Vocabolario AI sull'intelligenza artificiale,

e definizione del termine, con prefazione, alcune note e conclusioni scritte da un essere umano.

Vocabolario AI sull’intelligenza artificiale, e definizione del termine.

Ho chiesto alle due maggiori inelligenze artificiali presenti in rete ad uso gratuito, di creare una lista di temrini, o mgelio un vocabolario AI, e di descrivere cos’è l’intelligenza artificiale.

Questi sono i risultati.

1. Intelligenza Artificiale (IA): Campo della computer science che si occupa di creare sistemi informatici in grado di eseguire compiti che richiedono tipicamente l’intelligenza umana.

2. Apprendimento Automatico (Machine Learning – ML): Sottocampo dell’IA che si concentra sulla costruzione di algoritmi che permettono ai computer di apprendere dai dati.

3. Rete Neurale: Un modello computazionale ispirato alla struttura del cervello umano, utilizzato in molte applicazioni di apprendimento automatico.

4. Algoritmo: Una sequenza di passi logici progettati per risolvere un problema o eseguire un compito specifico.

5. Data Mining: Processo di analisi di grandi quantità di dati per scoprire modelli e relazioni nascoste.

6. Big Data: Grandi volumi di dati strutturati e non strutturati che richiedono tecniche avanzate per l’analisi e l’estrazione di informazioni significative.

7. Sovrapprendimento (Overfitting): Condizione in cui un modello di machine learning si adatta troppo ai dati di addestramento e perde la capacità di generalizzare su nuovi dati.

8. Sottosorveglianza (Underfitting): Condizione in cui un modello di machine learning non si adatta sufficientemente ai dati di addestramento e quindi non è in grado di generalizzare bene.

9. Deep Learning: Approccio all’apprendimento automatico basato su reti neurali profonde, con molti strati (layers).

10. Algoritmo Genetico: Tecnica di ottimizzazione ispirata al processo di selezione naturale, che utilizza principi di mutazione, crossover e selezione per trovare soluzioni ai problemi.

11. Classificazione: Attività di assegnare oggetti o casi a categorie o classi predefinite.

12. Riconoscimento del Parlato (Speech Recognition): Tecnologia che consente ai computer di interpretare e comprendere il linguaggio parlato.

13. Visione Artificiale (Computer Vision): Campo dell’IA che si occupa di insegnare ai computer a interpretare e comprendere il mondo visivo.

14. Reinforcement Learning: Paradigma di apprendimento automatico in cui un agente apprende a compiere azioni in un ambiente per massimizzare una ricompensa.

15. Chatbot: Programma informatico progettato per simulare una conversazione umana, spesso utilizzato per rispondere alle domande degli utenti online.

16. Algoritmo di Clustering: Metodo di analisi dei dati che raggruppa insieme oggetti simili senza la necessità di etichette predefinite.

17. Analisi Predittiva: Uso di modelli statistici e algoritmi per prevedere futuri eventi o risultati basati sui dati esistenti.

18. Algoritmo di Ottimizzazione: Metodo per trovare la migliore soluzione possibile in un problema complesso.

19. Interfaccia Utente Conversazionale (CUI): Interfaccia che permette agli utenti di interagire con i sistemi utilizzando conversazioni naturali.

20. Etica dell’IA: Campo di studio che esplora le implicazioni etiche delle tecnologie di intelligenza artificiale.

Questi sono solo alcuni dei termini legati all’IA. Il campo è in continua evoluzione, e nuovi termini possono emergere con il progresso della ricerca e dello sviluppo.

Stessa domanda posta con BARD

Vocabolario di termini AI

Intelligenza artificiale (AI)

Campo di ricerca che si occupa di sviluppare macchine capaci di ragionare e apprendere in modo simile agli esseri umani.
I termini AI e intelligenza artificiale sono spesso usati come sinonimi.

Apprendimento automatico (machine learning)

Sottocampo dell’intelligenza artificiale che si occupa di sviluppare algoritmi in grado di apprendere da dati senza essere esplicitamente programmati.
I metodi di apprendimento automatico possono essere utilizzati per risolvere una varietà di problemi, tra cui il riconoscimento di immagini, la traduzione linguistica e la previsione di eventi futuri.

Reinforcement learning

Sottocampo dell’apprendimento automatico che si occupa di sviluppare algoritmi in grado di apprendere da interazioni con l’ambiente.
Gli algoritmi di reinforcement learning vengono spesso utilizzati per sviluppare agenti intelligenti, ovvero sistemi in grado di interagire con l’ambiente in modo efficace.

Visione artificiale (computer vision)

Sottocampo dell’intelligenza artificiale che si occupa di sviluppare algoritmi in grado di comprendere il mondo attraverso le immagini.
La visione artificiale viene utilizzata in una varietà di applicazioni, tra cui il riconoscimento facciale, la guida autonoma e la robotica.

Traduzione linguistica automatica (machine translation)

Sottocampo dell’intelligenza artificiale che si occupa di sviluppare sistemi in grado di tradurre automaticamente da una lingua a un’altra.
La traduzione linguistica automatica viene utilizzata in una varietà di applicazioni, tra cui la comunicazione internazionale, il turismo e l’istruzione.

Previsione (prediction)

Sottocampo dell’intelligenza artificiale che si occupa di sviluppare algoritmi in grado di prevedere eventi futuri.
La previsione viene utilizzata in una varietà di applicazioni, tra cui la finanza, la meteorologia e la medicina.

Robotica

Campo di ricerca che si occupa di sviluppare robot, ovvero macchine in grado di eseguire compiti in modo automatico.
L’intelligenza artificiale viene utilizzata in una varietà di applicazioni robotiche, tra cui la guida autonoma, la manipolazione di oggetti e la collaborazione con gli esseri umani.

Etica dell’intelligenza artificiale

Studio degli aspetti etici legati allo sviluppo e all’utilizzo dell’intelligenza artificiale.
L’etica dell’intelligenza artificiale si occupa di questioni come la responsabilità, la trasparenza e la sicurezza dell’intelligenza artificiale.

Altri termini

Algoritmo – Un insieme di istruzioni che specificano come eseguire un compito.
Dato – Un’informazione che può essere utilizzata da un algoritmo.
Intelligenza – La capacità di ragionare, apprendere e risolvere problemi.
Macchina – Un dispositivo meccanico o elettronico che esegue un lavoro.
Sistemi intelligenti – Sistemi in grado di ragionare e apprendere in modo simile agli esseri umani.

Note

Questo vocabolario non è esaustivo e include solo alcuni dei termini più comuni relativi all’intelligenza artificiale.
I termini possono avere diverse definizioni a seconda del contesto in cui vengono utilizzati.
L’intelligenza artificiale è un campo in rapida evoluzione, quindi è importante tenersi aggiornati sulle nuove definizioni e tecnologie.

Alla domanda, cos’è l’intelligenza artificiale?

chat GPT-3 risponde così

L’intelligenza artificiale generativa è un campo dell’intelligenza artificiale (IA) che si occupa di creare sistemi capaci di generare contenuti originali, come immagini, testi, suoni e altro, anziché solo analizzarli o rispondere a input predefiniti. Uno dei sottocampi più noti dell’intelligenza artificiale generativa è la generazione del linguaggio naturale, che può essere utilizzata per creare testi coerenti e significativi.

Ci sono diversi approcci e tecniche utilizzati nell’intelligenza artificiale generativa. Alcuni dei principali includono:

Reti Neurali Generative (GAN): Le GAN sono un tipo di architettura di rete neurale composta da due parti, un generatore e un discriminatore, che lavorano insieme per generare dati. Il generatore crea dati sintetici, mentre il discriminatore valuta se i dati sono realistici o no. Questo processo iterativo aiuta il generatore a migliorarsi nel creare dati sempre più credibili.
Reti Neurali Ricorrenti (RNN) e Reti Neurali Ricorrenti Generative (RNN-G): Le RNN sono progettate per lavorare con dati sequenziali, come il linguaggio naturale. Le RNN-G aggiungono la capacità generativa alle RNN, consentendo loro di generare nuovi dati sequenziali.
Trasferimento di Stile: Questa tecnica consiste nel trasferire lo stile di un’opera d’arte o di un input creativo a un’altra immagine o testo. Ad esempio, è possibile applicare lo stile di un dipinto famoso a una fotografia.
Autoencoder Variationali (VAE): Gli autoencoder sono reti neurali utilizzate per la riduzione dimensionale dei dati. I VAE aggiungono un elemento probabilistico all’autoencoder, consentendo loro di generare nuovi dati simili a quelli di input, ma con leggere variazioni.
Modelli di Linguaggio:

Transformer: L’architettura Transformer è diventata molto popolare per il trattamento del linguaggio naturale. Il modello GPT (Generative Pre-trained Transformer) è un esempio noto di come i modelli basati su Transformer possano essere utilizzati per la generazione del linguaggio.

Apprendimento Profondo Gerarchico: Questo approccio coinvolge la creazione di modelli più complessi e stratificati, in modo che la rete possa apprendere rappresentazioni sempre più astratte e complesse dei dati.

L’intelligenza artificiale generativa viene applicata in diversi settori, inclusi l’arte, la creazione di contenuti, la sintesi vocale, la generazione di testi creativi e molto altro. Va notato che, nonostante i progressi significativi, l’intelligenza artificiale generativa può ancora presentare sfide, come la necessità di affrontare problemi etici e garantire l’equità nell’utilizzo di tali tecnologie.

la risposta di Bard invece è:

L’intelligenza artificiale generativa, o semplicemente IA generativa, è un tipo di intelligenza artificiale che crea nuovi contenuti sfruttando modelli di deep learning addestrati su grandi set di dati.

I modelli di IA generativa sono in grado di apprendere i pattern e le relazioni nei dati di allenamento, e di utilizzare queste informazioni per generare nuovi contenuti che siano simili a quelli visti durante l’addestramento. Ad esempio, un modello di IA generativa addestrato su un set di dati di immagini di gatti sarà in grado di generare nuove immagini di gatti che siano realistiche e coerenti con le immagini viste durante l’addestramento.

Esistono due principali tipi di IA generativa:

Generative adversarial networks (GAN): le GAN sono un tipo di IA generativa che utilizzano due reti neurali che competono tra loro per generare contenuti realistici. Una rete, chiamata generatore, è responsabile della generazione di nuovi contenuti, mentre l’altra rete, chiamata discriminatore, è responsabile del riconoscimento dei contenuti reali da quelli generati.
Autoencoders: gli autoencoder sono un altro tipo di IA generativa che utilizzano una rete neurale per codificare e decodificare i dati. Gli autoencoder sono in grado di apprendere le rappresentazioni compresse dei dati, che possono quindi essere utilizzate per generare nuovi contenuti.

L’IA generativa ha una vasta gamma di applicazioni, tra cui:

Creazione di contenuti creativi: l’IA generativa può essere utilizzata per creare contenuti creativi, come immagini, musica, video e testo. Ad esempio, l’IA generativa può essere utilizzata per generare immagini artistiche, musica originale o storie.
Ricerca e sviluppo: l’IA generativa può essere utilizzata per accelerare la ricerca e lo sviluppo in una varietà di campi, come la medicina, la chimica e la fisica. Ad esempio, l’IA generativa può essere utilizzata per generare nuove molecole farmaceutiche o per simulare i fenomeni fisici.
Analisi dei dati: l’IA generativa può essere utilizzata per analizzare i dati in modo più efficace. Ad esempio, l’IA generativa può essere utilizzata per identificare modelli nei dati o per generare nuove ipotesi.

L’IA generativa è una tecnologia emergente con un potenziale significativo per trasformare una vasta gamma di settori. Tuttavia, è importante notare che l’IA generativa non è priva di sfide. Ad esempio, l’IA generativa può essere utilizzata per generare contenuti dannosi o fuorvianti. È quindi importante utilizzare l’IA generativa in modo responsabile e consapevole.

Ecco alcuni esempi concreti di come l’IA generativa viene utilizzata oggi:

Nel campo della fotografia, l’IA generativa viene utilizzata per creare nuove immagini che siano realistiche e creative. Ad esempio, l’IA generativa può essere utilizzata per generare immagini di luoghi che non esistono, o per creare immagini che siano migliorate o modificate in modo creativo.
Nel campo della musica, l’IA generativa viene utilizzata per creare nuove melodie, ritmi e testi. Ad esempio, l’IA generativa può essere utilizzata per creare musica originale, o per generare nuove versioni di brani esistenti.
Nel campo del video, l’IA generativa viene utilizzata per creare nuovi effetti speciali e animazioni. Ad esempio, l’IA generativa può essere utilizzata per creare personaggi animati realistici, o per generare ambienti virtuali.
Nel campo del testo, l’IA generativa viene utilizzata per creare nuovi contenuti creativi, come poesie, racconti e script. Ad esempio, l’IA generativa può essere utilizzata per generare nuove idee per storie, o per creare contenuti personalizzati per singoli utenti.

L’IA generativa è una tecnologia in rapida evoluzione con un potenziale significativo per trasformare il modo in cui creiamo e consumiamo contenuti.

Vocabolari generati dalla AI

Vocabolario AI di chat GPT-3

Apprendimento automatico (Machine Learning): Un approccio dell’intelligenza artificiale che consente ai sistemi di apprendere dai dati e migliorare le prestazioni nel tempo senza essere esplicitamente programmati.
Reti neurali: Strutture ispirate al cervello umano utilizzate nell’apprendimento profondo per elaborare informazioni e apprendere modelli complessi.
Apprendimento profondo (Deep Learning): Un tipo di apprendimento automatico che coinvolge reti neurali profonde, spesso utilizzato per compiti complessi come il riconoscimento di immagini e il linguaggio naturale.
Algoritmo genetico: Un algoritmo di ricerca ispirato alla teoria dell’evoluzione biologica che viene utilizzato per trovare soluzioni approssimate o ottimali per problemi complessi.
Riconoscimento del linguaggio naturale (NLP): La capacità di un sistema di comprendere, interpretare e generare il linguaggio umano in modo coerente.
Intelligenza artificiale debole (Weak AI): Sistemi che sono progettati e addestrati per svolgere compiti specifici senza la capacità di generalizzare al di fuori di quei compiti.
Intelligenza artificiale forte (Strong AI): Un concetto teorico di intelligenza artificiale che implicherebbe una forma di intelligenza paragonabile a quella umana, con la capacità di comprendere, apprendere e risolvere qualsiasi problema intellettuale.
Algoritmo di clustering: Un algoritmo che raggruppa dati simili in cluster o gruppi, utile per l’analisi dei dati e la scoperta di pattern.
Rete neurale convoluzionale (CNN): Un tipo di rete neurale specializzata nel riconoscimento di pattern in dati strutturati, comunemente utilizzata nel campo della visione artificiale.
Robotica cognitiva: Un campo dell’intelligenza artificiale che combina intelligenza artificiale, sensori avanzati e robotica per consentire ai robot di interagire in modo intelligente con l’ambiente circostante.
Algoritmo di apprendimento non supervisionato: Un algoritmo di apprendimento automatico che trae conclusioni dai dati senza essere guidato da un insieme di risultati noti.
Rete neurale ricorrente (RNN): Un tipo di rete neurale progettata per lavorare con dati sequenziali, utile per compiti come il riconoscimento del linguaggio naturale e la previsione temporale.
Analisi predittiva: Utilizzo di algoritmi e modelli statistici per identificare pattern e prevedere i risultati futuri basandosi sui dati storici.
Apprendimento supervisionato: Una modalità di apprendimento automatico in cui il modello viene addestrato su un insieme di dati etichettati, dove l’output desiderato è noto.
Computer vision: Il campo dell’intelligenza artificiale che si occupa dell’insegnare ai computer a interpretare e comprendere il mondo visivo attraverso l’analisi di immagini e video.
Regole fuzzy: Un sistema di logica basato su regole che consente la rappresentazione di concetti vaghi o approssimativi, spesso utilizzato in sistemi di supporto decisionale.
Apprendimento rinforzato (Reinforcement Learning): Un tipo di apprendimento automatico in cui un agente impara a compiere azioni in un ambiente per massimizzare una ricompensa.
Algoritmo di classificazione: Un algoritmo che assegna un’etichetta o una categoria a un oggetto in base alle sue caratteristiche.
Ottimizzazione dell’iperparametro: Il processo di regolazione dei parametri di un modello di apprendimento automatico per ottenere le migliori prestazioni possibili.
Sistemi esperti: Sistemi basati su regole che utilizzano la conoscenza umana per risolvere problemi in specifici domini di applicazione.
GPT (Generative Pre-trained Transformer)
Rete neurale
Apprendimento automatico
Algoritmo generativo
Addestramento supervisionato
Addestramento non supervisionato
Reti neurali profonde
Autoencoder
Trasferimento di apprendimento
Addestramento semi-supervisionato
Rete neurale ricorrente (RNN)
Rete neurale convoluzionale (CNN)
Linguaggio naturale
Elaborazione del linguaggio naturale (NLP)
Auto-generative adversarial networks (GAN)
Transfer learning
Modelli linguistici
Decodificatore
Codificatore
Architettura Transformer
Codice autoregressivo
Text-to-Image synthesis
Variational Autoencoder (VAE)
Reinforcement learning
Ottimizzazione degli iperparametri
Funzione di perdita
Stile di apprendimento
Dati di addestramento
Overfitting
Sviluppo di modelli a zero shot
Linguaggio di programmazione Python per l’IA generativa
Bias nell’intelligenza artificiale generativa
Etica dell’IA generativa
Creatività computazionale
Dati sintetici
Visione artificiale
Trasformazione di immagini
Data augmentation
Trasferimento di stile
Augmented creativity

Vocabolario ai di BARD

Intelligenza artificiale

Intelligenza artificiale (AI): branca dell’informatica che si occupa della creazione di sistemi che mostrano intelligenza o comportamento intelligente.
Agente intelligente (IA): sistema in grado di percepire il proprio ambiente e agire su di esso in modo da raggiungere i propri obiettivi.
Apprendimento automatico (ML): ramo dell’intelligenza artificiale che si occupa della creazione di sistemi che possono imparare da dati senza essere esplicitamente programmati.
Elaborazione del linguaggio naturale (NLP): ramo dell’intelligenza artificiale che si occupa della comprensione e della generazione del linguaggio naturale.
Risoluzione dei problemi (RP): ramo dell’intelligenza artificiale che si occupa della creazione di sistemi in grado di risolvere problemi complessi.

Apprendimento automatico

Apprendimento supervisionato (SL): tipo di apprendimento automatico in cui il sistema viene fornito di un insieme di dati di input e di output associati.
Apprendimento non supervisionato (UL): tipo di apprendimento automatico in cui il sistema viene fornito di un insieme di dati di input e il sistema deve trovare da solo le relazioni tra i dati.
Apprendimento semi-supervisionato (SSL): tipo di apprendimento automatico in cui il sistema viene fornito di un insieme di dati di input e di output associati, ma solo una parte dei dati è etichettata.
Deep learning (DL): tipo di apprendimento automatico che utilizza reti neurali artificiali a più strati.

Elaborazione del linguaggio naturale

Natural language processing (NLP): ramo dell’intelligenza artificiale che si occupa della comprensione e della generazione del linguaggio naturale.
Analisi del sentiment: processo di identificazione delle emozioni espresse in un testo.
Traduzione automatica: processo di traduzione di un testo da una lingua a un’altra senza l’intervento umano.
Riassunto automatico: processo di generazione di un breve riassunto di un testo.
Generazione del linguaggio naturale: processo di creazione di un testo da zero.

Risoluzione dei problemi

Risoluzione dei problemi (RP): ramo dell’intelligenza artificiale che si occupa della creazione di sistemi in grado di risolvere problemi complessi.
Ricerca per albero: algoritmo di risoluzione dei problemi che esplora l’albero di tutte le possibili soluzioni.
Ricerca per ampiezza: algoritmo di risoluzione dei problemi che esplora l’albero di tutte le possibili soluzioni a partire dai nodi più alti.
Ricerca per profondità: algoritmo di risoluzione dei problemi che esplora l’albero di tutte le possibili soluzioni a partire dai nodi più bassi.

Altri termini

Agente virtuale: software che simula la presenza di una persona in un ambiente virtuale.
Chatbot: software progettato per simulare una conversazione con un essere umano.
Robotica: branca dell’ingegneria che si occupa della progettazione, della costruzione e dell’utilizzo di robot.
Augmented reality (AR): tecnologia che permette di sovrapporre oggetti virtuali al mondo reale.
Virtual reality (VR): tecnologia che permette di creare un ambiente virtuale in cui l’utente può interagire.

Questa lista non è esaustiva e comprende solo alcuni dei termini più importanti riguardanti l’intelligenza artificiale.

intelligenza artificiale generativa

Ecco una lista di termini riguardanti l’intelligenza artificiale generativa:

Intelligenza artificiale generativa (IA generativa): un tipo di intelligenza artificiale in grado di creare nuovi contenuti e idee, tra cui conversazioni, storie, immagini, video e musica.
Modello generativo: un modello di intelligenza artificiale che è in grado di generare nuovi dati, come immagini, testo o codice.
Apprendimento automatico supervisionato: un tipo di apprendimento automatico in cui il modello viene addestrato su un set di dati di input e output. Il modello viene quindi utilizzato per generare output nuovi e originali.
Apprendimento automatico non supervisionato: un tipo di apprendimento automatico in cui il modello viene addestrato su un set di dati di input senza output. Il modello viene quindi utilizzato per trovare modelli nei dati di input.
Risonanza neurale convoluzionale (CNN): un tipo di rete neurale che è particolarmente adatta per il riconoscimento di immagini.
Rete neurale generativa avversaria (GAN): un tipo di rete neurale che può essere utilizzata per generare immagini, testo o codice realistici.
Generative Pre-training Transformer (GPT): un tipo di modello generativo basato su un trasformatore. GPT è stato utilizzato per generare testi, tradurre lingue e scrivere diversi tipi di contenuti creativi.
Intelligenza artificiale creativa: un sottocampo dell’intelligenza artificiale generativa che si concentra sulla creazione di contenuti artistici, come musica, arte e letteratura.

Ecco alcuni termini specifici per le applicazioni dell’IA generativa:

Chatbot: un programma per computer che può simulare una conversazione con un essere umano. I chatbot possono essere utilizzati per fornire assistenza ai clienti, rispondere a domande o semplicemente per conversare.
Creazione di immagini: l’IA generativa può essere utilizzata per creare immagini realistiche o artistiche. Questa tecnologia viene utilizzata in una varietà di applicazioni, tra cui la grafica 3D, la fotografia e la pubblicità.
Editing di immagini: l’IA generativa può essere utilizzata per migliorare o modificare le immagini esistenti. Questa tecnologia viene utilizzata in una varietà di applicazioni, tra cui la modifica di foto, la creazione di effetti speciali e la medicina.
Assistenza alla stesura di codice: l’IA generativa può essere utilizzata per aiutare gli sviluppatori di software a scrivere codice. Questa tecnologia viene utilizzata in una varietà di applicazioni, tra cui la generazione di codice, la correzione di errori e la documentazione del codice.
Ricerca scientifica: l’IA generativa può essere utilizzata per aiutare i ricercatori a generare ipotesi, identificare modelli e simulare sistemi complessi. Questa tecnologia viene utilizzata in una varietà di discipline, tra cui la fisica, la chimica, la biologia e l’economia.

Questa lista non è esaustiva, ma fornisce una panoramica dei termini più comuni riguardanti l’intelligenza artificiale generativa.

Conclusione (scritta da un umano)

Non è difficile entusiasmarsi per il fatto che in pochi minuti si possa creare un articolo di molte pagine, ben strutturato e con tutte le informazioni necessarie ad un lettore. Tuttavia, il rischio di “allucinazioni” termine che guarda caso, non appare in queste lsite generate da due AI, ma fa sicuramente parte del gergo tecnico, il rischio di incorrere nel plagio o della violazione dei diritti d’autore, e ancora, il rischio di non argomentare in modo comprensibile una tematica, è dietro l’angolo.

Le immagini di questo articolo, tranne l’ultima, creata da me, sono state create da ChatGPT-3 tuttavia il banner ha una storia a se. Ho infatti provato in ogni modo a creare un banner lungo e stretto, ma l’intelligenza artificiale restituiva sempre immagini quadrate. Quando ho chiesto a ChatGPT se poteva creare immagini di formati diversi, mi ha risposto che era assolutamente in grado di farlo. dopo vari tentativi, ho riformulato la domanda in modo diverso, e la rispsota è stata che poteva creare solo immagini quadrate. Peggio è andata con Bard. Alla mia domanda, se fosse in grado o no generare immagini, la risposta è stata positiva, ma quando ho descritto testualmente quella l’immagine, Bard ha descritto testualmente quello che avrebbe dovuto generare sotto forma di immagine. In altre parole, ha descritto una descrizione.

La conclusione è, che stiamo dialogando con un algoritmo, non con qualcosa di intelligente, se fa un errore non se ne accorge, se si contraddice non ha nessun interesse (e ci mancerebbe) a capire dove e perchè ha sbagliato nel fornire un’informazione. L’essere umano, per il momento, è ancora indispensabile.