Das Gartner-Diagramm ist für diejenigen, die im Technologiebereich arbeiten, wie eine Modenschau. Ein Blick darauf zeigt Ihnen im Voraus, welche Begriffe in dieser Saison angesagt sind und was Sie auf den nächsten Konferenzen hören werden.
Wir haben entschlüsselt, was hinter den ansprechenden Begriffen in diesem Diagramm steckt, damit auch Sie diese Sprache sprechen können.
Zunächst ein paar Worte zu diesem Diagramm. Jedes Jahr im August veröffentlicht das Beratungsunternehmen Gartner einen Bericht – die Gartner Hype Curve. Auf Deutsch bezeichnet man das als „Hype-Kurve“ oder einfach als Hype. Vor 30 Jahren sangen die Rapper von Public Enemy: „Don’t believe the hype“. Ob Sie glauben oder nicht, ist eine persönliche Entscheidung, aber zumindest sollten Sie diese Schlüsselbegriffe kennen, wenn Sie im Technologiebereich arbeiten und die globalen Trends verstehen möchten.
Dies ist das Diagramm der öffentlichen Erwartungen an eine bestimmte Technologie. Laut Gartner durchläuft eine Technologie idealerweise fünf Phasen: Einführung, Gipfel übertriebener Erwartungen, Tal des Enttäuschung, Pfad der Aufklärung und Plateau der Produktivität. Es kann jedoch auch sein, dass sie im „Tal der Enttäuschung“ scheitert – Beispiele wie Bitcoin fallen einem sofort ein: Zunächst als „Geld der Zukunft“ gefeiert, fielen sie schnell, als die Mängel der Technologie offensichtlich wurden, insbesondere die Beschränkungen bei der Anzahl der Transaktionen und der enorme Energieverbrauch, der zur Erzeugung von Bitcoins erforderlich ist (was bereits ökologische Probleme mit sich bringt). Natürlich sollte man nicht vergessen, dass das Gartner-Diagramm nur eine Prognose ist: Hier kann man beispielsweise detaillierte , in denen die eindrucksvollsten unerfüllten Vorhersagen analysiert werden.
Lassen Sie uns also das neue Gartner-Diagramm durchsehen. Die Technologien sind in fünf große Themenbereiche unterteilt:
- Fortgeschrittener 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 Blütezeit des Deep Learning erlebt. Diese Netzwerke zeigen sich in ihrem Anwendungsbereich als sehr effektiv. 2018 erhielten Yann LeCun, Geoffrey Hinton und Yoshua Bengio für ihre Entdeckungen den Turing-Preis – die höchste Auszeichnung, die man in der Informatik bekommt, vergleichbar mit dem Nobelpreis. Die wichtigsten Trends in diesem Bereich, die in den Grafiken dargestellt sind:
1.1. Transferlernen (Transfer Learning)
Sie trainieren das neuronale Netzwerk nicht von Grund auf, sondern nutzen ein bereits trainiertes und geben ihm ein neues Ziel. Manchmal ist es erforderlich, Teile des Netzwerks neu zu trainieren, jedoch nicht das gesamte Netzwerk, was viel schneller ist. Wenn Sie beispielsweise das vorgefertigte neuronale Netzwerk ResNet50 verwenden, das auf dem Datensatz ImageNet1000 trainiert wurde, erhalten Sie einen Algorithmus, der in der Lage ist, viele verschiedene Objekte auf einem sehr tiefen Niveau (1000 Klassen auf Grundlage von 50 Schichten des neuronalen Netzwerks) zu klassifizieren. Aber es ist nicht notwendig, das gesamte Netzwerk zu trainieren, was Monate in Anspruch nehmen würde.
In Samsung „Neuronale Netzwerke und Computer Vision“ zum Beispiel in der abschließenden Mit der Klassifizierung von Geschirr in sauber und schmutzig wird ein Ansatz demonstriert, der Ihnen in nur fünf Minuten ein tiefes neuronales Netzwerk zur Verfügung stellt, das in der Lage ist, sauberes Geschirr von schmutzigem zu unterscheiden. Dieses Netzwerk basiert auf der oben beschriebenen Architektur. Das ursprüngliche Netzwerk wusste nicht, was Geschirr überhaupt ist; es lernte lediglich, Vögel von Hunden zu unterscheiden (siehe ImageNet).
Quelle: Samsung «Neuronale Netzwerke und Computer Vision»
Für Transfer Learning ist es wichtig zu wissen, welche Ansätze funktionieren und welche vorgefertigten Basisarchitekturen es gibt. Im Allgemeinen beschleunigt dies die Entwicklung praktischer Anwendungen des maschinellen Lernens erheblich.
1.2. Generative Adversarial Networks (GAN)
Dies ist für die Fälle gedacht, in denen es uns sehr schwerfällt, das Lernziel zu formulieren. Je näher die Aufgabe an der realen Lebenssituation liegt, desto klarer ist sie für uns („Hol den Nachttisch“), doch desto schwieriger ist es, sie als technische Aufgabe zu formulieren. GAN ist genau der Versuch, uns von diesem Problem zu befreien.
Hier arbeiten zwei Netzwerke: ein Generativnetzwerk und ein Diskriminatornetzwerk. Eines der Netzwerke lernt, nützliche Aufgaben zu übernehmen (Bilder zu klassifizieren, Geräusche zu erkennen, Cartoons zu zeichnen). Das andere Netzwerk lernt, dieses Netzwerk zu lehren: Es hat reale Beispiele und lernt, eine im Voraus unbekannte komplexe Formel zu finden, um die Erzeugungen 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, Korrektheit 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, sie müssen vorbereitet werden. Und das Lernen dauert Wochen. Das Thema GAN wird von meinen Kollegen im Samsung-Zentrum für künstliche Intelligenz behandelt, es ist eine der zentralen Forschungsfragen bei ihnen. Zum Beispiel, so eine : Die Nutzung generativer Netzwerke zur Synthese realistischer Bilder von Personen mit veränderbaren Posen – beispielsweise zur Erstellung einer virtuellen Umkleidekabine – oder zur Synthese von Gesichtern, was die Menge an Informationen reduzieren könnte, die gespeichert oder übertragen werden muss, um qualitativ hochwertige Videokommunikation, Übertragungen oder den Schutz personenbezogener Daten sicherzustellen.
1.3. Erklärbarer KI (Explainable AI)
In einigen seltenen Anwendungsfällen hat der Fortschritt in tiefen Architekturen plötzlich die Fähigkeiten tiefen neuronaler Netze den menschlichen Annäherungen näher gebracht. Jetzt geht es darum, den Bereich solcher Aufgaben zu erweitern. Zum Beispiel könnte ein Roboterstaubsauger eine Katze leicht von einem Hund unterscheiden, wenn sie ihm direkt gegenübersteht. Doch in den meisten Lebenssituationen wird er nicht in der Lage sein, eine Katze zu finden, die zwischen Wäsche oder Möbeln schläft (was auch für uns in den meisten Fällen gilt…).
Was sind die Gründe für den Erfolg tiefen neuronaler Netze? Sie entwickeln ein Problembewusstsein, das nicht auf den "mit bloßem Auge sichtbaren" Informationen beruht (wie den Pixeln eines Fotos oder der Lautstärke von Geräuschen), sondern auf Merkmalen, die nach der Vorverarbeitung dieser Informationen durch mehrere hundert Schichten des neuronalen Netzwerks gewonnen werden. Leider können diese Zusammenhänge auch bedeutungslos, widersprüchlich oder von den Unzulänglichkeiten des ursprünglichen Datensatzes geprägt sein. Ein Beispiel dafür, wohin unüberlegter Einsatz von KI im Recruiting führen kann, ist ein kleines Computerspiel. .
Das System zur Bildbeschriftung hat einen Kocht mehr als eine Frau bezeichnet, obwohl auf dem Bild tatsächlich ein Mann zu sehen ist (). Das am Virginia Institute.
Um komplexe und tiefgreifende 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 von dem Netzwerk erlernten inneren Darstellungen analysieren können, statt uns einfach auf deren Entscheidungen zu verlassen.
1.4. Edge Analytics / AI
Alles, was das Wort Edge beinhaltet, bedeutet im Grunde Folgendes: Teile der Algorithmen werden vom Cloud-Server auf das Endgerät oder Gateway verlagert. Ein solcher Algorithmus kann schneller reagieren und benötigt keine Verbindung zum zentralen Server für seine Funktion. Wenn Ihnen das Konzept eines „dünnen Clients“ bekannt ist, dann machen wir diesen Client hier ein wenig robuster.
Das könnte für das Internet der Dinge wichtig sein. Beispielsweise, wenn eine Maschine überhitzt und gekühlt werden muss, macht es Sinn, sofort ein Signal auf Werksebene zu senden, anstatt darauf zu warten, dass die Daten in die Cloud gelangen und von dort an den Schichtleiter weitergeleitet werden. Ein weiteres Beispiel: autonom fahrende Autos können die Verkehrslage selbstständig bewältigen, ohne auf einen zentralen Server zugreifen zu müssen.
Ein weiteres Beispiel, warum das aus Sicherheitsgründen wichtig ist: Wenn Sie auf Ihrem Telefon Texte eingeben, merkt es sich die typischen Wörter, damit Ihre Tastatur Ihnen diese bequem vorschlagen kann – das nennt man prädiktives Texten. Alles, was Sie auf der Tastatur eingeben, in ein Rechenzentrum zu senden, wäre eine Verletzung Ihrer Privatsphäre und schlichtweg unsicher. Daher erfolgt das Lernen der Tastatur nur innerhalb Ihres Geräts.
1.5. KI-Plattform als Dienst (AI PaaS)
PaaS – Plattform-as-a-Service – ist ein Geschäftsmodell, bei dem wir Zugang zu einer integrierten Plattform erhalten, die sowohl deren Cloud-Datenlager als auch vorgefertigte Verfahren umfasst. So können wir uns von infrastrukturellen Aufgaben 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. Adaptives maschinelles Lernen (Adaptive ML)
Was wäre, wenn wir künstlicher Intelligenz erlauben würden, sich anzupassen… Sie fragen sich – wie genau?. Ist es nicht so, dass sie sich bereits der Aufgabe anpasst? Das Problem ist folgendes: Jede dieser Aufgaben gestalten wir sorgfältig, bevor wir einen Algorithmus für die Lösung dieser Aufgabe entwickeln. Ihnen wird gesagt – es gibt tatsächlich eine Möglichkeit, auch diese Kette zu vereinfachen.
Herkömmliches maschinelles Lernen funktioniert nach dem Prinzip eines offenen Systems (open-loop): Sie bereiten Daten vor, entwerfen 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 in Smartphones bereitstellen – um die Aufgaben der Nutzer zu lösen. Aber in Anwendungen, wo es sehr viele Daten gibt und deren Charakter sich allmählich ändert, sind andere Methoden erforderlich. Solche Systeme, die sich selbst anpassen und selbstständig lernen, organisieren sich in geschlossenen, selbstlernenden Kreisläufen (closed-loop) und müssen dabei unterbrechungsfrei arbeiten.
Anwendungen — das können Stream Analytics sein, auf deren Grundlage viele Unternehmer Entscheidungen treffen, oder adaptive Produktionssteuerung. Im Kontext moderner Anwendungen und unter Berücksichtigung der besser verstandenen Risiken für Menschen werden die Methoden zur Lösung dieses Problems unter dem gemeinsamen Begriff Adaptive AI zusammengefasst.
Beim Betrachten dieses Bildes kann man das Gefühl nicht loswerden, dass Futurologen nichts lieber tun, als einen Roboter das Atmen beizubringen...
Postklassische Berechnungen und Kommunikation (Postclassical Compute and Comms)
2.1. Mobilfunk der fünften Generation (5G)
Es ist ein so interessantes Thema, dass wir sofort auf unsere . Hier ist eine kurze Zusammenfassung. 5G wird durch die erhöhte Datenübertragungsfrequenz die Internetgeschwindigkeit unrealistisch schnell machen. Kurze Wellen haben es schwerer, Hindernisse zu durchdringen, weshalb die Netzwerkinfrastruktur völlig anders gestaltet werden muss: Es werden 500-mal mehr Basisstationen benötigt.
Mit der Geschwindigkeit werden neue Phänomene entstehen: Echtzeitspiele mit Augmented Reality, die Durchführung komplexer Aufgaben (wie Chirurgie) durch Telepräsenz, sowie die Verhinderung von Unfällen und schwierigen Situationen auf den Straßen durch Kommunikation zwischen Fahrzeugen. Aus einer pragmatischeren Sicht wird die mobile Internetverbindung endlich nicht mehr während Großveranstaltungen wie einem Stadionspiel abbrechen.
Bildquelle — Reuters, Niantic
2.2. Nächste Generation des Speichers (Next-Generation Memory)
Hier geht es um die fünfte Generation des Arbeitsspeichers – DDR5. Samsung hat angekündigt, dass bis Ende 2019 Produkte auf DDR5-Basis erscheinen werden. Es wird erwartet, dass der neue Speicher doppelt so schnell und doppelt so speicherfähig sein wird, ohne den Formfaktor zu verändern, das heißt, wir werden für unseren Computer RAM-Module mit einer Kapazität von bis zu 32 GB bekommen. In Zukunft wird dies besonders relevant für Smartphones sein (das neue Speicher wird in einer energieeffizienten Version verfügbar sein) und für Laptops (wo die Anzahl der DIMM-Steckplätze begrenzt ist). Zudem benötigt maschinelles Lernen große Mengen an Arbeitsspeicher.
2.3. Niedrigorbitale Satellitensysteme (Low-Earth-Orbit Satellite Systems)
Die Idee, schwere, teure und leistungsstarke Satelliten durch eine Flotte kleiner, kostengünstiger Einheiten zu ersetzen, ist nicht neu und stammt bereits aus den 90er Jahren. Was haben mittlerweile nur noch die Faulen nicht gehört. Das bekannteste Unternehmen in diesem Bereich ist Iridium, das Ende der 90er Jahre bankrottging, aber durch das US-Verteidigungsministerium gerettet wurde (nicht zu verwechseln mit iRidium – dem russischen Smart-Home-System). Das Projekt von Elon Musk (Starlink) ist nicht das einzige – im Wettlauf um Satelliten sind auch Richard Branson (OneWeb – 1440 geplante Satelliten), Boeing (3000 Satelliten), Samsung (4600 Satelliten) und andere beteiligt.
Wie die Situation in diesem Bereich aussieht und wie die Wirtschaft dort funktioniert – lesen Sie in der . Wir warten auf die ersten Tests dieser Systeme mit den ersten Nutzern, die bereits im nächsten Jahr stattfinden sollen.
2.4. 3D-Druck im Nanoskalierungsbereich (Nanoscale 3D Printing)
3D-Druck hat zwar nicht den Alltag jedes Einzelnen erobert (insbesondere nicht in der Form einer individuellen Heimfabrik für Kunststoff), dennoch hat er sich längst aus der Nische der Geek-Technologien befreit. Ausreichend ist es zu sagen, dass selbst Schulkindern die Existenz von 3D-Druckstiften bekannt ist und viele davon träumen, sich eine Box mit Schlitzen und Extruder für... „einfach so“ zuzulegen (oder haben das sogar bereits getan).
Stereolithographie (Laser-3D-Drucker) ermöglicht das Drucken mit einzelnen Photonen: Es werden neue Polymere erforscht, für deren Aushärtung nur zwei Photonen erforderlich sind. Dies könnte es ermöglichen, außerhalb von Laboren völlig neue Filter, Halterungen, Federn, Kapillaren, Linsen und... Ihre Vorschläge in den Kommentaren zu kreieren! Hier ist es nur ein kleiner Schritt zur Photopolymerisation – nur diese Technologie erlaubt es, Prozessoren und Rechenschaltungen zu 'drucken'. Darüber hinaus existiert seit mehreren Jahren , jedoch ohne radikale Weiterentwicklungen.
3. Sensorik und Mobilität (Sensing and Mobility)
3.1. Autonome Fahrzeuge, Level 4 und 5 (Autonomous Driving Level 4 & 5)
Um sich in der Terminologie zurechtzufinden, ist es wichtig, die verschiedenen Autonomiestufen zu verstehen (entnommen aus der ausführlichen , auf die wir alle Interessierten verweisen):
Stufe 1: Tempomat: Unterstützung des Fahrers in sehr begrenzten Situationen (zum Beispiel – das Fahrzeug auf einer bestimmten Geschwindigkeit zu halten, nachdem der Fahrer den Fuß vom Gaspedal genommen hat)
Stufe 2: Eingeschränkte Unterstützung beim Steuern und Bremsen. Der Fahrer muss in der Lage sein, fast sofort die Kontrolle zu übernehmen. Seine Hände sind am Lenkrad, und sein Blick ist auf die Straße gerichtet. Das ist bereits in Tesla- und General Motors-Fahrzeugen vorhanden.
Stufe 3: Der Fahrer muss nicht mehr ständig die Straße im Blick haben. Er muss jedoch wachsam bleiben und bereit sein, die Kontrolle zu übernehmen. Das ist etwas, was es derzeit in den verkaufsfähigen Fahrzeugen noch nicht gibt. Alle derzeit verfügbaren Fahrzeuge sind auf Stufen 1-2.
Stufe 4: Echter Autopilot, jedoch mit Einschränkungen: Nur Fahrten in bekannten, sorgfältig kartierten Gebieten, die im Allgemeinen dem System vertraut sind, und unter bestimmten Bedingungen, zum Beispiel bei fehlendem Schnee. Solche Prototypen existieren bei Waymo und General Motors, die planen, sie in mehreren Städten einzuführen und im realen Umfeld zu testen. Yandex betreibt Testzonen für selbstfahrende Taxis in Skolkovo 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 selbstfahrende Fahrzeuge zu erweitern.
Stufe 5: Vollautomatisches Fahren, vollständiger Ersatz eines menschlichen Fahrers. Solche Systeme existieren nicht und es ist unwahrscheinlich, dass sie in den kommenden Jahren verfügbar sein werden.
Wie realistisch ist es, all dies in absehbarer Zeit zu sehen? Hier möchten wir den Leser auf den Artikel verweisen . Dies liegt teilweise an der fehlenden 5G-Verbindung: die vorhandenen 4G-Geschwindigkeiten sind nicht ausreichend. Zum Teil auch an den sehr hohen Kosten für autonome Fahrzeuge: derzeit sind sie unrentabel und das Geschäftsmodell ist unklar. Kurz gesagt, hier ist es "komplex" und es ist kein Zufall, dass Gartner schreibt, dass die Prognose für die breite Einführung der Stufen 4 und 5 nicht vor 10 Jahren erfolgen wird.
3.2. Kameras mit 3D-Sicht (3D Sensing Cameras)
Vor acht Jahren sorgte der Microsoft Kinect-Spielcontroller für Aufsehen, da er eine erschwingliche und vergleichsweise kostengünstige Lösung für 3D-Sicht bot. Seitdem haben physische Fitness- und Tanzspiele mit Kinect ihren kurzen Höhenflug und anschließenden Rückgang erlebt, während 3D-Kameras sich in industriellen Robotern, autonomen Fahrzeugen und Mobiltelefonen zur Gesichtserkennung durchgesetzt haben. Die Technologie ist günstiger, kompakter und zugänglicher geworden.
Im Samsung S10 befindet sich eine Time-of-Flight-Kamera, die die Entfernung zu einem Objekt misst – um die Fokussierung zu erleichtern.
Wenn Sie sich für dieses Thema interessieren, verweisen wir auf eine sehr gute, ausführliche Übersicht über Tiefenkameras: , .
3.3. Drohnen für die Lieferung kleiner Lasten (Light Cargo Delivery Drones)
In diesem Jahr hat Amazon für Aufsehen gesorgt, als es auf einer Messe eine neue fliegende Drohne präsentierte, die in der Lage ist, kleine Lasten von bis zu 2 kg zu transportieren. Für Städte mit ihren Verkehrsstaus scheint das eine ideale Lösung zu sein. Mal sehen, wie sich diese Drohnen in naher Zukunft bewähren. Hier sollte man jedoch vorsichtigen Skeptizismus walten lassen: Es gibt zahlreiche Probleme, angefangen bei der Möglichkeit des einfachen Diebstahls von Drohnen bis hin zu gesetzlichen Einschränkungen für UAVs. Amazon Prime Air gibt es bereits seit sechs Jahren, aber es befindet sich nach wie vor in der Testphase.
Die neue Drohne von Amazon, die diesen Frühling vorgestellt wurde. Irgendetwas davon erinnert an "Star Wars".
Neben Amazon gibt es auch andere Akteure auf diesem Markt (es gibt detaillierte ), aber kein einziges marktreifes Produkt: alles befindet sich in der Test- und Marketingphase. Erwähnenswert sind auch die durchaus interessanten spezialisierten medizinischen in Afrika: die Lieferung von Spenderblut in Ghana (14.000 Lieferungen, Unternehmen Zipline) und Ruanda (Unternehmen Matternet).
3.4. Fliegende autonome Transportmittel (Flying Autonomous Vehicles)
Hier ist es schwierig, etwas Bestimmtes zu sagen. Laut Gartner wird es frühestens in 10 Jahren Realität. Im Grunde genommen sind es die gleichen Probleme wie bei selbstfahrenden Autos, nur dass sie eine neue Dimension – die vertikale – annehmen. Porsche, Boeing und Uber haben bereits Ambitionen geäußert, fliegende Taxis zu entwickeln.
3.5. Cloud der erweiterten Realität (AR Cloud)
Eine permanente digitale Kopie der realen Welt, die einen neuen Schicht der Realität schafft, die allen Nutzern gemeinsam ist. Technisch gesprochen geht es darum, eine offene Cloud-Plattform zu schaffen, in die Entwickler ihre AR-Anwendungen integrieren können. Das Monetarisierungsmodell ist klar und ähnelt dem von Steam. Die Idee hat sich so festgesetzt, dass einige bereits der Meinung sind, dass AR ohne Cloud schlichtweg nutzlos ist.
Wie das in Zukunft aussehen könnte, wird in einem kurzen Video dargestellt. Es sieht aus wie eine weitere Episode von "Black Mirror":
Es gibt auch weitere Lektüre in
4. „Erweiterter“ Mensch (Augmented Human)
4.1. KI für Emotionen (Emotion AI)
Wie kann man menschliche Emotionen messen, simulieren und darauf reagieren? Zu den Kunden zählen Unternehmen, die Sprachassistenten wie Amazon Alexa entwickeln. Um wirklich in die Haushalte einzudringen, müssen sie lernen, die Stimmung zu erkennen: den Grund für Unzufriedenheit des Nutzers zu verstehen und versuchen, die Situation zu verbessern. Allgemein gibt es im Kontext viel mehr Informationen als in der Nachricht selbst. Und der Kontext umfasst sowohl Gesichtsausdrücke als auch Intonation und non-verbales Verhalten.
Weitere praktische Anwendungen: Emotionserkennung während Vorstellungsgesprächen (bei Video-Interviews), Bewertung der Reaktionen auf Werbevideos oder andere audiovisuelle Inhalte (Lächeln, Lachen), Unterstützung beim Lernen (zum Beispiel für Selbstübungen in der Kunst des öffentlichen Sprechens).
Zu diesem Thema lässt sich kaum besser äußern als der Autor des 6-minütigen Kurzfilms. . In einem clever und stilvoll gestalteten Video wird gezeigt, wie man unsere Emotionen für Marketingzwecke messen kann und aus den momentanen Reaktionen Ihres Gesichts erfahren kann: Lieben Sie Pizza, Hunde, Kanye West, und was Ihr Einkommen sowie Ihr geschätzter IQ sind. Durch den Besuch der Website des Films über den obigen Link nehmen Sie an einem interaktiven Video teil, das die eingebaute Kamera Ihres Laptops nutzt. Der Film wurde bereits auf mehreren Filmfestivals gezeigt.
Es gibt sogar eine interessante Studie darüber, wie man Sarkasmus in Texten erkennt. Man nahm Tweets mit dem Hashtag #Sarkasmus und erstellte ein Trainingsset aus 25.000 sarkastischen Tweets und 100.000 normalen Tweets zu allem Möglichen. Man verwendete die Bibliothek TensorFlow, trainierte das System 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 – die bereits !
4.2. Augmented Intelligence
Die Automatisierung intelligenter Arbeit durch Methoden des maschinellen Lernens. Klingt zunächst nicht neu? Doch hier ist die Formulierung entscheidend, insbesondere da sie die gleiche Abkürzung wie Artificial Intelligence nutzt. Dies verweist auf die Debatte über 'starke' und 'schwache' KI.
Starke KI ist der künstliche Intelligenz aus Science-Fiction-Filmen sehr ähnlich, die vollständig dem menschlichen Verstand entspricht und sich selbst als Persönlichkeit erkennt. So etwas existiert noch nicht, und es ist unklar, ob es jemals existieren wird.
Schwache KI hingegen ist keine eigenständige Persönlichkeit, sondern ein Assistenzsystem für den Menschen. Sie beansprucht kein menschenähnliches Denken, sondern kann lediglich Informationsaufgaben erledigen, wie zum Beispiel zu bestimmen, was auf einem Bild abgebildet ist oder Texte zu übersetzen.
In diesem Sinne ist Augmented Intelligence ein reines Beispiel für "schwache KI", und die Formulierung scheint gelungen zu sein, da sie keine Verwirrung stiftet und nicht verleitet, den "starken KI"-Mythos zu sehen, von dem alle träumen (oder Angst haben, wenn man an die vielen Diskussionen über das "Aufbegehren der Maschinen" denkt). Mit dem Begriff Augmented Intelligence ziehen wir sofort in das Genre eines anderen Films ein: von Science-Fiction (wie "Ich, der Roboter" von Asimov) gelangen wir in die Cyberpunk-Welt, wo "Augmentierungen" verschiedene Implantate bezeichnen, die die Fähigkeiten des Menschen erweitern.
Wie Eric Brynjolfsson und Andrew McAfee: „In den nächsten 10 Jahren wird Folgendes passieren. Nicht KI wird Manager ersetzen, sondern diejenigen Manager, die KI nutzen, werden die ersetzen, die es noch nicht getan haben.“
Beispiele:
- Medizin: Die Stanford-Universität hat einen , der die Aufgabe erfüllt, Pathologien auf Röntgenbildern des Brustkorbs zu erkennen, im Durchschnitt ebenso erfolgreich wie die meisten Ärzte.
- Bildung: Unterstützung für Schüler und Lehrer, Analyse der Reaktionen der Schüler auf Inhalte, Gestaltung individueller Lernpfade.
- Business Analytics: Die Datenvorbereitung nimmt statistisch gesehen 80% der Zeit eines Forschers in Anspruch, während nur 20% für das Experiment selbst verwendet werden.
4.3. Biochips
Dies ist ein beliebtes Thema in allen Cyberpunk-Filmen und -Büchern. Das Chippen von Haustieren ist an sich keine neue Praxis. Doch jetzt werden diese Chips auch bei Menschen eingesetzt.
In diesem Fall hängt der Hype wahrscheinlich mit dem Aufsehen erregenden Vorfall bei der amerikanischen Firma Three Square Market zusammen. Dort bot der Arbeitgeber an, Chips unter die Haut zu implantieren, im Austausch für eine Belohnung. Der Chip ermöglicht das Öffnen von Türen, das Einloggen an Computern und den Kauf von Snacks an Automaten – im Grunde genommen eine universelle Mitarbeiterkarte. Der Chip fungiert dabei ausschließlich als Identifikationskarte; ein GPS-Modul ist nicht vorhanden, weshalb niemand anhand dieses Chips verfolgt werden kann. Wenn jemand den Chip aus seiner Hand entfernen möchte, dauert dies mit Hilfe eines Arztes nur 5 Minuten.
Die Chips werden normalerweise zwischen dem Daumen und dem Zeigefinger implantiert.
Lesen Sie mehr über den aktuellen Stand der Chipimplantationen weltweit. 4.4. Immersive Arbeitsumgebung
4.4. Immersiver Arbeitsbereich (Immersive Workspace)
«Immersiv» – ein weiteres neues Wort, dem man kaum entkommen kann. Es ist überall. Immersives Theater, Ausstellungen, Kino. Was bedeutet das eigentlich? Immersivität beschreibt den Effekt des Eintauchens, bei dem die Grenze zwischen Autor und Zuschauer, zwischen virtuellem und realem Raum verschwimmt. Im Kontext des Arbeitsplatzes impliziert dies, dass die Trennung zwischen Ausführenden und Initiatoren aufgehoben wird und Mitarbeitende zu einer aktiveren Rolle ermutigt werden, indem ihre Umgebung umgestaltet wird.
Da mittlerweile überall Agile, Flexibilität und enge Zusammenarbeit gefordert werden, müssen auch Arbeitsplätze so konfiguriert sein, dass sie maximale Anpassungsfähigkeit bieten und Teamarbeit fördern. Die Wirtschaft diktiert ihre Bedingungen: Es gibt immer mehr Zeitarbeitskräfte, die Kosten für Büromieten steigen, und im wettbewerbsintensiven Arbeitsmarkt der IT-Branche setzen Unternehmen darauf, die Zufriedenheit ihrer Mitarbeitenden durch die Schaffung von Erholungsbereichen und anderen Vorteilen zu steigern. All dies spiegelt sich im Design der Arbeitsplätze wider.
Von Knoll
4.5. Personifizierung (Personification)
Jeder kennt die Personalisierung in der Werbung. Das ist, wenn Sie heute mit einem Kollegen besprechen, dass die Luft im Raum etwas trocken ist und man vielleicht einen Luftbefeuchter fürs Büro kaufen sollte, und am nächsten Tag sehen Sie in sozialen Netzwerken die Werbung – „kaufen Sie einen Luftbefeuchter“ (eine echte Geschichte, die mir passiert ist).
Personifizierung hingegen ist laut Gartner die Antwort auf das wachsende Besorgnis der Nutzer über die Verwendung ihrer persönlichen Daten für Werbezwecke. Das Ziel ist es, eine Methode zu entwickeln, bei der uns Werbung angezeigt wird, die zum Kontext passt, in dem wir uns befinden, und nicht für uns persönlich. Beispielsweise sind unser Standort, der Gerätetyp, die Tageszeit und die Wetterbedingungen Dinge, die unsere persönlichen Daten nicht verletzen, wodurch wir kein unangenehmes Gefühl von „Überwachung“ empfinden.
Um mehr über den Unterschied zwischen diesen beiden Begriffen zu erfahren, lesen Sie von Andrew Frank im Blog der Gartner-Website. Das ist so eine feine Unterscheidung und so ähnliche Begriffe, dass Sie, ohne den Unterschied zu kennen, Gefahr laufen, lange mit Ihrem Gesprächspartner zu streiten, ohne zu ahnen, dass beide im Grunde recht haben (und das ist auch eine wahre Geschichte, die dem Autor passiert ist).
4.6. Biotech – Kultivierte oder künstliche Gewebe (Biotech – Cultured or Artificial Tissue)
Im Kern handelt es sich um die Idee, künstliches Fleisch anzubauen. Zeitgleich arbeiten mehrere Teams weltweit an der Entwicklung von Laborfleisch "Meat 2.0" – das erwartet wird, günstiger als herkömmliches Fleisch zu sein, und zunächst von Fast-Food-Ketten und später auch von Supermärkten übernommen wird. Zu den Investoren in diese Technologie gehören Bill Gates, Sergey Brin, Richard Branson und andere.
Quelle
Gründe, warum künstliches Fleisch so großes Interesse weckt:
- Globale Erwärmung: Methanemissionen aus der Viehzucht. Dies macht 18 % des weltweiten Volumens der klimawirksamen Gase aus.
- Wachstum der Bevölkerung. Der Bedarf an Fleisch steigt, und es ist nicht möglich, alle mit herkömmlichem Fleisch zu ernähren – es ist einfach zu teuer.
- Platzmangel. 70 % der Wälder im Amazonasgebiet sind bereits für Weideland gerodet worden.
- Ethische Überlegungen. Es gibt Menschen, für die dies wichtig ist. Die Tierschutzorganisation PETA hat bereits ein Preisgeld von 1 Million Dollar für den Wissenschaftler ausgelobt, der künstliches Hühnerfleisch auf den Markt bringt.
Der Austausch von echtem Fleisch gegen Soja ist nur eine Teillösung, da die Menschen den Geschmack und die Textur deutlich unterscheiden können und kaum auf ein Steak zugunsten von Soja verzichten werden. Daher ist echtes, organisch angebautes Fleisch notwendig. Leider sind künstliche Fleischalternativen derzeit zu teuer: ab 12 € pro Kilogramm. Dies hängt mit dem komplexen Herstellungsprozess solcher Produkte zusammen. Lesen Sie mehr darüber. .
Im Hinblick auf andere Fälle des Gewebewachstums – bereits in der Medizin – ist das Thema künstliche Organe interessant: zum Beispiel ein "Pflaster" für den Herzmuskel. mit einem speziellen 3D-Drucker. Bekannt sind wie das künstlich gezüchtete Herz einer Maus, aber insgesamt bewegen wir uns bisher noch im Rahmen klinischer Versuche. Ein Frankenstein in naher Zukunft ist daher unwahrscheinlich.
Hier ist Gartner bei seinen Einschätzungen sehr vorsichtig und behält wohl seine gescheiterte Vorhersage aus dem Jahr 2015 im Hinterkopf, dass 2019 10 % der Bevölkerung in entwickelten Ländern über ein 3D-gedrucktes medizinisches Implantat verfügen würden. Daher nennt er den Zeitpunkt, an dem die Produktivität ein Plateau erreicht, mit mindestens 10 Jahren.
5. Digitale Ökosysteme
5.1. Dezentralisiertes Web
Dieses Konzept ist eng mit dem Namen des Web-Erfinders, des Turing-Preisträgers Sir Tim Berners-Lee, verbunden. Für ihn waren ethische Fragen in der Informatik und die kollektive Natur des Internets stets von großer Bedeutung: Beim Schaffen der Grundlagen des Hypertextes war er überzeugt, dass das Netz als Spinnennetz und nicht als Hierarchie funktionieren sollte. So war es in den frühen Phasen der Netzentwicklung. Doch mit dem Wachstum des Internets begann sich seine Struktur aus verschiedenen Gründen zu zentralisieren. Es stellte sich heraus, dass der Zugang zum Netz für ein ganzes Land leicht durch nur wenige Anbieter blockiert werden kann. Nutzerdaten wurden zu einer Quelle von Macht und Einkommen für Internetunternehmen.
„Das Internet ist bereits dezentralisiert“, sagt Berners-Lee. „Das Problem ist, dass eine Suchmaschine, ein großes soziales Netzwerk und eine Plattform für Mikroblogging dominieren. Wir haben keine technologischen Probleme, sondern soziale.“
In seinem zum 30-jährigen Jubiläum des World Wide Web skizzierte der Web-Gründer drei Hauptprobleme des Internets:
- Gezielte Schädigung, wie staatlich geförderte Hackerangriffe, Kriminalität und Online-Belästigung
- Das Design des Systems selbst, das zum Nachteil des Nutzers den Boden für Mechanismen wie finanzielle Anreize für Clickbait und die virale Verbreitung von Fehlinformationen schafft
- Unbeabsichtigte Auswirkungen des Systemdesigns, die zu Konflikten und einer Verringerung der Qualität von Online-Diskussionen führen
Tim Berners-Lee hat bereits eine Antwort darauf, auf welchen Prinzipien das "Internet der gesunden Menschen" basieren könnte, das das Problem Nummer 2 vermeidet: "Für viele Nutzer bleibt das einzige Modell der Interaktion mit dem Web das Einkommen aus Werbung. Auch wenn die Leute besorgt über den Umgang mit ihren Daten sind, 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." Eine Möglichkeit, wie dies umsetzbar sein könnte: Musiker könnten ihre Aufnahmen direkt ohne Vermittler wie iTunes verkaufen, und Nachrichtenportale könnten ein Mikropayment-System für das Lesen eines einzelnen Artikels nutzen, anstatt ihre Einnahmen durch Werbung zu erzielen.
Als experimenteller Prototyp eines neuen Internets hat Tim Berners-Lee das Projekt SOLID ins Leben gerufen, dessen Kernidee darin besteht, dass Sie Ihre Daten in einem "Pod" – einem Informationsspeicher – aufbewahren und diese Daten externen Anwendungen zur Verfügung stellen können. Im Prinzip sind Sie jedoch der Eigentümer Ihrer Daten. All dies steht in engem Zusammenhang mit dem Konzept der Peer-to-Peer-Netzwerke, bei dem Ihr Computer nicht nur Dienste anfordert, sondern diese auch bereitstellt, um nicht auf einen einzigen Server als alleinigen Kanal angewiesen zu sein.
5.2. Dezentrale autonome Organisationen (Decentralized Autonomous Organizations)
Dies ist eine Organisation, die durch Regeln verwaltet wird, die in Form von Computerprogrammen festgelegt sind. Ihre finanziellen Aktivitäten finden auf Basis der Blockchain statt. Das Ziel der Schaffung solcher Organisationen ist es, den Staat aus der Rolle des Vermittlers zu entfernen und eine gemeinsame vertrauenswürdige Umgebung für Geschäftspartner zu schaffen, die nicht von einer Person oder Institution allein kontrolliert wird, sondern gemeinsam von allen. Theoretisch könnte dies, wenn die Idee Fuß fasst, Notare und andere gewohnte Verifikationsinstanzen überflüssig machen.
Das bekannteste Beispiel einer solchen Organisation war das venture-orientierte The DAO, das 2016 150 Millionen Dollar einsammelte, von denen 50 Millionen sofort durch eine legale "Schwachstelle" 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 keineswegs gegen die Regeln der Plattform verstieß. Letztendlich mussten die Schöpfer, um das Geld den Investoren zurückzugeben, The DAO auflösen, indem sie die Blockchain umschrieben und ihren grundlegenden Grundsatz – die Unveränderlichkeit – verletzten.
Comic über Ethereum (links) und The DAO (rechts).
Diese ganze Geschichte hat den Ruf der Idee eines DAO beschädigt. Das Projekt basierte auf der Kryptowährung Ethereum, im nächsten Jahr wird die Version Ethereum 2.0 erwartet – möglicherweise werden die Schöpfer (darunter der bekannte Vitalik Buterin) die Fehler berücksichtigen und etwas Neues präsentieren. Wahrscheinlich aus diesem Grund hat Gartner das DAO auf eine aufsteigende Linie gesetzt.
5.3. Synthetische Daten (Synthetics Data)
Für das Training von neuronalen Netzen werden große Datenmengen benötigt. Daten manuell zu kennzeichnen ist eine enorme Aufgabe, die nur von Menschen durchgeführt werden kann. Daher ist es möglich, künstliche Datensätze zu erstellen. Zum Beispiel dieselben Sammlungen menschlicher Gesichter auf der Webseite . Sie werden mithilfe von GANs erstellt – Algorithmen, die bereits erwähnt wurden.
Diese Gesichter gehören nicht zu echten Personen.
Ein großer Vorteil solcher Daten liegt darin, dass keine rechtlichen Schwierigkeiten bei ihrer Verwendung auftreten: Es gibt niemanden, der der Verarbeitung personenbezogener Daten zustimmen könnte.
5.4.Digital Ops
Der Suffix „Ops“ ist seit der Popularität von DevOps in unserem Sprachgebrauch äußerst trendy geworden. Jetzt ist DigitalOps einfach eine Zusammenfassung von DevOps, DesignOps, MarketingOps... Sind Sie noch dabei? Kurz gesagt, es ist der Transfer des in DevOps etablierten Ansatzes auf alle anderen Geschäftsbereiche – Marketing, Design usw.
Die Idee von DevOps war es, die Barrieren zwischen der eigentlichen Entwicklung und den Betriebsabläufen abzubauen, indem man gemeinsame Teams bildet, in denen Programmierer, Tester, Sicherheitsfachleute und Administratoren zusammenarbeiten. Dazu wurden bestimmte Praktiken eingeführt: kontinuierliche Integration, Infrastruktur als Code sowie Verkürzung und Stärkung von Feedback-Schleifen. Das Ziel war, die Markteinführung von Produkten zu beschleunigen. Wenn Sie dachten, das klingt nach Agile, dann haben Sie Recht. Übertragen Sie jetzt diesen Ansatz gedanklich von der Softwareentwicklung auf die Entwicklung insgesamt – und Sie verstehen, was DigitalOps bedeutet.
5.5. Wissensgraphen (Knowledge Graphs)
Ein softwaregestützter Ansatz zur Modellierung eines Wissensbereichs, auch unter Verwendung von Algorithmen des maschinellen Lernens. Ein Wissensgraph wird auf bestehenden Datenbanken aufgebaut, um alle Informationen zu einem Ganzen zu verbinden: sowohl strukturierte (Ereignis- oder Personendaten) als auch unstrukturierte (Textartikel).
Das einfachste Beispiel ist die Karte, die Sie in den Google-Suchergebnissen sehen können. Wenn Sie nach einer Person oder einer Institution suchen, sehen Sie rechts eine Karte:
Bitte beachten Sie, dass die "Bevorstehenden Veranstaltungen" keine Kopie der Informationen von Google Maps sind, sondern eine Integration des Zeitplans von Yandex.Afisha: Sie sehen dies leicht, wenn Sie auf die Veranstaltungen klicken. Das bedeutet, dass mehrere Datenquellen zu einer einzigen zusammengeführt werden.
Wenn Sie eine Liste anfordern – zum Beispiel "bekannte Regisseure" – wird Ihnen ein "Karussell" angezeigt:
Ein Bonus für diejenigen, die bis zum Ende gelesen haben.
Und jetzt, da wir die Bedeutung jedes Punktes geklärt haben, können wir uns dasselbe Bild ansehen, aber bereits in deutscher Sprache:
Teilen Sie es ruhig in sozialen Netzwerken!
Tatjana Wolkowa – Autorin des Lehrplans für den Track über das Internet der Dinge an der IT-Akademie von Samsung, Expertin für Programme zur sozialen Unternehmensverantwortung im Samsung Forschungszentrum.
Quelle: habr.com
