Gartner-diagrammet for dem, der arbejder inden for teknologi, er som en modeshow. Ved at kaste et blik på det kan du få en idé om, hvilke udtryk der er mest trendy i denne sæson, og hvad du vil høre på de kommende konferencer.

Vi har afkodet, hvad der gemmer sig bag de smukke ord på denne graf, så du også kan tale dette sprog.

Lad os starte med et par ord om, hvad dette diagram handler om. Hvert år i august offentliggør konsulentfirmaet Gartner en rapport – Gartner Hype Curve. På dansk kaldes det "hype-kurve". For 30 år siden sang rapperne i Public Enemy: "Don’t believe the hype". At tro eller ikke tro er et personligt valg, men det er værd at kende disse nøgleord, hvis du arbejder inden for teknologi og ønsker at være opdateret på de globale trends.

Det er et diagram over offentlig forventning til en given teknologi. Ifølge Gartner gennemgår en teknologi ideelt set 5 faser: teknologiens lancering, toppen af de overdrevne forventninger, skuffelsens dal, oplysningens skråning, og produktivitetens plateau. Men nogle gange går teknologien ned i "skuffelsens dal" – eksempler kan du nemt selv huske, som for eksempel bitcoins: oprindeligt hævet til toppen som "fremtidens penge", er de hurtigt faldet, da manglerne ved teknologien, først og fremmest begrænsningerne på antallet af transaktioner og den enorme mængde energi, der kræves for at producere bitcoins (hvilket medfører problemer for miljøet), blev åbenlyse. Og selvfølgelig må man ikke glemme, at Gartner-diagrammet blot er en prognose: her kan du for eksempel læse detaljerede artiklen, hvor de mest iøjnefaldende fejlede forudsigelser analyseres.

Lad os så se nærmere på den nye Gartner-graf. Teknologierne er opdelt i 5 store temagrupper:

1. Avanceret AI og analyse (Advanced AI and Analytics)
2. Postklassisk databehandling og kommunikation (Postclassical Compute and Comms)
3. Sensorik og mobilitet (Sensing and Mobility)
4. "Augmented" menneske (Augmented Human)
5. Digitale økosystemer (Digital Ecosystems)

1. Avanceret AI og analyse (Advanced AI and Analytics)

I de seneste 10 år har vi set den stjernestund for dyb læring (Deep Learning). Disse netværk er virkelig effektive til deres opgaver. I 2018 modtog Yann LeCun, Geoffrey Hinton og Yoshua Bengio Turing-prisen for deres opdagelser inden for området – den mest prestigefyldte pris, svarende til Nobelprisen inden for informatik. Så her er de vigtigste trends inden for dette område, som er præsenteret i grafer:

1.1. Overførsel af læring (Transfer Learning)

Du træner ikke et neuralt netværk fra bunden, men tager et allerede trænet netværk og tildeler det et andet mål. Nogle gange skal du gentræne en del af netværket, men ikke hele netværket, hvilket er meget hurtigere. For eksempel, ved at tage det færdige neurale netværk ResNet50, som er trænet på datasættet ImageNet1000, får du en algoritme, der kan klassificere mange forskellige objekter på et meget dybt niveau (1000 klasser baseret på træk udarbejdet af 50 lag i det neurale netværk). Men du behøver ikke at træne hele dette netværk fra bunden, hvilket ville tage måneder.

I online-kurset Samsung 'Neurale netværk og computer vision', for eksempel, i den afsluttende Kaggle-opgave om klassificering af tallerkener i rene og beskidte, viser en tilgang, der på 5 minutter giver dig et dybt neuralt netværk, der kan skelne mellem beskidte og rene tallerkener, bygget på den ovenfor beskrevne arkitektur. Det oprindelige netværk vidste ikke, hvad tallerkener var overhovedet, det lærte kun at skelne mellem fugle og hunde (se ImageNet).

Kilde: online-kursus Samsung 'Neurale netværk og computer vision'

For Transfer Learning skal man vide, hvilke tilgange der fungerer, og hvilke grundlæggende arkitekturer der findes. Generelt set fremskynder dette fremkomsten af praktiske anvendelser inden for maskinlæring.

1.2. Generative Adversarial Networks (GAN)

Dette er til tilfælde, hvor det er meget svært at formulere læringsmålet. Jo tættere opgaven er på det virkelige liv, jo mere forståelig er den for os ("hent skuffen"), men jo sværere er det at formulere den som en teknisk opgave. GAN er netop et forsøg på at hjælpe os med dette problem.

Her arbejder to netværk: et generatornetværk (Generative) og et diskriminatornetværk (Adversarial). Det ene netværk lærer at udføre nyttigt arbejde (klassificere billeder, genkende lyde, tegne tegnefilm). Det andet netværk lærer at undervise det første netværk: det har rigtige eksempler og lærer at finde en komplekse formel for at sammenligne genereringerne fra den generative del af netværket med objekterne i den virkelige verden (træningsdatasættet) baseret på virkelig vigtige dybe kendetegn: antal øjne, nærhed til Miyazaki-stilen, korrektheden af engelsk udtale.

Eksempel på resultatet af netværkets arbejde til at generere anime-karakterer. Kilde

Men det er selvfølgelig svært at opbygge arkitekturen. Det er ikke nok bare at kaste neuroner ind, de skal forberedes. Og opdragelsen tager uger. Emnet GAN bliver arbejdet med af mine kolleger i Samsungs Center for Kunstig Intelligens, hvor det er et af de vigtigste forskningsspørgsmål. For eksempel, sådan en udvikling: anvendelse af generative netværk til syntese af realistiske billeder af mennesker med ændrende positurer — for eksempel til at skabe et virtuelt prøverum, eller til syntese af ansigtet, hvilket kan hjælpe med at reducere den mængde information, der skal opbevares eller overføres for at sikre kvalitets videokonferencer, udsendelser eller beskyttelse af personlige oplysninger.

Kilde

1.3. Forklarlig AI (Explainable AI)

I nogle sjældne opgaver har fremskridtene i dybe arkitekturer pludselig bragt de dybe neurale netværks evner tættere på menneskelige. Nu er kampen om at udvide kredsen af sådanne opgaver. For eksempel kunne en robotstøvsuger nemt skelne mellem en kat og en hund ved et ansigt-til-ansigt møde. Men i de fleste livssituationer vil den være ude af stand til at finde en kat, der sover blandt tøj eller møbler (ligesom vi i de fleste tilfælde...).

Hvad er årsagen til succesen med dybe neurale netværk? De udvikler en repræsentation af opgaven, baseret ikke på "synlig information" (pixels i et billede, svingninger i lydens volumen...), men på træk, der er opnået efter forbehandling af disse oplysninger gennem flere hundrede lag af et neuralt netværk. Desværre kan disse sammenhænge også være meningsløse, modstridende eller bære spor af fejl i datasættet. For eksempel er der en lille computer game om, hvad tankeløs anvendelse af AI i rekruttering kan føre til. Overlevelse af den bedst egnede.

Systemet til mærkning af billeder kaldte en person, der laver mad, en kvinde, selvom billedet faktisk viser en mand (Kilde). Det blev bemærket ved Virginia Institute.

For at analysere komplekse og dybe sammenhænge, som vi ofte ikke selv kan formulere, er metoderne til Forklarlig AI nødvendige. De organiserer træk fra dybe neurale netværk, så vi efter træning kan analysere det interne repræsentation, som netværket har lært, og ikke bare stole på dets afgørelse.

1.4. Kantanalyse / AI (Edge Analytics / AI)

Alt, hvad der indeholder ordet Edge, betyder bogstaveligt talt følgende: flytning af dele af algoritmer fra skyen/serveren til niveauet af slutbrugerens enhed/gateway. En sådan algoritme vil virke hurtigere og har ikke brug for at være forbundet til den centrale server for at fungere. Hvis du er bekendt med begrebet "tynd klient", så gør vi denne klient en smule tykkere her.
Dette kan være vigtigt for Internet of Things. For eksempel, hvis en maskine overophedes og har brug for nedkøling, giver det mening at sende et signal om dette straks, på fabriksniveau, uden at vente på, at dataene når skyen og derfra til skiftlederen. Eller et andet eksempel: selvkørende biler kan håndtere trafikforholdene selv uden at kontakte den centrale server.

Kilde

Eller et andet eksempel, hvorfor dette er vigtigt set fra et sikkerhedsperspektiv: Når du indtaster tekst på din telefon, husker den typiske ord for dig, så telefonens tastatur let kan foreslå dem fremad – det kaldes prædiktiv tekstindtastning. At sende alt, hvad du indtaster på tastaturet, til et datacenter ville være et brud på dit privatliv og ganske enkelt usikkert. Derfor sker undervisningen af tastaturet kun inden for din enhed.

1.5. AI-platform som en tjeneste (AI PaaS)

PaaS – Platform som en tjeneste – er en forretningsmodel, hvor vi får adgang til en integreret platform, inklusive dens cloud-lagring og foruddefinerede procedurer. På den måde kan vi frigøre os fra infrastrukturopgaver og fuldstændigt fokusere på produktionen af noget nyttigt. Eksempler på PaaS-platforme til AI-opgaver: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptiv maskinlæring (Adaptive ML)

Hvad nu, hvis vi tillader kunstig intelligens at tilpasse sig… Du vil måske spørge – hvordan?.. Tilpasser den sig ikke allerede opgaven? Problemet er dette: Hver sådan opgave skal vi grundigt definere, før vi bygger en algoritme til kunstig intelligens for at løse den. Det viser sig, at vi kan forenkle denne kæde.

Traditionel maskinlæring fungerer efter princippet om et åbent system (open-loop): du forbereder data, design en neuralt netværk (eller hvad som helst), træner det, og hvis du er tilfreds med et par målinger, kan du sende neuralt netværk til smartphones – for at løse brugerens opgaver. Men i applikationer, hvor der er meget data, og karakteren gradvis ændrer sig, er andre metoder nødvendige. Sådanne systemer, der tilpasser sig og træner sig selv, organiseres i lukkede, selvlærende sløjfer (closed-loop), og de skal fungere uafbrudt.

Applikationer – det kan være stream-analyse (Stream Analytics), som mange forretningsfolk træffer beslutninger på baggrund af, eller adaptiv produktionsstyring. I skalaen af moderne applikationer og med hensyn til bedre forståede risici for mennesker, samles metoderne, der udgør løsningen på dette problem, alle disse metoder samles under det fælles navn Adaptive AI.

Kilde

Når man ser på dette billede, er det svært at undgå følelsen af, at futuristerne skal have noget at leve af – de vil bare gerne lære en robot at trække vejret...

Postklassisk databehandling og kommunikation (Postclassical Compute and Comms)

2.1. Mobil kommunikation i femte generation (5G)

Det er så interessant et emne, at vi med det samme henviser til vores artikel. Her er en kort opsummering. 5G vil gøre internethastigheden ufatteligt hurtig ved at øge dataoverførselsfrekvensen. Korte bølger har sværere ved at passere hindringer, derfor vil netværksstrukturen være helt anderledes: der er brug for 500 gange flere basestationer.

Sammen med hastigheden vil vi få nye fænomener: realtids-spil med augmented reality, udførelse af komplekse opgaver (som kirurgi) via telepræsens og forhindring af uheld og vanskelige situationer på vejene gennem kommunikation mellem biler. Mere prosaisk vil mobilinternettet endelig stoppe med at falde ud under store begivenheder som en fodboldkamp på stadion.

Kilde til billedet – Reuters, Niantic

2.2. Næste generations hukommelse (Next-Generation Memory)

Her handler det om den femte generation af RAM – DDR5. Samsung annoncerede, at der vil komme produkter baseret på DDR5 inden udgangen af 2019. Den nye hukommelse forventes at være to gange hurtigere og to gange mere kapacitiv med bevarelse af formfaktoren, hvilket vil give os mulighed for at få hukommelseskapsler op til 32GB til vores computer. I fremtiden vil dette især være relevant for smartphones (den nye hukommelse vil komme i en version med lavt energiforbrug) og for bærbare computere (hvor antallet af DIMM-slots er begrænset). Desuden kræver maskinlæring store mængder RAM.

2.3. Lave jordbane satellitsystemer (Low-Earth-Orbit Satellite Systems)

Ideen om at erstatte tunge, dyre, kraftige satellitter med en sværm af små og billige er langt fra ny og stammer tilbage fra 90'erne. Det er blevet sagt, at «Elon Musk snart vil uddele internet fra satellit til alle» det nuværende emne kun handler om det at være doven. Den mest kendte virksomhed her er Iridium, som gik konkurs i slutningen af 90'erne, men blev reddet af det amerikanske forsvarsministerium (skal ikke forveksles med iRidium – det russiske smarte hjem system). Elon Musk's projekt (Starlink) er langt fra det eneste – Richard Branson deltager i satellitkapløbet (OneWeb – 1440 planlagte satellitter), Boeing (3000 satellitter), Samsung (4600 satellitter) med flere.

Hvordan står det til i dette område, hvordan ser økonomien ud – læs mere i en anmeldelse. Vi venter på de første tests af disse systemer fra de første brugere, som skal finde sted allerede næste år.

2.4. 3D-print i nanoskala (Nanoscale 3D Printing)

3D-print har, selvom det ikke er blevet en del af hverdagen for alle (i den form, som den individuelle hjemmelavede plastikfabrik lovede), allerede for længe siden forladt nichen for teknologientusiaster. Dette kan ses på, at enhver skoleelev kender til eksistensen af mindst 3D-sculpture penne, og mange drømmer om at anskaffe sig en kasse med skinner og en ekstruder til... 'bare for sjov' (eller har allerede købt en).

Stereolitografi (laser 3D-printere) giver mulighed for at printe med individuelle fotoner: nye polymerer undersøges, hvor det kun kræver to fotoner for at hærde. Dette vil muliggøre skabelsen af helt nye filtre, beslag, fjedre, kapillærer, linser og... dine muligheder i kommentarerne! Her er der kun et skridt til fotopolymerisering – kun denne teknologi gør det muligt at 'printe' processorer og beregningsskemaer. Derudover har teknologien til udskrivning af grafenbaserede 500-nm tredimensionale strukturer eksisteret i flere år,men uden radikal udvikling.

Kilde

3. Sensorik og mobilitet (Sensing and Mobility)

3.1. Selvstyrende biler, niveau 4 og 5 (Autonomous Driving Level 4 & 5)

For ikke at forveksle terminologien er det værd at få en forståelse for, hvilke niveauer af autonomi der skelnes imellem (taget fra en detaljeret artikler, som vi henviser alle interesserede til):

Niveau 1: Tempomat: hjælp til føreren i meget begrænsede situationer (for eksempel - at holde bilen på den indstillede hastighed, efter at føreren har taget foden fra pedalen)
Niveau 2: Begrænset assistance med styring og bremsning. Føreren skal være klar til hurtigt at tage kontrol. Hans hænder er på rattet, og blikket er rettet mod vejen. Dette findes allerede i Tesla og General Motors.
Niveau 3: Føreren behøver ikke længere konstant at holde øje med vejen. Men han skal være på vagt og klar til at tage kontrol. Dette er endnu ikke tilgængeligt i de biler, der er til salg. Alle nuværende modeller er på niveau 1-2.
Niveau 4: Ægte autopilot, men med begrænsninger: kun ture i et kendt område, der er omhyggeligt kortlagt og generelt kendt af systemet, og under bestemte betingelser: for eksempel i fravær af sne. Sådanne prototyper findes hos Waymo og General Motors, som planlægger at lancere dem i flere byer og teste dem i virkelige forhold. Yandex har testzoner for selvkørende taxaer i Skolkovo og Innopolis: turen sker under opsyn af en ingeniør, der sidder på passagersædet; ved årets slutning planlægger virksomheden at udvide flåden til 100 selvkørende biler.
Niveau 5: Fuldt automatiseret kørsel, fuldstændig erstatning af en menneskelig chauffør. Disse systemer findes ikke, og det er tvivlsomt, at de vil komme i de kommende år.

Hvor realistisk er det at se alt dette i den nærmeste fremtid? Her vil jeg gerne henvise læseren til artiklen «Hvorfor det er umuligt at lancere robotaxaer inden 2020, som Tesla lover». Dette skyldes delvist manglen på 5G-forbindelse: de eksisterende 4G-hastigheder er utilstrækkelige. Delvist på grund af de meget høje omkostninger ved autonome biler: de er endnu ikke rentable, og forretningsmodellen er uklar. Kort sagt, her er «det hele kompliceret», og det er ikke tilfældigt, at Gartner skriver, at prognosen for massediffusion af Niveau 4 og 5 – ikke før om 10 år.

3.2. Kameraer med 3D-syn (3D Sensing Cameras)

For otte år siden skabte Microsoft Kinect en bølge med et tilgængeligt og relativt billigt 3D-syn-løsning. Siden da har fysiske danse- og motionsspil med Kinect haft en kortvarig op- og nedtur, men 3D-kameraer er blevet anvendt i industrielle robotter, selvkørende biler, og mobiltelefoner til ansigtsgenkendelse. Teknologien er blevet billigere, mere kompakt og tilgængelig.

I telefonen Samsung S10 er der et tidsmåler-kamera (Time-of-Flight), som måler afstanden til objektet – for at lette fokuseringen. Kilde

Hvis du er interesseret i dette emne, så henviser vi til en meget god detaljeret anmeldelse af dybdekameraer: del 1, del 2.

3.3. Droner til levering af små forsendelser (Light Cargo Delivery Drones)

I år skabte Amazon overskrifter, da de viste en ny flyvende drone, der kan transportere små laster op til 2 kg. For en by med sine trafikpropper virker dette som den perfekte løsning. Lad os se, hvordan disse droner vil klare sig i den nærmeste fremtid. Her bør man muligvis tage et forsigtigt skeptisk syn på det: der er mange problemer, lige fra risikoen for let tyveri af dronen til lovgivningsmæssige begrænsninger på UAV'er. Amazon Prime Air har eksisteret i seks år, men er stadig i testfasen.

Den nye Amazon-drone, der blev præsenteret i foråret. Den har noget af 'Star Wars' over sig. Kilde

Udover Amazon er der også andre aktører på dette marked (der er detaljerede gennemgang), men der er ikke noget færdigt produkt: alt er på test- og markedsføringsstadiet. Det er værd at bemærke de ret interessante specialiserede medicinske projekter initiativer i Afrika: levering af donorblod i Ghana (14.000 leverancer, virksomheden Zipline) og Rwanda (virksomheden Matternet).

3.4. Flyvende autonome transportmidler (Flying Autonomous Vehicles)

Her er det svært at sige noget bestemt. Ifølge Gartner vil dette ikke ske før om 10 år. Generelt set er det de samme problemer som med selvkørende biler, men de får et nyt dimension — vertikalt. Porsche, Boeing og Uber har udtalt deres ambitioner om at bygge en flyvende taxa.

3.5. AR-skyen (AR Cloud)

En konstant digital kopi af den fysiske verden, der muliggør et nyt lag af virkeligheden, fælles for alle brugere. Mere teknisk talt handler det om at skabe en åben cloud-platform, hvor udviklere kan integrere deres AR-applikationer. Forretningsmodellen er tydelig, det er noget, der ligner Steam. Ideen er blevet så dybt forankret, at nogle nu mener, at AR uden cloud er helt ubrugeligt.

Hvordan det kan se ud i fremtiden, er illustreret i en kort video. Det ligner et nyt afsnit af 'Black Mirror':

Man kan også læse mere i gennemgangsartiklen.

4. 'Augmented' menneske (Augmented Human)

4.1. AI til følelser (Emotion AI)

Hvordan måler, simulerer og reagerer man på menneskelige følelser? Nogle af kunderne her er virksomheder, der producerer stemmeassistenter som Amazon Alexa. De vil virkelig kunne integrere sig i hjemmene, hvis de lærer at genkende stemningen: forstå årsagen til brugerens utilfredshed og forsøge at rette op på situationen. Generelt er der meget mere information i konteksten end i selve budskabet. Og konteksten omfatter både ansigtsudtryk, intonation og nonverbal adfærd.

Andre praktiske anvendelser inkluderer: analyse af følelser under jobsamtaler (via videointerviews), vurdering af reaktioner på reklamevideoer eller andet videoinhold (smil, latter), samt støtte til læring (for eksempel til selvstudier i kunsten at tale offentligt).

Det er svært at udtrykke sig bedre om dette emne end forfatteren af den 6-minutters kortfilm Stealing Ur Feeling. I den skarpe og stilfulde video vises det, hvordan man kan måle vores følelser til markedsføringsformål og få øjeblikkelige reaktioner fra dit ansigt til at finde ud af, om du elsker pizza, hunde, Kanye West, og endda hvad dit indkomstniveau og omtrentlige IQ er. Ved at gå ind på filmens hjemmeside via linket ovenfor, bliver du en deltager i en interaktiv video ved hjælp af det indbyggede kamera på din bærbare computer. Filmen har allerede været vist på flere filmfestivaler.

Kilde

Der findes endda et interessant studie: hvordan man genkender sarkasme i tekst. De tog tweets med hashtagget #sarkasme og lavede et træningssæt bestående af 25.000 sarkastiske tweets og 100.000 almindelige tweets om alt muligt. De anvendte TensorFlow-biblioteket, trænede systemet, og her er resultatet:

Kilde

Så nu, hvis du er usikker på, om din kollega eller ven - sagde han noget alvorligt eller sarkastisk - kan du benytte den allerede trænede neurale netværk!

4.2. Augmented Intelligence (Forstærket Intelligens)

Automatisering af intellektuelt arbejde ved hjælp af maskinlæringsteknikker. Det virker måske ikke som noget nyt? Men her er formuleringen vigtig, især fordi den forkortes på samme måde som Artificial Intelligence. Dette refererer til debatten om „stærk“ og „svag“ AI.
Stærk AI er den type kunstig intelligens, vi kender fra science fiction-film, som er helt lig menneskelig intelligens og erkender sig selv som en personlighed. Sådan en eksisterer endnu ikke, og det er uklart, om den nogensinde vil gøre det.

Svag AI er ikke en selvstændig personlighed, men en assistent for mennesker. Den stræber ikke efter menneskelig tænkning, men kan simpelthen løse informationsopgaver, for eksempel at bestemme, hvad der er afbildet på et billede eller oversætte tekst.

Kilde

I denne forstand er Augmented Intelligence ren 'svag AI', og formuleringen synes at være velvalgt, da den ikke skaber forvirring eller fristelse til at se den 'stærke AI', som alle drømmer om (eller frygter, hvis man husker alle de mange overvejelser om 'maskinernes oprør'). Ved at bruge udtrykket Augmented Intelligence bliver vi straks som helte fra en anden film: fra science fiction (som i Asimovs 'Jeg, Robot') lander vi i cyberpunk-genren (i denne genre kaldes 'augmented' alle mulige implantater, der udvider menneskets muligheder).

siger sagde Erik Brynjolfsson og Andrew McAfee: 'I de næste 10 år vil følgende ske. Det er ikke AI, der vil erstatte ledere, men de ledere, der bruger AI, der vil erstatte dem, der endnu ikke er nået dertil.'

Eksempler:

• Medicin: Stanford University har udviklet algoritmen, som i gennemsnit klarer opgaven med at genkende patologier på røntgenbilleder af brystkassen lige så godt som de fleste læger.
• Uddannelse: hjælp til eleven og læreren, analyse af elevernes respons på materialer, opbygning af individuelle læringsforløb.
• Forretningsanalyse: databehandling tager statistisk set 80% af forskerens tid, mens kun 20% går til selve eksperimentet.

4.3. Biostik (Biochips)

Dette er et yndlingsemne i alle cyberpunk-film og bøger. Generelt er chippning af kæledyr ikke en ny praksis. Men nu begynder man også at implantere disse chips i mennesker.

I dette tilfælde er hype sandsynligvis relateret til den opsigtsvækkende sag i det amerikanske firma Three Square Market. Her begyndte arbejdsgiveren at tilbyde at implantere chips under huden i bytte for belønning. Chippen muliggør åbning af døre, login på computere, køb af snacks i automater – med andre ord fungerer den som et universelt medarbejderkort. Desuden fungerer chippen netop som et identifikationskort, den har ingen GPS-modul, så ingen kan spores via den. Og hvis en person ønsker at få chippen fjernet fra hånden, tager det 5 minutter med en læge.

Chips implanteres normalt mellem tommelfinger og pegefinger. Kilde

Læs de detaljerede artiklen om situationen med chipping i verden.

4.4. Immersivt Arbejdsrum (Immersive Workspace)

„Immersive“ – et andet nyt ord, som man ikke kan komme udenom. Det er overalt. Immersiv teater, udstillinger, film. Hvad menes der? Immersivitet er at skabe en følelse af fordybelse, hvor grænsen mellem skaber og publikum, det virtuelle og det virkelige, forsvinder. Anvendt på arbejdspladsen, må dette betyde udviskning af grænsen mellem udfører og initiator og tilskynde medarbejdere til at tage en mere aktiv rolle ved at omformatere de omgivelser, de befinder sig i.

Da Agile, fleksibilitet og tæt samarbejde nu er overalt, skal arbejdspladserne være så let konfigurerbare som muligt og fremme gruppearbejde. Økonomien dikterer sine betingelser: der bliver flere midlertidige medarbejdere, omkostningerne ved leje af kontorlokaler stiger, og under de konkurrenceprægede arbejdsmarkedsforhold forsøger IT-virksomheder at øge medarbejdernes tilfredshed ved at skabe rekreative områder og andre fordele. Alt dette afspejles i designet af arbejdspladser.

Af rapport Knoll

4.5. Personificering (Personification)

Alle ved, hvad personalisering i reklame er. Det er, når du i dag diskuterer med en kollega, at luften i lokalet er lidt tør, og at I skal købe en luftfugter til kontoret, og dagen efter ser du reklamer på sociale medier – „køb en luftfugter“ (en rigtig hændelse, der skete for mig).

Kilde

Personalisering er, ifølge Gartner, et svar på den stigende bekymring blandt brugerne om brugen af deres personlige oplysninger til reklame. Målet er at udvikle en tilgang, hvor vi præsenteres for annoncer, der passer til den kontekst, vi befinder os i, og ikke personligt. For eksempel er vores placering, type enhed, tidspunkt på dagen og vejrforspørgsler elementer, der ikke krænker vores personlige data, og vi føler ikke den ubehagelige følelse af "overvågning".

For at læse om forskellen mellem disse to begreber, læs notatet af Andrew Frank på Gartners blog. Der er så fine nuancer og så lignende ord, at du, uden at kende forskellen, risikerer at diskutere længe med din samtalepartner, uden at vide, at de grundlæggende set begge har ret (og dette er også en reel hændelse, der skete med forfatteren).

4.6. Biotek – Kunstige væv (Biotech – Cultured or Artificial Tissue)

Dette er først og fremmest ideen om at dyrke kunstigt kød. Samtidig arbejder flere teams over hele verden på udviklingen af laboratorie "Kød 2.0" – det forventes, at det bliver billigere end almindeligt kød, og fastfood kæder vil tage det til sig, og derefter supermarkederne. Blandt investorerne i denne teknologi er Bill Gates, Sergey Brin, Richard Branson og andre.

Kilde

Årsagerne til, at alle er så interesserede i kunstigt kød:

1. Global opvarmning: metanudslip fra gårde. Dette er 18% af det globale gasudslip, der påvirker klimaet.
2. Befolkningstilvækst. Behovet for kød vokser, og det vil ikke lykkes at mætte alle med naturligt kød – det er simpelthen for dyrt.
3. Plads mangel. 70% af Amazonas' skove er allerede blevet fældet for at gøre plads til græsning.
4. Etiske overvejelser. Der er dem, for hvem dette er vigtigt. Dyreværnsorganisationen PETA har allerede tilbudt en belønning på 1 million dollars til den forsker, der bringer kunstigt kyllingekød på markedet.

At erstatte ægte kød med sojakød er en delvis løsning, for folk kan tydeligt mærke forskellen i smag og tekstur, og det er usandsynligt, at de vil opgive bøffen til fordel for soja. Derfor er der brug for ægte, organisk dyrket kød. Desværre koster kunstigt kød i øjeblikket for meget: fra 12$ pr. kilogram. Dette skyldes den komplekse produktionsmetode ved dyrkning af sådant kød. Læs mere om alt dette. artiklen.

Når vi taler om andre tilfælde af vævsvækst – allerede inden for medicin – er emnet med kunstige organer interessant: for eksempel et "plaster" til hjertemusklen, der er printet med en specialiseret 3D-printer. Historier bekendt, dem ligner det kunstigt dyrkede mus hjerter, men generelt ligger alt stadig inden for rammerne af kliniske forsøg. Så vi vil næppe se en Frankenstein i de kommende år.

Her er Gartner meget forsigtig i sine vurderinger, muligvis med tanke på hans mislykkede forudsigelse fra 2015 om, at 10% af befolkningen i udviklede lande ville have 3D-printede medicinske implantater i 2019. Derfor angiver han også tidsrammen for produktivitetens plateau – mindst 10 år.

5. Digitale økosystemer (Digital Ecosystems)

5.1. Decentraliseret web (Decentralized Web)

Dette begreb er tæt forbundet med navnet på webets opfinder, Turing-prisvinderen Sir Tim Berners-Lee. For ham har spørgsmål om etik inden for informatik altid været vigtige, ligesom den kollektive essens af Internettet: da han lagde grundlaget for hypertekst, var han overbevist om, at nettet skulle fungere som et spind, ikke som en hierarki. Sådan var det i de tidlige udviklingsfaser af nettet. Men med internettets vækst er dets struktur af flere grunde blevet centraliseret. Det viste sig, at adgangen til nettet for et helt land nemt kan lukkes af blot nogle få udbydere. Og brugerdata er blevet en kilde til magt og indkomst for internetfirmaer.

"Internettet er allerede decentraliseret, - siger Berners-Lee. - Problemet er, at én søgemaskine, ét stort socialt netværk og én mikroblogging-platform dominerer. Vi har ikke teknologiske problemer, men sociale problemer."

I sit åbne brev til 30-års jubilæet for World Wide Web, skitserede web-opfinderen tre hovedproblemer med internettet:

1. Hensigtsskader, som statsstøttede hackerangreb, kriminalitet og online chikane
2. Systemets egen konstruktion, som på bekostning af brugeren skaber grobund for mekanismer såsom: finansielle incitamenter til clickbait og viral spredning af falsk information
3. Utilsigtede konsekvenser af systemdesign, der fører til konflikter og en forringelse af kvaliteten af online-diskussionen

Og Tim Berners-Lee har allerede et svar på, hvilke principper "Det sunde menneskes internet" kunne baseres på, uden problemet nummer 2: "For mange brugere forbliver den eneste model for interaktion med nettet indtægten fra reklame. Selvom folk er bange for, hvad der sker med deres data, er de villige til at indgå en aftale med marketingmaskinerne for at få mulighed for at modtage indhold gratis. Forestil dig en verden, hvor betaling for varer og tjenester er let og behagelig for begge parter." Mulighederne for, hvordan dette kan opnås, inkluderer, at musikere kan sælge deres optagelser uden mellemled som iTunes, og nyhedssider kan bruge en micropaymentsystem til at læse en enkelt artikel, i stedet for at tjene penge på reklame.

Som et eksperimentelt prototype for dette nye internet har Tim Berners-Lee lanceret projektet SOLID, hvis essens er, at du opbevarer dine data i en "pod" — et informationslager, og du kan give disse data til tredjepartsapplikationer. Men i princippet er det dig, der ejer dine data. Alt dette er tæt forbundet med begrebet peer-to-peer netværk, hvilket betyder, at din computer ikke kun anmoder om tjenester, men også tilbyder dem for ikke at være afhængig af en enkelt server som den eneste kanal.

Kilde

5.2. Decentrale autonome organisationer (Decentralized Autonomous Organizations)

Det er en organisation, der styres af regler, der er indskrevet i form af et computerprogram. Dens finansielle aktiviteter foregår på basis af blockchain. Målet med at skabe sådanne organisationer er at fjerne staten som mægler og skabe et fælles tillidsrum for aktører, som ikke ejes af én enkelt person, men ejes af alle sammen. Teoretisk set burde det, hvis ideen griber fat, afskaffe notarer og andre sædvanlige verifikationsinstitutioner.

Den mest kendte eksempel på en sådan organisation var den venture-baserede The DAO, som i 2016 rejste 150 millioner dollars, hvoraf 50 millioner straks blev stjålet gennem et lovligt "hul" i reglerne. Dette skabte straks en kompleks dilemma: skulle man rulle tilbage og returnere pengene, eller anerkende, at udtrækningen af penge var lovlig, da det på ingen måde brød platformens regler. I sidste ende, for at returnere penge til investorerne, måtte skaberne ødelægge The DAO ved at omskrive blockchainen og bryde dets grundprincip - uforanderlighed.

Comic om Ethereum (til venstre) og The DAO (til højre). Kilde

Hele denne historie ødelagde rygtet for selve ideen om DAO. Dette projekt blev bygget på kryptovalutaen Ethereum, og næste år forventes version Ethereum 2.0 - muligvis vil skaberne (herunder den kendte Vitalik Buterin) tage fejlene i betragtning og vise noget nyt. Måske derfor har Gartner placeret DAO på en stigende linje.

5.3.Syntetiske data (Synthetics Data)

For at træne neurale netværk kræves der store mængder data. At mærke data manuelt er et kæmpe arbejde, der kun kan udføres af mennesker. Derfor kan man skabe kunstige datasæt. For eksempel de samme samlinger af menneskelige ansigtstræk på webstedet https://generated.photos. De skabes ved hjælp af GAN - algoritmer, som allerede er blevet nævnt ovenfor.

Disse ansigtstræk tilhører ikke nogen mennesker. Kilde

En stor fordel ved sådanne data er, at der ikke opstår juridiske problemer i brugen af dem: der er ingen til at give samtykke til behandling af persondata.

5.4.Digital Ops

Suffikset "Ops" er blevet utroligt populært siden DevOps kom ind i vores sprog. Nu, hvad angår DigitalOps - det er blot en sammenfatning af DevOps, DesignOps, MarketingOps... Er du stadig ikke blevet træt? Kort sagt, det er overførsel af tilgangen, der er accepteret i DevOps, fra softwareområdet til alle andre aspekter af forretningen - marketing, design osv.

Kilde

Ideen bag DevOps var at fjerne barriererne mellem selve udviklingen og driften gennem oprettelsen af fælles teams, hvor både programmører, testere, sikkerhedseksperter og administratorer arbejder sammen; implementering af bestemte praksisser: kontinuerlig integration, infrastruktur som kode, reduktion og styrkning af feedbackloops. Målet var at accelerere produktlanceringen. Hvis du tænker, at dette ligner Agile, har du ret. Forestil dig nu, at denne tilgang fra softwareudvikling udvides til udvikling generelt – så forstår du, hvad DigitalOps er.

5.5. Viden grafer (Knowledge Graphs)

En programmatisk måde at modellere et vidensområde på, inklusive ved hjælp af maskinlæringsalgoritmer. Viden grafen bygges oven på eksisterende databaser for at forbinde al information: både struktureret (en liste over begivenheder eller personer) og ustruktureret (teksten i en artikel).

Det enkleste eksempel er det kort, du kan se i søgeresultaterne på Google. Hvis du søger efter en person eller en institution, vil du se et kort til højre:


Bemærk, at "Kommer begivenheder" ikke er en kopi af informationer fra Google Maps, men en integration af tidsplanen fra Yandex.Events: du vil let kunne se det, hvis du klikker på begivenhederne. Det vil sige, at det er en sammenlægning af flere datakilder til ét.

Hvis du anmoder om en liste – for eksempel "berømte instruktører" – vil du få vist en "karussel":

Bonus til dem, der læste til slut

Og nu, når vi har afklaret betydningen af hver punkt, kan vi se på det samme billede, men på russisk:

Del det gerne på sociale medier!

Tatyana Volkova – Forfatter til undervisningsprogrammet for IoT-sporet ved Samsung IT Academy, specialist i corporate social responsibility programmer ved Samsung Research Center.


Kilde: habr.com