falsità di quello che afferma. Quindi sappiamo per certo che quei generatori di bullshit (stronzate) non sono “intelligenza”. Semplicemente non capiscono.

[…] Un servizio od un sito web non dovrebbe usare mai un generatore di stronzate, od affidargli qualsiasi lavoro che dipenda da accuratezza o validità o verità, perché qualcosa potrebbe andare storto, e questo capita più spesso di quanto non si pensi. Quindi è una cosa molto negativa spacciare un sito web od un programma come “SMART” per il semplice fatto che esso stia usando un generatore di stronzate, anche se le risposte ottenute possono essere scritte in un buon inglese.

[…] Le stronzate vanno bene quando sono considerate come umorismo, ma una stronzata diventa pericolosa quando viene spacciata come verità. Se gli output delle AI fossero interspaziati con linee che dicano: “quello che state leggendo è stato creato da un generatore di stronzate. Nulla di quello che state leggendo è verificato.” allora anche gli output delle AI potrebbero essere innoqui. Ma non ne sono del tutto sicuro.

[…] Dopotutto come li chiamiamo non cambia quello che sono. Se li chiami generatori di stronzate oppure AI, questo non cambierà quello che sono, qualunque cosa essi siano, rimarranno sempre la stessa cosa. Ma quello che la gente si aspetta da loro sarà diverso. La pratica di chiamare questi programmi intelligenti, e di ripeterlo in continuazione molte volte al giorno, conduce la maggior parte delle persone involontariamente ad assumere che sia vero, che siano realmente intelligenti. Ecco perché fa differenza come li chiamiamo. Per questo non basta dire: si, li chiamiamo AI ma sappiamo che non sono intelligenti, però poi continuiamo a chiamarli AI. Se vogliamo cambiare la percezione di come il pubblico possa percepire le AI, dobbiamo sentirlo. Ogni volta che la gente parla con noi di queste cose e le chiama AI, dobbiamo ricordargli che sono in errore e che queste non sono per nulla intelligenti come loro pensano.

---

Note aggiuntive:
-tutte le AI sono totalmente influenzate dai dati che i loro creatori hanno utilizzato per istruirle, quindi le loro risposte non sono mai totalmente esaustive né imparziali.
-in ambito di programmazione le AI sono solo dei riutilizzatori di software già esistente. Per creare quello che gli avete chiesto prendono pezzi di codice un po’ qui un po’ là per poi riorganizzarlo e riproporvelo come nuovo software generato dalla AI.

Buona visione.