Das Gartner-Diagramm für Technologiearbeiter ist wie eine Modenschau der Haute Couture. Wenn Sie einen Blick darauf werfen, können Sie im Voraus erfahren, welche Begriffe in dieser Saison am angesagtesten sind und was Sie auf allen bevorstehenden Konferenzen hören werden.
Wir haben entschlüsselt, was hinter den schönen Worten in diesem Diagramm steckt, damit Sie auch in dieser Sprache sprechen können.
Zunächst ein paar Worte dazu, was dieses Diagramm ist. Jedes Jahr im August veröffentlicht die Unternehmensberatung Gartner einen Bericht – die Gartner Hype Curve. Auf Deutsch heißt das „Hype-Kurve“ oder einfacher gesagt – Hype. Vor 30 Jahren sangen die Rapper der Gruppe Public Enemy: „Don’t believe the hype“. Ob man glauben sollte oder nicht, ist eine persönliche Entscheidung, aber es ist zumindest sinnvoll, diese Schlüsselwörter zu kennen, wenn Sie im Technologiebereich tätig sind und die globalen Trends verfolgen möchten.
Es handelt sich um ein Diagramm der gesellschaftlichen Erwartungen an eine bestimmte Technologie. Laut Gartner durchläuft eine Technologie im Idealfall fünf Phasen: Einführung der Technologie, Höhepunkt der übertriebenen Erwartungen, Tal der Enttäuschung, Pfad der Aufklärung und Plateau der Produktivität. Es kann jedoch auch passieren, dass sie im „Tal der Enttäuschung“ versinkt – Beispiele fallen Ihnen sicherlich leicht ein, denken Sie nur an die Bitcoins: Ursprünglich als „Geld der Zukunft“ auf den Höhepunkt, sind sie schnell gesunken, als die Mängel der Technologie offensichtlich wurden, insbesondere die Begrenzungen der Transaktionen und der enorme Stromverbrauch, der zur Erzeugung von Bitcoins benötigt wird (was wiederum ökologische Probleme mit sich bringt). Und natürlich darf man nicht vergessen, dass das Gartner-Diagramm nur eine Prognose ist: Hier kann man beispielsweise ausführlich lesen, , wo die auffälligsten unerfüllten Vorhersagen behandelt werden.
Lassen Sie uns also einen Blick auf das neue Gartner-Diagramm werfen. Die Technologien sind in fünf große Themenbereiche unterteilt:
- Fortgeschrittene KI und Analytik (Advanced AI and Analytics)
- Postklassische Berechnungen und Kommunikation (Postclassical Compute and Comms)
- Sensorik und Mobilität (Sensing and Mobility)
- „Erweiterter“ Mensch (Augmented Human)
- Digitale Ökosysteme (Digital Ecosystems)
1. Fortgeschrittene KI und Analytik (Advanced AI and Analytics)
In den letzten 10 Jahren haben wir die Glanzzeit des Deep Learning gesehen. Diese Netzwerke sind wirklich effektiv für ihren Aufgabenbereich. Im Jahr 2018 erhielten Yann LeCun, Geoffrey Hinton und Yoshua Bengio für ihre Entdeckungen den Turing Award – den angesehensten Preis, analog zu einem Nobelpreis in der Informatik. Die wichtigsten Trends in diesem Bereich, die in das Diagramm aufgenommen wurden:
1.1. Transferlernen
Man trainiert ein neuronales Netzwerk nicht von Grund auf, sondern nimmt ein bereits trainiertes und weist ihm ein anderes Ziel zu. Manchmal muss nur ein Teil des Netzwerks neu trainiert werden, aber nicht das gesamte Netzwerk, was viel schneller geht. Zum Beispiel, indem man das fertige neuronale Netzwerk ResNet50 verwendet, das auf dem Dataset ImageNet1000 trainiert wurde, erhält man einen Algorithmus, der in der Lage ist, eine Vielzahl von Objekten auf einer sehr tiefen Ebene (1000 Klassen basierend auf Merkmalen, die von 50 Schichten des neuronalen Netzwerks entwickelt wurden) anhand von Bildern zu klassifizieren. Aber man muss dieses gesamte Netzwerk nicht vollständig trainieren, was Monate dauern würde.
Im Samsung "Neuronale Netzwerke und Computervision", um als Beispiel zu dienen, demonstriert in der finalen zur Klassifizierung von Tellern in saubere und schmutzige, einen Ansatz, der Ihnen in 5 Minuten ein tiefes neuronales Netzwerk zur Verfügung stellt, das in der Lage ist, schmutzige Teller von sauberen zu unterscheiden, basierend auf der oben beschriebenen Architektur. Das ursprüngliche Netzwerk wusste überhaupt nicht, was Teller sind; es lernte lediglich, Vögel von Hunden zu unterscheiden (siehe ImageNet).
Quelle: Samsung "Neuronale Netzwerke und Computervision"
Für das Transferlernen ist es wichtig zu wissen, welche Ansätze funktionieren und welche fertigen grundlegenden Architekturen es gibt. Insgesamt beschleunigt dies die Einführung praktischer Anwendungen des maschinellen Lernens erheblich.
1.2. Generative Adversarielle Netzwerke (GAN)
Dies ist für die Fälle, in denen es sehr schwierig ist, das Lernziel zu formulieren. Je näher die Aufgabe am realen Leben ist, desto klarer ist sie für uns ("Hol mir die Kommode"), aber desto schwieriger ist es, sie als technische Aufgabe zu formulieren. GANs sind genau der Versuch, uns von diesem Problem zu befreien.
Hier arbeiten zwei Netzwerke: eines ist der Generator (Generative), das andere der Diskriminator (Adversarial). Ein Netzwerk lernt nützliche Aufgaben zu erfüllen (Bilder zu klassifizieren, Geräusche zu erkennen, Cartoons zu zeichnen). Das andere Netzwerk lernt, dieses Netzwerk zu trainieren: es hat reale Beispiele und lernt, eine zuvor unbekannte komplexe Formel zu finden, um die Erzeugnisse des generativen Teils des Netzwerks mit Objekten der realen Welt (Trainingsdatensatz) anhand wirklich wichtiger tiefgehender Merkmale zu vergleichen: Anzahl der Augen, Nähe zum Stil von Miyazaki, Richtigkeit der englischen Aussprache.
Beispiel eines Ergebnisses der Arbeit des Netzwerks zur Erzeugung von Anime-Charakteren.
Aber es ist natürlich schwierig, die Architektur aufzubauen. Es reicht nicht aus, einfach Neuronen hinzuzufügen, man muss sie vorbereiten. Und oft dauert das Lernen Wochen. Das Thema GAN wird von meinen Kollegen im Samsung-Zentrum für künstliche Intelligenz behandelt, es ist eine der zentralen Forschungsfragen. Zum Beispiel diese hier: : Verwendung von generativen Netzwerken zur Synthese realistischer Fotos von Menschen mit veränderbarer Pose – beispielsweise um eine virtuelle Umkleidekabine zu schaffen oder zur Gesichtsynthese, was die Menge an Informationen verringern könnte, die gespeichert oder übertragen werden muss, um eine qualitativ hochwertige Videokommunikation, Übertragungen oder den Schutz personenbezogener Daten zu gewährleisten.
1.3. Erklärbarer KI (Explainable AI)
In einigen seltenen Aufgaben hat der Fortschritt in tiefen Architekturen plötzlich die Möglichkeiten tiefer neuronaler Netze den menschlichen Fähigkeiten nähergebracht. Jetzt geht es darum, den Kreis solcher Aufgaben zu erweitern. Zum Beispiel könnte ein Staubsauger-Roboter leicht eine Katze von einem Hund bei einem frontalem Zusammentreffen unterscheiden. Aber in den meisten Alltagssituationen wird er es nicht schaffen, die Katze zu finden, die unter Wäsche oder Möbeln schläft (wie auch wir es in den meisten Fällen nicht tun…).
Was ist der Grund für den Erfolg tiefen neuronaler Netze? Sie entwickeln eine Aufgabenrepräsentation, die nicht auf Informationen basiert, die mit bloßem Auge sichtbar sind (Pixel eines Fotos, Schwankungen der Lautstärke usw.), sondern auf Merkmalen, die nach der Vorverarbeitung dieser Informationen durch mehrere Hundert Schichten des neuronalen Netzes gewonnen wurden. Leider können diese Zusammenhänge auch bedeutungslos, widersprüchlich oder Spuren der Unvollkommenheit des ursprünglichen Datensatzes tragen. Zum Beispiel gibt es ein kleines Computerspiel, das zeigt, zu welchen Folgen die gedankenlose Anwendung von KI im Recruiting führen kann. .
Das System zur Markierung von Bildern hat eine Person, die kocht, als Frau erkannt, obwohl auf dem Bild tatsächlich ein Mann zu sehen ist (). Das am Virginia Institute.
Um komplexe und tiefgehende Zusammenhänge zu analysieren, die wir oft selbst nicht formulieren können, sind Methoden der erklärbaren KI erforderlich. Sie organisieren die Merkmale tiefen neuronaler Netze so, dass wir nach dem Training die interne Darstellung, die das Netzwerk gelernt hat, analysieren können, anstatt uns nur auf seine Entscheidung zu verlassen.
1.4. Edge-Analytik / KI (Edge Analytics / AI)
Alles, was das Wort Edge enthält, bedeutet Folgendes: Ein Teil der Algorithmen wird aus der Cloud/Server auf die Ebene des Endgeräts/Gateways verschoben. Ein solcher Algorithmus wird schneller reagieren und benötigt keine Verbindung zum zentralen Server für seine Ausführung. Wenn Ihnen die Abstraktion des „dünnen Clients“ vertraut ist, machen wir diesen Client hier ein wenig dicker.
Das könnte wichtig für das Internet der Dinge sein. Zum Beispiel, wenn eine Maschine überhitzt und gekühlt werden muss, macht es Sinn, unmittelbar ein Signal dafür auf Werksebene zu geben, ohne zu warten, bis die Daten in die Cloud gelangen und dann zum Schichtmeister weitergeleitet werden. Oder ein anderes Beispiel: Selbstfahrende Autos können die Verkehrssituation eigenständig bewältigen, ohne auf einen zentralen Server zugreifen zu müssen.
Oder ein weiteres Beispiel, warum das aus sicherheitstechnischer Sicht wichtig ist: Wenn Sie Texte auf Ihrem Telefon eingeben, merkt es sich die für Sie typischen Wörter, damit Ihnen die Tastatur Ihres Telefons diese bequem vorschlagen kann – das nennt man prädiktive Texteingabe. Alles, was Sie auf der Tastatur eingeben, an ein Rechenzentrum zu senden, wäre ein Verstoß gegen Ihre Privatsphäre und einfach unsicher. Daher erfolgt das Lernen der Tastatur nur auf Ihrem eigenen Gerät.
1.5. KI-Plattform als Dienstleistung (AI PaaS)
PaaS – Plattform als Dienstleistung – ist ein Geschäftsmodell, bei dem wir Zugriff auf eine integrierte Plattform erhalten, einschließlich ihres Cloud-Datenspeichers und fertiger Verfahren. So können wir uns von Infrastrukturaufgaben befreien und uns vollständig auf die Produktion von etwas Nützlichem konzentrieren. Beispiele für PaaS-Plattformen für KI-Anwendungen: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Anpassungsfähiges maschinelles Lernen (Adaptive ML)
Was, wenn wir künstlicher Intelligenz erlauben, sich anzupassen… Sie fragen: Wie soll das gehen? Passt sie sich nicht bereits der Aufgabe an? Das Problem liegt darin, dass wir jede dieser Aufgaben sorgfältig formulieren, bevor wir einen Algorithmus für die Lösung erstellen. Ihnen wird gesagt, dass man auch diese Kette vereinfachen kann.
Gewöhnliches maschinelles Lernen funktioniert nach dem Prinzip eines offenen Systems (open-loop): Sie bereiten Daten vor, erfinden ein neuronales Netzwerk (oder was auch immer), trainieren es, schauen sich dann einige Kennzahlen an, und wenn Ihnen alles gefällt, können Sie das neuronale Netzwerk auf Smartphones schicken – um die Aufgaben der Nutzer zu lösen. Aber in Anwendungen, bei denen es sehr viele Daten gibt und sich deren Charakter allmählich ändert, sind andere Methoden erforderlich. Solche Systeme, die sich anpassen und selbstständig lernen, organisieren sich in geschlossene, selbstlernende Kreisläufe (closed-loop) und müssen kontinuierlich arbeiten.
Anwendungen – das können Streaming-Analysen (Stream Analytics) sein, auf deren Grundlage viele Geschäftsleute Entscheidungen treffen, oder adaptive Produktionssteuerung. Im Maßstab moderner Anwendungen und unter Berücksichtigung der besser verstandenen Risiken für Menschen werden die Methoden, die zur Lösung dieses Problems beitragen, alle unter dem gemeinsamen Begriff Adaptive AI zusammengefasst.
Wenn man dieses Bild betrachtet, ist es schwer, sich von dem Gefühl zu lösen, dass Futurologen nicht mit Broten gefüttert werden sollten – lass sie einen Roboter das Atmen lehren…
Postklassische Berechnungen und Kommunikation (Postclassical Compute and Comms)
2.1. Mobilfunk der fünften Generation (5G)
Dieses Thema ist so interessant, dass wir sofort auf unser . Hier ist eine kurze Zusammenfassung. 5G wird durch die Erhöhung der Datenübertragungsfrequenz die Internetgeschwindigkeit unrealistisch schnell machen. Kurze Wellen haben Schwierigkeiten, Hindernisse zu überwinden, deshalb wird die Struktur der Netzwerke völlig anders sein: Es werden 500-mal mehr Basisstationen benötigt.
Neben der Geschwindigkeit werden wir neue Phänomene erleben: Echtzeit-Spiele mit Augmented Reality, die Durchführung komplexer Aufgaben (wie Chirurgie) über Telepräsenz, die Vermeidung von Unfällen und komplizierten Situationen auf den Straßen durch Kommunikation zwischen Fahrzeugen. Aus einer prosaischeren Sicht wird endlich das mobile Internet während großer Veranstaltungen wie einem Stadionspiel nicht mehr ausfallen.
Bildquelle – Reuters, Niantic
2.2. Speicher der nächsten Generation (Next-Generation Memory)
Hier geht es um den fünften Generation von Arbeitsspeicher – DDR5. Samsung hat angekündigt, dass bis Ende 2019 Produkte auf Basis von DDR5 verfügbar sein werden. Erwartet wird, dass der neue Speicher doppelt so schnell und doppelt so speicherintensiv ist, wobei der Formfaktor erhalten bleibt, das heißt, wir werden Speichermodule mit einer Kapazität von bis zu 32 GB für unseren Computer erhalten können. In Zukunft wird dies insbesondere für Smartphones (der neue Speicher wird in einer Version mit niedrigem Energieverbrauch vorliegen) und für Laptops (wo die Anzahl der DIMM-Steckplätze begrenzt ist) besonders relevant sein. Außerdem benötigt maschinelles Lernen große Mengen an Arbeitsspeicher.
2.3. Niedrigprotocols Satellitensysteme (Low-Earth-Orbit Satellite Systems)
Die Idee, schwere, teure, leistungsstarke Satelliten durch einen Schwarm kleiner und günstiger zu ersetzen, ist alles andere als neu und entstand bereits in den 90er Jahren. Man hat schon lange gehört, dass jetzt hat nur noch der Faulste nicht darüber gehört. Die bekannteste Firma hier ist Iridium, die Ende der 90er Jahre insolvent ging, aber durch das US-Verteidigungsministerium gerettet wurde (nicht zu verwechseln mit iRidium – dem russischen Smart-Home-System). Elon Musks Projekt (Starlink) ist bei weitem nicht das einzige – auch Richard Branson (OneWeb – 1440 geplante Satelliten), Boeing (3000 Satelliten), Samsung (4600 Satelliten) und andere sind am Satellitenrennen beteiligt.
Wie steht es um diese Branche, wie sieht die Wirtschaft aus – lesen Sie in . Wir erwarten die ersten Tests dieser Systeme von den ersten Benutzern, die bereits im nächsten Jahr stattfinden sollen.
2.4. 3D-Druck im Nanoskalierung (Nanoscale 3D Printing)
3D-Druck ist zwar noch nicht im Alltag jedes Menschen angekommen (in der Form einer persönlichen heimischen Kunststofffabrik), hat sich jedoch längst aus der Nische der Geek-Technologien herausbewegt. Man kann dies daran erkennen, dass jeder Schüler von der Existenz zumindest von 3D-Druckstiften weiß und viele davon träumen, sich eine Box mit Schlitten und Extruder für... „einfach so“ (oder haben sie bereits erworben) zuzulegen.
Die Stereolithographie (Laser-3D-Drucker) ermöglicht den Druck mit einzelnen Photonen: Neue Polymere werden erforscht, für deren Aushärtung nur zwei Photonen erforderlich sind. Dadurch können unter nicht-laborbedingungen völlig neue Filter, Halterungen, Federn, Kapillaren, Linsen und... Ihre Vorschläge in den Kommentaren erstellt werden! Hier ist es nicht weit zur Photopolymerisation – nur diese Technologie ermöglicht es, Prozessoren und Rechenschaltungen zu „drucken“. Darüber hinaus existiert seit mehreren Jahren , aber ohne radikale Entwicklungen.
3. Sensorik und Mobilität (Sensing and Mobility)
3.1. Autonome Fahrzeuge, Level 4 und 5 (Autonomous Driving Level 4 & 5)
Um in der Terminologie nicht durcheinanderzukommen, sollten wir klären, welche autonomen Ebenen unterschieden werden (ausgehend von detaillierten Informationen, , auf die wir alle Interessierten verweisen):
Level 1: Tempomat: Unterstützung des Fahrers in sehr begrenzten Situationen (zum Beispiel das Halten des Fahrzeugs auf einer festgelegten Geschwindigkeit, nachdem der Fahrer den Fuß von der Pedale genommen hat)
Level 2: Eingeschränkte Unterstützung beim Lenken und Bremsen. Der Fahrer muss bereit sein, das Steuer fast sofort zu übernehmen. Seine Hände sind am Lenkrad, der Blick ist auf die Straße gerichtet. Dies ist bereits in Tesla und General Motors vorhanden.
Level 3: Der Fahrer muss nicht mehr ständig die Straße im Auge behalten. Er muss jedoch wachsam bleiben und bereit sein, das Steuer zu übernehmen. Dies ist etwas, das derzeit bei den auf dem Markt erhältlichen Fahrzeugen nicht existiert. Alle derzeit verfügbaren Fahrzeuge sind auf Level 1-2.
Stufe 4: Echte Autonomie, jedoch mit Einschränkungen: Nur Fahrten in einem bekannten Bereich, der sorgfältig kartiert und im Allgemeinen dem System bekannt ist, und unter bestimmten Bedingungen: zum Beispiel bei Abwesenheit von Schnee. Solche Prototypen existieren bei Waymo und General Motors, die planen, sie in mehreren Städten einzuführen und in realen Umgebungen zu testen. Yandex hat Testzonen für selbstfahrende Taxis in Skolkowo und Innopolis: Die Fahrt erfolgt unter Aufsicht eines Ingenieurs, der auf dem Beifahrersitz sitzt; bis Ende des Jahres plant das Unternehmen, die Flotte auf 100 autonome Fahrzeuge zu erweitern.
Stufe 5: Vollautomatisiertes Fahren, vollständiger Ersatz eines menschlichen Fahrers. Solche Systeme existieren nicht, und es ist unwahrscheinlich, dass sie in den nächsten Jahren verfügbar sein werden.
Wie realistisch ist es, all dies in naher Zukunft zu beobachten? Hier möchten wir den Leser auf den Artikel verweisen . Dies hängt teilweise mit dem Fehlen von 5G-Verbindungen zusammen: Die vorhandenen 4G-Geschwindigkeiten sind unzureichend. Teils liegt es an den sehr hohen Kosten für autonome Fahrzeuge: Sie sind derzeit unrentabel, das Geschäftsmodell ist unklar. Mit anderen Worten, es ist hier "alles kompliziert", und es ist kein Zufall, dass Gartner schreibt, dass die Prognose für die massenhafte Einführung von Stufe 4 und 5 nicht vor den nächsten 10 Jahren zu erwarten ist.
3.2. 3D-Sensorik-Kameras (3D Sensing Cameras)
Vor acht Jahren sorgte der Spielecontroller Microsoft Kinect für Aufsehen, indem er eine erschwingliche und vergleichsweise kostengünstige Lösung für 3D-Visualisierung anbot. Seitdem haben körperlich-tänzerische Spiele mit Kinect ihren kurzen Aufstieg und Fall erlebt, während 3D-Kameras in industriellen Robotern, autonomen Fahrzeugen und Mobiltelefonen zur Gesichtserkennung verwendet werden. Die Technologie ist günstiger, kompakter und zugänglicher geworden.
Im Samsung S10 ist eine Time-of-Flight-Kamera eingebaut, die den Abstand zum Objekt misst – zur Erleichterung der Fokussierung.
Wenn Sie sich für dieses Thema interessieren, verweisen wir auf eine sehr gute ausführliche Übersicht über Tiefenkameras: , .
3.3. Drohnen zur Lieferung von kleinen Waren (Light Cargo Delivery Drones)
In diesem Jahr sorgte Amazon für Aufsehen, als es auf einer Messe eine neue fliegende Drohne präsentierte, die kleine Lasten von bis zu 2 kg transportieren kann. Für eine Stadt mit ihren Staus scheint das eine ideale Lösung zu sein. Lassen wir uns überraschen, wie sich diese Drohnen in naher Zukunft bewähren werden. Man sollte jedoch vorsichtigen Skepsis walten lassen: Es gibt zahlreiche Probleme, angefangen bei der Möglichkeit des einfachen Diebstahls der Drohne bis hin zu gesetzlichen Beschränkungen für UAVs. Amazon Prime Air existiert seit sechs Jahren, befindet sich jedoch nach wie vor in der Testphase.
Die neue Amazon-Drohne, die in diesem Frühling gezeigt wurde. Irgendetwas daran erinnert an „Star Wars“.
Neben Amazon gibt es auch andere Akteure auf diesem Markt (es gibt detaillierte ), aber kein fertiges Produkt: alles befindet sich in der Test- und Marketingphase. Besonders hervorzuheben sind interessante, spezialisierte medizinische in Afrika: die Lieferung von Spenderblut in Ghana (14.000 Lieferungen, Unternehmen Zipline) und Ruanda (Unternehmen Matternet).
3.4. Fliegende autonome Verkehrsmittel (Flying Autonomous Vehicles)
Hier lässt sich schwer etwas Definitives sagen. Laut Gartner wird dies nicht vor mehr als 10 Jahren Realität. Im Grunde genommen sind hier die gleichen Probleme wie bei selbstfahrenden Autos gegeben, nur bekommen sie eine neue Dimension – die vertikale. Porsche, Boeing und Uber kündigen an, fliegende Taxis zu bauen.
3.5. Cloud der erweiterten Realität (AR Cloud)
Eine dauerhafte digitale Kopie der realen Welt, die es ermöglicht, eine neue, allen Nutzern gemeinsame Realitätsschicht zu schaffen. Technisch ausgedrückt geht es darum, eine offene Cloud-Plattform zu schaffen, in die Entwickler ihre AR-Anwendungen integrieren können. Das Monetarisierungsmodell ist verständlich, es entspricht einem Analogon zu Steam. Die Idee hat sich so festgesetzt, dass einige bereits glauben, dass AR ohne Cloud schlichtweg nutzlos ist.
Wie das in Zukunft aussehen könnte, wird in einem kurzen Video skizziert. Es sieht aus wie eine weitere Episode von „Black Mirror“:
Man kann auch in
4. „Erweiterter“ Mensch (Augmented Human)
4.1. KI für Emotionen (Emotion AI)
Wie misst, simuliert und reagiert man auf menschliche Emotionen? Zu den Kunden hier gehören Unternehmen, die Sprachassistenten wie Amazon Alexa entwickeln. Um wirklich in die Häuser einzutauchen, müssen sie lernen, Stimmungen zu erkennen: den Grund für die Unzufriedenheit des Nutzers zu verstehen und zu versuchen, die Situation zu ändern. Im Allgemeinen gibt es viel mehr Informationen im Kontext als in der Nachricht selbst. Und der Kontext umfasst Gesichtsausdrücke, Intonation und nonverbales Verhalten.
Zu anderen praktischen Anwendungen: Emotionenanalyse während eines Vorstellungsgesprächs (durch Videointerviews), Bewertung der Reaktion auf Werbeclips oder anderen Videoinhalten (Lächeln, Lachen), Unterstützung beim Lernen (zum Beispiel für Selbstübungen in der Kunst des öffentlichen Sprechens).
Es ist schwer, zu diesem Thema besser zu sprechen als der Autor des 6-minütigen Kurzfilms . In dem clever und stilvoll gestalteten Video wird gezeigt, wie man unsere Emotionen zu Marketingzwecken messen kann, und aus den momentanen Reaktionen Ihres Gesichts erfahren kann: Lieben Sie Pizza, Hunde, Kanye West und sogar, wie hoch Ihr Einkommen und Ihr ungefähres IQ ist. Wenn Sie die Website des Films über den obigen Link besuchen, nehmen Sie an einem interaktiven Video unter Verwendung der integrierten Kamera Ihres Laptops teil. Der Film wurde bereits auf mehreren Filmfestivals gezeigt.
Es gibt sogar eine interessante Studie: wie man Sarkasmus im Text erkennt. Sie haben Tweets mit dem Hashtag #сарказм genommen und eine Trainingsstichprobe aus 25.000 sarkastischen Tweets und 100.000 gewöhnlichen Tweets zu allem Möglichen erstellt. Sie haben die TensorFlow-Bibliothek angewendet, das System trainiert und das Ergebnis ist:
Deshalb können Sie jetzt, wenn Sie sich über Ihren Kollegen oder Freund nicht sicher sind – ob er Ihnen etwas ernsthaft oder sarkastisch gesagt hat – auf das bereits !
4.2. Augmented Intelligence
Automatisierung intellektueller Arbeit unter Verwendung von Machine-Learning-Methoden. Scheint nichts Neues zu sein? Aber hier ist die Formulierung selbst wichtig, zumal sie mit der Abkürzung für Künstliche Intelligenz übereinstimmt. Das verweist uns auf die Debatte über „starke“ und „schwache“ KI.
Starke KI ist die Art von künstlicher Intelligenz aus Science-Fiction-Filmen, die vollständig dem menschlichen Verstand entspricht und sich selbst als Person wahrnimmt. So etwas gibt es noch nicht, und es ist unklar, ob es das überhaupt geben wird.
Schwache KI ist keine unabhängige Persönlichkeit, sondern ein Assistent des Menschen. Sie strebt nicht danach, menschenähnliches Denken zu beanspruchen, sondern kann einfach Informationsaufgaben lösen, zum Beispiel bestimmen, was auf einem Bild abgebildet ist, oder Texte übersetzen.
In diesem Sinne ist Augmented Intelligence rein schwache KI und die Formulierung scheint gelungen, da sie keine Verwirrung stiftet und die Versuchung vermeidet, hier von der starken KI zu sprechen, von der alle träumen (oder vor der sie Angst haben, wenn man an die zahlreichen Überlegungen zu einem "Aufstand der Maschinen" denkt). Durch den Ausdruck Augmented Intelligence scheinen wir sofort in einem anderen Film zum Helden zu werden: von Science-Fiction (wie "Ich, Robot" von Asimov) landen wir im Cyberpunk (in diesem Genre werden mit "Augmentierungen" allerlei Implantate bezeichnet, die die Fähigkeiten des Menschen erweitern).
Wie Erik Brynjolfsson und Andrew McAfee: „In den nächsten 10 Jahren wird Folgendes geschehen: Nicht die KI wird Manager ersetzen, sondern die Manager, die KI nutzen, werden die ersetzen, die es noch nicht geschafft haben."
Beispiele:
- Medizin: Die Stanford-Universität hat entwickelt , die die Aufgabe der Erkennung von Pathologien im Röntgenbild des Brustkorbs im Durchschnitt genauso erfolgreich meistern wie die meisten Ärzte.
- Bildung: Unterstützung für Schüler und Lehrer, Analyse der Reaktionen der Schüler auf Materialien, Erstellung individueller Lernpfade.
- Business-Analyse: Datenvorverarbeitung nimmt statistisch gesehen 80 % der Zeit eines Forschers in Anspruch, und nur 20 % sind für das Experiment selbst vorgesehen.
4.3. Biochips
Dies ist ein Lieblingsthema aller Cyberpunk-Filme und -Bücher. Das Chippen von Haustieren ist an sich keine neue Praxis. Doch jetzt werden diese Chips auch Menschen implantiert.
In diesem Fall ist der Hype wahrscheinlich mit dem aufsehenerregenden Vorfall in dem amerikanischen Unternehmen Three Square Market verbunden. Dort begann der Arbeitgeber, unter der Voraussetzung von Belohnungen zu offerieren, Chips unter die Haut zu implantieren. Der Chip ermöglicht es, Türen zu öffnen, sich an Computern anzumelden und Snacks aus dem Automaten zu kaufen – also eine Art universelle Mitarbeiterausweis. Gleichzeitig dient der Chip tatsächlich nur als Identifikationskarte, er hat kein GPS-Modul, deshalb kann niemand über ihn verfolgt werden. Und wenn jemand den Chip aus der Hand entfernen möchte, dauert das mit Hilfe eines Arztes fünf Minuten.
Die Chips werden normalerweise zwischen dem Daumen und dem Zeigefinger implantiert.
Lesen Sie mehr über den Stand der Dinge zur Chip-Implantation in der Welt.
4.4. Immersiver Arbeitsplatz (Immersive Workspace)
„Immersiv“ ist ein weiteres neues Wort, das einfach unvermeidlich ist. Es ist überall. Immersives Theater, Ausstellungen, Kino. Was ist damit gemeint? Immersivität ist die Schaffung eines Eintauch-Effekts, bei dem die Grenze zwischen Autor und Zuschauer, zwischen virtueller und realer Welt verschwimmt. In Bezug auf den Arbeitsplatz könnte das bedeuten, die Grenze zwischen Ausführendem und Initiator zu verwischen und die Mitarbeiter zu einer aktiveren Rolle zu ermutigen, indem die Umgebung, die sie umgibt, umgestaltet wird.
Da wir jetzt überall Agile, Flexibilität, enge Interaktion haben – müssen auch die Arbeitsplätze möglichst einfach konfigurierbar sein und die Teamarbeit fördern. Die Wirtschaft diktiert ihre Bedingungen: Es gibt immer mehr Zeitarbeiter, die Kosten für die Anmietung von Büros steigen, und in einem wettbewerbsorientierten Arbeitsmarkt im IT-Bereich bemühen sich Unternehmen, die Zufriedenheit der Mitarbeiter zu erhöhen, indem sie Erholungsbereiche und weitere Vorteile schaffen. Und all dies spiegelt sich im Design der Arbeitsplätze wider.
Aus Knoll
4.5. Personalisierung (Personification)
Jeder weiß, was Personalisierung in der Werbung bedeutet. Das ist, wenn Sie heute mit einem Kollegen diskutieren, dass die Luft im Raum etwas trocken ist und Sie einen Luftbefeuchter fürs Büro kaufen sollten, und am nächsten Tag sehen Sie in Ihren sozialen Netzwerken eine Werbung – „kaufen Sie einen Luftbefeuchter“ (ein realer Fall, der mir passiert ist).
Personalisierung ist laut Definition von Gartner die Antwort auf die wachsenden Bedenken der Nutzer bezüglich der Verwendung ihrer persönlichen Daten zu Werbezwecken. Ziel ist es, einen Ansatz zu entwickeln, bei dem uns Werbung gezeigt wird, die dem Kontext entspricht, in dem wir uns befinden, und nicht uns persönlich. Beispielsweise ist unser Standort, der Gerätetyp, die Tageszeit und die Wetterbedingungen etwas, das nicht gegen unsere persönlichen Daten verstößt, und wir empfinden kein unangenehmes Gefühl von "Überwachung".
Über den Unterschied zwischen diesen beiden Begriffen lesen Sie von Andrew Frank im Blog auf der Gartner-Website. Es gibt so feine Unterschiede und so ähnliche Wörter, dass man, ohne den Unterschied zu kennen, riskieren könnte, lange mit dem Gesprächspartner zu streiten, ohne zu merken, dass beide im Grunde Recht haben (und das ist auch ein echtes Beispiel, das dem Autor passiert ist).
4.6. Biotechnologie – Künstliche Gewebe (Biotech – Cultured or Artificial Tissue)
Dies ist vor allem die Idee, künstliches Fleisch anzubauen. Gleichzeitig arbeiten mehrere Teams weltweit an der Entwicklung von Laborfleisch "Fleisch 2.0" – es wird erwartet, dass es günstiger als normales Fleisch sein wird und dass Fastfood-Ketten und später Supermärkte darauf umsteigen werden. Zu den Investoren in diese Technologie gehören Bill Gates, Sergey Brin, Richard Branson und andere.
Quelle
Die Gründe, warum künstliches Fleisch alle so interessiert:
- Globale Erwärmung: Methanemissionen von Farmen. Diese machen 18 % des globalen Anteils an klimawirksamen Gasen aus.
- Wachstum der Bevölkerung. Der Fleischbedarf steigt, und es wird unmöglich sein, alle mit natürlichem Fleisch zu ernähren – es ist einfach zu teuer.
- Platzmangel. 70 % der Regenwälder im Amazonas sind bereits für Weideland abgeholzt worden.
- Ethische Überlegungen. Für einige ist das wichtig. Die Tierschutzorganisation PETA hat bereits einen Preis von 1 Million Dollar für den Wissenschaftler angeboten, der künstliches Hühnerfleisch auf den Markt bringt.
Die Ersetzung von echtem Fleisch durch Soja ist nur eine Teilösung, denn die Menschen spüren den Unterschied im Geschmack und in der Textur gut und werden kaum auf ein Steak zugunsten von Soja verzichten. Daher ist echtes, organisch gezüchtetes Fleisch notwendig. Leider kostet künstliches Fleisch derzeit zu viel: ab 12 $ pro Kilogramm. Das liegt an dem komplexen Produktionsprozess zur Herstellung dieses Fleisches. Lesen Sie mehr darüber. .
Wenn man über andere Fälle des Gewebewachstums spricht – bereits in der Medizin – ist das Thema künstliche Organe interessant: zum Beispiel ein „Pflaster“ für den Herzmuskel, mit einem speziellen 3D-Drucker. Bekannt sind ähnlich dem künstlich gezüchteten Mäuseherz, aber insgesamt bleibt alles bisher im Rahmen klinischer Studien. Es ist also unwahrscheinlich, dass wir in den nächsten Jahren einen Frankenstein sehen werden.
Hier ist Gartner sehr vorsichtig in seinen Einschätzungen, offenbar unter Berücksichtigung seiner gescheiterten Vorhersage aus dem Jahr 2015, dass im Jahr 2019 10% der Bevölkerung der entwickelten Länder ein 3D-gedrucktes medizinisches Implantat besitzen würden. Daher bezeichnet er das Zeitfenster für den Übergang zu einer Produktivitätsplattform mit mindestens 10 Jahren.
5. Digitale Ökosysteme (Digital Ecosystems)
5.1. Dezentralisiertes Web (Decentralized Web)
Dieser Begriff ist eng mit dem Namen des Erfinders des Webs, dem Turing-Preisträger Sir Tim Berners-Lee, verbunden. Für ihn waren ethische Fragen in der Informatik immer wichtig, ebenso die kollektive Natur des Internets: beim Fundament des Hypertexts war er überzeugt, dass das Netz wie ein Netz und nicht wie eine Hierarchie funktionieren sollte. In der frühen Entwicklungsphase des Netzes war das auch der Fall. Mit dem Wachstum des Internets zentralisierte sich jedoch seine Struktur aus einer Reihe von Gründen. Es stellte sich heraus, dass der Zugang zum Netz für ein ganzes Land mit nur wenigen Anbietern leicht gesperrt werden kann. Und die Nutzerdaten wurden zu einer Quelle von Macht und Einkommen für Internetunternehmen.
„Das Internet ist bereits dezentralisiert, – sagt Berners-Lee. – Das Problem ist, dass ein Suchmaschinenanbieter, ein großes soziales Netzwerk und eine Plattform für Mikroblogging dominieren. Wir haben keine technologischen Probleme, aber es gibt soziale.“
In seinem zum 30-jährigen Jubiläum des World Wide Web skizzierte der Schöpfer des Webs drei Hauptprobleme des Internets:
- Gezielte Schädigung, wie staatlich gesponserte Hackerangriffe, Kriminalität und Online-Belästigung
- Die Systemarchitektur selbst, die zum Nachteil der Nutzer den Boden für Mechanismen schafft wie: finanzielle Anreize für Clickbait und virale Verbreitung von Fehlinformationen
- Unbeabsichtigte Folgen des Systemdesigns, die zu Konflikten und einer Verschlechterung der Qualität von Online-Diskussionen führen
Und Tim Berners-Lee hat bereits eine Antwort darauf, auf welchen Prinzipien das „Internet eines gesunden Menschen“ basieren könnte, das das Problem Nummer 2 nicht hat: „Für viele Nutzer bleibt das einzige Modell der Interaktion mit dem Web das Einkommen aus Werbung. Selbst wenn die Menschen Angst vor dem haben, was mit ihren Daten geschieht, sind sie bereit, einen Deal mit der Marketingmaschine einzugehen, um Inhalte kostenlos zu erhalten. Stellen Sie sich eine Welt vor, in der die Bezahlung für Waren und Dienstleistungen einfach und angenehm für beide Seiten ist.“ Zu den Möglichkeiten, wie dies umgesetzt werden kann, gehört, dass Musiker ihre Aufnahmen ohne Zwischenhändler wie iTunes verkaufen können, und Nachrichtenwebsites könnten ein System für Mikrozahlungen für das Lesen eines einzelnen Artikels verwenden, anstatt von Werbung abhängig zu sein.
Als experimentellen Prototyp eines solchen neuen Internets hat Tim Berners-Lee das Projekt SOLID ins Leben gerufen, dessen Grundgedanke ist, dass Sie Ihre Daten in einem „POD“ – einem Speicher für Informationen – aufbewahren und diese Daten an Drittanbieteranwendungen bereitstellen können. Prinzipiell sind Sie jedoch der Besitzer Ihrer Daten. All dies steht in engem Zusammenhang mit dem Konzept der Peer-to-Peer-Netzwerke, d.h. Ihr Computer fordert nicht nur Dienste an, sondern stellt sie auch zur Verfügung, um nicht auf einen einzigen Server als einzigen Kanal angewiesen zu sein.
5.2. Dezentrale autonome Organisationen (Decentralized Autonomous Organizations)
Dies ist eine Organisation, die nach Regeln verwaltet wird, die in Form eines Computerprogramms festgelegt sind. Ihre Finanzaktivitäten basieren auf der Blockchain. Ziel der Schaffung solcher Organisationen ist es, den Staat aus der Rolle des Vermittlers zu entfernen und eine gemeinsame vertrauenswürdige Umgebung für die Vertragspartner zu schaffen, die nicht von einer einzelnen Person besessen wird, sondern gemeinschaftlich. Theoretisch sollte dies, wenn die Idee ankommt, Notare und andere gewohnte Verifikationsinstitutionen überflüssig machen.
Das bekannteste Beispiel für eine solche Organisation war das auf Venture Capital ausgerichtete The DAO, das 2016 150 Millionen Dollar sammelte, von denen 50 sofort durch eine legale "Lücke" in den Regeln gestohlen wurden. Dadurch entstand ein komplexes Dilemma: entweder zurückrollen und das Geld zurückgeben oder anerkennen, dass die Entnahme des Geldes legal war, da sie die Regeln der Plattform in keiner Weise verletzte. Letztendlich mussten die Schöpfer, um das Geld an die Investoren zurückzugeben, The DAO auflösen, indem sie die Blockchain umschrieben und das Grundprinzip – die Unveränderlichkeit – verletzten.
Comic über Ethereum (links) und The DAO (rechts).
Diese gesamte Geschichte hat den Ruf der eigentlichen Idee eines DAO beschädigt. Dieses Projekt basierte auf der Kryptowährung Ethereum, im nächsten Jahr wird die Version Ethereum 2.0 erwartet – möglicherweise werden die Autoren (unter denen auch der bekannte Vitalik Buterin) die Fehler berücksichtigen und etwas Neues zeigen. Vielleicht ist das der Grund, warum Gartner DAO in die aufsteigende Linie platziert hat.
5.3.Synthetische Daten (Synthetic Data)
Für das Training neuronaler Netze sind große Datenmengen erforderlich. Die manuelle Kennzeichnung von Daten ist eine enorme Aufgabe, die nur von Menschen durchgeführt werden kann. Daher können künstliche Datensätze erstellt werden. Zum Beispiel dieselben Sammlungen menschlicher Gesichter auf der Website. Diese werden mit Hilfe von GAN – Algorithmen, die bereits zuvor erwähnt wurden, erstellt.
Diese Gesichter gehören nicht zu Menschen.
Ein großer Vorteil dieser Daten liegt darin, dass es bei ihrer Nutzung keine rechtlichen Schwierigkeiten gibt: Es gibt niemanden, von dem die Einwilligung zur Verarbeitung persönlicher Daten eingeholt werden müsste.
5.4.Digital Ops
Der Suffix „Ops“ ist unglaublich angesagt geworden, seit DevOps in unseren Sprachgebrauch aufgenommen wurde. Jetzt ist DigitalOps einfach eine Verallgemeinerung von DevOps, DesignOps, MarketingOps… Haben Sie sich noch nicht gelangweilt? Kurz gesagt, es geht um die Übertragung des Ansatzes, der in DevOps verwendet wird, auf alle anderen Geschäftsbereiche – Marketing, Design usw.
Die Idee von DevOps war es, die Barrieren zwischen der eigentlichen Entwicklung (Development) und dem Betrieb (Operations) abzubauen, indem gemeinsame Teams gebildet wurden, in denen sowohl Programmierer als auch Tester, Sicherheitsfachleute und Administratoren zusammenarbeiten; die Einführung bestimmter Praktiken: kontinuierliche Integration, Infrastruktur als Code, Verkürzung und Verstärkung der Feedbackschleifen. Das Ziel war es, die Markteinführung des Produkts zu beschleunigen. Wenn Sie denken, dass dies wie Agile aussieht, haben Sie recht. Stellen Sie sich nun vor, diesen Ansatz von der Softwareentwicklung auf die Entwicklung im Allgemeinen zu übertragen – und Sie haben verstanden, was DigitalOps ist.
5.5. Wissensgraphen (Knowledge Graphs)
Eine programmatische Methode zum Modellieren eines Wissensgebiets, unter Verwendung von Algorithmen des maschinellen Lernens. Der Wissensgraph wird auf bestehenden Datenbanken aufgebaut, um alle Informationen zu vereinen: sowohl strukturierte (Liste von Ereignissen oder Personen) als auch unstrukturierte (Text eines Artikels).
Das einfachste Beispiel ist die Karte, die Sie in den Google-Suchergebnissen sehen können. Wenn Sie nach einer Person oder Institution suchen, sehen Sie rechts eine Karte:
Beachten Sie, dass „Bevorstehende Veranstaltungen“ keine Kopie der Informationen von Google Maps sind, sondern eine Integration des Zeitplans von Yandex.Events: Sie erkennen dies leicht, wenn Sie auf die Veranstaltungen klicken. Das bedeutet, dass mehrere Datenquellen zu einer Einheit zusammengeschlossen werden.
Wenn Sie eine Liste anfordern – zum Beispiel „bekannte Regisseure“ – wird Ihnen ein „Karussell“ angezeigt:
Bonus für diejenigen, die bis zum Ende gelesen haben
Und jetzt, da wir die Bedeutung jedes Punktes klargestellt haben, können wir uns dasselbe Bild ansehen, aber bereits in russischer Sprache:
Teilen Sie es gerne in sozialen Netzwerken!
Tatjana Wolkowa – Autorin des Lehrplans für den Internet der Dinge Track der IT Academy von Samsung, Spezialistin für Programme zur sozialen Unternehmensverantwortung des Samsung Research Centers
Quelle: habr.com
