Гартнер график за тези, които работят в технологичната сфера е като изложба на висшата мода. Взирайки се в него, можете предварително да разберете кои са най-актуалните термини през този сезон и какво ще чуете на най-близките конференции.

Разшифровахме какво се крие зад красивите думи на този график, за да можете и вие да говорите на този език.

Първо, нека да кажем няколко думи за самия график. Всеки август консултантската компания Гартнер публикува отчет – Gartner Hype Curve. На български това е „крива на хиперажда“ или по-просто казано – хайп. Преди 30 години рэперите от групата Public Enemy пеят: „Не вярвайте на хипа“. Вярвате или не, е личен въпрос, но поне е полезно да познавате тези ключови термини, ако работите в технологии и искате да знаете световните тенденции.

Това е график на обществените очаквания от определена технология. Според Гартнер, в идеалния случай технологията последователно преминава през 5 етапа: стартиране на технологията, пик на преувеличените очаквания, долина на разочарованието, склон на просвещението, плато на продуктивността. Но понякога тя завършва в „долината на разочарованието“ – примери можете да си спомните сами много лесно, например биткойните: първоначално изкачвайки се на върха като „пари на бъдещето“, те бързо паднаха, когато стана очевидно недостатъците на технологията, предимно ограниченията на броя транзакции и огромното количество електрическа енергия, необходимо за генериране на биткойни (което вече води до проблеми с екологията). И разбира се, не бива да забравяме, че графикът на Гартнер е само прогноза: тук, например, можете да прочетете подробна статия, където се разглеждат най-ярките несбъднати предсказания.

И така, нека да разгледаме новия график на Гартнер. Технологиите са разделени на 5 големи тематични групи:

1. Напреднал ИИ и аналитика (Advanced AI and Analytics)
2. Посткласически изчисления и комуникации (Postclassical Compute and Comms)
3. Сензорика и мобилност (Sensing and Mobility)
4. „Допълнен“ човек (Augmented Human)
5. Цифрови екосистеми (Digital Ecosystems)

1. Напреднал ИИ и аналитика (Advanced AI and Analytics)

През последните 10 години наблюдаваме звездния час на дълбокото обучение (Deep Learning). Тези мрежи наистина са ефективни за своята сфера от задачи. През 2018 година Ян Лекун, Джефри Хинтон и Йошуа Бенжио получиха Наградата Тюринг за своите открития, което е най-престижното отличие, аналог на "Нобеловата награда" в информатиката. Така че основните тенденции в тази област, представени в графиката:

1.1. Пренос на обучение (Transfer Learning)

Не обучавате невронна мрежа от нулата, а взимате вече обучена и задавате нова цел. Понякога за това е необходимо да се преобучат част от мрежата, но не цялата мрежа, което е много по-бързо. Например, взимайки готова невронна мрежа ResNet50, обучена на набора от данни ImageNet1000, получавате алгоритъм, способен да класифицира много различни обекти на много дълбоко ниво (1000 класа по характеристики, разработени от 50 слоя невронна мрежа). Но не е нужно да обучавате цялата тази мрежа, което би отнело месеци.

В онлайн курс Samsung „Невронни мрежи и компютърно зрение“, например, в крайната Kaggle задача с класификация на чинии на чисти и мръсни, демонстрира подход, който за 5 минути ви дава в разположение дълбока невронна мрежа, способен да различава мръсни чинии от чисти, изградена по описаната по-горе архитектура. Първоначалната мрежа не е знаела какво е чиния, тя просто е учила да различава птички от кученца (вж. ImageNet).

Източник: онлайн курс Samsung „Невронни мрежи и компютърно зрение“

За Transfer Learning е необходимо да знаете, кои подходи работят, какви готови базови архитектури съществуват. В общи линии, това много ускорява появата на практически приложения на машинното обучение.

1.2. Генеративно-състезателни мрежи (Generative Adversarial Networks, GAN)

Това е в случаите, когато е много трудно да формулираме целта на обучението. Колкото по-близка е задачата до действителния живот, толкова по-ясна ни е („донеси шкафче“), но толкова по-трудно е да я формулираме като техническо задание. GAN — е опит да ни избави от този проблем.

Тук работят две мрежи: едната е генератор (Generative), а другата е дискриминатор (Adversarial). Едната мрежа се учи да извършва полезна работа (класифицира изображения, разпознава звуци, рисува анимации). А другата мрежа учи тази мрежа: тя има реални примери и се учи да открива предварително неизвестна сложна формула за сравнение на произведенията на генеративната част на мрежата с обекти от реалния свят (обучителната извадка) по наистина важни дълбоки характеристики: брой на очите, близост до стила на Миядзаки, правилност на произношението на английски.

Пример за резултата от работата на мрежата за генериране на аниме персонажи. Източник

Но там, разбира се, е сложно да се изгради архитектурата. Не е достатъчно просто да се пуснат неврони, те трябва да се подготвят. И обучението отнема седмици. Темата за GAN се обсъжда от моите колеги в Центъра за изкуствен интелект на Samsung, те я разглеждат като един от ключовите изследователски въпроси. Например, ето такова разработка: използването на генеративни мрежи за синтез на реалистични снимки на хора с променлива поза — например, за създаване на виртуална пробна стая, или за синтез на лице, което може да намали количеството информация, необходимо за съхранение или предаване за осигуряване на качествена видеовръзка, предаване или защита на личните данни.

Източник

1.3. Обясним ИИ (Explainable AI)

В някои редки задачи напредъкът в дълбоките архитектури изведнъж приближи възможностите на дълбоките невронни мрежи до човешките. Сега битката е за увеличаване на обхвата на такива задачи. Например, робот-прахосмукачка лесно би могъл да различи котка от куче при пряка среща. Но в повечето жизнени ситуации той няма да успее да намери котката, спяща сред дрехи или мебели (впрочем, както и ние, в повечето случаи…).

Каква е причината за успеха на дълбоките невронни мрежи? Те формират представление за задачата, основано не на "видимата с невъоръжено око" информация (пиксели от снимки, скокове в звука...), а на признаците, извлечени след предобработката на тази информация от стотици слоеве на невронна мрежа. За съжаление, тези взаимовръзки могат също да бъдат безсмислени, противоречиви или да съдържат следи от несъвършенствата на първоначалния набор от данни. Например, какво може да доведе до безразсъдно прилагане на AI в рекрутиране, можете да научите от малка компютърна игра. Оцеляване на най-подходящите.

Системата за анотиране на изображения е нарекла човек, който готви, жена, въпреки че на снимката всъщност е мъж (Източник). Това че в Института на Вирджиния.

За да анализираме сложни и дълбоки взаимовръзки, които често не можем сами да формулираме, са необходими методи за Обяснима AI. Те организират признаците на дълбоките невронни мрежи по начин, който ни позволява да анализираме наученото от мрежата вътрешно представление след обучението, а не просто да разчитаме на нейното решение.

1.4. Периферийна аналитика / AI (Edge Analytics / AI)

Всичко, в което има думата Edge, означава буквално следното: прехвърляне на част от алгоритмите от облака / сървъра на нивото на крайното устройство / шлюза. Този алгоритъм ще се активира по-бързо и няма да се нуждае от свързване с централния сървер за своята работа. Ако ви е позната абстракцията "тънки клиент", тук ние правим този клиент малко по-дебел.
Това може да бъде важно за Интернет на нещата. Например, ако машината се е прегряла и се нуждае от охлаждане, има смисъл да подадете сигнал веднага на ниво фабрика, без да чакате данните да стигнат до облака и оттам до майстора на смяната. Или друг пример: автономните автомобили могат самостоятелно да разберат пътната обстановка, без да се обръщат към централния сървер.

Източник

Или друг пример защо е важно от гледна точка на сигурността: когато на телефона си въвеждате текстове, той запомня типични за вас думи, за да ви предлага удобно клавиатурата – това се нарича предиктивно въвеждане на текст. Изпращането на всичко, което въвеждате на клавиатурата, в дата център би било нарушение на вашата лична неприкосновеност и просто несигурно. Затова обучението на клавиатурата става само в рамките на вашето устройство.

1.5. Платформа с изкуствен интелект като услуга (AI PaaS)

PaaS – Платформа като услуга – това е бизнес модел, при който имаме достъп до интегрирана платформа, включваща облачно хранилище на данни и готови процедури. По този начин можем да се освободим от инфраструктурни задачи и напълно да се съсредоточим върху производството на нещо полезно. Примери за PaaS платформи за задачи с изкуствен интелект: 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 – как така?.. Нали той и така се адаптира към задачата? Проблемът е в това, че всяка такава задача смятаме внимателно, преди да построим алгоритъм за решаването ѝ. Ще ви отговорят – оказва се, че можем да опростим и тази верига.

Обикновеното машинно обучение работи по принципа на отворена система (open-loop): вие подготвяте данни, измисляте невронна мрежа (или каквото и да е), обучавате я, после гледате на няколко показателя, и ако всичко ви харесва, можете да изпратите невронната мрежа в смартфоните – да решава задачи на потребителите. Но в приложения, където има много данни и техният характер постепенно се променя, са нужни други методи. Такива системи, които се адаптират и обучават сами, организират в затворени, самообучаващи се контури (closed-loop) и те трябва да работят безпроблемно.

Приложенията — това може да бъде потокова аналитика (Stream Analytics), на базата на която множество бизнесмени вземат решения, или адаптивно управление на производството. В мащабите на съвременните приложения и с оглед на по-добре разбираните рискове за хората, методите, които формират решение на този проблем, всички тези методи се събират под общото име Adaptive AI.

Източник

Гледайки на тази картинка, е трудно да се отделим от чувството, че футуролозите трябва само да ни научат как да накараме робота да диша…

Посткласически изчисления и комуникации (Postclassical Compute and Comms)

2.1. Мобилна връзка от пето поколение (5G)

Темата е толкова интересна, че веднага ви насочваме към нашата статията. А ето и кратко резюме. 5G, благодарение на повишаването на честотата на предаване на данни, ще направи интернет скоростите невероятно бързи. Късите вълни по-трудно преминават през препятствия, затова мрежовата структура ще е съвсем различна: ще са необходими 500 пъти повече базови станции.

Заедно със скоростта ще получим нови явления: реално време игри с добавена реалност, извършване на сложни задачи (като хирургия) чрез телеприсъствие, предотвратяване на инциденти и сложни ситуации по пътищата чрез комуникация между автомобили. От по-прозаично: мобилният интернет най-накрая няма да пада по време на масови събития, като мач на стадиона.

Източник на картинката — Reuters, Niantic

2.2. Памет от следващо поколение (Next-Generation Memory)

Тук става дума 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, запазвайки формата си, тоест ще можем да получим за компютъра си платки памет с капацитет до 32Гб. В бъдеще това ще бъде особено актуално за смартфоните (новата памет ще бъде с ниска консумация на енергия) и за лаптопите (където броят на DIMM-слотовете е ограничен). Освен това машинното обучение изисква големи обеми оперативна памет.

2.3. Системи за сателити в ниска орбита (Low-Earth-Orbit Satellite Systems)

Идеята да се заменят тежки, скъпи, мощни сателити с рои от малки и евтини не е нова и се появи още през 90-те. За което „Илон Мъск скоро ще раздава интернет на всички от сателит“ вече не е чул само мързеливият. Най-известната компания тук е Iridium, която банкрутира в края на 90-те, но бе спасена благодарение на Министерството на отбраната на САЩ (да не се бърка с iRidium – руската система за умни домове). Проектът на Илон Мъск (Starlink) далеч не е единственият – в сателитната надпревара участват Ричард Брансън (OneWeb – 1440 предполагаеми сателита), Boeing (3000 сателита), Samsung (4600 сателита) и други.

Как стоят нещата в тази област, каква е икономиката – четете в ревюто. И ние очакваме първите тестове на тези системи от първите потребители, които трябва да се проведат вече следващата година.

2.4. 3D печат в наномащаб (Nanoscale 3D Printing)

3D печатът, въпреки че не е навлязъл в живота на всеки човек (в форма на обещаната индивидуална домашна пластмасова фабрика), отдавна е излязъл от нишата на технологиите за гикове. Може да се съди по това, че за съществуването на поне 3D скулптурни химикалки знае всеки ученик и много мечтаят да си закупят кутия с шини и екструдер… «просто така» (или вече са се сдобили с такава).

Стереолитографията (лазерни 3D принтери) позволява да се печата с отделни фотони: изследват се нови полимери, за втвърдяването на които са достатъчни само два фотона. Това ще позволи в не-лабораторни условия да се създават съвсем нови филтри, крепежи, пружини, капиляри, лещи и… вашите предложения в коментарите! И тук не е далеч до фотополимеризацията – само тази технология позволява да се «печатат» процесори и изчислителни схеми. Освен това, вече от години съществува технология за печат на графенови 500-нм тримерни структури, но без радикално развитие.

Източник

3. Сенсорика и мобилност (Sensing and Mobility)

3.1. Автономни автомобили, ниво 4 и 5 (Autonomous Driving Level 4 & 5)

За да не се заплетем в терминологията, си струва да разясним какви нива на автономност се различават (взето от подробната статии, към която насочваме всички заинтересовани):

Ниво 1: Круиз контрол: помощ на водача в много ограничени ситуации (например – поддържане на автомобила на зададена скорост след като водачът е свалил крака си от педала)
Ниво 2: Ограничена помощ с управлението и спирането. Водачът трябва да е готов да поеме управлението почти мигновено. Ръцете му са на волана, погледът е насочен към пътя. Това, което вече има в Tesla и General Motors.
Ниво 3: Водачът вече не трябва постоянно да следи пътя. Но трябва да остане нащрек и да бъде готов да поеме управлението. 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 за пътувания в известна област, която е внимателно картографирана и общоизвестна на системата, и при определени условия: например, при липса на сняг. Такива прототипи имат Waymo и General Motors, които планират да ги стартират в няколко града и да ги тестват в реални условия. "Яндекс" има тестови зони за безпилотни таксита в Сколково и Иннополис: пътуването протича под наблюдението на инженер, седящ на мястото на пътника; до края на годината компанията планира да увеличи парка до 100 безпилотни автомобила.
Ниво 5: Пълно автоматично шофиране, пълна замяна на жив шофьор. Такива системи не съществуват и е малко вероятно да се появят в близките години.

Насколько реалистично е всичко това да се види в обозримо време? Тук би било добре да насочим читателя към статията „Защо стартирането на роботакси до 2020 година, както обещава Tesla, е невъзможно“. Това отчасти е свързано с липсата на 5G свързаност: настоящите скорости на 4G не са достатъчни. Отчасти и с много високата цена на автономните коли: те все още не са рентабилни, бизнес моделът е неясен. Словом, тук "всичко е сложно", и не е случайно, че Гартнър пише, че прогнозата за масово внедряване на Ниво 4 и 5 – не по-рано от 10 години.

3.2. Камери с 3D зрение (3D Sensing Cameras)

Преди осем години игровият контролер Microsoft Kinect предизвика шум, предлагайки достъпно и сравнително евтино решение за 3D зрение. Оттогава физкултурно-танцовите игри с Кинект преживяха краткотраен възход и спад, но 3D камерите започнаха да се използват в индустриални роботи, безпилотни автомобили и мобилни телефони за идентификация по лице. Технологията стана по-евтина, компактна и достъпна.

В телефона Samsung S10 се намира камера за измерване на време на полета (Time-of-Flight camera), която измерва разстоянието до обекта – за улесняване на фокусировката. Източник

Ако темата ви интересува, ще насочим към много добро подробен обзор на дълбочинните камери: част 1, част 2.

3.3. Дронове за доставка на малки товари (Light Cargo Delivery Drones)

Тази година Amazon предизвика шум, когато представи на изложение новия летящ дрон, способен да пренася малки товари до 2 кг. За града, с неговите задръствания, това изглежда като идеално решение. Нека видим как тези дронове ще се проявят в най-близко бъдеще. Може би е уместно да включим предпазлив скептицизъм: съществуват множество проблеми, от възможността за лесна кражба на дроновете до законодателните ограничения за БПЛА. Amazon Prime Air съществува вече six години, но все още е на етап тестове.

Новият дрон на Amazon, показан тази пролет. Има нещо от „Междузвездни войни“ в него. Източник

Освен Amazon, има и други играчи на този пазар (има подробен преглед), но нито един готов продукт: всичко е на етап тестове и маркетингови акции. Особено интересни са наличието на специализирани медицински проекти в Африка: доставка на донорска кръв в Гана (14 000 доставки, компанията Zipline) и Руанда (компанията Matternet).

3.4. Летящи автономни превозни средства (Flying Autonomous Vehicles)

Тук е трудно да се каже нещо определено. Според Gartner, това ще се появи не по-рано от 10 години. Всъщност, тук са все същите проблеми, каквито имат безпилотните автомобили, само че получават ново измерение — вертикално. За амбициите си да построят летящо такси съобщават Porsche, Boeing, Uber.

3.5. Облако за разширена реалност (AR Cloud)

Постоянна цифрова копия на реалния свят, която позволява създаването на нов слой реалност, общ за всички потребители. Ако говорим по-технически, това е въпрос за създаването на отворена облачна платформа, в която разработчиците могат да интегрират своите AR приложения. Моделът на монетизация е ясен, това е нещо като аналог на Steam. Идеята е толкова задълбочена, че вече някои смятат, че AR без облака е просто безполезно.

Как може да изглежда в бъдеще, е нарисувано в кратко видео. Изглежда като нова серия на „Черно огледало“:

Може да се прочете и в публикация-преглед.

4. „Допълнен“ човек (Augmented Human)

4.1. ИИ за емоции (Emotion AI)

Как да измерим, симулираме и реагираме на човешките емоции? Едни от клиентите тук са компании, произвеждащи гласови асистенти като Amazon Alexa. Наистина ще успеят да влязат в домовете, ако научат да разпознават настроението: да разберат причината за недоволството на потребителя и да опитат да поправят ситуацията. В контекста има далеч повече информация, отколкото в самото съобщение. А контекстът – това е както лицевото изражение, така и интонацията, и невербалното поведение.

От други практически приложения: анализ на емоциите по време на интервю за работа (чрез видеоинтервю), оценка на реакциите към рекламни видеоклипове или друг видеосъдържание (усмивки, смехове), помощ при обучение (например, за самостоятелни практики в изкуството на публичните изказвания).

Темата е трудно да се изрази по-добре от автора на 6-минутния късометражен филм Stealing Ur Feeling. В остроумния и стилен клип се показва как можем да измерим нашите емоции в маркетингови цели и от мигновените реакции на лицето ви да разберем: обичате ли пица, кучета, Канье Уест и дори какъв е вашият доход и приблизителен IQ. Посетявайки сайта на филма чрез линка по-горе, ставате участник в интерактивно видео, използващо вградената камера на лаптопа ви. Филмът вече е показван на няколко кинофестивала.

Източник

Има дори интересно изследване: как да разпознаваме сарказъм в текста. Взели са туитове с хаштаг #сарказм и създали обучаваща извадка от 25 000 туита със сарказъм и 100 000 обикновени туита на всякакви теми. Приложили са библиотеката TensorFlow, обучили са системата, ето резултатът:

Източник

Затова сега, ако не сте сигурни относно вашия колега или приятел – казал ли ви е нещо сериозно или със сарказъм, — можете да се възползвате от вече обучената невронна мрежа!

4.2. Допълнен интелект (Augmented Intelligence)

Автоматизация на интелектуалния труд чрез методи на машинно обучение. Изглежда, че няма нищо ново? Но тук важна е самата формулировка, особено, че тя съвпада по съкращението с Artificial Intelligence. Това ни насочва към полемиката за "силен" и "слаб" ИИ.
Силният ИИ е именно този изкуствен интелект от фантастичните филми, който е напълно равен на човешкия разум и осъзнава себе си като личност. Такова нещо все още не съществува и не е ясно дали изобщо ще съществува.

Слабото ИИ не е самостоятелна личност, а помощник – асистент на човека. То не претендира за човекообразно мислене, а просто може да решава информационни задачи, например да определи какво е изображено на картинката или да превежда текст.

Източник

В този смисъл Augmented Intelligence е в чист вид "слабо ИИ", а формулировката изглежда удачна, тъй като не въвежда объркване и соблазнението да видим тук т.нар. "силен ИИ", за който всички мечтаят (или се страхуват, ако си спомним многобройните разсъждения за "въстанието на машините"). Използвайки термина Augmented Intelligence, сякаш ставаме герои от друг филм: от научна фантастика (като "Аз, роботът" на Азимов) попадаме в киберпанк (в този жанр "аугментации" наричат всевъзможни имплантанти, които разширяват възможностите на човека).

Как казаха Ерик Бриньолфсън и Андрю Макахфи: "През следващите 10 години ще се случи следното. Не ИИ ще замести мениджърите, а тези мениджъри, които използват ИИ, ще заменят тези, които все още не са успели."

Примери:

• Медицина: Стандфортският университет разработи алгоритъм, който успешно разпознава патологии на рентгенови снимки на гръдния кош със средна успеваемост, равна на повечето лекари.
• Образование: помощ за ученика и учителя, анализ на отговорите на учениците на материалите, изграждане на индивидуална учебна траектория.
• Бизнес анализи: предварителната обработка на данни, по статистика, заема 80% от времето на изследователя, а само 20% – самия експеримент.

4.3. Биочипове (Biochips)

Това е любима тема на всички киберпанк филми и книги. Всъщност, чипирането на домашни любимци не е нова практика. Но сега тези чипове започнаха да се внедряват и на хора.

В този случай хайпът вероятно е свързан с нашумял случай в американската компания Three Square Market. Там работодателят започна да предлага вграждане на чипове под кожата в замяна на награда. Чипът позволява отваряне на врати, влизане в компютри и покупка на закуски от автомат — то есть универсална карта за служители. Важно е, че такъв чип функционира единствено като карта за идентификация, без GPS модул, което прави невъзможно проследяването на някого. А ако човек желае да премахне чипа от ръката си, това отнема 5 минути с помощта на лекар.

Чиповете обикновено се вграждат между палеца и показалеца. Източник

Прочетете подробно статия за състоянието на чипирането в света.

4.4. Иммерсивно работно пространство (Immersive Workspace)

«Иммерсивен» — още една нова дума, от която просто не можем да избягаме. Тя е навсякъде. Иммерсивен театър, изложба, кино. Какво означава? Иммерсивността създава ефект на потапяне, когато границата между автора и зрителя, виртуалния и реалния свят се губи. Отнасяйки се до работното място, предполагам, че това означава заличаване на границата между изпълнителя и инициатора и насърчаване на служителите към по-активна роля чрез преконфигуриране на околната среда.

След като Agile, гъвкавост и близко взаимодействие са навсякъде, работните пространства също трябва да бъдат максимално лесно конфигурируеми, насърчаващи екипната работа. Икономиката задава условия: нараства броят на временно наетите служители, цената на наемите на офисни площи се увеличава, а при конкурентния пазар на труда ИТ компаниите се стремят да повишат удовлетвореността на служителите от работата, създавайки зони за отдих и други предимства. И всичко това отразява дизайна на работните места.

От отчет Knoll

4.5. Персонификация (Personification)

Всеки знае какво е персонализация в рекламата. Това е, когато днес обсъждате с колега, че в помещението е сухо и е необходимо да купите овлажнител за офиса, а на следващия ден виждате в социалните мрежи реклама — «купете овлажнител за въздух» (реален случай, станал с мен).

Източник

Персонификация, по определению Гартнера, представляет собой ответ на растущее беспокойство пользователей относительно использования их персональных данных для рекламных целей. Цель заключается в том, чтобы реклама соответствовала контексту, в котором мы находимся, а не нашей личности. Например, наша локация, тип устройства, время суток и погодные условия – это аспекты, которые не нарушают наши персональные данные, и мы не испытываем неприятного ощущения «незаконного наблюдения».

О разнице между этими двумя понятиями читайте заметку Эндрю Франка в блоге на сайте Гартнера. Различие между ними крайне тонкое, и поскольку слова очень похожи, вы, не осознавая разницы, рискуете долго спорить с собеседником, не подозревая, что по сути оба правы (и это реальный случай, который произошел с автором).

4.6. Биотехнологии – Искусственные ткани (Biotech – Cultured or Artificial Tissue)

Это, прежде всего, идея выращивания искусственного мяса. В настоящее время несколько команд по всему миру занимаются разработкой лабораторного «Мяса 2.0» – ожидается, что оно станет дешевле традиционного, и на него перейдут фастфуды, а затем и супермаркеты. Среди инвесторов в эту технологию – Билл Гейтс, Сергей Брин, Ричард Брэнсон и другие.

Източник

Причины, по которым всех так интересует искусственное мясо:

1. Глобальное потепление: выбросы метана с ферм составляют 18% от глобального объема газов, влияющих на климат.
2. Рост численности населения. Потребность в мясе возрастает, и накормить всех натуральным мясом невозможно – оно просто дорогое.
3. Нехватка места. 70% лесов Амазонки уже вырублены ради пастбищ.
4. Этические соображения. Для некоторых людей это важно. Зоозащитная организация PETA уже предлагала приз в 1 миллион долларов тому ученому, который освободит на рынок искусственное куриное мясо.

Замена настоящего мяса на соевое – это лишь частичное решение, так как люди хорошо ощущают разницу во вкусе и текстуре, и вряд ли откажутся от стейка в пользу сои. Поэтому необходимо настоящее, органическое мясо. К сожалению, в данный момент искусственное мясо обходится слишком дорого: от 12 $ за килограмм. Это связано со сложным процессом его производства. Читайте обо всем этом. статия.

Ако говорим за други случаи на отглеждане на тъкани – вече в медицината – интересно е темата с изкуствените органи: например, "пластир" за сърдечен мускул, отпечатан с специален 3D принтер. Известни са истории подобно на изкуствено отгледаното сърдце на мишка, но по принцип всичко все още е в рамките на клинични изпитвания. Така че Франкенщайн вероятно няма да видим в близките години.

Тук Гартнер е много предпазлив в оценки, явно имайки предвид своето провалено предсказание от 2015 година, че през 2019 г. 10% от населението на развитите страни ще имат 3D-отпечатано медицинско устройство-имплант. Затова обозначава времето за постигане на плато в 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, лауреат на наградата Тюринг, сър Тим Бърнърс-Ли. За него винаги са били важни въпросите на етиката в информатиката и колективната същност на Интернет: основавайки хипертекста, той беше убеден, че мрежата трябва да работи като паяжина, а не като йерархия. Така беше в ранните етапи на развитието на мрежата. Въпреки това с нарастването на интернет, неговата структура по редица причини започна да се централизира. Оказа се, че достъпът до мрежата за цяла страна може лесно да бъде блокиран чрез само няколко доставчици. А данните на потребителите се превърнаха в източник на сила и доход за интернет компаниите.

"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 своята отворено писмо по случай 30-годишнината на World Wide Web, създателят на уеба очерта три основни проблема на интернет:

1. Целенасочено нанасяне на вреда, като спонсорирани от държавата хакерски атаки, престъпност и онлайн тормоз.
2. Самото устройство на системата, което за сметка на потребителя създава основа за такива механизми като: финансово стимулиране на кликбейта и вирусно разпространение на фалшива информация.
3. Непреднамерени последици от дизайна на системата, които водят до конфликти и понижаване на качеството на онлайн дискусията.

И Тим Бернерс-Ли вече има отговор какви принципи би могъл да следва "Интернетът на здравия човек", освободен от проблема номер 2: "За много потребители единствената форма на взаимодействие с уеба остава приходът от реклама. Дори когато хората се страхуват от това, което се случва с данните им, те са склонни да се споразумеят с маркетинговата машина за възможността да получават съдържание безплатно. Представете си свят, в който плащането за стоки и услуги е лесно и приятно за двете страни". Измежду възможностите за организиране на това: музиканти могат да продават записи без посредници като iTunes, а новинарски 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 проекта SOLID, чиято същност е, че съхранявате данните си в "под" – хранилище на информация, и можете да предоставяте тези данни на трети приложения. В принцип, вие сами сте собствениците на вашите данни. Всичко това е тясно свързано с понятието за пирингови мрежи, т.е. вашият компютър не само че запитва услуги, но и предоставя такива, за да не се разчита на един единствен сървър като единствен канал.

Източник

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 принадлежи на никого индивидуално, а е собственост на всички заедно. Тоест, в теория, това трябва, ако идеята се утвърди, да премахне нотариусите и другите обичайни институти за верификация.

Най-известният пример за такава организация беше насочената към рисковия капитал The DAO, която през 2016 година събра 150 милиона долара, от които 50 бяха моментално откраднати чрез легална "дупка" в правилата. Възникна сложна дилема: или да се върнат назад и да се възстановят парите, или да се признае, че изтеглянето на парите беше легално, тъй като по никакъв начин не нарушаваше правилата на платформата. В крайна сметка, за да върнат парите на инвеститорите, създателите трябваше да унищожат The DAO, презаписвайки блокчейна и нарушавайки основния му принцип - неизменността.

Комикс за Ethereum (вляво) и The DAO (вдясно). Източник

Цялата тази история развали репутацията на самата идея за DAO. Този проект беше базиран на криптовалутата Ethereum, а следващата година се очаква версия 2.0 на Ether - възможно е авторите (сред които е известният Виталик Бутерин) да вземат предвид грешките и да покажат нещо ново. Вероятно затова Gartner постави DAO на възходяща линия.

5.3. Синтетични данни (Synthetics Data)

За обучението на невронни мрежи са нужни големи обеми данни. Ръчното обозначаване 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 https://generated.photos. Те се създават с помощта на GAN - алгоритми, за които вече беше споменато.

Тези лица не принадлежат на хора. Източник

Голямото предимство на тези данни е, че не възникват правни затруднения при тяхното използване: няма с кого да се получи съгласие за обработване на лични данни.

5.4. Digital Ops

Суфиксът «Ops» стана невероятно популярен, след като в нашия разговор се навести DevOps. Сега, когато говорим за DigitalOps – това е просто обобщение на DevOps, DesignOps, MarketingOps… Все още не сте се отегчили? Кратко казано, това е пренасянето на подхода, приет в DevOps, от сферата на софтуерните приложения към всички останали аспекти на бизнеса – маркетинг, дизайн и т.н.

Източник

Идеята на DevOps е да премахне бариерите между Development (разработка) и Operations (бизнес процеси), чрез създаване на общи екипи, в които да участват програмисти, тестери, специалисти по сигурността и администратори; внедряване на определени практики: непрекъсната интеграция, инфраструктура като код, съкращаване и подсилване на обратната връзка. Целта е била – да се ускори извеждането на продукта на пазара. Ако помислите, че това наподобява Agile, вие сте прави. Сега, пренесете този подход от сферата на софтуерната разработка към разработката като цяло – и вие ще разберете какво представлява DigitalOps.

5.5. Графи на знанията (Knowledge Graphs)

Програмният начин за моделиране на областта на знанието, включително – чрез алгоритми за машинно обучение. Графът на знанията се изгражда върху съществуващите бази данни, за да свърже в едно цялата информация: както структурирана (списък с събития или личности), така и неструктурирана (текст на статия).

Най-простият пример е картата, която можете да видите в търсачката на Google. Когато търсите личност или институция, отдясно ще видите картата:


Обърнете внимание, че "Предстоящи мероприятия" не е копие на информация от Google Maps, а интеграция на графика с Яндекс.Афиши: лесно ще го видите, ако кликнете на събитията. Тоест, това е обединение на няколко източника на данни в едно.

Ако поискате списък – например, "известни режисьори" – ще ви покаже "карусел":

Бонус за тези, които четоха до края

И сега, когато изяснихме значението на всеки от пунктовете, можем да погледнем на същата картинка, но вече на български език:

Споделете я свободно в социалните мрежи!

Татяна Волкова – Автор на учебната програма по Интернет на вещите в IT Академията на Samsung, специалист по програми за корпоративна социална отговорност в Института на Samsung.


Източник: habr.com