Графикът на Gartner е като шоу за висша мода за тези, които се занимават с технологии. Разглеждайки го, можете да разберете предварително кои думи са най-нашумели този сезон и какво ще чуете на всички предстоящи конференции.

Дешифрирахме какво се крие зад красивите думи в тази графика, за да можете и вие да говорите езика.

Като начало, само с няколко думи, какъв вид диаграма е това. Всяка година през август консултантската агенция Gartner пуска доклад – Gartner Hype Curve. На руски това е „кривата на рекламата“ или, по-просто, реклама. Преди 30 години рапърите от групата Public Enemy пеят: „Не вярвай на рекламата“. Вярвате или не, зависи от вас, но си струва да знаете поне тези ключови думи, ако се занимавате с технологии и искате да знаете световните тенденции.

Това е графика на обществените очаквания от определена технология. Според Gartner в идеалния случай технологията преминава през 5 последователни етапа: стартиране на технологията, пик на високите очаквания, долина на разочарованието, склон на просветление, плато на производителността. Но също така се случва да потъне в „долината на разочарованието“ - вие сами можете да си спомните примери много лесно, вземете същите биткойни: първоначално достигнали върха като „пари на бъдещето“, те бързо се търкаляха надолу, когато недостатъците на технологията станаха очевидни, преди всичко ограниченията върху броя на транзакциите и лудото количество електроенергия, необходимо за генериране на биткойни (което вече води до екологични проблеми). И разбира се, не трябва да забравяме, че графиката на Gartner е само прогноза: тук например можете да прочетете подробна Статия, където са подредени най-фрапиращите несбъднати прогнози.

И така, нека да разгледаме новата диаграма на Gartner. Технологиите са разделени на 5 големи тематични групи:

1. Разширен AI и анализ (Разширен AI и анализ)
2. Посткласически компютри и комуникации
3. Сетивност и мобилност (Усещане и мобилност)
4. Разширен човек
5. Цифрови екосистеми

1. Разширен AI и анализ (Advanced AI and Analytics)

През последните 10 години видяхме връхната точка на дълбокото обучение (Deep Learning). Тези мрежи са наистина ефективни за своята гама от задачи. През 2018 г. Ян Лекун, Джефри Хинтън и Джошуа Бенгио получиха наградата Тюринг за открития в тях – най-престижното отличие, аналогично на Нобеловата награда за компютърни науки. И така, основните тенденции в тази област, които са нанесени на графиката:

1.1. Трансферно обучение

Не обучавате невронна мрежа от нулата, а взимате вече обучена и й задавате различна цел. Понякога това изисква преквалификация на част от мрежата, но не на цялата мрежа, което е много по-бързо. Например, като вземете готова невронна мрежа ResNet50, обучена на набора от данни ImageNet1000, ще получите алгоритъм, който може да класифицира много различни обекти от изображение на много дълбоко ниво (1000 класа, базирани на функции, генерирани от 50 слоя на невронна мрежа). Но не е нужно да обучавате цялата мрежа, което ще отнеме месеци.

В онлайн курс Samsung "Невронни мрежи и компютърно зрение", например, на финала Kaggle задача с класификацията на чиниите на чисти и мръсни се демонстрира подход, който за 5 минути ви дава дълбока невронна мрежа, която може да разграничи мръсните от чистите чинии, изградена според горната архитектура. Първоначалната мрежа изобщо не знаеше какво представляват табелите, тя само се научи да различава птиците от кучетата (виж ImageNet).

Източник: онлайн курс Samsung "Невронни мрежи и компютърно зрение"

За Transfer Learning трябва да знаете какви подходи работят, какви са готовите базови архитектури. Като цяло това значително ускорява появата на практически приложения на машинното обучение.

1.2. Generative Adversarial Networks (GAN)

Това е за онези случаи, когато ни е много трудно да формулираме целта на обучението. Колкото по-близо е задачата до реалния живот, толкова по-ясна е за нас („донесете нощно шкафче“), но толкова по-трудно е да я формулираме като техническа задача. GAN е просто опит да ни спаси от този проблем.

Тук работят две мрежи: едната е генератор (Generative), другата е дискриминатор (Adversarial). Една мрежа се научава да върши полезна работа (класифицира картини, разпознава звуци, рисува карикатури). И друга мрежа се учи да учи тази мрежа: тя има реални примери и се учи да намира неизвестна преди това сложна формула за сравняване на поколенията на генеративната част на мрежата с обекти от реалния свят (набор за обучение) според наистина важна дълбочина характеристики: броят на очите, близостта до стила на Миядзаки, правилното произношение на английски.

Пример за резултат от мрежа за генериране на аниме герои. източник

Но там, разбира се, трудно се гради архитектура. Не е достатъчно само да се хвърлят неврони, те трябва да бъдат сготвени. И отнема седмици, за да се научи. Темата за GAN се изучава от моите колеги от Samsung AI Center и това е един от ключовите им изследователски въпроси. Например така развитие: Използване на генеративни мрежи за синтезиране на реалистични снимки на хора с променлива стойка - например за създаване на виртуална пробна или за лицев синтез, което може да намали количеството информация, която трябва да се съхранява или предава, за да се осигури висококачествено видео комуникации, излъчване или защита на личните данни.

източник

1.3. Обясним AI

В някои редки задачи напредъкът в дълбоките архитектури изведнъж доближи възможностите на дълбоките невронни мрежи до тези на хората. Сега предстои битката за увеличаване на обхвата на такива задачи. Например, роботизирана прахосмукачка може лесно да различи котка от куче при челен сблъсък. Но в повечето житейски ситуации той няма да може да намери котка, която спи сред спално бельо или мебели (обаче, като нас, в повечето случаи ...).

Каква е причината за успеха на дълбоките невронни мрежи? Те разработват представяне на задачата, базирано не на „видима с невъоръжено око“ информация (пиксели на снимка, скокове в силата на звука ...), а на знаци, получени след предварителна обработка на тази информация от няколкостотин слоя на невронна мрежа. За съжаление, тези връзки могат да бъдат безсмислени, непоследователни или да носят следи от несъвършенства в оригиналния набор от данни. Например, има малка компютърна игра за това до какво може да доведе необмисленото използване на AI при набирането на персонал. Оцеляване на най-добрия.

Системата за етикетиране на изображения нарича лицето, което готви жена, въпреки че снимката всъщност е мъж (източник). Това забелязан във Вирджинския институт.

За да анализираме сложни и дълбоки взаимоотношения, които често не можем да формулираме сами, са необходими обясними AI методи. Те организират характеристиките на дълбоките невронни мрежи, така че след обучение да можем да анализираме вътрешното представяне, научено от мрежата, а не само да разчитаме на нейното решение.

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

Всичко, където има думата Edge означава буквално следното: прехвърляне на част от алгоритмите от облака/сървъра на ниво крайно устройство/шлюз. Такъв алгоритъм ще работи по-бързо и няма да е необходимо да бъде свързан към централен сървър, за да работи. Ако сте запознати с абстракцията „тънък клиент“, тогава тук ще удебелим малко този клиент.
Това може да е важно за интернет на нещата. Например, ако машината е прегряла и трябва да се охлади, има смисъл да сигнализирате за това веднага, на ниво завод, без да чакате данните да попаднат в облака и оттам до бригадира на смяна. Или друг пример: самоуправляващите се автомобили могат сами да се справят с условията на трафика, без да се свързват с централен сървър.

източник

Или друг пример защо това е важно от гледна точка на сигурността: когато въвеждате текстове на телефона си, той запомня типичните думи вместо вас, така че клавиатурата на телефона удобно да ви ги предложи по-късно - това се нарича въвеждане на предсказуем текст. Изпращането на всичко, което въвеждате на клавиатурата, до някъде в центъра за данни би било нарушение на поверителността ви и просто не е безопасно. Следователно обучението на клавиатурата се извършва само в рамките на самото устройство.

1.5. AI платформа като услуга (AI PaaS)

PaaS - Платформа като услуга е бизнес модел, при който получаваме достъп до интегрирана платформа, включително нейното облачно хранилище и процедури извън кутията. Така можем да се освободим от инфраструктурни задачи и напълно да се концентрираме върху производството на нещо полезно. Пример за PaaS платформи за AI задачи: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Адаптивно машинно обучение (Adaptive ML)

Ами ако оставим изкуствения интелект да се адаптира… Как, питате?.. Не се ли адаптира вече към задачата? Проблемът е следният: ние старателно проектираме всяка такава задача, преди да изградим алгоритъм с изкуствен интелект, който да я реши. Те ще ви отговорят - оказва се, че тази верига може да бъде опростена.

Конвенционалното машинно обучение работи на принципа на отворена система (open-loop): подготвяте данни, измисляте невронна мрежа (или каквото и да е), тренирате, след това разглеждате няколко индикатора и ако всичко ви харесва, можете да изпратите невронната мрежа към смартфони за решаване на потребителски проблеми. Но в приложения, където има много данни и тяхното естество постепенно се променя, са необходими други методи. Такива системи, които се адаптират и самообучават, са организирани в затворени, самообучаващи се вериги (затворен цикъл) и трябва да работят гладко.

Приложения – това може да бъде стрийминг анализ (Stream Analytics), въз основа на който много бизнесмени вземат решения, или адаптивен производствен контрол. В мащаба на съвременните приложения и предвид по-добре разбраните рискове за хората, методите, които представляват решението на този проблем, всички тези методи са събрани под общото име Адаптивен ИИ.

източник

Гледайки тази снимка, е трудно да се отървете от чувството, че не хранете футуристите с хляб - оставете ги да научат робота да диша ...

Посткласически компютри и комуникации

2.1. Мобилни комуникации от пето поколение (5G)

Това е толкова интересна тема, че веднага се обръщаме към нашата Статия. Е, ето кратко резюме. 5G, чрез увеличаване на честотата на пренос на данни, ще направи скоростта на интернет нереално висока. По-трудно е късите вълни да преминат през препятствия, така че дизайнът на мрежите ще бъде напълно различен: базовите станции се нуждаят от 500 пъти повече.

Заедно със скоростта ще получим нови феномени: игри в реално време с добавена реалност, извършване на сложни задачи (като операция) чрез телеприсъствие, предотвратяване на инциденти и трудни ситуации по пътищата чрез комуникация между автомобили. От по-прозаичен: мобилният интернет най-накрая ще спре да пада по време на масови събития, като мач на стадион.

Източник на изображението: Reuters, Niantic

2.2. Памет от следващо поколение

Тук говорим за петото поколение RAM - DDR5. Samsung обяви, че до края на 2019 г. ще има продукти, базирани на DDR5. Очаква се новата памет да бъде два пъти по-бърза и два пъти по-обемна при запазване на форм фактора, тоест ще можем да вземем памети с капацитет до 32GB за нашия компютър. В бъдеще това ще важи най-вече за смартфони (новата памет ще бъде във версия с ниска мощност) и лаптопи (където броят на DIMM слотовете е ограничен). А машинното обучение изисква големи количества RAM.

2.3. Сателитни системи в ниска околоземна орбита

Идеята за замяна на тежки, скъпи, мощни сателити с рояк малки и евтини далеч не е нова и се появи още през 90-те години. За какво „Илон Мъск скоро ще разпространява интернет от сателит до всички“ сега само мързеливите не чуха. Тук най-известната компания е Iridium, която фалира в края на 90-те години, но беше спасена за сметка на Министерството на отбраната на САЩ (да не се бърка с iRidium, руската система за интелигентен дом). Проектът на Илън Мъск (Starlink) далеч не е единственият - Ричард Брансън (OneWeb - 1440 приблизителни спътника), Boeing (3000 спътника), Samsung (4600 спътника) и др.

Как стоят нещата в тази област, как изглежда икономиката там - четете в преглед. И ние чакаме първите тестове на тези системи от първите потребители, които трябва да се състоят през следващата година.

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

3D печатът, въпреки че не е влязъл в живота на всеки човек (във формата, обещана от индивидуална домашна пластмасова фабрика), въпреки това отдавна е напуснал нишата на технологиите за маниаци. Можете да съдите по факта, че всеки ученик знае за съществуването на поне 3D скулптурни химикалки и мнозина мечтаят да купят кутия с плъзгачи и екструдер за ... „просто така“ (или вече са го закупили).

Стереолитографията (3D лазерни принтери) позволява отпечатване с отделни фотони: изследват се нови полимери, за чието втвърдяване са достатъчни два фотона. Това ще позволи в нелабораторни условия да се създават напълно нови филтри, монтажи, пружини, капиляри, лещи и ... вашите опции в коментарите! И тук не е далеч от фотополимеризацията - само тази технология ви позволява да "отпечатвате" процесори и изчислителни схеми. Освен това не е първата година технология за отпечатване на графенови 500-nm триизмерни структури, но без радикално развитие.

източник

3. Сетивност и мобилност (Усещане и мобилност)

3.1. Ниво на автономно шофиране 4 и 5

За да не се объркате в терминологията, струва си да разберете какви нива на автономност се разграничават (взети от подробния статиикъм който препращаме всички заинтересовани):

Ниво 1: Круиз контрол: подпомагане на водача в много ограничени ситуации (например поддържане на зададена скорост на колата, след като водачът е махнал крака си от педала)
Ниво 2: Ограничена помощ при управление и спиране. Водачът трябва да е готов да поеме управлението почти моментално. Ръцете му са на волана, очите му са насочени към пътя. Това е, което Tesla и General Motors вече имат.
Ниво 3: Водачът вече не трябва непрекъснато да следи пътя. Но той трябва да остане нащрек и готов да поеме контрола. Това е нещо, което наличните в търговската мрежа автомобили все още нямат. Всички съществуващи в момента са на ниво 1-2.
Ниво 4: Истински автопилот, но с ограничения: само пътувания в известна зона, която е внимателно картографирана и общоизвестна на системата, и при определени условия: без сняг, например. Waymo и General Motors имат такива прототипи и планират да ги пуснат в няколко града и да ги тестват в реална среда. Yandex има тестови зони за безпилотни таксита в Сколково и Innopolis: пътуването се извършва под наблюдението на инженер, седнал на мястото на пътника; до края на годината компанията планира да разшири автопарка си до 100 безпилотни автомобила.
Ниво 5: Пълно автоматично шофиране, пълна подмяна на жив драйвер. Такива системи не съществуват и едва ли ще се появят през следващите години.

Колко реалистично е да видим всичко това в обозримо бъдеще? Тук бих искал да пренасоча читателя към статията „Защо е невъзможно да се пусне робот такси до 2020 г., както обещава Tesla“. Това отчасти се дължи на липсата на 5G свързаност: наличните 4G скорости не са достатъчни. Отчасти с много високата цена на автономните машини: те все още са нерентабилни, бизнес моделът е неразбираем. С една дума, тук „всичко е сложно“ и неслучайно Gartner пише, че прогнозата за масовото внедряване на нива 4 и 5 е не по-рано от 10 години.

3.2. Камери с 3D визия (3D сензорни камери)

Преди осем години игровият контролер Microsoft Kinect направи фурор, като предложи достъпно и сравнително евтино решение за 3D визия. Оттогава игрите за физическо възпитание и танци с Kinect претърпяха своя кратък възход и спад, но 3D камерите се използват в индустриални роботи, безпилотни превозни средства и мобилни телефони за разпознаване на лица. Технологията стана по-евтина, по-малка и по-достъпна.

Samsung S10 има Time-of-Flight камера, която измерва разстоянието до обект, за да ви помогне да фокусирате. източник

Ако се интересувате от тази тема, пренасочваме към много добър подробен преглед на камерите за дълбочина: част 1, част 2.

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

Amazon направи фурор тази година, когато представи нов летящ дрон на изложението, който може да носи малки полезни товари до 2 кг. За града с неговите задръствания това изглежда идеалното решение. Нека видим как тези дронове ще се докажат в много близко бъдеще. Може би тук трябва да се включи предпазлив скептицизъм: има много проблеми, от възможността за лесна кражба на дрон до законови ограничения за UAV. Amazon Prime Air съществува от шест години, но все още е във фаза на тестване.

Новият дрон на Amazon беше разкрит тази пролет. Има нещо от Star Wars в него. източник

В допълнение към Amazon има и други играчи на този пазар (има подробен преглед), но нито един завършен продукт: всичко е на етап тестване и маркетингови кампании. Отделно, заслужава да се отбележи доста интересна високоспециализирана медицина Проекти в Африка: кръводаряване в Гана (14 000 доставки, Zipline) и Руанда (Matternet).

3.4. Летящи автономни превозни средства

Тук е трудно да се каже нещо определено. Според Gartner това ще се появи не по-рано от 10 години. Като цяло тук има същите проблеми като при безпилотните превозни средства, само че те придобиват ново измерение - вертикално. Porsche, Boeing, Uber декларират амбициите си да създадат летящо такси.

3.5. Облак с добавена реалност (AR Cloud)

Постоянно цифрово копие на реалния свят, което ви позволява да създадете нов слой реалност, който е общ за всички потребители. В по-технически термини става въпрос за създаване на отворена облачна платформа, в която разработчиците могат да интегрират своите AR приложения. Моделът на монетизация е разбираем, той е един вид аналог на Steam. Идеята е толкова вкоренена, че сега някои хора смятат, че AR без облака е просто безполезен.

Как може да изглежда в бъдеще, показва кратко видео. Изглежда като друг епизод на Black Mirror:

Повече можете да прочетете в обзорна статия.

4. Разширен човек

4.1. AI за емоции (Emotion AI)

Как да измерваме, симулираме и реагираме на човешките емоции? Някои от клиентите тук са компании, които правят гласови асистенти като Amazon Alexa. Те наистина ще могат да свикнат с къщата, ако се научат да разпознават настроението: разберете причината за недоволството на потребителя, опитайте се да коригирате ситуацията. Като цяло има много повече информация в контекста, отколкото в самото съобщение. А контекстът е и изражението на лицето, и интонацията, и невербалното поведение.

От други практически приложения: анализ на емоциите по време на интервю за работа (въз основа на видео интервюта), оценка на реакциите към реклами или друго видео съдържание (усмивки, смях), помощ при учене (например за независими практики в изкуството на публичното говорене) .

Трудно е да се говори по тази тема по-добре от автора на 6-минутен късометражен филм Кражба на чувството ти. Умело и стилно изработено, видеото показва как можем да измерваме емоциите си за маркетингови цели и да разберем по моментните реакции на лицето ви дали харесвате пица, кучета, Кание Уест и дори какъв е вашият доход и приблизително IQ. Отивайки на уебсайта на филма на връзката по-горе, вие ставате участник в интерактивно видео с помощта на вградената камера на вашия лаптоп. Филмът вече е показван на няколко филмови фестивала.

източник

Дори има такова интересно изследване: как да разпознаем сарказма в текст. Те взеха туитове с хаштаг #sarcasm и направиха тренировъчна извадка от 25 000 сарказъм туитове и 100 000 обикновени туитове за всичко на света. Приложихме библиотеката TensorFlow, обучихме системата, ето резултата:

източник

Така че сега, ако не сте сигурни за вашия колега или приятел - той ви е казал нещо сериозно или със сарказъм - вече можете да използвате обучена невронна мрежа!

4.2. Разширен интелект

Автоматизация на интелектуалния труд с помощта на методи за машинно обучение. Изглежда, че нищо ново? Но тук е важна самата формулировка, особено след като съвпада в абревиатурата с Artificial Intelligence. Това ни връща към спора „силен“ срещу „слаб“ AI.
Силният AI е същият изкуствен интелект от научнофантастичните филми, който е напълно еквивалентен на човешкия ум и осъзнава себе си като личност. Това все още го няма и не е ясно дали изобщо ще го има.

Слабият AI не е независим човек, а асистент-асистент на човек. Той не претендира за човешко мислене, а просто знае как да решава информационни проблеми, например да определя какво е показано на снимката или да превежда текст.

източник

В този смисъл разширената интелигентност е в най-чистата си форма „слаб AI“ и формулировката изглежда сполучлива, тъй като не въвежда объркване и изкушение да видим тук много „силния AI“, за който всеки мечтае (или се страхува, ако припомняме многобройните аргументи за „машините за въстание“). Използвайки израза Augmented Intelligence, веднага изглежда, че се превръщаме в герои от друг филм: от научната фантастика (като „Аз, роботът“ на Азимов) се озоваваме в киберпънка („увеличения“ в този жанр се наричат ​​всички видове импланти, които разширяват човешкия възможности).

Като казах Ерик Бриньолфсон и Андрю Макафи: „През следващите 10 години това ще се случи. AI няма да замени мениджърите, но тези мениджъри, които използват AI, ще заменят тези, които не са имали време.“

Примери:

• Медицина: Разработен Станфордски университет алгоритъмъткойто е средно толкова добър в разпознаването на аномалии на рентгенова снимка на гръдния кош, колкото повечето лекари
• Обучение: помощ на ученика и учителя, анализ на реакцията на ученика към материалите, изграждане на индивидуална пътека на обучение.
• Бизнес анализ: предварителната обработка на данни, според статистиката, отнема 80% от времето на изследователя и само 20% - самият експеримент

4.3. биочипове

Това е любимата тема на всички киберпънк филми и книги. По принцип чипирането на домашни любимци не е нова практика. Но сега тези чипове също се имплантират в хората.

В случая шумът най-вероятно е свързан със сензационния случай в американската компания Three Square Market. Там работодателят започва да предлага имплантиране на чипове под кожата срещу заплащане. Чипът ви позволява да отваряте врати, да влизате в компютри, да купувате закуски във вендинг машина - тоест такава универсална карта на служител. В същото време такъв чип служи точно като идентификационна карта, той няма GPS модул, така че е невъзможно да се проследи някой, който го използва. А ако човек иска да извади чип от ръката си, това отнема 5 минути с помощта на лекар.

Чиповете обикновено се имплантират между палеца и показалеца. източник

Прочетете подробно Статия за състоянието на чипирането в света.

4.4. Потапящо работно пространство

„Потапящ“ е друга нова дума, която просто няма къде да отиде. То е навсякъде. Потапящ театър, изложба, кино. какво се има предвид Имерсивността е създаване на ефект на потапяне, когато се губи границата между автора и зрителя, виртуалния и реалния свят. По отношение на работното място трябва да се приеме, че това означава изтриване на границата между изпълнителя и инициатора и насърчаване на служителите да заемат по-активна позиция чрез преформатиране на средата си.

Тъй като сега имаме Agile навсякъде, гъвкавост, тясно взаимодействие, тогава работните места трябва да бъдат възможно най-лесно конфигурируеми, трябва да насърчават груповата работа. Икономиката диктува своите условия: има повече временни служители, разходите за наем на офис площи растат, а на конкурентен пазар на труда ИТ компаниите се опитват да увеличат удовлетвореността на служителите от работата чрез създаване на зони за отдих и други предимства. И всичко това се отразява в дизайна на работните места.

На доклад Нол

4.5. Персонификация

Всеки знае какво е персонализация в рекламата. Това е, когато днес обсъждате с колега, че въздухът в стаята е малко сух и трябва да си купите овлажнител за офиса, а на следващия ден видите реклама в социалната си мрежа - „купете овлажнител“ (a реален случай, който ми се случи).

източник

Според Gartner персонализирането е отговор на нарастващата загриженост на потребителите относно използването на техните лични данни за рекламни цели. Целта е да разработим подход, при който ще ни се показват реклами, които са подходящи за контекста, в който се намираме, а не лично за нас. Например, нашето местоположение, тип устройство, час от деня, метеорологични условия са неща, които не нарушават личните ни данни и не изпитваме неприятното усещане, че сме „наблюдавани“.

За разликата между тези две понятия, прочетете бележка Андрю Франк в блог на сайта Gartner. Има толкова тънка разлика и толкова сходни думи, че вие, без да знаете разликата, рискувате да спорите със събеседника си дълго време, без да подозирате, че като цяло и двамата са прави (и това също е реален случай, който се случи с автор).

4.6. Биотехнология - Изкуствена тъкан (Биотехнология - Култивирана или изкуствена тъкан)

Това е на първо място идеята за отглеждане на изкуствено месо. В същото време няколко екипа по света са заети с разработването на лаборатория "Месо 2.0" - очаква се тя да стане по-евтина от обикновено и към нея да преминат заведения за бързо хранене, а след това и супермаркети. Сред инвеститорите в тази технология са Бил Гейтс, Сергей Брин, Ричард Брансън и други.

източник

Причините, поради които всички се интересуват толкова много от изкуственото месо:

1. Глобално затопляне: Емисии на метан от ферми. Това е 18% от глобалния обем газове, които влияят на климата.
2. Нарастване на населението. Търсенето на месо нараства и няма да е възможно да се нахранят всички с естествено месо - просто е скъпо.
3. Липса на място. 70% от горите на Амазонка вече са изсечени за пасища.
4. етични съображения. Има хора, за които това е важно. Организацията за правата на животните PETA вече предложи награда от 1 милион долара на учен, който пусне на пазара изкуствено пилешко месо.

Замяната на истинско месо със соя е частично решение, защото хората усещат разликата във вкуса и консистенцията и е малко вероятно да се откажат от пържола в полза на соята. Така че това, което е необходимо, е истинско, а именно органично отгледано месо. Сега, за съжаление, изкуственото месо е твърде скъпо: от $ 12 за килограм. Това се дължи на сложния технически процес на отглеждане на такова месо. Прочетете за всичко Статия.

Ако говорим за други случаи на нарастващи тъкани - вече в медицината - тогава темата за изкуствените органи е интересна: например „лепенка“ за сърдечния мускул, отпечатани специален 3D принтер. известен истории като изкуствено отгледано сърце на мишка, но като цяло всичко е все още в рамките на клиничните изпитания. Така че е малко вероятно да видим Франкенщайн през следващите години.

Тук Gartner е много предпазлив в оценките си, очевидно имайки предвид провалената си прогноза от 2015 г., че през 2019 г. 10% от населението в развитите страни ще има 3D принтирано медицинско устройство за имплантиране. Следователно, той обозначава времето за достигане на плато на производителността - най-малко 10 години.

5. Цифрови екосистеми

5.1. Децентрализирана мрежа

Тази концепция е тясно свързана с името на изобретателя на мрежата, носител на наградата Тюринг, сър Тим Бърнърс-Лий. Етичните въпроси в компютърните науки винаги са били важни за него и колективната същност на Интернет е важна: полагайки основите на хипертекста, той беше убеден, че мрежата трябва да работи като мрежа, а не като йерархия. Така беше на ранен етап от развитието на мрежата. Въпреки това, с разрастването на интернет, неговата структура се централизира поради различни причини. Оказа се, че достъпът до мрежата за цяла държава може лесно да бъде блокиран само с няколко доставчика. А потребителските данни се превърнаха в източник на сила и доходи за интернет компаниите.

„Интернет вече е децентрализиран“, казва Бърнърс-Лий. „Проблемът е, че доминира една търсачка, една голяма социална мрежа, една платформа за микроблогинг. Нямаме технологични проблеми, но имаме социални.”

В неговия отворено писмо По случай 30-годишнината на световната мрежа, създателят на мрежата очерта три основни проблема на интернет:

1. Целенасочена вреда, като например спонсорирано от правителството хакерство, престъпност и онлайн тормоз
2. Самото устройство на системата, което, в ущърб на потребителя, създава основата за такива механизми като: финансови стимули за clickbait и вирусно разпространение на невярна информация
3. Непредвидени последици от дизайна на системата, които водят до конфликти и намалено качество на онлайн дискусията

А Тим Бърнърс-Лий вече има отговор на какви принципи може да се основава „здравословният интернет“, лишен от проблем номер 2: „За много потребители приходите от реклама остават единственият модел за взаимодействие с мрежата. Дори хората да са ужасени от това, което се случва с техните данни, те са готови да сключат сделка с маркетинговата машина, за да получат съдържание безплатно. Представете си свят, в който плащането на стоки и услуги е лесно и приятно и за двете страни.“ Един от начините, по който това може да стане, е музикантите да продават своите записи веднага под формата на iTunes, а новинарските сайтове да използват микроплащания, за да прочетат една статия, вместо да правят пари от реклами.

Като експериментален прототип за такъв нов интернет, Тим Бърнърс-Лий стартира проекта SOLID, чиято същност е, че съхранявате данните си в "pod" - хранилище за информация и можете да предоставяте тези данни на приложения на трети страни. Но по принцип вие самите сте господарите на вашите данни. Всичко това е тясно свързано с концепцията за peer-to-peer мрежи, тоест вашият компютър не само изисква услуги, но и ги предоставя, за да не разчитате на един сървър като единствен канал.

източник

5.2. Децентрализирани автономни организации

Това е организация, която се управлява от правила, написани под формата на компютърна програма. Неговите финансови дейности се основават на блокчейн. Целта на създаването на такива организации е да се елиминира държавата от ролята на посредник и да се създаде обща доверена среда за контрагентите, която не е собственост на никого, а е собственост на всички заедно. Тоест на теория, ако идеята се затвърди, тя трябва да премахне нотариусите и другите обичайни институции за проверка.

Най-известният пример за такава организация беше фокусираната върху рисковете The DAO, която събра $2016 милиона през 150 г., от които $50 бяха моментално откраднати чрез правна вратичка в правилата. Веднага възникна трудна дилема: или да се върнете назад и да върнете парите, или да признаете, че тегленето на пари е законно, тъй като по никакъв начин не нарушава правилата на платформата. В резултат на това, за да върнат парите на инвеститорите, създателите трябваше да унищожат The DAO, пренаписвайки блокчейна и нарушавайки неговия основен принцип - неизменност.

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

Цялата тази история съсипа репутацията на самата идея за DAO. Този проект е направен на базата на криптовалутата Ethereum, следващата година се очаква версията на Ether 2.0 - може би авторите (включително добре познатия Виталик Бутерин) ще вземат предвид грешките и ще покажат нещо ново. Това вероятно е причината Gartner да постави DAO нагоре по веригата.

5.3. Синтетични данни (Synthetics Data)

Невронните мрежи изискват големи количества данни за обучение. Ръчното етикетиране на данни е огромна работа, която може да се извърши само от човек. Следователно могат да бъдат създадени изкуствени набори от данни. Например същите колекции от човешки лица на сайта https://generated.photos. Те се създават с помощта на GAN - алгоритми, които вече бяха споменати по-горе.

Тези лица не принадлежат на хората. източник

Голям плюс на такива данни е, че няма правни затруднения при използването им: няма кой да даде съгласие за обработка на лични данни.

5.4 Цифрови операции

Наставката „Ops“ стана невероятно модерна, откакто DevOps пусна корени в нашата реч. Сега за това какво е DigitalOps - това е просто обобщение на DevOps, DesignOps, MarketingOps ... Омръзна ли ви вече? Накратко, става въпрос за преместване на подхода DevOps от сферата на софтуера към всяка друга част от бизнеса – маркетинг, дизайн и т.н.

източник

Идеята на DevOps беше да премахне бариерите между самото развитие (разработка) и операциите (бизнес процеси), чрез създаването на общи екипи, където има програмисти, тестери, служители по сигурността и администратори; прилагане на определени практики: непрекъсната интеграция, инфраструктура като код, намаляване и укрепване на веригите за обратна връзка. Целта беше да се ускори пускането на продукта на пазара. Ако си мислите, че това е Agile, прав сте. Сега мислено прехвърлете този подход от областта на разработката на софтуер към разработката като цяло - и разбирате какво е DigitalOps.

5.5. Графики на знанието

Софтуерен начин за моделиране на област на знанието, включително използване на алгоритми за машинно обучение. Графиката на знанието е изградена върху съществуващи бази данни, за да свърже заедно цялата информация: както структурирана (списък със събития или лица), така и неструктурирана (текст на статия).

Най-простият пример е картата, която виждате в резултатите от търсенето с Google. Ако търсите човек или институция, ще видите карта вдясно:


Моля, обърнете внимание, че „Предстоящи събития“ не е копие на информация от Google Maps, а интеграция на графика с Yandex.Afisha: можете лесно да видите това, ако щракнете върху събитията. Тоест, това е комбинация от няколко източника на данни заедно.

Ако поискате списък - например "известни режисьори" - ще ви бъде показана "въртележка":

Бонус за прочелите до края

И сега, когато изяснихме за себе си значението на всяка от точките, можем да разгледаме същата картинка, но на руски:

Чувствайте се свободни да го споделите в социалните медии!

Татяна Волкова — Автор на учебната програма за IoT track в Samsung IT Academy, специалист по програми за корпоративна социална отговорност в Samsung Research Center


Източник: www.habr.com