FCP Cut Finder Next: ChatGPT mi ha risolto una cagata sotto l'ombrellone: il trucco da dev che vi cambia la vita!

Titolo episodio: L’intelligenza artificiale ci salverà (ma bisogna guidarla) 🚀🤖
Breve riassunto
Alex racconta il ritorno in ufficio dopo le vacanze e condivide come ha usato l’intelligenza artificiale (in particolare ChatGPT e altri modelli) come compagno di brainstorming per migliorare l’algoritmo di FCP Cat Finder (il suo tool per trovare tagli nei video). Spiega l’approccio tecnico: dall’uso di FFprobe (FFmpeg) per estrarre statistiche fotogramma-per-fotogramma, al calcolo di un valore “wide if” per trovare spike di luminosità, fino all’idea di segmentare i video in più thread per velocizzare l’analisi. Racconta risultati pratici (fino a ~5x più veloce su M1 Pro), i problemi aperti (timecode, fps strani come 29.97, feedback progressivo all’utente, dimensione della app dovuta a librerie) e riflette più in generale su come usare l’AI come “oggetto diverso” (non solo junior né onnisciente). Tra aneddoti e divagazioni (il piccolo ufficio, la ninna nanna al figlio, lanci di sigarette in strada) Alex chiude con inviti a feedback e al gruppo Telegram.
Punti salienti che ascolterai
- Come ChatGPT/Gemini sono stati usati come partner di brainstorming e per generare codice di prova. 🧠
- L’idea di usare FFprobe per ottenere metriche per fotogramma (luminosità, noise, spazio colore, wide if) e convertirle in JSON. ⚙️
- Implementazione veloce: normalizzazione, soglie (cut/no-cut), protocollo Spikeable per riconoscere spike e massimi locali. 📈
- Strategie per multithreading: spezzare il video in segmenti per analisi parallela e i problemi pratici (duplicazioni, timecode). 🧩
- Confronto tra AppKit e SwiftUI, e decisioni sull’integrazione del nuovo algoritmo in un’app legacy (FCP Cat Finder / Cut Finder). 🖥️
- Limiti attuali e prossimi passi: progress bar per utenti, gestione fps non interi (29.97), analisi cromatica aggiuntiva. ⏳
Ospiti / Interviste
- Nessuna intervista formale. Viene citato il collega “Arturino” che esprime dubbi sul progetto, ma non è un ospite/intervistato in puntata.
Brand, servizi, nomi e link citati (con breve descrizione)
- Alex Raccuglia (host) — creatore e voce del podcast Techno Pillz / The Morning Run.
- Techno Pillz — il podcast/format condotto da Alex. 🎙️
- Runtime Radio — podcast network che ospita Techno Pillz.
- ChatGPT / ChatGPT5 — modello di OpenAI citato come partner per brainstorming e per generazione di codice. 🤖
- Gemini — altro modello/servizio AI citato (come alternativa o supplemento a ChatGPT).
- ShotGPT — citazione/comica (probabilmente un riferimento ironico a vari modelli/alias).
- Azure — servizio cloud Microsoft (Alex menziona di usarne una nuova versione per modelli e in cui riscontra qualche errore di naming).
- FFmpeg / FFprobe — FFmpeg è la celebre suite per elaborazione video; FFprobe è lo strumento che estrae metadati/statistiche dai file video (usato qui per ottenere informazioni per fotogramma e produrre JSON). 🧰
- Final Cut (Final Cut Pro) — software di editing video; Alex pensa a un’integrazione futura di CutFinder in Final Cut. 🎬
- FCP Cat Finder / Cut Finder / Cutfinder — l’applicazione di Alex per trovare tagli nei video (versione attuale e idea di una 2.0 con integrazione in Final Cut). 🐱✂️
- SwiftUI — framework Apple moderno per interfacce, apprezzato da Alex per velocità di sviluppo rispetto ad AppKit.
- AppKit — framework macOS più vecchio in cui è stata scritta l’app originale (2020).
- MacBook Pro M1 Pro — hardware usato come riferimento per tempi di analisi (es. 15s video -> 3s analisi). 💻
- Telegram — servizio di messaggistica; link al gruppo di Alex:
  - telegram.me/technopilzryot — gruppo Telegram di Techno Pillz (citato nel podcast).
- M1 / M4 / core — riferimenti agli Apple Silicon (M1 Pro, ipotesi su M4 super performante) e al numero di core usabili per il multithreading.
- Anna (rapper), Luca Carboni, Jovanotti, Extreme — citazioni musicali/aneddotiche e riferimenti culturali durante le divagazioni.
Link menzionato
- Telegram gruppo Techno Pillz: https://telegram.me/technopilzryot
Note tecniche rapide (per chi vuole approfondire)
- FFprobe può esportare analisi fotogramma-per-fotogramma in JSON: utile per pipeline di analisi esterne.
- Attenzione ai frame rate “non interi” (29.97, 23.976) quando si spezzettano video per analisi a segmenti.
- La strategia wide-if + soglie + massimi locali è veloce e dà buoni risultati, ma può essere combinata con analisi cromatica per ridurre falsi positivi.
Hai domande specifiche sul metodo tecnico (es. comando FFprobe da usare, come produrre JSON o come gestire i timecode/segmenti multithread)? Vuoi un riassunto “how-to” tecnico per replicare il flusso che descrive Alex? 😊
[00:15:37] Spot
[00:20:30] Spot
[00:30:54] Spot
[00:34:31] Il riassunto di Sciatta GPT

TechnoPillz
Flusso di coscienza digita