Contenuti del libro
Informazioni
“Caos quotidiano. Un nuovo mondo di possibilità” di David Weinberger ti catapulta in un mondo che non funziona più come pensavamo. Dimentica i vecchi modelli semplici e le spiegazioni causa-effetto lineari; l’arrivo dell’intelligenza artificiale e del machine learning ci mostra sistemi opachi, potentissimi ma che non spiegano perché funzionano, sfidando la nostra vecchia idea di conoscenza. Il libro esplora come la vita oggi sia sempre più dominata dalla complessità digitale, dove la pianificazione rigida lascia spazio all’abbracciare l’inatteso, lanciando prodotti minimi funzionanti o usando lo sviluppo agile per scoprire cosa funziona mentre lo fai. Non si tratta più di prevedere tutto, ma di creare le condizioni giuste. Al centro di questo cambiamento c’è l’interoperabilità, la capacità di sistemi diversi di parlarsi e creare connessioni inaspettate, come le API che rendono le piattaforme aperte dei veri e propri ecosistemi dove chiunque può innovare. La strategia non è più chiudersi per concentrare le risorse, ma aprirsi per moltiplicare le possibilità. In questo caos, il progresso non è una linea retta, ma un’esplosione di direzioni imprevedibili, e il significato delle cose non sta nella loro essenza, ma nella rete infinita di relazioni che hanno con tutto il resto. È un viaggio affascinante attraverso i concetti che ridefiniscono la nostra realtà nell’era di internet e dell’AI, mostrandoci che l’imprevedibilità non è un problema da risolvere, ma la fonte di un nuovo, incredibile potenziale.Riassunto Breve
Il Mondo Connesso e ImprevedibileIl modo in cui si comprende il mondo e si agisce sta cambiando profondamente. I modelli tradizionali si basano sulla semplificazione umana della realtà, definendo cause e relazioni per prevedere eventi. Ma con l’intelligenza artificiale, specialmente il machine learning, emergono sistemi che imparano direttamente dai dati, trovando pattern complessi senza fornire spiegazioni umane comprensibili. Questa opacità sfida l’idea che la conoscenza debba sempre essere spiegabile. Invece di chiedere sempre il “perché”, diventa importante ottimizzare questi sistemi per raggiungere obiettivi desiderati e garantire che rispettino i valori umani, affrontando i pregiudizi nei dati. La trasparenza sui dati e sugli obiettivi è cruciale. Anche la strategia per il futuro si trasforma. La preparazione basata sull’anticipazione dettagliata ha costi e limita le possibilità a ciò che si prevede. Nuovi approcci digitali, come il prodotto minimo funzionante, lo sviluppo agile e le piattaforme aperte, riducono l’importanza dell’anticipazione. Si lancia una versione base per imparare dall’uso reale, si lavora in modo flessibile per adattarsi rapidamente, o si rendono accessibili risorse (API) perché altri creino usi non immaginati. Internet stesso è stato progettato per permettere a chiunque di creare nuovi servizi. La strategia si sposta dal limitare le possibilità all’aprirle, creando condizioni per l’emergere di valore inatteso, anche se questo significa rinunciare a un controllo totale. Il modo in cui gli eventi accadono non si basa più solo sulla causalità diretta, ma sull’interoperabilità. Questa è la capacità di elementi di funzionare insieme in modi non previsti dai creatori. Esempi sono spine standard, formati di file comuni, API pubbliche. L’interoperabilità rende i sistemi efficienti e flessibili, ma soprattutto genera usi inattesi. Permette a cose diverse di interagire, facilitato dalla natura digitale dei dati e da regole di interazione che si possono creare e modificare. In sistemi complessi o con il machine learning, gli eventi sono il risultato di molte variabili interconnesse, non di una singola causa. Il machine learning trova correlazioni (“segni”) nei dati complessi per fare previsioni, anche senza capire la causa. Questo porta a vedere il mondo come una rete complessa dove tutto influenza tutto, generando una feconda imprevedibilità. Gli strumenti digitali come computer e internet sono generativi (usabili per scopi illimitati) e interoperabili. Questa combinazione trasforma il progresso da un percorso lineare a un processo ramificato e imprevedibile. L’innovazione è guidata dalla facilità di riutilizzo e sperimentazione. Il machine learning produce risultati che la logica umana non sempre afferra, sfidando l’idea di una mente umana in armonia con la verità universale. Gli strumenti non sono passivi, ma influenzano il pensiero e l’interazione. Il progresso generativo, alimentato dall’interazione in un ambiente interoperabile, non ha una direzione fissa, ma è spinto dalla curiosità umana. Internet e il machine learning portano ad accettare una complessità difficile da capire. La tendenza umana a cercare una singola causa si scontra con la realtà complessa mostrata dall’apprendimento automatico. L’influenza avviene anche tramite l’attrazione (come nei movimenti online) non solo l’azione diretta. Il significato non è più nell’essenza isolata di una cosa, ma emerge dalla sua vasta rete di relazioni. I sistemi di machine learning, collegando dati in modi non sistematici, mostrano come il significato sia legato al contesto e alle connessioni. I nuovi strumenti rivelano un futuro complesso e imprevedibile, dove la certezza diminuisce a favore della probabilità. Accettare questa complessità apre a nuove possibilità e genera meraviglia, spingendo a esplorare e ampliare la comprensione.Riassunto Lungo
1. La Sfida dei Modelli Opachi
Per capire e prevedere il mondo, le persone hanno sempre usato modelli. Questi modelli partono da un’idea semplice della realtà: si decide quali sono le cose importanti e come sono collegate tra loro. Poi si crea un modello pratico che riproduce questa idea. Pensa a come si riconoscono gli uccelli guardando le loro caratteristiche, o a come si prova a prevedere il tempo usando dati fisici. A volte, questi modelli pratici funzionano anche se l’idea di base non è perfetta, come nel caso di vecchi strumenti per studiare il cielo, o se si usano processi naturali senza capirli del tutto, come facevano con il fiume Mississippi.L’arrivo dei modelli che imparano dai dati
Con l’arrivo di sistemi come il machine learning, specialmente il deep learning, sono nati modelli pratici che non hanno bisogno di un’idea chiara fatta dalle persone. Questi sistemi imparano direttamente dai dati che ricevono. Riescono a trovare legami complicati e schemi che le persone non vedono. Possono essere molto precisi in compiti difficili, come aiutare nelle diagnosi mediche o riconoscere immagini. Però, spesso non sanno spiegare perché arrivano a certe conclusioni.Perché i modelli AI sono difficili da capire
Questa mancanza di trasparenza mette in discussione l’idea che per avere conoscenza si debba sempre capire i principi che stanno dietro. Chiedere che i sistemi di intelligenza artificiale siano “spiegabili” nasce da bisogni della società. Vogliamo poterci fidare di questi sistemi, sapere chi è responsabile se qualcosa va storto e assicurarci che non ci siano ingiustizie o pregiudizi. Le spiegazioni, in questo senso, servono più a scopi sociali che a mostrare perfettamente come funziona la realtà.Meglio puntare sui risultati e sulla trasparenza
Forse, invece di volere sempre capire ogni singolo passaggio dei sistemi di intelligenza artificiale, è meglio concentrarsi su un altro aspetto. Possiamo fare in modo che questi sistemi siano ottimizzati per raggiungere obiettivi utili che vogliamo, come diminuire gli incidenti sulle strade. È fondamentale assicurarsi che rispettino i valori importanti per le persone. Bisogna affrontare e correggere attivamente i pregiudizi che possono essere presenti nei dati usati per addestrare questi sistemi e nei risultati che producono. Dire chiaramente quali dati vengono usati e quali obiettivi si vogliono raggiungere è essenziale per gestire bene queste tecnologie.Ma davvero concentrarsi sui “risultati utili” e sulla trasparenza dei dati basta a garantire fiducia e responsabilità, se il processo decisionale resta una scatola nera?
Il capitolo propone di spostare l’attenzione dall’esigenza di “spiegabilità” interna dei modelli opachi alla verifica dei risultati e alla trasparenza sui dati utilizzati. Tuttavia, questa impostazione rischia di eludere il nodo cruciale: come si identificano e correggono efficacemente i pregiudizi o gli errori sistematici in un sistema di cui non si comprende il funzionamento interno? La fiducia e la responsabilità sembrano richiedere non solo la conoscenza degli input e degli output, ma anche una qualche forma di comprensione del “come” si passa dall’uno all’altro, specialmente quando le decisioni hanno impatti significativi sulla vita delle persone. Per approfondire questa tensione tra opacità, risultati e necessità sociali, è utile esplorare la filosofia dell’intelligenza artificiale, l’etica dell’IA e il campo dell’Explainable AI (XAI). Autori come Luciano Floridi, Frank Pasquale o Cathy O’Neil offrono prospettive critiche fondamentali su questi temi.2. Il Valore dell’Imprevisto
La strategia tradizionale per affrontare il futuro si basa sull’anticipazione e sulla preparazione dettagliata. Questo metodo, utilizzato da secoli per la produzione di oggetti o la progettazione di prodotti complessi come la Model T di Henry Ford, richiede di prevedere in anticipo le esigenze e di pianificare meticolosamente ogni passo per soddisfarle. Tuttavia, questo approccio comporta dei costi, come lo spreco di risorse dovuto a preparazioni eccessive o non adatte alla realtà, e limita le possibilità solo a ciò che è stato immaginato e previsto inizialmente.Superare l’Anticipazione con la Flessibilità Digitale
Con l’arrivo di internet e delle tecnologie digitali, sono emersi nuovi modi di operare che riducono la necessità di prevedere tutto in anticipo. Questi approcci si concentrano sulla creazione di sistemi flessibili e aperti, capaci di adattarsi e generare valore in modi non pianificati. Si tratta di spostare l’attenzione dalla previsione rigida alla creazione di condizioni che permettano l’emergere spontaneo di soluzioni e innovazioni.Il Prodotto Minimo Funzionante (MVP)
Un esempio concreto di questo cambiamento è il concetto di “prodotto minimo funzionante” (MVP). Invece di sviluppare un prodotto completo e finito basandosi su previsioni, si lancia una versione base con le funzioni essenziali. L’obiettivo è imparare dall’uso reale da parte degli utenti, raccogliendo feedback preziosi per migliorare e aggiungere funzioni gradualmente. Aziende come IMVU, Dropbox e Slack hanno seguito questa strada, scoprendo e soddisfacendo bisogni dei clienti che non avevano previsto all’inizio, dimostrando come l’interazione diretta con gli utenti possa guidare lo sviluppo in direzioni inattese ma di successo.Lo Sviluppo Agile e le Piattaforme Aperte
Un altro approccio che abbraccia la non anticipazione è lo sviluppo “agile”, ampiamente usato nella creazione di software. Questo metodo abbandona la pianificazione rigida a lungo termine a favore di cicli di lavoro brevi e modulari. Si lavora su piccole parti del progetto che possono essere facilmente modificate, permettendo di rispondere rapidamente a nuove idee, problemi o cambiamenti di rotta, come è successo nel recupero del sito HealthCare.gov, dove la flessibilità è stata cruciale. Le piattaforme aperte rappresentano un’ulteriore manifestazione di questo principio. Rendendo dati o servizi accessibili tramite interfacce (API), si permette a sviluppatori esterni o agli utenti stessi di creare applicazioni e usi che i creatori originali non avevano immaginato. Esempi noti includono Facebook, Wikipedia, il “Guardian” e GitHub, che hanno generato un enorme valore inatteso permettendo ad altri di costruire sulle loro fondamenta. Anche i videogiochi che consentono modifiche (“modding”) sfruttano questa apertura creativa.Internet: Un Esempio di Design per la Non Anticipazione
Internet stesso è stato concepito fin dall’inizio con l’idea della non anticipazione. Offrendo servizi di base minimi e standardizzati, ha permesso a chiunque di sviluppare nuovi servizi e applicazioni sopra questa infrastruttura, come i motori di ricerca, i social network e innumerevoli altri strumenti. Questa architettura aperta ha reso la rete uno strumento incredibilmente versatile e utile per una vastissima gamma di attività che non erano state previste al momento della sua creazione.Prepararsi alla Spontaneità
Adottare un approccio basato sulla non anticipazione non significa eliminare del tutto la pianificazione. Piuttosto, sposta il focus dalla previsione dettagliata del futuro alla creazione di un ambiente e di strumenti che siano pronti ad accogliere e sfruttare ciò che non si può prevedere. Si tratta di prepararsi alla spontaneità, accettando di cedere un certo grado di controllo per scoprire possibilità e generare valore che una pianificazione rigida e basata solo sull’anticipazione non avrebbe mai permesso di trovare. Questo modo di pensare trasforma profondamente il processo di creazione di prodotti e servizi, aprendo la porta a un mondo di usi, interazioni e innovazioni molto più ricchi e complessi.Ma quali sono i costi nascosti e i rischi concreti di un approccio che celebra la spontaneità e la non-anticipazione?
Il capitolo presenta i benefici di un approccio flessibile e non basato sulla previsione rigida, ma trascura di analizzare le potenziali criticità. Non vengono esplorati i costi legati alla gestione dell’incertezza, i rischi di sicurezza intrinseci nei sistemi aperti, o le difficoltà nel mantenere una visione strategica a lungo termine quando il processo è guidato dall’emergenza. Per comprendere appieno il quadro, sarebbe utile approfondire discipline come la teoria organizzativa, la gestione del rischio e l’economia dell’innovazione, magari leggendo autori che analizzano le sfide e i fallimenti nell’applicazione di metodologie agili o basate sull’apertura.3. Oltre la Causa, la Connessione
Il modo in cui comprendiamo come accadono le cose sta cambiando profondamente rispetto al passato. Non ci affidiamo più soltanto all’idea semplice di causa ed effetto, dove un’azione specifica porta a un risultato diretto e prevedibile, un po’ come accade nelle leggi fondamentali della fisica. Stiamo invece scoprendo un principio più ampio e potente che definisce le interazioni nel mondo moderno: l’interoperabilità. Questa nuova prospettiva ci aiuta a capire meglio sistemi complessi e interazioni che prima sembravano inspiegabili. Ci permette di vedere come elementi diversi possano connettersi e funzionare insieme in modi del tutto sorprendenti e spesso non previsti.Cos’è l’interoperabilità?
L’interoperabilità si riferisce alla capacità intrinseca di diversi elementi o sistemi, anche se originariamente progettati per scopi o contesti specifici, di funzionare insieme e interagire efficacemente in altri ambienti. Questo scambio e questa collaborazione avvengono spesso in modi che i loro ideatori originali non avevano potuto anticipare. Possiamo osservare esempi di interoperabilità nella vita di tutti i giorni, come uno spinotto audio standard che si collega a un’ampia varietà di dispositivi diversi, o il vocabolario standardizzato utilizzato dai controllori di volo per garantire comunicazioni chiare e univoche a livello globale. Altri casi comuni includono i codici a barre che permettono di identificare prodotti ovunque, le carte di credito che funzionano in paesi con valute e leggi differenti, e i formati di file universali come il CSV che facilitano lo scambio di dati tra software diversi. Nel mondo digitale, l’interoperabilità è un pilastro fondamentale che abilita molte delle tecnologie e dei servizi che utilizziamo quotidianamente.
Nel mondo digitale, l’interoperabilità è il fondamento di molte innovazioni moderne ed è cruciale in diversi settori. La sua applicazione spazia dalle API pubbliche, che permettono a diversi software di comunicare e scambiare dati tra loro in modo strutturato, agli open data, che rendono le informazioni liberamente accessibili e riutilizzabili da chiunque per creare nuovi servizi o analisi. È essenziale nella programmazione agile, dove facilita l’integrazione rapida e flessibile di componenti software sviluppati separatamente, e nella modifica dei videogiochi, che consente ai giocatori di personalizzare le loro esperienze di gioco creando contenuti aggiuntivi. L’Internet delle cose si basa sull’interoperabilità per far comunicare tra loro oggetti di uso quotidiano apparentemente diversi, e l’aggregazione di dati per il machine learning dipende dalla capacità di combinare e analizzare informazioni provenienti da una vasta gamma di fonti eterogenee. Anche Internet stesso, collegando reti locali diverse e tecnologie differenti in un unico sistema globale, è forse l’esempio più potente e trasformativo di come l’interoperabilità possa ridefinire il nostro mondo.
Il valore delle connessioni inattese
L’interoperabilità non si limita a rendere i sistemi esistenti più efficienti, flessibili o robusti; il suo impatto più significativo deriva dalla sua straordinaria capacità di far emergere usi completamente nuovi, creativi e spesso del tutto imprevisti. Un esempio lampante di questo potenziale è rappresentato da progetti collaborativi come Schema.org, che hanno definito vocabolari e standard condivisi per descrivere le informazioni presenti sulle pagine web in un modo che sia facilmente comprensibile non solo dagli utenti umani, ma anche dai motori di ricerca e da altre applicazioni software. Questo processo non si limita a migliorare la precisione e la pertinenza dei risultati di ricerca, ma soprattutto rende queste informazioni strutturate liberamente accessibili e riutilizzabili da qualsiasi programma o servizio che sappia interpretare quello standard. In pratica, trasforma le normali pagine web da semplici documenti da leggere a vere e proprie fonti di dati strutturati, quasi come delle API, pronte per essere interrogate e utilizzate in modi creativi da terze parti, generando servizi e funzionalità innovative. Questo tipo di approccio, che si fonda sull’adozione volontaria di standard aperti e sulla collaborazione diffusa, come nel caso dei microformati, innesca un potente circolo virtuoso: l’adozione di uno standard da parte di un numero crescente di attori rende conveniente l’adozione di altri standard correlati, ampliando esponenzialmente le possibilità di interazione tra diverse fonti di dati e software, e creando così un valore difficile da prevedere all’inizio del processo.
Regole diverse per mondi diversi
Esiste una differenza fondamentale nel modo in cui le cose interagiscono nel mondo fisico rispetto a quello digitale, e l’interoperabilità gioca un ruolo chiave in questa distinzione. Nel nostro ambiente quotidiano, le interazioni tendono a seguire leggi di causalità rigide e prevedibili, un po’ come il movimento delle palle su un tavolo da biliardo dopo un colpo, dove l’azione A causa la reazione B. Al contrario, nell’universo digitale, l’interoperabilità apre la porta all’interazione fluida e produttiva tra elementi di natura molto diversa tra loro. Questo è reso possibile dalla natura intrinsecamente flessibile e astratta dei dati digitali, che possono rappresentare quasi ogni tipo di informazione immaginabile e le cui regole di interazione non sono fissate da leggi fisiche immutabili, ma possono essere scritte, definite e modificate nel codice software. L’interoperabilità consente queste interazioni efficaci pur rispettando le differenze intrinseche degli elementi coinvolti, come dimostrano chiaramente le transazioni con carta di credito che gestiscono senza problemi diverse valute, sistemi bancari e quadri legali. Inoltre, le regole che governano queste interazioni nel mondo interoperabile non sono immutabili come le leggi della fisica, ma sono profondamente adattabili: possono essere create da zero per definire nuove forme di connessione o modificate secondo necessità per migliorare o alterare le interazioni esistenti. Possiamo definire con precisione come le informazioni devono fluire e interagire tra diverse applicazioni software o servizi online. Un altro aspetto potente è che l’interoperabilità connette oggetti o informazioni attraverso qualsiasi distanza geografica o logica senza che la forza o l’effic
Ma questi strumenti ridisegnano davvero il progresso, o sono solo i nuovi attori in un dramma storico ben più antico e complesso?
Il capitolo attribuisce agli strumenti digitali un potere quasi autonomo di “ridisegnare” il progresso, suggerendo un determinismo tecnologico che meriterebbe maggiore analisi critica. L’idea che il progresso diventi ora imprevedibile sembra ignorare che l’innovazione è sempre stata un processo non lineare, pieno di esiti inattesi e guidato da una complessa interazione di fattori sociali, economici e politici, non solo dalla natura degli strumenti stessi. Per approfondire questa prospettiva e bilanciare la visione presentata, è utile esplorare la sociologia della tecnologia, le teorie del cambiamento sociale e le analisi storiche che considerano la tecnologia come parte di un sistema più ampio. Autori come Langdon Winner o Manuel Castells possono offrire spunti fondamentali su come la tecnologia sia plasmata e, a sua volta, plasmi la società, ma all’interno di dinamiche di potere e strutture preesistenti.6. Il Significato nella Rete Complessa
Internet e i sistemi di machine learning cambiano profondamente il modo in cui vediamo il mondo. Ci spingono ad accettare una complessità che è difficile da afferrare pienamente. La nostra mente tende a cercare una singola causa per spiegare gli eventi, pensando “se non fosse successo X, allora Y non sarebbe accaduto”. Questa visione semplice si scontra con la realtà complessa che emerge dall’apprendimento automatico, dove moltissimi fattori diversi contribuiscono a un unico risultato. Le spiegazioni tradizionali, anche se utili per risolvere problemi specifici, finiscono per nascondere la vasta e intricata rete di connessioni che lega ogni cosa.Come si diffondono le idee e il cambiamento
L’influenza e il cambiamento non si diffondono solo attraverso azioni dirette, come premere una leva per ottenere un risultato immediato. Funzionano anche in modo simile alla gravità o a un magnete, attraverso la massa e l’attrazione. Questo si vede chiaramente nei movimenti sociali che nascono online o nelle strategie di marketing basate sugli influencer. Gli strumenti digitali spesso agiscono come punti di attrazione. Il valore e l’impatto di un elemento, come un hashtag, crescono e diventano significativi man mano che sempre più persone lo usano e si connettono ad esso.Le storie cambiano con il pubblico
Anche le narrazioni si adattano a questa nuova complessità. Nonostante le continue distrazioni offerte dal mondo online, notiamo un crescente interesse per storie lunghe e articolate, come quelle raccontate nelle serie TV. Tuttavia, queste storie non sono più rigide e predefinite. Spesso si modificano e si evolvono in base all’interazione e alle reazioni del pubblico. Questo modo di raccontare, che a volte tradisce le aspettative tradizionali, riflette l’imprevedibilità che caratterizza la vita moderna e persino lo sviluppo delle carriere professionali.Intelligenza artificiale e morale
L’intelligenza artificiale solleva questioni importanti anche riguardo alla morale. I sistemi di intelligenza artificiale non hanno una coscienza e non agiscono in base a principi morali innati o buone intenzioni. Si basano invece sulle conseguenze delle azioni, seguendo un approccio simile all’utilitarismo. Questo ci obbliga a definire concetti come l’equità con estrema precisione quando programmiamo queste macchine. Diventa evidente quanto sia più facile riconoscere ciò che consideriamo sbagliato rispetto a definire in modo universale ciò che è giusto. L’intelligenza artificiale ci spinge a pensare alla morale più in termini di risultati concreti e di casi specifici, piuttosto che di regole generali valide ovunque.Il significato nasce dalle connessioni
Il significato di qualcosa non si trova più nella sua essenza isolata, come si pensava nelle classificazioni tradizionali. Emerge invece dalla sua vasta rete di relazioni con tutto ciò che lo circonda. I sistemi di machine learning, collegando enormi quantità di dati in modi che non seguono schemi rigidi e predefiniti, dimostrano chiaramente come il significato di un elemento sia profondamente legato al contesto in cui si trova e alle sue innumerevoli connessioni con altri elementi.Accettare un futuro complesso e aperto
I nuovi strumenti tecnologici ci mostrano un futuro che è intrinsecamente complesso e difficile da prevedere con certezza. La sicurezza assoluta diminuisce, lasciando spazio alla probabilità e alla possibilità. Questa accettazione della complessità non deve essere vista come un limite. Al contrario, apre la porta a nuove opportunità e genera un senso di meraviglia. Ci incoraggia a esplorare continuamente e ad ampliare la nostra comprensione del mondo che ci circonda.Affermare che l’IA opera su principi utilitaristici non è forse una semplificazione eccessiva che ignora le profonde sfide filosofiche ed etiche che essa solleva?
Il capitolo, pur sollevando un punto cruciale sul rapporto tra IA e morale, sembra adottare una prospettiva etica specifica (l’utilitarismo) come se fosse l’unica o la principale modalità operativa dell’intelligenza artificiale. Questo approccio rischia di semplificare eccessivamente un campo vastissimo come l’etica, che comprende numerose teorie e dibattiti millenari che vanno ben oltre la mera valutazione delle conseguenze. Per comprendere appieno le implicazioni morali dell’IA, è fondamentale esplorare le diverse correnti del pensiero etico e considerare come i valori umani vengono incorporati (spesso implicitamente) nei sistemi algoritmici. Per approfondire, è utile studiare la Filosofia (in particolare l’Etica) e leggere autori che si occupano di etica dell’IA, come Luciano Floridi.Abbiamo riassunto il possibile
Se vuoi saperne di più, devi leggere il libro originale
Compra il libro[sc name=”1″][/sc] [sc name=”2″][/sc] [sc name=”3″][/sc] [sc name=”4″][/sc] [sc name=”5″][/sc] [sc name=”6″][/sc] [sc name=”7″][/sc] [sc name=”8″][/sc] [sc name=”9″][/sc] [sc name=”10″][/sc]