График на Гартнер за тези, които работят в технологичната сфера, е все едно изложба на висша мода. Поглеждайки го, можете предварително да разберете кои термини са най-популярни този сезон и какво ще чуете на всички предстоящи конференции.
Ние разгадихме какво се крие зад красивите думи на този график, за да можете и вие да говорите на този език.
Преди всичко, нека да кажем няколко думи за това какво представлява този график. Всеки август консултантската компания Гартнер публикува доклад – Gartner Hype Curve. На български това е „крива на ажиотажа”, или по-просто казано – хайп. Преди 30 години рапърите от групата Public Enemy пяха: „Don’t believe the hype”. Вярвате ли или не, това е личен избор, но поне е добре да знаете тези ключови термини, ако работите в технологичната сфера и искате да сте в крак с глобалните тенденции.
Това е график на обществените очаквания относно определена технология. Според Гартнер, в идеалния случай технологията последователно преминава през 5 етапа: стартиране на технологията, пик на завишените очаквания, долина на разочарованието, склон на просвещението и плато на продуктивността. Но понякога се случва тя да потъне в „долината на разочарованието” – примери можете да се сетите много лесно, да вземем например биткойните: първоначално на пика като „парите на бъдещето”, те бързо се сринаха, когато недостатъците на технологията станаха очевидни, главно ограниченията на броя транзакции и огромното количество електрическа енергия, необходимо за генерирането на биткойни (което вече води до проблеми с екологията). И, разбира се, не може да се забрави, че графикът на Гартнер е само прогноза: тук, например, може да се прочете подробна статия, в която се разглеждат най-ярките неизпълнени предсказания.
И така, нека да разгледаме новия график на Гартнер. Технологиите са разделени на 5 основни тематични групи:
- Продвинут ИИ и аналитика (Advanced AI and Analytics)
- Посткласически изчисления и комуникации (Postclassical Compute and Comms)
- Сензорика и мобилност (Sensing and Mobility)
- „Допълненият” човек (Augmented Human)
- Цифрови екосистеми (Digital Ecosystems)
1. Продвинут ИИ и аналитика (Advanced AI and Analytics)
През последното десетилетие наблюдаваме звезден час на дълбокото обучение (Deep Learning). Тези мрежи наистина са ефективни за техните специфични задачи. През 2018 година Ян Лекун, Джефри Хинтон и Йошуа Бенжио получиха наградата Тюринг за техните открития – най-престижната награда, еквивалент на 'Нобелова награда' в информатиката. Ето основните тенденции в тази област, които са представени в графиката:
1.1. Пренос на обучение (Transfer Learning)
Не обучавате невронната мрежа от нулата, а взимате вече обучена и задавате друга цел. Понякога е необходимо да пренастроите част от мрежата, но не цялата, което е много по-бързо. Например, като вземете готова невронна мрежа ResNet50, обучена на набора от данни ImageNet1000, ще получите алгоритъм, способен да класифицира много различни обекти по изображения на много дълбоко ниво (1000 класа по характеристики, извлечени от 50 слоя невронна мрежа). Но не е нужно да обучавате цялата мрежа, което би отнело месеци.
В Samsung 'Невронни мрежи и компютърно зрение', например, в финалната с класификация на чинии на чисти и мръсни, се демонстрира подход, който за 5 минути предоставя дълбока невронна мрежа, способна да различава мръсни чинии от чисти, изградена по описаната по-горе архитектура. Първоначалната мрежа не знаеше какво представляват чиниите вообще, тя просто учеше да различава птичета от кучета (вж. ImageNet).
Източник: Samsung 'Невронни мрежи и компютърно зрение'
За Transfer Learning е важно да знаете какви подходи работят и какви са наличните основни архитектури. По принцип, това значително ускорява появата на практическите приложения на машинното обучение.
1.2. Генеративно-състезателни мрежи (Generative Adversarial Networks, GAN)
Това е за случаите, когато е много трудно да формулираме целта на обучението. Колкото по-близка е задачата до реалния живот, толкова по-разбираема е за нас ('donеси масичката'), но толкова по-трудно е да я формулираме като техническо задание. GAN е опит да ни освободи от този проблем.
Тук работят две мрежи: едната е генератор (Generative), а другата е дискриминатор (Adversarial). Едната мрежа учи да извършва полезни задачи (като класификация на изображения, разпознаване на звуци или рисуване на анимации). А другата мрежа учи първата: тя разполага с реални примери и учи да намира предварително непозната сложна формула за сравнение на произведенията на генеративната част на мрежата с обектите от реалния свят (обучаващата извадка) въз основа на наистина важни дълбоки признаци: брой очи, близост до стила на Миядзаки, правилност на произношението на английски.
Пример за резултатите от работата на мрежата за генериране на аниме герои.
Но там, разбира се, е сложно да се изградят архитектури. Недостатъчно е просто да се вмъкнат неврони, те трябва да се подготвят. И обучението им отнема седмици. Този проект по GAN е ключов изследователски въпрос за моите колеги в Центъра за изкуствен интелект на Samsung. Например, това е такова : използването на генеративни мрежи за синтез на реалистични снимки на хора с променлива поза — например, за да създадете виртуална пробна или за синтез на лице, което може да намали количеството информация, която трябва да се съхранява или предава за осигуряване на качествена видеовръзка, предаване или защита на личните данни.
1.3. Обясним ИИ (Explainable AI)
В някои редки ситуации прогресът в дълбоките архитектури внезапно приближи възможностите на дълбоките невронни мрежи до човешките. Сега битката се води за разширяване на обхвата на тези задачи. Например, робот-прахосмукачка би могъл лесно да различава котка от куче при пряка среща. Но в повечето ситуации той ще бъде неспособен да намери котка, спяща сред пране или мебели (както и ние, в повечето случаи…).
Каква е причината за успехите на дълбоките невронни мрежи? Те генерират представяне на задачата, основаващо се не на "видимата с невъоръжено око" информация (пиксели от снимка, колебания на звука...), а на характеристики, получени след предварителна обработка на тази информация през стотици слоеве на невронната мрежа. За съжаление, тези взаимовръзки могат също да са безсмислени, противоречиви или да носят следи от несъвършенството на първоначалния набор от данни. Например, за това какво може да доведе до безразборно приложение на AI в наемането на кадри, съществува малка компютърна игра. .
Системата за маркиране на изображения е нарекла човек, който готви, жена, въпреки че на снимката всъщност е мъж (). Това в Института на Вирджиния.
За да анализираме сложни и дълбоки взаимоповръзки, които често не можем сами да формулираме, са нужни методи на Explainable AI. Те организират характеристиките на дълбоките невронни мрежи така, че след обучението да можем да анализираме наученото от мрежата вътрешно представяне, а не просто да разчитаме на нейното решение.
1.4. Периферна аналитика / AI (Edge Analytics / AI)
Всичко, където има дума Edge, означава буквално следното: прехвърляне на част от алгоритмите от облака/сервиза на ниво крайно устройство/шлюз. Такъв алгоритъм ще сработва по-бързо и няма да има нужда от свързване с централния сървър за своята работа. Ако ви е известна абстракцията "тънък клиент", тук ние малко удебеляваме този клиент.
Това може да бъде важно за Интернет на нещата. Например, ако машина се е прегряла и има нужда от охлаждане, е смислено да се подаде сигнал за това веднага, на ниво фабрика, без да се чака данните да стигнат до облака и оттам до майстора на смените. Или друг пример: автономните автомобили могат сами да разберат пътната обстановка, без да се обръщат към централния сървър.
Или друг пример защо това е важно от гледна точка на сигурността: когато на телефона си въвеждате текстове, той запомня типичните за вас думи, за да ви насочва удобно – това се нарича предиктивен текст. Изпращането на всичко, което въвеждате на клавиатурата, в датацентър, би било нарушение на вашата приватност и просто небезопасно. Затова обучението на клавиатурата се извършва само в самото ваше устройство.
1.5. Платформа за изкуствен интелект като услуга (AI PaaS)
PaaS – Платформа-както-услуга – е бизнес модел, при който получаваме достъп до интегрирана платформа, включително нейното облачно хранилище данни и готови процедури. Така можем да се освободим от инфраструктурни задачи и да се концентрираме изцяло върху производството на нещо полезно. Примери за PaaS платформи за AI задачи: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Адаптивно машинно обучение (Adaptive ML)
Какво, ако позволим на изкуствения интелект да се адаптира… Ще попитате – какво имате предвид?.. Нали така или иначе адаптира ли се той към задачата? Проблемът е в това: всяка такава задача оформяме старателно, преди да построим алгоритъм за решаването ѝ. Отговорът е, че всъщност можем да опростим и тази верига.
Обикновеното машинно обучение работи по принципа на отворена система (open-loop): подготвяте данни, измисляте невронна мрежа (или каквото и да е), обучавате, след което гледате на няколко показателя, и ако всичко ви харесва, можете да изпратите невронната мрежа в смартфони – да решава задачи на потребителите. Но в приложения, където данните са много и характерът им постепенно се променя, са нужни различни методи. Такива системи, които се адаптират и обучават сами, организират в затворени, самообучаващи се контури (closed-loop), и те трябва да работят без прекъсване.
Приложенията могат да бъдат потокова аналитика (Stream Analytics), на основата на която много бизнесмени взимат решения, или адаптивно управление на производството. В мащабите на съвременните приложения и предвид по-добре разбраните рискове за хората, методите, които формират решението на този проблем, всички тези методи се събират под общото наименование Adaptive AI.
Гледайки тази снимка, трудно е да се отървем от усещането, че футуролозите не искат нищо друго, освен да научат роботите да дишат...
Посткласически изчисления и комуникации (Postclassical Compute and Comms)
2.1. Мобилна връзка от пето поколение (5G)
Това е толкова интересна тема, че веднага ви изпращаме към нашата . А тук е кратка резюме. 5G, благодарение на повишената честота на предаване на данни, ще направи интернет скоростта невероятно бърза. Кратките вълни имат трудности при преминаването през препятствия, затова мрежовата структура ще бъде съвсем различна: базовите станции ще трябва да бъдат 500 пъти повече.
Заедно със скоростта ще получим нови явления: игри в реално време с добавена реалност, извършване на сложни задачи (като хирургия) чрез телеприсъствие, предотвратяване на аварии и сложни ситуации на пътищата чрез комуникация между превозните средства. От по-прозаична страна: най-накрая мобилният интернет няма да пада по време на масови събития, като мачове на стадион.
Източник на изображението — Reuters, Niantic
2.2. Памет от следващо поколение (Next-Generation Memory)
Тук става въпрос за петото поколение оперативна памет – DDR5. Samsung обяви, че до края на 2019 година ще се появят продукти на базата на DDR5. Очаква се новата памет да бъде два пъти по-бърза и два пъти по-емкостна при запазване на форм-фактора, тоест ще можем да получим паметни модули с капацитет до 32Гб за компютъра си. В бъдеще това ще бъде особено актуално за смартфони (новата памет ще бъде в версия с ниска консумация на енергия) и за лаптопи (където броят на DIMM-слотовете е ограничен). Освен това машинното обучение изисква големи обеми оперативна памет.
2.3. Системи за нискоорбитални спътници (Low-Earth-Orbit Satellite Systems)
Идеята за замяна на тежки, скъпи, мощни спътници с рой малки и евтини не е нова и се появи още през 90-те. Както вече няма да чуват само ленивите. Тук най-известната компания е Iridium, която обяви банкрут в края на 90-те, но бе спасена благодарение на Министерството на отбраната на САЩ (да не се бърка с iRidium – руската система за智能 дом). Проектът на Илън Мъск (Starlink) не е единственият – в спътниковата надпревара участват Ричард Брансън (OneWeb – 1440 предполагаеми спътника), Boeing (3000 спътника), Samsung (4600 спътника) и други.
Как стоят нещата в тази област, как изглежда икономиката – четете в . А ние очакваме първите тестове на тези системи от първите потребители, които трябва да се проведат вече през следващата година.
2.4. 3D печат в наномасштаби (Nanoscale 3D Printing)
3D печатът, въпреки че не е влязъл в живота на всеки човек (в обещаната форма на индивидуална домашна пластмасова фабрика), отдавна е излязъл от нишата на технологиите за ентусиасти. Може да се съди по това, че за съществуването на поне 3D скулптурни химически моливи знае всеки ученик, и много мечтаят да си набавят кутия с рейки и екструдер за… „просто така“ (или вече са я закупили).
Стереолитографията (лазерни 3D принтери) позволява печатането на отделни фотони: изследват се нови полимери, за които е достатъчно само две фотона, за да се втвърдят. Това ще позволи в не-лабораторни условия да се създават напълно нови филтри, крепежи, пружини, капиляри, лещи и… вашите идеи в коментарите! И тук не е далеч до фотополимеризацията – само тази технология позволява „печатането“ на процесори и изчислителни схеми. Освен това, технологията за печат на графенови 500-нм триизмерни структури не е нова. 3. Сензорика и мобилност (Sensing and Mobility)
3.1. Безпилотни автомобили, нива 4 и 5 (Autonomous Driving Level 4 & 5)
За да не се объркате в терминологията, е добре да се разберат какви нива на автономност съществуват (взето от подробна
, към която насочваме всички заинтересовани): Ниво 1: Круиз контрол: помощ на водача в много ограничени ситуации (например – задържане на автомобила на зададена скорост след като водачът е свалил крака от педала)
Ниво 2: Ограничена помощ при управление и спиране. Водачът трябва да бъде готов бързо да поеме контрола. Ръцете му трябва да са на волана, а погледът му насочен към пътя. Това е вече налично в Tesla и General Motors.
Ниво 3: Водачът вече не е длъжен постоянно да следи пътя. Но той трябва да остане нащрек и да бъде готов да поеме контрола. Това е нещо, което все още не се предлага в наличните на пазара автомобили. Всички съществуващи до момента са на ниво 1-2.
Ниво 3: Шофьорът повече не трябва постоянно да следи за пътя. Но трябва да бъде нащрек и готов да поеме контрола. Това е нещо, което все още не се предлага при наличните на пазара автомобили. Всички съществуващи в момента – са на ниво 1-2.
Ниво 4: Истинният автопилот, но с ограничения: само пътувания в известна област, която е прецизно картографирана и общо известна на системата, и при определени условия: например, при отсъствие на сняг. Такива прототипи имат Waymo и General Motors и те планират да ги пуснат в няколко града и да ги тестват в реални условия. „Яндекс“ има тестови зони за безпилотни таксита в Сколково и Иннополис: пътуването се извършва под наблюдението на инженер, седнал на мястото на пасажера; до края на годината компанията планира да разшири парка до 100 безпилотни автомобила.
Ниво 5: Пълно автоматично управление, пълна замена на живия шофьор. Такива системи не съществуват и едва ли ще се появят в близките години.
Насколько реалистично е всичко това да бъде видяно в обозримото бъдеще? Тук бихме искали да насочим читателя към статията . Това отчасти е свързано с липсата на 5G свързаност: наличните скорости на 4G не са достатъчни. Отчасти с много високите разходи за автономни автомобили: те все още са нерентабилни, бизнес моделът е неясен. С една дума, тук „всичко е сложно“ и не случайно Гартнер пише, че прогнозата за масово внедряване на Ниво 4 и 5 е не по-рано от 10 години.
3.2. Камери с 3D виждане (3D Sensing Cameras)
Преди осем години игровият контролер Microsoft Kinect направи фурор, предлагайки достъпно и сравнително евтино решение за 3D виждане. Оттогава физически танцови игри с Kinect преживяха краткосрочен взлет и спад, но 3D камерите започнаха да се използват в индустриални роботи, безпилотни автомобили, мобилни телефони за идентификация по лице. Технологията стана по-евтина, по-компактна и достъпна.
В телефона Samsung S10 е вградена камера за време на полет (Time-of-Flight), която измерва разстоянието до обекта – за улесняване на фокусирането.
Ако ви интересува тази тема, насочваме ви към много добро подробно ревю на дълбочинните камери: , .
3.3. Дронове за доставка на малки товари (Light Cargo Delivery Drones)
Тази година Amazon предизвика голямо вълнение, когато представи на изложение новия летящ дрон, способен да пренася малки товари до 2 кг. За градовете, изпълнени с трафик, това изглежда като идеално решение. Ще видим как ще се справят тези дронове в най-скоро време. Струва си да бъдем предпазливи: съществуват много проблеми, от лесната кражба на дрони до законодателни ограничения за БПЛА. Amazon Prime Air съществува вече шест години, но все още е в етап на тестване.
Новият дрон на Amazon, представен тази пролет. Има нещо от „Междузвездни войни“ в него.
Освен Amazon, на този пазар има и други играчи (има подробен ), но няма готов продукт: всичко е на етап тестове и маркетингови кампании. Струва си да се отбележи достатъчно интересните специализирани медицински в Африка: доставка на донорска кръв в Гана (14 000 доставки, компания Zipline) и Руанде (компания Matternet).
3.4. Летящ автономен транспорт (Flying Autonomous Vehicles)
Тук е трудно да се каже нещо определено. Според „Гартнър“, това няма да се появи по-рано от 10 години. Всъщност, тук са същите проблеми като при безпилотните автомобили, само че получават ново измерение — вертикално. За своите амбиции да създадат летящо такси заявяват Porsche, Boeing, Uber.
3.5. Облако на разширената реалност (AR Cloud)
Постоянна цифрова копие на реалния свят, позволяваща създаването на нов слой реалност, общ за всички потребители. Говорейки по-технически, става дума за изграждане на отворена облачна платформа, в която разработчиците могат да интегрират своите AR приложения. Моделът на монетизация е ясен, това е подобие на Steam. Идеята е толкова разпространена, че вече някои смятат, че AR без облак е просто безполезна.
Как това може да изглежда в бъдеще, е нарисувано в кратко видео. Изглежда като поредна серия на „Черното огледало“:
Може да се прочете и в
4. „Допълнен“ човек (Augmented Human)
4.1. ИИ за емоции (Emotion AI)
Как да се измерват, симулират и реагират на човешките емоции? Някои от клиентите тук са компании, произвеждащи гласови асистенти като Amazon Alexa. За наистина да се интегрират в домовете, те трябва да научат как да разпознават настроението: да разберат причината за недоволството на потребителя и да опитат да го коригират. Всъщност в контекста има много повече информация, отколкото в самото съобщение. А контекстът включва и изражение на лицето, и интонация, и невербално поведение.
От другите практически приложения: анализ на емоциите по време на интервю за работа (чрез видеоинтервю), оценка на реакцията на рекламни клипове или друг видеосъдържание (усмивки, смях), помощ при обучение (например, за самостоятелна практика в изкуството на публичните изказвания).
По тази тема е трудно да се изрази нещо по-добро от автора на 6-минутния кратък филм . В остроумно и стилно направения клип се показва как могат да се измерват нашите емоции с маркетингови цели и от моментните реакции на лицето ви да се разбере: обичате ли пица, кучета, Кание Уест и дори какъв е вашият доход и приблизителен IQ. Ако преминете на уебсайта на филма чрез горната връзка, ставате участник в интерактивно видео, използвайки вградената камера на вашия лаптоп. Филмът вече е бил показан на няколко кинофестивала.
Има дори интересно изследване: как да се разпознава сарказъм в текста. Взети са туитове с хаштаг #сарказъм и е направен обучителен набор от 25 000 туита със сарказъм и 100 000 обикновени туита на всякакви теми. Използвана е библиотеката TensorFlow, системата е обучена, и ето резултата:
Затова сега, ако не сте сигурни за вашия колега или приятел – казал ли ви е нещо сериозно или със сарказъм, — можете да се възползвате от вече !
4.2. Допълнителен интелект (Augmented Intelligence)
Автоматизация на интелектуалния труд с помощта на методи за машинно обучение. Изглежда, че няма нищо ново? Но тук важна е самата формулировка, тъй като тя съвпада по съкращение с Изкуствения Интелект. Това ни отвежда към дебата за „силния“ и „слабия“ ИИ.
Силният ИИ е точно онзи изкуствен интелект от научнофантастичните филми, който е напълно равен на човешкия разум и осъзнава себе си като личност. Такъв все още не съществува и не е ясно дали изобщо ще съществува.
Слабият ИИ не е самостоятелна личност, а помощник на човека. Той не претендира за човекообразно мислене, а просто може да решава информационни задачи, например да определя какво е изобразено на картинката или да превежда текст.
В това отношение Augmented Intelligence е чисто „слаб ИИ“, а формулировката изглежда удачна, тъй като не внася объркване и изкушение да видим тук онзи „силен ИИ“, за който всички мечтаят (или се страхуват, ако си спомним многото разисквания за „въстанието на машините“). Използвайки термина Augmented Intelligence, ние веднага сякаш ставаме герои от друг филм: от научна фантастика (като „Аз, роботът“ на Азимов) попадаме в киберпанк (в този жанр
Как Ерик Бриньолфсън и Андрю Макафи: „През следващите 10 години ще се случи следното. Не ИИ ще замени мениджърите, а тези мениджъри, които използват ИИ, ще заменят тези, които все още не са успели“
Примери:
- Медицина: Станфордският университет разработи , който се справя със задачата за разпознаване на патологии на рентгенография на гръдния кош средно толкова успешно, колкото и повечето лекари
- Образование: помощ на учениците и учителите, анализ на отговорите на учениците на материалите, изграждане на индивидуална траектория на обучение.
- Бизнес-анализа: предварителната обработка на данни по статистика заема 80% от времето на изследователя, а само 20% — самия експеримент
4.3. Биочипове (Biochips)
Това е любимата тема на всички киберпанк-филми и книги. Чипирането на домашни любимци не е нова практика. Но сега тези чипове започнаха да имплантират и на хора.
В този случай хайпът вероятно е свързан с нашумелия случай в американската компания Three Square Market. Там работодателят започна да предлага вмъкване на чипове под кожата в замяна на възнаграждение. Чипът позволява отваряне на врати, логване в компютри, закупуване на закуски от автомат — тоест, подобна универсална служебна карта. При това, този чип служи именно като карта за идентификация, в него няма GPS модул, поради което не е възможно проследяване на хора с него. А ако човек иска да премахне чипа от ръката си, това отнема 5 минути с помощта на доктор.
Чиповете обикновено се вмъкват между големия и показалеца.
Прочетете подробно за състоянието на чипирането в света.
4.4. Иммерсивно работно пространство (Immersive Workspace)
«Иммерсивен» — още една нова дума, от която просто не можем да се избегнем. Тя е навсякъде. Иммерсивен театър, изложба, кино. Какво имаме предвид? Иммерсивността е създаването на ефект на потапяне, когато границата между автора и зрителя, виртуалния и реалния свят изчезва. Приложимо за работното място, трябва да предполагаме, че това означава размяна на границите между изпълнителя и инициатора и насърчаване на служителите към по-активна позиция чрез преоформяне на околната среда.
Сега, когато Agile е навсякъде, гъвкавостта и тясното взаимодействие се явяват необходими, работните места трябва да бъдат максимално лесно конфигурируеми и да насърчават груповата работа. Икономиката налага свои условия: увеличава се броят на временно наетите служители, наема на офис помещения расте, а в условията на конкурентния пазар на труда IT компаниите се стремят да увеличат удовлетворението на служителите от работата, създавайки зони за отдих и други предимства. И всичко това се отразява на дизайна на работните места.
От Knoll
4.5. Персонификация (Personification)
Всеки знае какво е персонализация в рекламата. Това е, когато днес обсъждате с колега, че в помещението въздухът е сух и трябва да се купи овлажнител за офиса, а на следващия ден виждате в социалните мрежи реклама – «купете овлажнител за въздух» (реален случай, който се случи с мен).
Персонификация, по определению на Gartner, е отговор на нарастващото безпокойство на потребителите относно употребата на техните лични данни за рекламни цели. Целта е да се разработи подход, при който ще виждаме реклами, които са свързани с контекста, в който се намираме, а не с нас лично. Например, нашето местоположение, тип устройство, време на деня и метеорологични условия – това не нарушава нашите лични данни и не предизвиква неприятното чувство за „наблюдение“.
За разликата между тези две понятия, прочетете на Андрю Франк в блога на сайта на Gartner. Тук разликата е толкова тънка и думите са толкова сходни, че ако не знаете разликата, рискувате да спорите с опонента си, без да подозирате, че всъщност и двамата сте прави (и това е реален случай, случил се с автора).
4.6. Биотехнологии – Изкуствени тъкани (Biotech – Cultured or Artificial Tissue)
Това, преди всичко, е идеята за отглеждане на изкуствено месо. Няколко екипа от цял свят в момента работят по разработването на лабораторно "Месо 2.0" – очаква се, че то ще бъде по-евтино от нормалното и веригите за бързо хранене ще преминат към него, а след това и супермаркетите. Сред инвеститорите в тази технология са Бил Гейтс, Сергей Брин, Ричард Брансън и други.
Източник
Причини, поради които изкуственото месо интересува всички:
- Глобално затопляне: емисиите на метан от фермите. Това е 18% от световния обем газове, влияещи на климата.
- Растеж на населението. Потребността от месо нараства и е невъзможно да се храни всички с естествено месо – то е просто скъпо.
- Недостиг на пространство. 70% от горите на Амазонка вече са изсечени за пасбища.
- Етични съображения. Има хора, за които това е важно. Защитната организация PETA вече предложи награда от 1 милион долара на учен, който пусне на пазара изкуствено пилешко месо.
Замяната на истинското месо със соево е частично решение, тъй като хората добре усещат разликата във вкуса и текстурата и едва ли ще се откажат от стек в полза на соята. Така че е необходимо истинско, именно органично отгледано месо. В момента, за съжаление, изкуственото месо струва твърде много: от 12$ за килограм. Това е свързано със сложния технологичен процес на отглеждане на такова месо. Прочетете повече за всичко това. .
Ако говорим за други случаи на отглеждане на тъкани – вече в медицината – интересна е темата с изкуствените органи: например, "пластир" за сърдечен мускул, със специален 3D принтер. Известни са подобни на изкуствено отглежданото мишино сърце, но като цяло всичко все още не излиза извън рамките на клиничните изпитания. Така че Франкенщайн в близките години едва ли ще видим.
Тук Гартнер е много предпазлив в оценките, явно имайки предвид своето провалило се предсказание от 2015 година, че през 2019 година 10% от населението на развитите страни ще има 3D отпечатано медицинско устройство-имплант. Затова и обозначава времето за достигане на плато на продуктивността – не по-малко от 10 години.
5. Цифрови екосистеми (Digital Ecosystems)
5.1. Децентрализиран Уеб (Decentralized Web)
Тази концепция е тясно свързана с името на изобретателя на уеба, носител на наградата Тюринг, сър Тим Бърнърс-Ли. За него винаги са били важни въпросите на етиката в информатиката и колективната същност на Интернет: полагайки основите на хипертекста, той беше убеден, че мрежата трябва да работи като паяжина, а не като йерархия. Така беше на ранния етап на развитие на мрежата. Въпреки това, с развитието на Интернет, неговата структура по редица причини стана централизирана. Оказа се, че достъпът до мрежата за цяла страна може лесно да бъде блокиран чрез само няколко доставчика. А данните на потребителите се превърнаха в източник на сила и доходи за интернет компании.
"Интернет вече е децентрализиран, – казва Бърнърс-Ли. – Проблемът е, че доминира една търсачка, една голяма социална мрежа, една платформа за микроблогинг. Нямаме технологични проблеми, но имаме социални".
В своето по случай 30-годишнината на World Wide Web, създателят на Веба очерта три основни проблема на Интернет:
- Целенасочено причиняване на вреда, като спонсорирани от държавата хакерски атаки, престъпления и онлайн тормоз.
- Самото устройство на системата, което в ущърб на потребителя създава условия за такива механизми, като: финансово стимулиране на кликбейта и вирусно разпространение на неверни информации.
- Непреднамерени последици от дизайна на системата, които водят до конфликти и намаляване на качеството на онлайн дискусията.
И Тиам Бернерс-Ли вече има отговор на какви принципи би могъл да се базира „Интернет на здравия човек“, който е лишен от проблема номер 2: „За много потребители единствената модел на взаимодействие с уеба остава доходът от реклама. Дори ако хората са уплашени от това, което се случва с техните данни, те са готови да прибягнат до сделката с маркетинговата машина, за възможността да получават безплатно съдържание. Представете си свят, в който таксата за стоки и услуги е лесна и приятна за двете страни“. От възможностите как това може да се устрои: музикантите могат да продават своите записи без посредници под формата на iTunes, а новинарските сайтове – да използват система за микроплащания за четене на една статия, вместо да печелят от реклама.
Като експериментален прототип на такъв нов Интернет, Тим Бернерс-Ли стартира проект SOLID, чиято същност е, че съхранявате свои данни в „пода“ – хранилище на информация, и можете да предоставяте тези данни на външни приложения. Но принципно, вие самите сте собствениците на своите данни. Всичко това е тясно свързано с концепцията за пирингови мрежи, т.е. компютърът ви не само запитва за услуги, но и предоставя такива, за да не разчита на един сервер като единствен канал.
5.2. Децентрализирани автономни организации (Decentralized Autonomous Organizations)
Това е организация, която се управлява от правила, записани под формата на компютърна програма. Нейната финансова дейност се осъществява на базата на блокчейн. Целта на създаването на такива организации е да премахне държавата от ролята на посредник и да създаде обща доверена среда за контрагентите, която не се притежава от никого индивидуално, а се притежава от всички заедно. Тоест, в теорията, това трябва, ако идеята се утвърди, да премахне нотариусите и други познати институции за верификация.
Най-известният пример за такава организация е насочената към рисково капиталовложение The DAO, която през 2016 година събра 150 милиона долара, от които 50 бяха моментално откраднати чрез законна „дупка“ в правилата. Веднага настъпи сложна дилема: да върнем всичко обратно и да възстановим парите, или да признаем, че изтеглянето на парите е било легално, тъй като по никакъв начин не е нарушавало правилата на платформата. В крайна сметка, за да върнат парите на инвеститорите, създателите трябваше да унищожат The DAO, като препишат блокчейна и нарушат основния му принцип – неизменяемостта.
Комикс за Ethereum (вляво) и The DAO (вдясно).
Цялата тази история развали репутацията на самата идея за DAO. Проектът беше основан на криптовалутата Ethereum, а следващата година се очаква версия Ethereum 2.0 – може би, авторите (сред които е известният Виталик Бутерин) ще вземат предвид грешките и ще представят нещо ново. Вероятно затова Gartner постави DAO на възходяща линия.
5.3.Синтетични данни (Synthetics Data)
За обучение на невронни мрежи са нужни големи обеми данни. Ръчното означаване на данни е огромен труд, който може да бъде извършен само от човек. Затова могат да се създават изкуствени набори от данни. Например, същите колекции от човешки лица на сайта. Те се създават с помощта на GAN – алгоритми, за които вече беше споменато по-горе.
Тези лица не принадлежат на хора.
Голямо предимство на тези данни е, че не възникват юридически затруднения при тяхното използване: няма на кого да даваме съгласие за обработка на лични данни.
5.4.Digital Ops
Суфиксът „Ops“ стана изключително модерен след като терминът DevOps навлезе в нашия речник. Сега DigitalOps – е просто обобщение на DevOps, DesignOps, MarketingOps… Все още не сте се отегчили? С други думи, това е пренасяне на подхода, приет в DevOps, в останалите области на бизнеса – маркетинг, дизайн и т.н.
Идеята на DevOps беше да премахне бариерите между собствено разработката и операциите, чрез създаване на общи екипи, където работят програмисти, тестери, специалисти по безопасност и администратори; внедряване на определени практики: непрекъсната интеграция, инфраструктура като код, съкращаване и укрепване на веригите за обратна връзка. Целта беше – да се ускори пускането на продукта на пазара. Ако си помислихте, че това прилича на Agile, правите. Сега мислено пренесете този подход от сферата на софтуерната разработка към разработката като цяло – и ще осъзнаете какво представлява DigitalOps.
5.5. Графи на знанието (Knowledge Graphs)
Програмният начин за моделиране на областта на знанието, включително – чрез алгоритми за машинно обучение. Графът на знанието се изгражда върху съществуващите бази данни, за да свърже информацията на едно място: както структурирана (списък със събития или личности), така и неструктурирана (текст на статия).
Най-простият пример е картата, която можете да видите в резултатите от търсене в Google. Ако търсите определена личност или институция, ще видите отстрани картата:
Обърнете внимание, че "Предстоящите събития" не е копие на информацията от Google Maps, а интеграция на графика с Яндекс.Афиши: лесно можете да видите това, ако кликнете върху събитията. Тоест, това е обединение на няколко източника на данни на едно място.
Ако поискате списък – например, "известни режисьори" – ще ви покажат "карусел":
Бонус за тези, които прочетоха до края
И ето, сега когато изяснихме значението на всеки от пунктовете, можем да погледнем на същата картина, но вече на български език:
Споделете я свободно в социалните мрежи!
Татяна Волкова – Автор на учебната програма на трака за Интернет на нещата в IT Академията на Samsung, специалист по програми за корпоративна социална отговорност на Изследователския център на Samsung.
Източник: habr.com
