Gartners diagram er som et high fashion show for dem i den teknologiske industri. Ved at kigge på den kan du på forhånd finde ud af, hvilke ord der er mest hypede i denne sæson, og hvad du vil høre på alle kommende konferencer.

Vi har dechifreret, hvad der ligger bag de smukke ord i denne graf, så du også kan tale sproget.

Til at begynde med, lige et par ord om, hvilken slags graf dette er. Hvert år i august udgiver konsulentbureauet Gartner en rapport – Gartner Hype Curve. På russisk er dette en "hype-kurve", eller mere enkelt hype. For 30 år siden sang rappere fra gruppen Public Enemy: "Don't believe the hype." Tro det eller ej, det er et personligt spørgsmål, men det er i det mindste værd at kende disse nøgleord, hvis du arbejder inden for teknologiområdet og gerne vil kende globale trends.

Dette er en graf over offentlige forventninger til en bestemt teknologi. Ifølge Gartner går teknologi ideelt set igennem 5 faser: teknologilancering, toppunkt for oppustede forventninger, skuffelsesdal, oplysningshældning, produktivitetsplateau. Men det sker også, at den drukner i "skuffelsens dal" - du kan nemt huske eksempler selv, tag de samme bitcoins: når de først rammer toppen som "fremtidens penge", gled de hurtigt ned, da teknologiens mangler blev indlysende, først og fremmest restriktioner på antallet af transaktioner og den enorme mængde elektricitet, der kræves for at generere bitcoins (hvilket allerede medfører miljøproblemer). Og vi må selvfølgelig ikke glemme, at Gartners diagram kun er en prognose: her kan du for eksempel læse en detaljeret en artikel, hvor de mest slående uopfyldte forudsigelser sorteres fra.

Så lad os gennemgå det nye Gartner-diagram. Teknologier er opdelt i 5 store tematiske grupper:

1. Avanceret AI og Analytics
2. Postklassisk beregning og kommunikation
3. Sansning og mobilitet
4. Augmented Human
5. Digitale økosystemer

1. Avanceret kunstig intelligens og analyse

I løbet af de sidste 10 år har vi set den fineste time med dyb læring. Disse netværk er virkelig effektive til deres række af opgaver. I 2018 modtog Yann LeCun, Geoffrey Hinton og Yoshua Bengio Turing-prisen for deres opdagelser - den mest prestigefyldte pris, analog med Nobelprisen i datalogi. Så de vigtigste tendenser på dette område, som er vist på diagrammet:

1.1. Overfør læring

Du træner ikke et neuralt netværk fra bunden, men tager et allerede trænet og tildeler det et andet mål. Nogle gange kræver dette genoptræning af en del af netværket, men ikke hele netværket, hvilket er meget hurtigere. Hvis du for eksempel tager et færdiglavet neuralt netværk ResNet50, trænet på ImageNet1000-datasættet, får du en algoritme, der kan klassificere mange forskellige objekter i et billede på et meget dybt niveau (1000 klasser baseret på funktioner genereret af 50 lag af det neurale netværk). Men du behøver ikke træne hele netværket, hvilket ville tage måneder.

В online kursus Samsung "Neurale netværk og computersyn", for eksempel i finalen Kaggle opgave med klassificeringen af ​​plader i rene og snavsede, demonstreres en tilgang, der på 5 minutter giver dig et dybt neuralt netværk til din rådighed, der er i stand til at skelne snavsede plader fra rene, bygget i henhold til arkitekturen beskrevet ovenfor. Det oprindelige netværk vidste slet ikke, hvad plader var, det lærte kun at skelne fugle fra hunde (se ImageNet).

Kilde: online kursus Samsung "neurale netværk og computersyn"

Til Transfer Learning skal du vide, hvilke tilgange der virker, og hvilke færdige grundlæggende arkitekturer der er tilgængelige. Samlet set fremskynder dette i høj grad fremkomsten af ​​praktiske anvendelser af maskinlæring.

1.2. Generative Adversarial Networks (GAN)

Dette er til de tilfælde, hvor det er meget svært for os at formulere læringsmålet. Jo tættere opgaven er på det virkelige liv, jo mere forståelig er den for os ("medbring sengebordet"), men jo sværere er det at formulere det som en teknisk opgave. GAN er blot et forsøg på at redde os fra dette problem.

Der er to netværk, der arbejder her: det ene er en generator (Generativ), det andet er en diskriminator (Adversarial). Et netværk lærer at udføre nyttigt arbejde (klassificere billeder, genkende lyde, tegne tegnefilm). Og et andet netværk lærer at undervise i det netværk: det har rigtige eksempler, og det lærer at finde en hidtil ukendt kompleks formel til at sammenligne produkterne fra den generative del af netværket med objekter fra den virkelige verden (træningssæt) baseret på virkelig vigtige dybe karakteristika : antallet af øjne, nærhed til Miyazakis stil, korrekt engelsk udtale.

Et eksempel på resultatet af et netværk til generering af anime-karakterer. Kilde

Men det er selvfølgelig svært at bygge arkitektur der. Det er ikke nok bare at smide neuroner, de skal være forberedte. Og du skal studere i ugevis. Mine kolleger på Samsung Artificial Intelligence Center arbejder på GAN-emnet; dette er et af deres centrale forskningsspørgsmål. For eksempel sådan her udvikling: Brug af generative netværk til at syntetisere realistiske fotos af mennesker med variable positurer - for eksempel for at skabe et virtuelt fitting room, eller til at syntetisere et ansigt, hvilket kan reducere mængden af ​​information, der skal lagres eller transmitteres for at sikre video i høj kvalitet kommunikation, udsendelse eller beskyttelse af personoplysninger.

Kilde

1.3. Forklarlig AI

For nogle sjældne opgaver har fremskridt inden for dybe arkitekturer pludselig bragt mulighederne i dybe neurale netværk tættere på menneskelige evner. Nu står kampen for at øge omfanget af sådanne opgaver. For eksempel kunne en robotstøvsuger nemt skelne en kat fra en hund i et direkte møde. Men i de fleste livssituationer vil han ikke kunne finde en kat, der sover blandt linned eller møbler (dog ligesom os i de fleste tilfælde...).

Hvad er årsagen til succesen med dybe neurale netværk? De udvikler en repræsentation af problemet, ikke baseret på information "synlig for det blotte øje" (fotopixel, ændringer i lydstyrke ...), men på funktioner opnået efter forbehandling af denne information af flere hundrede lag af et neuralt netværk. Desværre kan disse relationer også være meningsløse, inkonsekvente eller bære spor af ufuldkommenheder i det originale datasæt. For eksempel er der et lille computerspil om, hvad den tankeløse brug af AI i rekruttering kan føre til Survival Of The Best Fit.

Billedmærkningssystemet mærkede personen, der laver mad, som en kvinde, selvom personen på billedet faktisk er en mand (Kilde). det bemærket på Virginia Institute.

For at analysere komplekse og dybe relationer, som vi ofte ikke selv kan formulere, er der brug for Forklarlige AI-metoder. De organiserer funktionerne i dybe neurale netværk, så vi efter træning kan analysere den interne repræsentation, netværket har lært, i stedet for blot at stole på dets beslutning.

1.4. Edge Analytics / AI

Alt med ordet Edge betyder bogstaveligt talt følgende: Overførsel af en del af algoritmerne fra skyen/serveren til slutenheden/gateway-niveauet. En sådan algoritme vil arbejde hurtigere og vil ikke kræve en forbindelse til en central server for dens drift. Hvis du er bekendt med abstraktionen af ​​en "tynd klient", så her gør vi denne klient lidt tykkere.
Dette kan være vigtigt for tingenes internet. Hvis en maskine for eksempel er overophedet og trænger til køling, giver det mening at signalere dette med det samme, på anlægsniveau, uden at vente på, at data går til skyen og derfra til vagtmesteren. Eller et andet eksempel: selvkørende biler kan selv finde ud af trafiksituationen uden at kontakte en central server.

Kilde

Eller et andet eksempel på, hvorfor dette er vigtigt ud fra et sikkerhedsmæssigt synspunkt: Når du skriver tekster på din telefon, husker den de ord, der er typiske for dig, så telefonens tastatur senere bekvemt kan bede dig om dem - det kaldes forudsigende tekstinput. At sende alt, hvad du skriver på dit tastatur, til et datacenter et eller andet sted ville være en krænkelse af dit privatliv og simpelthen usikkert. Derfor finder tastaturtræning kun sted inden for selve din enhed.

1.5. AI Platform as a Service (AI PaaS)

PaaS - Platform-as-a-Service er en forretningsmodel, hvor vi får adgang til en integreret platform, herunder dens cloud-baserede datalagring og færdige procedurer. På denne måde kan vi frigøre os fra infrastrukturopgaver og fuldt ud koncentrere os om at producere noget brugbart. Eksempel på PaaS-platforme til AI-opgaver: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptive Machine Learning (Adaptive ML)

Hvad hvis vi lader kunstig intelligens tilpasse sig... Du spørger – altså hvordan?.. tilpasser den sig ikke allerede til opgaven? Problemet er dette: vi designer omhyggeligt hvert sådant problem, før vi bygger en kunstig intelligens-algoritme til at løse det. De vil svare dig - det viser sig, at denne kæde kan forenkles.

Konventionel maskinlæring fungerer efter princippet om en åben sløjfe: du forbereder data, kommer med et neuralt netværk (eller noget), træner, ser derefter på flere indikatorer, og hvis du kan lide alt, kan du sende det neurale netværk til smartphones - løse brugerproblemer. Men i applikationer, hvor der er mange data, og dens karakter gradvist ændrer sig, er der brug for andre metoder. Sådanne systemer, som tilpasser sig og lærer sig selv, er organiseret i lukkede, selvlærende sløjfer (lukket sløjfe), og de skal fungere problemfrit.

Applikationer - dette kan være stream analytics (Stream Analytics), som mange forretningsmænd træffer beslutninger på grundlag af, eller adaptiv produktionsstyring. På omfanget af nuværende applikationer og givet de bedre forståede risici for mennesker, er de teknikker, der udgør en løsning på dette problem, alle samlet under paraplybegrebet Adaptive AI.

Kilde

Når man ser på dette billede, er det svært at slippe af med følelsen af, at man ikke fodrer fremtidsforskere med brød - lad dem lære en robot at trække vejret...

Postklassisk beregning og kommunikation

2.1. Femte generations mobilkommunikation (5G)

Dette er så interessant et emne, at vi straks henviser dig til vores artiklen. Nå, her er et kort resumé. 5G vil ved at øge frekvensen af ​​datatransmission gøre internethastigheden urealistisk hurtig. Det er sværere for korte bølger at passere gennem forhindringer, så designet af netværk vil være helt anderledes: 500 gange flere basestationer er nødvendige.

Sammen med fart vil vi få nye fænomener: Realtidsspil med augmented reality, udførelse af komplekse opgaver (såsom operation) gennem teletilstedeværelse, forebyggelse af ulykker og vanskelige situationer på vejene gennem kommunikation mellem maskiner. På en mere prosaisk note: mobilt internet vil endelig stoppe med at falde under massebegivenheder, såsom en kamp på et stadion.

Billedkilde - Reuters, Niantic

2.2. Næste generations hukommelse

Her taler vi om den femte generation af RAM – DDR5. Samsung annoncerede, at DDR2019-baserede produkter vil være tilgængelige ved udgangen af ​​5. Det forventes, at den nye hukommelse vil være dobbelt så hurtig og dobbelt så rummelig, samtidig med at vi bevarer den samme formfaktor, det vil sige, at vi vil kunne få memory sticks med en kapacitet på op til 32GB til vores computer. I fremtiden vil dette især være relevant for smartphones (den nye hukommelse vil være i en lavstrømsversion) og for bærbare computere (hvor antallet af DIMM-slots er begrænset). Og maskinlæring kræver også store mængder RAM.

2.3. Satellitsystemer med lavt kredsløb om jorden

Ideen om at erstatte tunge, dyre, kraftfulde satellitter med en sværm af små og billige er langt fra ny og dukkede op tilbage i 90'erne. Om hvad "Elon Musk vil snart distribuere internettet til alle fra satellit" Nu er det kun de dovne, der ikke har hørt. Det mest kendte firma her er Iridium, som gik konkurs i slutningen af ​​90'erne, men blev reddet på bekostning af det amerikanske forsvarsministerium (ikke at forveksle med iRidium, det russiske smarthussystem). Elon Musks projekt (Starlink) er langt fra det eneste - Richard Branson (OneWeb - 1440 foreslåede satellitter), Boeing (3000 satellitter), Samsung (4600 satellitter) og andre deltager i satellitkapløbet.

Hvordan står det til på dette område, hvordan ser økonomien ud der – læs med gennemgang. Og vi venter på de første test af disse systemer af de første brugere, som skulle finde sted næste år.

2.4. Nanoskala 3D-print

3D-print, selvom det ikke er kommet ind i hver persons liv (i den form, som en individuel plastfabrik til hjemmet har lovet), har ikke desto mindre for længst forladt teknologinichen for nørder. Du kan bedømme ud fra det faktum, at ethvert skolebarn kender til eksistensen af ​​mindst 3D skulpturelle kuglepenne, og mange drømmer om at købe en æske med løbere og en ekstruder til ... "bare sådan" (eller allerede har købt den).

Stereolitografi (laser 3D-printere) tillader udskrivning med individuelle fotoner: der udforskes nye polymerer, som kun kræver to fotoner for at størkne. Dette vil gøre det muligt, under ikke-laboratorieforhold, at skabe helt nye filtre, monteringer, fjedre, kapillærer, linser og... dine muligheder i kommentarerne! Og her er det ikke langt fra fotopolymerisering - kun denne teknologi giver os mulighed for at "printe" processorer og computerkredsløb. Derudover er det ikke første år, der har været det teknologi til udskrivning af grafen 500 nm tredimensionelle strukturer, men uden radikal udvikling.

Kilde

3. Sansning og mobilitet

3.1. Autonom kørsel niveau 4 og 5

For ikke at blive forvirret i terminologien er det værd at forstå, hvilke niveauer af autonomi der skelnes (taget fra den detaljerede Artikel, som vi henviser til alle interesserede):

Niveau 1: Fartpilot: hjælper føreren i meget begrænsede situationer (for eksempel at holde bilen ved en given hastighed, efter at føreren har taget foden fra pedalen)
Niveau 2: Begrænset styre- og bremseassistance. Føreren skal være klar til at tage kontrollen næsten øjeblikkeligt. Hans hænder er på rattet, hans øjne er rettet mod vejen. Dette er noget, som Tesla og General Motors allerede har.
Niveau 3: Chaufføren behøver ikke længere konstant at holde øje med vejen. Men han skal forblive opmærksom og være klar til at tage kontrollen. Det er noget, kommercielt tilgængelige biler endnu ikke har. Alle nuværende eksisterende er på niveau 1-2.
Niveau 4: Ægte autopilot, men med restriktioner: kun ture i et kendt område, der er nøje kortlagt og generelt kendt af systemet, og under visse forhold: for eksempel i fravær af sne. Waymo og General Motors har sådanne prototyper, og de planlægger at lancere dem i flere byer og teste dem i rigtige miljøer. Yandex har testzoner for ubemandede taxaer i Skolkovo og Innopolis: turen foregår under opsyn af en ingeniør, der sidder i passagersædet; ved udgangen af ​​året planlægger virksomheden at udvide sin flåde til 100 ubemandede køretøjer.
Niveau 5: Fuldautomatisk kørsel, komplet udskiftning af en levende fører. Sådanne systemer findes ikke, og de vil næppe dukke op i de kommende år.

Hvor realistisk er det at se alt dette inden for en overskuelig fremtid? Her vil jeg gerne omdirigere læseren til artiklen "Hvorfor det er umuligt at lancere en robotakse inden 2020, som Tesla lover". Dette skyldes delvist manglen på 5G-forbindelse: tilgængelige 4G-hastigheder er ikke nok. Dels på grund af de meget høje omkostninger ved autonome biler: De er endnu ikke rentable, forretningsmodellen er uklar. Kort sagt, "alt er kompliceret" her, og det er ikke tilfældigt, at Gartner skriver, at prognosen for masseimplementeringen af ​​niveau 4 og 5 ikke er tidligere end om 10 år.

3.2. 3D-sensorkameraer

For otte år siden skabte Microsofts Kinect-gamingcontroller bølger ved at tilbyde en tilgængelig og relativt billig løsning til 3D-vision. Siden da har fysisk træning og dansespil med Kinect oplevet deres korte stigning og tilbagegang, men 3D-kameraer begyndte at blive brugt i industrirobotter, ubemandede køretøjer og mobiltelefoner til ansigtsidentifikation. Teknologien er blevet billigere, mere kompakt og mere tilgængelig.

Samsung S10-telefonen har et Time-of-Flight-kamera, der måler afstanden til et objekt for at gøre fokus lettere. Kilde

Hvis du er interesseret i dette emne, så vil vi omdirigere dig til en meget god detaljeret gennemgang af dybdekameraer: Part 1, Part 2.

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

I år lavede Amazon bølger, da den viste en ny flyvende drone frem på messen, der kan bære små belastninger på op til 2 kg. For en by med dens trafikpropper virker dette som en ideel løsning. Lad os se, hvordan disse droner klarer sig i den nærmeste fremtid. Måske er det værd at være forsigtig skeptisk her: Der er mange problemer, startende med muligheden for let tyveri af en drone og slutter med lovlige restriktioner på UAV'er. Amazon Prime Air har eksisteret i seks år, men er stadig i testfasen.

Amazons nye drone, vist i foråret. Der er noget Star Wars over ham. Kilde

Ud over Amazon er der andre spillere på dette marked (der er en detaljeret oversigt), men ikke et enkelt færdigt produkt: alt er på stadiet af test og marketingkampagner. Separat er det værd at bemærke ret interessant højt specialiseret medicinsk Projekter i Afrika: levering af doneret blod i Ghana (14 leverancer, Zipline-virksomhed) og Rwanda (Matternet-virksomhed).

3.4. Flyvende autonome køretøjer

Det er svært at sige noget bestemt her. Det vil ifølge Gartner tidligst dukke op om 10 år. Generelt er der alle de samme problemer her som i selvkørende biler, kun de får en ny dimension - lodret. Porsche, Boeing og Uber har annonceret deres ambitioner om at bygge en flyvende taxa.

3.5. Augmented Reality Cloud (AR Cloud)

En permanent digital kopi af den virkelige verden, der giver dig mulighed for at skabe et nyt lag af virkelighed, der er fælles for alle brugere. I mere tekniske termer taler vi om at lave en åben cloud-platform, som udviklere kan integrere deres AR-applikationer i. Monetiseringsmodellen er klar; det er en slags analog af Steam. Ideen er blevet så forankret, at nogle nu mener, at AR uden skyen simpelthen er ubrugelig.

Hvordan det kan se ud i fremtiden er vist i en kort video. Det ligner endnu et afsnit af Black Mirror:

Du kan også læse kl anmeldelsesartikel.

4. Augmented Human

4.1. Følelses AI

Hvordan kan man måle, simulere og reagere på menneskelige følelser? Nogle af kunderne her er virksomheder, der laver stemmeassistenter som Amazon Alexa. De kan virkelig vænne sig til hjemmet, 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 beskeden. Og kontekst er ansigtsudtryk, intonation og non-verbal adfærd.

Andre praktiske anvendelser: analyse af følelser under en jobsamtale (baseret på videosamtaler), vurdering af reaktioner på reklamer eller andet videoindhold (smil, latter), hjælp til læring (f.eks. til selvstændig praksis i kunsten at tale offentligt).

Det er svært at tale bedre om dette emne end forfatteren til en 6-minutters kortfilm At stjæle din følelse. Den vittige og stilfulde video viser, hvordan du kan måle vores følelser til markedsføringsformål, og ud fra dit ansigts øjeblikkelige reaktioner kan du finde ud af, om du kan lide pizza, hunde, Kanye West, og endda hvad dit indkomstniveau og omtrentlige IQ er. Ved at besøge filmens hjemmeside ved at bruge linket ovenfor, bliver du 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 er endda sådan en interessant undersøgelse: hvordan man genkender sarkasme i tekst. Vi tog tweets med hashtagget #sarcasm og lavede et træningssæt med 25 tweets med sarkasme og 000 almindelige tweets om alt under solen. Vi brugte TensorFlow-biblioteket, trænede systemet, og her er resultatet:

Kilde

Derfor, nu, hvis du ikke er sikker på din kollega eller ven - han sagde noget til dig alvorligt eller sarkastisk, kan du allerede bruge trænet neurale netværk!

4.2. Augmented Intelligence

Automatisering af intellektuelt arbejde ved hjælp af maskinlæringsmetoder. Det virker ikke som noget nyt? Men selve formuleringen er vigtig her, især da den sammenfalder i forkortelsen med kunstig intelligens. Dette bringer os tilbage til debatten om "stærk" og "svag" AI.
Stærk AI er den samme kunstige intelligens fra science fiction-film, som fuldstændig svarer til det menneskelige sind og er bevidst om sig selv som individ. Dette eksisterer ikke endnu, og det er uklart, om det overhovedet vil eksistere.

Svag AI er ikke en selvstændig person, men en menneskelig assistent. Han hævder ikke at have menneskelignende tænkning, men ved blot, hvordan man løser informationsproblemer, for eksempel bestemme, hvad der vises på et billede eller oversætte tekst.

Kilde

I denne forstand er Augmented Intelligence "svag AI" i sin reneste form, og formuleringen virker vellykket, da den ikke introducerer forvirring og fristelsen til at se her den samme "stærke AI", som alle drømmer om (eller frygter, hvis vi huske de talrige diskussioner om "oprørsbilerne"). Ved at bruge udtrykket Augmented Intelligence bliver vi straks heltene i en anden film: Fra science fiction (som Asimovs “I, Robot”) befinder vi os i cyberpunk (“augmentations” i denne genre er alle slags implantater, der udvider menneskelige evner).

Som sagde Erik Brynjolfsson og Andrew McAffee: "I løbet af de næste 10 år er det, hvad der vil ske. AI vil ikke erstatte ledere, men de ledere, der bruger AI, vil erstatte dem, der endnu ikke har gjort det."

Eksempler:

• Medicin: Stanford University udviklet algoritme, der klarer opgaven med at genkende patologier på røntgenbilleder af thorax i gennemsnit lige så vellykket som de fleste læger
• Uddannelse: assistance til elever og lærere, analyse af elevernes respons på materialer, opbygning af en individuel læringsbane.
• Forretningsanalyse: Dataforbehandling tager ifølge statistikker 80 % af en forskers tid og kun 20 % af selve eksperimentet

4.3. Biochips

Dette er yndlingstemaet for alle cyberpunk-film og -bøger. Generelt er mikrochipning af kæledyr ikke en ny praksis. Men nu er disse chips begyndt at blive implanteret i mennesker.

I dette tilfælde er hypen højst sandsynligt forbundet med den opsigtsvækkende sag i det amerikanske firma Three Square Market. Der begyndte arbejdsgiveren at tilbyde at indoperere chips under huden mod et gebyr. Chippen giver dig mulighed for at åbne døre, logge ind på computere, købe snacks fra en automat - altså sådan et universelt medarbejderkort. Desuden fungerer en sådan chip netop som et identifikationskort; den har ikke et GPS-modul, så det er umuligt at spore nogen, der bruger det. Og hvis en person ønsker at fjerne chippen fra sin arm, tager det 5 minutter med hjælp fra en læge.

Chipsene implanteres normalt mellem tommelfinger og pegefinger. Kilde

Læs mere en artikel om tingenes tilstand med chipping i verden.

4.4. Fordybende arbejdsområde

"Immersive" er et andet nyt ord, der simpelthen ikke kan undslippe. Det er overalt. Fordybende teater, udstilling, biograf. Hvad mener du? Fordybelse er skabelsen af ​​en fordybende effekt, når grænsen mellem forfatteren og beskueren, den virtuelle og den virkelige verden går tabt. På arbejdspladsen betyder det formentlig at udviske grænsen mellem udfører og initiativtager og tilskynde medarbejderne til at tage en mere aktiv position gennem omformatering af deres miljø.

Da vi nu har Agile, fleksibilitet og tæt samarbejde overalt, skal arbejdspladser være så let konfigurerbare som muligt og bør tilskynde til gruppearbejde. Økonomien dikterer sine vilkår: Der er flere vikarer, udgifterne til at leje kontorlokaler stiger, og på et konkurrencepræget arbejdsmarked forsøger it-virksomheder at øge medarbejdertilfredsheden fra arbejdet ved at skabe rekreative områder og andre goder. Og alt dette afspejles i indretningen af ​​arbejdspladser.

Af rapport Knoll.

4.5. Personificering

Alle ved, hvad personalisering er i reklamer. Det er, når du i dag diskuterer med en kollega, at luften i rummet er noget tør, og du skal købe en luftfugter til kontoret, og dagen efter ser du en annonce på dit sociale netværk - "køb en luftfugter" (en virkelig hændelse, der skete for mig).

Kilde

Personalisering, som defineret af Gartner, er et svar på brugernes voksende bekymring om brugen af ​​deres personlige data til reklameformål. Målet er at udvikle en tilgang, hvor vi får vist annoncer, der er relevante for den kontekst, vi befinder os i, og ikke for os personligt. For eksempel vores placering, type enhed, tidspunkt på dagen, vejrforhold - dette er noget, der ikke krænker vores personlige data, og vi føler ikke den ubehagelige følelse af at blive "overvåget".

Læs om forskellen mellem disse to begreber en note Andrew Frank blogger på Gartners hjemmeside. Der er en så subtil forskel og så ens ord, at du, uden at vide forskellen, risikerer at skændes i lang tid med din samtalepartner, uden at have mistanke om, at begge dele har ret (og det er også en reel hændelse, der skete med forfatter).

4.6. Biotek – dyrket eller kunstigt væv

Dette er først og fremmest ideen om at dyrke kunstigt kød. Samtidig er flere teams verden over i gang med at udvikle laboratoriet "Meat 2.0" - det forventes, at det bliver billigere end normalt, og fastfood og derefter supermarkeder vil skifte til det. Investorer i denne teknologi omfatter Bill Gates, Sergey Brin, Richard Branson og andre.

Kilde

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

1. Global opvarmning: metan-emissioner fra gårde. Det er 18 % af den globale mængde gasser, der påvirker klimaet.
2. Befolkningstilvækst. Efterspørgslen på kød vokser, og det vil ikke være muligt at fodre alle med naturligt kød – det er simpelthen dyrt.
3. Mangel på plads. 70 % af Amazonas skove er allerede blevet fældet til græsgange.
4. Etiske overvejelser. Der er dem, for hvem det er vigtigt. Dyrerettighedsorganisationen PETA har allerede tilbudt en pris på 1 million dollars til den videnskabsmand, der bringer kunstigt kyllingekød på markedet.

At erstatte rigtigt kød med soja er en delvis løsning, fordi folk kan sætte pris på forskellen i smag og tekstur, og det er usandsynligt, at de opgiver bøf til fordel for soja. Så du har brug for ægte, økologisk dyrket kød. Nu er kunstigt kød desværre for dyrt: fra $12 pr. kilogram. Dette skyldes den komplekse tekniske proces med at dyrke sådant kød. Læs om det hele en artikel.

Hvis vi taler om andre tilfælde af vækst af væv - allerede i medicin - så er emnet med kunstige organer interessant: for eksempel et "plaster" til hjertemusklen, trykt en speciel 3D-printer. Kendt historie som et kunstigt dyrket musehjerte, men generelt er alt stadig inden for rammerne af kliniske forsøg. Så det er usandsynligt, at vi ser Frankenstein i de kommende år.

Her er Gartner meget forsigtig i sine estimater, idet han tilsyneladende holder hans fejlslagne 2015-forudsigelse i tankerne om, at i 2019 ville 10% af befolkningen i udviklede lande have et 3D-printet medicinsk udstyrsimplantat. Derfor betyder det, at tiden til at nå et produktivitetsplateau er mindst 10 år.

5. Digitale økosystemer

5.1. Decentraliseret web

Dette koncept er tæt forbundet med navnet på opfinderen af ​​nettet, Turing Award-vinderen Sir Tim Burners-Lee. For ham var etiske spørgsmål inden for datalogi altid vigtige, og internettets kollektive essens var vigtig: Han lagde grunden til hypertekst og var overbevist om, at netværket skulle fungere som et web og ikke som et hierarki. Dette var tilfældet i den tidlige fase af netværksudviklingen. Men efterhånden som internettet voksede, blev dets struktur centraliseret af forskellige årsager. Det viste sig, at adgangen til netværket for et helt land nemt kunne blokeres ved hjælp af nogle få udbydere. Og brugerdata er blevet en kilde til magt og indtægt for internetvirksomheder.

"Internettet er allerede decentraliseret," siger Burners-Lee. "Problemet er, at én søgemaskine, ét stort socialt netværk, én mikrobloggingplatform dominerer. Vi har ikke teknologiske problemer, men vi har sociale."

I hans åbent brev Til 30-års jubilæet for World Wide Web skitserede skaberen af ​​internettet tre hovedproblemer på internettet:

1. Målrettet skade som statssponsoreret hacking, kriminalitet og onlinechikane
2. Selve designet af systemet, som til skade for brugeren skaber grundlaget for sådanne mekanismer som: økonomiske incitamenter til clickbait og viral spredning af falsk information
3. Utilsigtede konsekvenser af systemdesign, der fører til konflikt og nedsat kvalitet af online diskussion

Og Tim Berners-Lee har allerede et svar på, hvilke principper "en sund persons internet" kunne baseres på, blottet for problem nummer 2: "For mange brugere er annonceindkomst den eneste model for interaktion med internettet. Selvom folk er bange for, hvad der sker med deres data, er de villige til at lave en aftale med marketingmaskinen om muligheden for at modtage indhold gratis. Forestil dig en verden, hvor det er nemt og behageligt for begge parter at betale for varer og tjenester." Blandt mulighederne for, hvordan dette kunne arrangeres: Musikere kan sælge deres optagelser uden mellemled i form af iTunes, og nyhedssider kan bruge et system med mikrobetalinger til at læse én artikel i stedet for at tjene penge på reklamer.

Som en eksperimentel prototype for dette nye internet lancerede Tim Berners-Lee SOLID-projektet, hvis essens er, at du gemmer dine data i en "pod" - et informationslager, og kan levere disse data til tredjepartsapplikationer. Men i princippet er du selv herre over dine data. Alt dette er tæt forbundet med begrebet peer-to-peer-netværk, det vil sige, at din computer ikke kun anmoder om tjenester, men også leverer dem, for ikke at stole på en server som den eneste kanal.

Kilde

5.2. Decentraliserede autonome organisationer

Det er en organisation, der er styret af regler nedskrevet i form af et computerprogram. Dets finansielle aktiviteter er baseret på blockchain. Formålet med at skabe sådanne organisationer er at fjerne staten fra rollen som mellemmand og skabe et fælles betroet miljø for modparter, som ikke ejes af nogen individuelt, men ejes af alle sammen. Det vil sige, at dette i teorien burde, hvis ideen slår rod, afskaffe notarer og andre sædvanlige verifikationsinstitutioner.

Det mest berømte eksempel på en sådan organisation var det venture-fokuserede The DAO, som rejste 2016 millioner dollars i 150, hvoraf 50 dollars straks blev stjålet gennem et juridisk hul i reglerne. Et vanskeligt dilemma opstod med det samme: enten rulle tilbage og returnere pengene, eller indrømme, at hævningen af ​​penge var lovlig, fordi den på ingen måde overtrådte platformens regler. Som et resultat, for at returnere penge til investorer, måtte skaberne ødelægge DAO, omskrive blockchain og krænke dens grundlæggende princip - uforanderlighed.

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

Hele denne historie har ødelagt omdømmet til selve ideen om DAO. Det projekt blev lavet på basis af Ethereum-kryptovalutaen, version Ether 2.0 forventes næste år – måske vil forfatterne (inklusive den berømte Vitalik Buterin) tage fejlene i betragtning og vise noget nyt. Det er nok derfor, Gartner satte DAO på upline.

5.3.Syntetiske data

For at træne neurale netværk er der brug for store mængder data. At mærke data manuelt er en enorm opgave, som kun kan udføres af et menneske. Derfor er det muligt at lave kunstige datasæt. For eksempel de samme samlinger af menneskelige ansigter på siden https://generated.photos. De er skabt ved hjælp af GAN - de algoritmer, der allerede var nævnt ovenfor.

Disse ansigter tilhører ikke mennesker. Kilde

Den store fordel ved sådanne data er, at der ikke er nogen juridiske vanskeligheder ved at bruge dem: Der er ingen til at give samtykke til behandling af personoplysninger.

5.4.Digital ops

Suffikset "Ops" er blevet utroligt moderigtigt, siden DevOps slog rod i vores tale. Nu om, hvad DigitalOps er – det er bare en generalisering af DevOps, DesignOps, MarketingOps... Keder du dig endnu? Kort sagt er det en overførsel af DevOps-tilgangen fra softwareområdet til alle andre aspekter af forretningen – markedsføring, design mv.

Kilde

Ideen med DevOps var at fjerne barrierer mellem selve udviklingen og Operations (forretningsprocesser) gennem oprettelse af fælles teams, hvor der er programmører, testere, sikkerhedsspecialister og administratorer; implementering af visse praksisser: kontinuerlig integration, infrastruktur som kode, reduktion og styrkelse af feedback-kæder. Målet var at fremskynde produktets time to market. Hvis du troede, at dette lignede Agile, havde du ret. Overfør nu mentalt denne tilgang fra området softwareudvikling til udvikling generelt - og du forstår, hvad DigitalOps er.

5.5. Vidensgrafer

En softwaremetode til at modellere et vidensområde, herunder ved hjælp af maskinlæringsalgoritmer. En vidensgraf bygges oven på eksisterende databaser for at sammenkæde al information: både struktureret (liste over begivenheder eller personer) og ustruktureret (tekst til en artikel).

Det enkleste eksempel er kortet, som du kan se i Googles søgeresultater. Søger du en person eller institution, vil du se et kort til højre:


Bemærk venligst, at "Kommende begivenheder" ikke er en kopi af information fra Google Maps, men en integration af tidsplanen med Yandex.Afisha: du kan nemt se dette, hvis du klikker på begivenhederne. Det vil sige, at det er kombinationen af ​​flere datakilder sammen.

Hvis du beder om en liste - for eksempel "berømte instruktører" - får du vist en karrusel:

Bonus til dem, der læser til ende

Og nu, hvor vi for os selv har afklaret betydningen af ​​hvert af punkterne, kan vi se på det samme billede, men på russisk:

Del det frit på sociale netværk!

Tatyana Volkova - Forfatter af uddannelsesprogrammet til Internet of Things IT-spor på Samsung Academy, specialist i programmer for virksomheders sociale ansvar på Samsung Research Center


Kilde: www.habr.com