Graf Gartnera pro ty, kteří pracují v technologickém sektoru, je jako přehlídka haute couture. Pohledem na něj můžete předem zjistit, která slova jsou v této sezóně nejvíce v kurzu a co uslyšíte na všech nadcházejících konferencích.
Rozluštili jsme, co se skrývá za krásnými slovy na tomto grafu, abyste také mohli mluvit tímto jazykem.
Nejprve pár slov o tom, co tento graf vlastně je. Každý rok v srpnu vydává poradenská agentura Gartner zprávu – Gartner Hype Curve. V češtině to znamená „křivka hype“, nebo jednodušeji – hype. Před 30 lety rappeři z skupiny Public Enemy zpívali: „Nedůvěřujte hype“. Věřit nebo nevěřit, je osobní otázka, ale alespoň znát tato klíčová slova se vyplatí, pokud pracujete v technologiích a chcete sledovat světové trendy.
Toto je graf veřejných očekávání od dané technologie. Podle Gartnera technologie ideálně prochází 5 fázemi: zahájení technologie, vrchol přehnaných očekávání, údolí zklamání, svah osvěty a plateau produktivity. Ale někdy se také může ocitnout v „údolí zklamání“ – příklady si snadno vzpomenete sami, vezměte například bitcoiny: původně označované za „peníze budoucnosti“, rychle spadly dolů, když se ukázaly nedostatky technologie, především omezení počtu transakcí a obrovské množství energie potřebné k těžbě bitcoinů (což už vede k problémům s ekologii). A samozřejmě, nelze zapomenout, že graf Gartnera je pouze prognóza: zde si například můžete přečíst podrobně , kde se rozebírají nejvýraznější nenaplněná předpovědění.
Takže se rychle podíváme na nový graf Gartnera. Technologii jsou rozděleny do 5 velkých tematických skupin:
- Pokročilá AI a analytika (Advanced AI and Analytics)
- Postklasické výpočty a komunikace (Postclassical Compute and Comms)
- Senzorika a mobilita (Sensing and Mobility)
- „Přidaný“ člověk (Augmented Human)
- Digitální ekosystémy (Digital Ecosystems)
1. Pokročilá AI a analytika (Advanced AI and Analytics)
Posledních deset let sledujeme zlatou éru hlubokého učení (Deep Learning). Tyto sítě jsou skutečně efektivní v rámci svých úkolů. V roce 2018 získali Yann LeCun, Geoffrey Hinton a Yoshua Bengio za svoje objevy v této oblasti Turingovu cenu – nejprestižnější ocenění, analogické Nobelově ceně v informatice. Hlavní trendy v této oblasti, které byly zaznamenány v grafu:
1.1. Přenos učení (Transfer Learning)
Netrénujete neuronovou síť od nuly, ale využijete již vytrénovanou síť a přiřadíte jí jiný cíl. Někdy je třeba přeškolit část sítě, ale ne celou, což je mnohem rychlejší. Například, vezmeme-li hotovou neuronovou síť ResNet50, trénovanou na datovém souboru ImageNet1000, získáte algoritmus schopný klasifikovat podle obrázku velmi mnoho různých objektů na velmi hluboké úrovni (1000 tříd podle charakteristik určených 50 vrstvami neuronové sítě). Ale nemusíte trénovat celou tuto síť, což by trvalo měsíce.
V Samsung "Neuronové sítě a počítačové vidění", pro příklad, v závěrečné se klasifikací talířů na čisté a špinavé, demonstruje přístup, který za 5 minut poskytuje hlubokou neuronovou síť, schopnou rozlišovat špinavé talíře od čistých, postavenou podle výše popsané architektury. Původní síť nevěděla, co jsou talíře, učila se pouze rozlišovat ptáčky od pejsků (viz ImageNet).
Zdroj: Samsung "Neuronové sítě a počítačové vidění"
Pro Transfer Learning je důležité vědět, jaké přístupy fungují, jaké jsou hotové základní architektury. Obecně to velmi urychluje nástup praktických aplikací strojového učení.
1.2. Generativně-adverzariální sítě (Generative Adversarial Networks, GAN)
To je pro případy, kdy je pro nás velmi obtížné formulovat cíl učení. Čím blíže je úloha k reálnému životu, tím jasnější je nám („přines noční stolek“), ale tím složitější je ji formulovat jako technický úkol. GAN je právě pokusem, jak nás této problému zbavit.
Zde pracují dvě sítě: jedna generativní, druhá diskriminační. Jedna síť se učí vykonávat užitečnou práci (klasifikovat obrázky, rozpoznávat zvuky, vytvářet animace). A druhá síť se učí učit tu první: má reálné příklady a učí se nacházet předem neznámou složitou formuli pro srovnání výstupů generativní části s objekty reálného světa (učící vzorky) na základě skutečně důležitých hlubokých znaků: počet očí, blízkost k stylu Mijazakiho, správnost výslovnosti angličtiny.
Příklad výsledku práce sítě pro generování anime postav.
Ale tam, samozřejmě, je složité navrhnout architekturu. Nestačí prostě přihodit neurony, je potřeba je připravovat. A učení zabere týdny. Tématem GAN se zabývají moji kolegové v Centru umělé inteligence Samsung, pro ně je to jedna z klíčových výzkumných otázek. Například takováto : využití generativních sítí pro syntézu realistických fotografií lidí s proměnlivou pozicí — například pro vytvoření virtuální zkušebny, nebo pro syntézu obličeje, což může umožnit snížit množství informací, které je nutné uchovávat nebo přenášet pro zajištění kvalitního videohovoru, vysílání nebo ochrany osobních údajů.
1.3. Vysvětlitelná umělá inteligence (Explainable AI)
V některých vzácných úlohách pokrok v hlubokých architekturách náhle přiblížil schopnosti hlubokých neuronových sítí těm lidským. Nyní probíhá boj o to, jak rozšířit okruh těchto úloh. Například robotický vysavač by snadno rozlišoval kočku od psa při přímém setkání. Ale ve většině životních situací by nebyl schopen najít kočku spící mezi prádlem nebo nábytkem (ostatně, jako my, v mnoha případech…).
Jaký je důvod úspěchu hlubokých neuronových sítí? Vytvářejí reprezentaci úkolu, která není založena na "viditelné neozbrojeným okem" informaci (pixelech fotografie, skocích hlasitosti zvuku…), ale na znacích získaných po předzpracování těchto informací stovkami vrstev neuronové sítě. Bohužel, tyto souvislosti mohou být také bezvýznamné, protichůdné nebo nést stopy nedokonalosti původního datového souboru. Například, o tom, k čemu může vést bezmyslné používání AI v náboru, existuje malá počítačová hra .
Systém pro označování obrázků označil člověka, který vaří, za ženu, i když na obrázku je ve skutečnosti muž (). Je to na Institutu Virginie.
Abychom analyzovali složité a hluboké souvislosti, které často sami nemůžeme formulovat, potřebujeme metody Explainable AI. Tyto metody organizují znaky hlubokých neuronových sítí tak, abychom po učení mohli analyzovat vnitřní reprezentaci, kterou se naučila síť, a ne pouze spoléhat na její rozhodnutí.
1.4. Okrajová analytika / AI (Edge Analytics / AI)
Všechno, co obsahuje slovo Edge, znamená doslovně následující: přenos části algoritmů z cloudu/serveru na úroveň koncového zařízení/brány. Takový algoritmus bude reagovat rychleji a nebude potřebovat připojení k centrálnímu serveru pro svou činnost. Pokud vám je známá abstrakce "tenkého klienta", zde tuto klientskou část trochu ztlučujeme.
To může být důležité pro Internet věcí. Například, pokud se stroj přehřál a potřebuje chlazení, má smysl okamžitě zaslat signál na úrovni závodu, aniž bychom čekali, až data dorazí do cloudu a odtud k mistru směny. Nebo jiný příklad: autonomní automobily se mohou sami vyrovnat s dopravní situací, aniž by se obracely na centrální server.
Nebo jiný příklad, proč je to důležité z pohledu bezpečnosti: když na svém telefonu píšete texty, zapamatuje si typická slova, která používáte, aby vám klávesnice telefonu mohla pohodlně navrhovat - tomuto se říká prediktivní zadávání textu. Odesílat všechno, co píšete na klávesnici, někam do datového centra by porušovalo vaše soukromí a prostě by to nebylo bezpečné. Proto se učení klávesnice probíhá pouze v rámci vašeho zařízení.
1.5. AI platforma jako služba (AI PaaS)
PaaS – Platforma jako služba – je obchodní model, při němž máme přístup k integrované platformě, včetně jejího cloudového úložiště dat a hotových procedur. Tímto způsobem se můžeme zbavit infrastrukturních úkolů a plně se soustředit na výrobu něčeho užitečného. Příklady PaaS platforem pro úkoly AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Adaptivní strojové učení (Adaptive ML)
Co když umožníme umělé inteligenci adaptovat se… Zeptáte se – jak? Vždyť se už přece adaptuje na úkol? Problém je v tom, že každý takový úkol pečlivě formujeme, než postavíme algoritmus umělé inteligence pro jeho řešení. Odpoví vám – ukazuje se, že tuto řetězec lze také zjednodušit.
Běžné strojové učení funguje na principu otevřeného systému (open-loop): připravujete data, vymýšlíte neuronovou síť (nebo cokoli jiného), trénujete a pak se díváte na několik ukazatelů, a pokud se vám vše líbí, můžete odeslat neuronovou síť do smartphonů – řešit úkoly uživatelů. Ale v aplikacích, kde je dat velmi mnoho a jejich charakter se postupně mění, jsou potřeba jiné metody. Takové systémy, které se adaptují a samy se učí, organizují v uzavřené, samočinné obvody (closed-loop) a musí fungovat bez přerušení.
Aplikace – to může být streamová analýza (Stream Analytics), na jejímž základě přijímají rozhodnutí mnozí podnikatelé, nebo adaptivní řízení výroby. V měřítku moderních aplikací a s ohledem na lépe chápaná rizika pro lidi, se metody, které tvoří řešení tohoto problému, všechny tyto metody shromažďují pod společným názvem Adaptivní AI.
Při pohledu na tento obrázek je těžké se zbavit pocitu, že futurologové by se měli starat o to, jak naučit robota dýchat, místo aby je krmili chlebem…
Postklasické výpočty a komunikace (Postclassical Compute and Comms)
2.1. Mobilní síť páté generace (5G)
Toto je tak zajímavé téma, že vás okamžitě odkazujeme na naši . A zde je stručné shrnutí. 5G díky zvýšení frekvence přenosu dat učiní rychlost internetu neskutečně vysokou. Krátkým vlnám se obtížněji prochází přes překážky, proto bude zařízení sítí úplně jiné: základních stanic bude potřeba 500krát více.
Spolu se rychlostí získáme nové jevy: real-time hry s rozšířenou realitou, provádění složitých úkolů (jako je chirurgie) prostřednictvím telepřítomnosti, zabránění nehodám a složitým situacím na silnicích díky komunikaci mezi vozy. Z hlediska každodenního života: přestane se konečně hroutit mobilní internet během masových akcí, jako jsou zápasy na stadionu.
Zdroj obrázku — Reuters, Niantic
2.2. Paměť nové generace (Next-Generation Memory)
Tady se jedná o pátou generaci operační paměti – DDR5. Samsung oznámil, že do konce roku 2019 se objeví produkty založené na DDR5. Očekává se, že nová paměť bude dvakrát rychlejší a dvakrát kapacitnější při zachování formátu, což znamená, že pro svůj počítač budeme moci získat paměťové moduly s kapacitou až 32 GB. V budoucnu to bude zvlášť důležité pro smartphony (nová paměť bude dostupná v nízkoenergetické verzi) a pro notebooky (kde je počet DIMM slotů omezen). A také strojové učení vyžaduje velké objemy operační paměti.
2.3. Nízkootvorné satelitní systémy (Low-Earth-Orbit Satellite Systems)
Nápad nahradit těžké, drahé, výkonné satelity hejnem malých a levných není zdaleka nový a vznikl už v devadesátých letech. O tom, že už nyní neslyšel jen líný. Nejznámější společností v této oblasti je Iridium, která zkrachovala na konci devadesátých let, ale byla zachráněna díky Ministerstvu obrany USA (nespletete si to s iRidium – ruským systémem chytré domácnosti). Projekt Elona Muska (Starlink) není rozhodně jediný – do satelitního závodu se zapojují Richard Branson (OneWeb – 1440 plánovaných satelitů), Boeing (3000 satelitů), Samsung (4600 satelitů) a další.
Jak to v této oblasti vypadá, jak vypadá ekonomika – čtěte v A my čekáme na první testy těchto systémů od prvních uživatelů, které by měly proběhnout již příští rok.
2.4. 3D tisk v nanoměřítkách (Nanoscale 3D Printing)
3D tisk sice ještě nebyl součástí života každého člověka (ve formě slibované individuální domácí plastové továrny), nicméně už dávno opustil sféru geekovských technologií. Důkazem je to, že o existenci alespoň 3D skulpturních per ví téměř každý školák, a mnozí touží po zakoupení krabice s kluzáky a extruderem pro… „jen tak“ (nebo si ji už zakoupili).
Stereolitografie (laserové 3D tiskárny) umožňují tisk jednotlivými fotony: zkoumají se nové polymery, které k zatvrdnutí potřebují pouze dva fotony. To umožní v ne-laboratorních podmínkách vytvářet zcela nové filtry, držáky, pružiny, kapiláry, čočky a… vaše návrhy v komentářích! A zde jsme blízko k fotopolymerizaci – jen tato technologie umožňuje "tisknout" procesory a výpočetní obvody. Kromě toho existuje už několik let , ale bez radikálního rozvoje.
3. Senzorika a mobilita (Sensing and Mobility)
3.1. Autonomní vozidla, úroveň 4 a 5 (Autonomous Driving Level 4 & 5)
Abychom se neztratili v terminologii, stojí za to objasnit, jaké úrovně autonomnosti se rozlišují (vzal jsem z podrobného , na které odkazujeme všechny zájemce):
Úroveň 1: Tempomat: pomoc řidiči v velmi omezených situacích (například – udržování vozidla na stanovené rychlosti poté, co řidič sundal nohu z pedálu)
Úroveň 2: Omezená asistence s řízením a brzděním. Řidič musí být připraven převzít řízení prakticky okamžitě. Jeho ruce jsou na volantu, pohled směřuje na silnici. To už mají Tesla a General Motors.
Úroveň 3: Řidič už nemusí neustále sledovat silnici. Musí však zůstat ostražitý a být připraven převzít řízení. To zatím u běžně prodávaných automobilů není. Všechny současné vozy jsou na úrovni 1–2.
Úroveň 4: Skutečný autopilot, ale s omezeními: pouze jízdy v známé oblasti, která je důkladně zmapována a systém ji ve většině zná, a za určitých podmínek: například v nepřítomnosti sněhu. Takové prototypy mají Waymo a General Motors, a plánují je spouštět v několika městech a testovat v reálném prostředí. "Yandex" má testovací oblasti bezpilotních taxi ve Skolkovo a Innopolis: cesta probíhá pod dohledem inženýra, který sedí na místě pasažéra; na konci roku společnost plánuje rozšířit flotilu na 100 bezpilotních vozidel.
Úroveň 5: Úplné automatizované řízení, plná náhrada živého řidiče. Takové systémy neexistují a v nejbližších letech pravděpodobně nevzniknou.
Jak realistické je to vše vidět v blízké době? Zde bych rád přesměroval čtenáře k článku . To částečně souvisí s nedostatkem 5G připojení: současné rychlosti 4G nestačí. Částečně s velmi vysokou cenou autonomních vozidel: zatím nejsou ekonomicky návratné, podnikatelský model není jasný. Jinými slovy, zde je "všechno složité", a není náhodou, že Gartner píše, že prognóza masového nasazení Úrovně 4 a 5 – nejdříve za 10 let.
3.2. Kamery s 3D viděním (3D Sensing Cameras)
Před osmi lety herní ovladač Microsoft Kinect vzbudil rozruch, protože nabídl dostupné a relativně levné řešení pro 3D vidění. Od té doby fyzicko-taneční hry s Kinekt zažily svůj krátký vzestup a pád, zatímco 3D kamery začaly být využívány v průmyslových robotech, bezpilotních automobilech, mobilních telefonech pro identifikaci obličeje. Technologie se stala levnější, kompaktnější a dostupnější.
V telefonu Samsung S10 je umístěna kamera s časovým zpožděním (Time-of-Flight), která měří vzdálenost k objektu – pro usnadnění zaostření.
Pokud vás toto téma zaujalo, doporučujeme velmi dobrý podrobný přehled kamer hloubky: , .
3.3. Drony pro doručování malých nákladů (Light Cargo Delivery Drones)
Tento rok Amazon vzbudil pozornost, když na výstavě představil nový létající dron schopný přepravovat malé náklady do hmotnosti 2 kg. Pro město, s jeho zácpami, se to jeví jako ideální řešení. Uvidíme, jak se tyto drony prosadí už v nejbližší budoucnosti. Zřejmě je třeba zahrnout opatrný skepticism: existuje mnoho problémů, počínaje možností snadného odcizení dronu a konče legislativními omezeními na UAV. Amazon Prime Air existuje už šest let, ale stále je ve fázi testování.
Nový dron Amazon, představený na jaře. Něco na něm je z "Hvězdných válek".
Kromě Amazonu jsou na tomto trhu i jiní hráči (existují podrobné ), ale žádný hotový produkt: vše je ve fázi testování a marketingových kampaní. Je třeba zvlášť zmínit poměrně zajímavé úzce specializované medicínské projekty v Africe: doručování dárcovské krve v Ghaně (14 000 dodávek, společnost Zipline) a Rwandě (společnost Matternet).
3.4. Létající autonomní vozidla (Flying Autonomous Vehicles)
Zde je obtížné říct něco konkrétního. Podle názoru společnosti Gartner se to objeví nejdříve za 10 let. V podstatě se jedná o stejné problémy jako u bezpilotních automobilů, ale dostávají nový rozměr - vertikální. O svých ambicích vybudovat létající taxi prohlašují Porsche, Boeing a Uber.
3.5. Cloud rozšířené reality (AR Cloud)
Trvalá digitální kopie reálného světa, která umožní vytvořit novou vrstvu reality sdílenou všemi uživateli. Pokud bychom to řekli technickým jazykem, jedná se o vytvoření otevřené cloudové platformy, do které by vyvojáři mohli integrováti své AR aplikace. Model monetizace je jasný, je to něco jako Steam. Myšlenka se natolik zakořenila, že někteří už považují AR bez cloudu za prostě zbytečné.
Jak by to mohlo vypadat v budoucnosti, je vykresleno v malém videu. Vypadá to jako další epizoda "Černého zrcadla":
Dále si můžete přečíst v
4. "Rozšířený" člověk (Augmented Human)
4.1. AI pro emoce (Emotion AI)
Jak měřit, simulovat a reagovat na lidské emoce? Mezi klienty tu jsou společnosti, které vyrábějí hlasové asistenty jako Amazon Alexa. Opravdově se zabydlí v domácnostech, když se naučí rozpoznávat náladu: pochopit důvod nespokojenosti uživatele a snažit se situaci napravit. O celkovém kontextu je mnohem více informací než v samotné zprávě. A kontext zahrnuje nejen výraz obličeje, ale také intonaci a neverbální chování.
Další praktické aplikace: analýza emocí během pracovního pohovoru (při video pohovorech), hodnocení reakce na reklamní spoty nebo jiný video obsah (úsměvy, smích), pomoc při vzdělávání (například pro samostatné praxe v umění veřejných vystoupení).
O této tématice se těžko vyjadřuje lépe než autor 6minutového krátkého filmu . V originálně a stylově zpracovaném videu je ukázáno, jak měřit naše emoce pro marketingové účely, a jak z okamžitých reakcí vaší tváře zjistit: jestli milujete pizzu, psy, Kanye Westa a dokonce jaká je vaše příjmová úroveň a přibližné IQ. Přejděte na stránky filmu prostřednictvím výše uvedeného odkazu a účastníte se interaktivního videa s využitím vestavěné kamery vašeho notebooku. Film byl již představen na několika filmových festivalech.
Existuje dokonce zajímavý výzkum: jak rozpoznávat sarkasmus v textu. Vzali tweety s hashtagem #sarkasmus a vytvořili tréninkovou datovou sadu z 25 000 tweetů se sarkasmem a 100 000 běžnými tweety o všem možném. Použili knihovnu TensorFlow, vytrénovali systém, a zde je výsledek:
Takže nyní, pokud si nejste jisti ohledně vašeho kolegy nebo přítele – řekl vám něco vážně nebo sarkasticky, — můžete využít již !
4.2. Augmentovaná inteligence (Augmented Intelligence)
Automatizace duševní práce pomocí metod strojového učení. Zdá se, že nic nového? Ale zde je důležité samo vyjádření, tím spíše, že se shoduje zkratkou s umělou inteligencí. To nás odkazuje na debatu o „silné“ a „slabé“ AI.
Silný AI je ten umělý inteligence z fantastických filmů, který je plně ekvivalentní lidskému myšlení a vnímá se jako osobnost. Takový ještě neexistuje a není jasné, zda vůbec někdy bude existovat.
Slabý AI není samostatná osobnost, ale asistent člověka. Neusiluje o lidské myšlení, nýbrž je schopný řešit informační úkoly, například rozpoznat, co je na obrázku, nebo překládat text.
V tomto smyslu je Augmented Intelligence čistým „slabým AI“, a tato formulace se jeví jako úspěšná, protože nezavádí zmatek a nedává příležitost vidět zde ten „silný AI“, o kterém všichni sní (nebo se bojí, když vzpomeneme na četné úvahy o „vzbouření strojů“). Použitím výrazu Augmented Intelligence se jakoby stáváme hrdiny jiného filmu: ze sci-fi (například „Já, robot“ od Asimova) přecházíme do kyberpunku (v tomto žánru jsou „augmentacemi“ nazývány různé implantáty, které rozšiřují schopnosti člověka).
Jak Erik Brynjolfsson a Andrew McAfee: „V následujících 10 letech dojde k tomu, že ne AI nahradí manažery, ale ti manažeři, kteří používají AI, nahradí ty, kteří to ještě nestihli“
Příklady:
- Medicína: Stanfordská univerzita vyvinula , který dokáže rozpoznat patologii na rentgenu hrudníku s úspěšností srovnatelnou s většinou lékařů
- Vzdělávání: pomoc studentům a učitelům, analýza reakcí studentů na materiály, vytváření individuální vzdělávací dráhy.
- Podniková analytika: předzpracování dat, které podle statistik zabere 80 % času výzkumníka, a pouze 20 % je experiment samotný.
4.3. Biočipy (Biochips)
To je oblíbené téma všech kyberpunkových filmů a knih. Vlastně čipování domácích zvířat není nová praxe. Ale nyní začali tyto čipy implantovat i lidem.
V tomto případě je hype pravděpodobně spojen s mediálně známým případem americké společnosti Three Square Market. Ta začala zaměstnancům nabízet implantaci čipů pod kůži výměnou za odměnu. Čip umožňuje otevírat dveře, přihlašovat se k počítačům, nakupovat svačiny z automatu – tedy jakási univerzální karta zaměstnance. Takový čip slouží čistě jako identifikační karta, neobsahuje GPS modul, a proto není možné nikoho podle něj sledovat. Pokud se chce člověk čipu zbavit, zabere to 5 minut s pomocí lékaře.
Čipy se obvykle implantují mezi palcem a ukazováčkem.
Přečtěte si podrobné o stavu situace s čipováním ve světě.
4.4. Imersivní pracovní prostor (Immersive Workspace)
"Imersivní" – další nové slovo, které se nedá ignorovat. Je všude. Imersivní divadlo, výstava, film. Co tím vlastně máme na mysli? Imersivnost je vytváření efektu ponoření, kdy se ztrácí hranice mezi autorem a divákem, virtuálním a reálným světem. V souvislosti s pracovním místem to pravděpodobně znamená mazání hranice mezi vykonavatelem a iniciátorem a povzbuzování zaměstnanců k aktivnějšímu přístupu prostřednictvím přeformátování jejich okolí.
Když je nyní všude Agile, flexibilita, úzká spolupráce – měly by být i pracovní místa maximálně snadno konfigurovatelná, měla by podporovat týmovou práci. Ekonomika si diktuje své podmínky: je více dočasných zaměstnanců, náklady na pronájem kancelářských prostor rostou, a v podmínkách konkurenčního pracovního trhu se IT firmy snaží zvyšovat spokojenost zaměstnanců s prací tím, že vytvářejí rekreační zóny a další výhody. A to vše se odráží v designu pracovních prostor.
Z Knoll
4.5. Personifikace (Personification)
Každý ví, co je personalizace v reklamě. To je, když dnes diskutujete s kolegou, že je v místnosti vzduch suchý, a mělo by se koupit do kanceláře zvlhčovač, a zítra uvidíte na sociální síti reklamu – "koupíte zvlhčovač vzduchu" (skutečný případ, který se mi stal).
Personalizace, podle definice Gartnera, je odpovědí na rostoucí obavy uživatelů ohledně použití jejich osobních údajů pro reklamní účely. Cílem je vyvinout přístup, při kterém nám bude zobrazována reklama, odpovídající kontextu, ve kterém se nacházíme, a ne nám osobně. Například naše poloha, typ zařízení, denní doba a povětrnostní podmínky – to jsou informace, které nenarušují naše osobní údaje a my nemáme nepříjemný pocit „sledování“.
O rozdílu mezi těmito dvěma pojmy si přečtěte Andrey Franka v blogu na webu Gartner. Je tu tak jemný rozdíl a tak podobná slova, že pokud neznáte rozdíl, riskujete dlouhé diskuse s partnerem bez tušení, že mají pravdu oba (a to je také skutečný případ, který se stal autorovi).
4.6. Biotechnologie – Umělé tkáně (Biotech – Cultured or Artificial Tissue)
To je především myšlenka pěstování umělého masa. Současně na celém světě několik týmů pracuje na vývoji laboratorního „ masa 2.0” – očekává se, že bude levnější než běžné, a přepnou na něj fast foody a poté i supermarkety. Investory do této technologie jsou Bill Gates, Sergey Brin, Richard Branson a další.
Zdroj
Důvody, proč se všechny zajímá umělé maso:
- Globální oteplování: emise metanu z farem. To činí 18 % celkového objemu plynů ovlivňujících klima.
- Růst populace. Poptávka po mase roste, a nakrmit všechny přírodním masem se nepodaří – prostě je drahé.
- Nedostatek místa. 70 % pralesů Amazonie již bylo vykáceno kvůli pastvinám.
- Etické úvahy. Jsou ti, pro které je to důležité. Ochranná organizace PETA již navrhla odměnu 1 milion dolarů tomu vědci, který uvede na trh umělé kuřecí maso.
Zaměnění skutečného masa za sójové je částečné řešení, protože lidé dobře cítí rozdíl v chuti a textuře a jen málokdo se vzdá steaku ve prospěch sóji. Takže je třeba skutečné, organicky pěstované maso. Bohužel, nyní umělé maso stojí příliš mnoho: od 12 $ za kilogram. To souvisí se složitým technologickým procesem pěstování takového masa. Přečtěte si o tom všem. .
Pokud mluvíme o jiných případech pěstování tkání – již v medicíně – je zajímavé téma s umělými orgány: například „náplast“ pro srdeční sval, speciálním 3D tiskárnou. Jsou známy například uměle pěstované myší srdce, ale celkově to zatím nepřesahuje rámec klinických zkoušek. Takže Frankentein nás v příštích letech pravděpodobně nečeká.
Zde je Gartner velmi opatrný v hodnocení, zřejmě má na paměti své nepovedené předpovědi z roku 2015, že v roce 2019 bude 10 % obyvatel rozvinutých zemí mít 3D vytištěné zdravotnické zařízení-implantát. Proto také označuje dobu, kdy dojde k dosažení produktivity – minimálně 10 let.
5. Digitální ekosystémy (Digital Ecosystems)
5.1. Decentralizovaný web (Decentralized Web)
Tento pojem je úzce spojen s jménem vynálezce webu, nositele Turingovy ceny, sira Tima Berners-Lee. Pro něj byly vždy důležité otázky etiky v informatice a kolektivní podstata internetu: při zakládání základů hypertextu byl přesvědčen, že síť by měla fungovat jako pavučina, a ne jako hierarchie. Tak to bylo v rané fázi vývoje sítě. Nicméně s růstem internetu se jeho struktura z mnoha důvodů začala centralizovat. Ukázalo se, že přístup k síti pro celou zemi lze snadno zablokovat pomocí několika poskytovatelů. A data uživatelů se stala zdrojem síly a příjmu internetových společností.
„Internet je již decentralizovaný,“ říká Berners-Lee. „Problém je v tom, že dominuje jeden vyhledávač, jedna velká sociální síť, jedna platforma pro mikroblogování. Nemáme technologické problémy, ale máme problémy sociální.“
Ve svém k 30. výročí World Wide Web zakladatel webu vymezil tři hlavní problémy internetu:
- Úmyslné způsobování škody, jako jsou státem sponzorované hackerské útoky, kriminalita a online obtěžování
- Samotná konstrukce systému, která na úkor uživatele vytváří podmínky pro takové mechanismy, jako je: finanční pobídka ke klikacím podvodům a virální šíření dezinformací
- Neúmyslné důsledky designu systému, které vedou k konfliktům a snižování kvality online diskuse
A Tim Berners-Lee already has an answer regarding the principles on which an 'Internet for a Healthy Person' could be based, free from problem number 2: 'For many users, the only model of interaction with the web remains advertising revenue. Even if people are scared about what is happening with their data, they are willing to strike a deal with the marketing machine to access content for free. Imagine a world where paying for goods and services is easy and pleasant for both parties.' Among the options for how this might be arranged: musicians could sell their recordings directly, without intermediaries like iTunes, and news sites could use a micropayment system for reading a single article instead of relying on advertising.
As an experimental prototype of this new Internet, Tim Berners-Lee launched the SOLID project, which is based on the premise that you store your data in a 'pod' — an information storage system — and you can provide this data to third-party applications. In principle, you are the master of your data. All of this is closely related to the concept of peer-to-peer networks, meaning your computer not only requests services but also provides them, so you don't have to rely on a single server as the only channel.
5.2. Decentralized Autonomous Organizations
This is an organization governed by rules encoded as a computer program. Its financial activities take place on the blockchain. The aim of creating such organizations is to eliminate the state from the role of intermediary and to create a common trusted environment for counterparties that is not owned by anyone individually, but collectively owned. In theory, this should, if the idea takes hold, eliminate notaries and other traditional verification institutions.
Nejznámějším příkladem takové organizace byl na rizikový kapitál orientovaný The DAO, který v roce 2016 vybral 150 milionů dolarů, z nichž 50 bylo okamžitě ukradeno prostřednictvím legální "díry" v pravidlech. Následně nastala složitá dilema: buď se vrátit zpět a vrátit peníze, nebo uznat, že vybrání peněz bylo legální, protože nijak neporušovalo pravidla platformy. Nakonec, aby se peníze investorům vrátily, museli tvůrci zničit The DAO, přepsat blockchain a porušit jeho hlavní princip – neměnnost.
Komiks o Ethereu (vlevo) a The DAO (vpravo).
Celá tato historie poškodila reputaci samotné myšlenky DAO. Tento projekt byl realizován na bázi kryptoměny Ethereum, v příštím roce se očekává verze Ether 2.0 – možná autoři (mezi nimiž je známý Vitalik Buterin) chyby zohlední a ukážou něco nového. Asi proto Gartner zařadil DAO na vzestupnou linii.
5.3. Syntetická data (Synthetics Data)
Pro trénink neuronových sítí jsou potřeba velké objemy dat. Ruční označování dat je obrovský úkol, který může vykonávat pouze člověk. Proto je možné vytvářet umělé datové soubory. Například stejné sbírky lidských tváří na webové stránce . Ta se vytvářejí pomocí GAN – algoritmů, o kterých bylo již zmíněno výše.
Tyto tváře nepatří lidem.
Velký plus takových dat je v tom, že při jejich používání nevznikají právní obtíže: souhlas se zpracováním osobních údajů již nikdo nemusí udělit.
5.4. Digital Ops
Sufix "Ops" se stal neuvěřitelně módním od doby, kdy se v našem slovníku ujal DevOps. Nyní, co se týče DigitalOps – je to jednoduše zobecnění DevOps, DesignOps, MarketingOps... Ještě vás to neztrapnilo? Zkrátka, je to přenos přístupu přijatého v DevOps z oblasti softwaru na všechny ostatní stránky podnikání – marketing, design atd.
Myšlenka DevOps byla odstranit bariéry mezi samotným vývojem (Development) a provozem (Operations) prostřednictvím vytváření společných týmů, kde jsou programátoři, testeři, odborníci na bezpečnost a administrátoři; implementace určitých praktik: kontinuální integrace, infrastruktura jako kód, zkracování a posilování zpětné vazby. Cílem bylo urychlit uvedení produktu na trh. Pokud jste si pomysleli, že to vypadá jako Agile, máte pravdu. Teď si tento přístup přeneste z oblasti vývoje softwaru na celkový vývoj – a pochopili jste, co je to DigitalOps.
5.5. Grafy znalostí (Knowledge Graphs)
Programový způsob modelování oblasti znalostí, včetně – pomocí algoritmů strojového učení. Graf znalostí je vystavěn na existujících databázích, aby spojil všechny informace do jednoho celku: jak strukturované (seznam událostí nebo osob), tak nestrukturované (text článku).
Nejjednodušším příkladem je karta, kterou můžete vidět ve výsledcích vyhledávání Google. Pokud hledáte nějakou osobu nebo instituci, uvidíte vpravo kartu:
Všimněte si, že „Nadcházející akce“ není kopie informací z Google Maps, ale integrace plánu z Yandex.Afiše: to snadno uvidíte, pokud kliknete na události. To znamená, že se jedná o spojení několika zdrojů dat do jednoho celku.
Pokud požádáte o seznam – například „známí režiséři“ – ukáže se vám „karusel“:
Bonus pro ty, kteří dočetli až do konce
A nyní, když jsme si objasnili význam každého z bodů, můžeme se podívat na stejný obrázek, ale tentokrát v ruštině:
Svobodně ji sdílejte na sociálních sítích!
Tatjana Volkova – Autorka vzdělávacího programu trasy o Internetu věcí IT Akademie Samsung, specialistka na programy firemní sociální odpovědnosti Výzkumného centra Samsung.
Zdroj: habr.com
