La diagramo de Gartner estas kiel altmoda spektaklo por tiuj en la teknologia industrio. Rigardante ĝin, vi povas ekscii anticipe, kiuj vortoj estas la plej ŝatataj ĉi tiu sezono kaj kion vi aŭdos ĉe ĉiuj venontaj konferencoj.
Ni deĉifris kio estas malantaŭ la belaj vortoj en ĉi tiu grafikaĵo por ke vi ankaŭ povu paroli la lingvon.
Komence, nur kelkajn vortojn pri kia grafikaĵo ĉi tio estas. Ĉiujare en aŭgusto, la konsilanta agentejo Gartner publikigas raporton - Gartner Hype Curve. En la rusa, ĉi tio estas "hype-kurbo", aŭ, pli simple, hype. Antaŭ 30 jaroj, repistoj de la grupo Public Enemy kantis: "Ne kredu la furoraĵon." Kredu ĝin aŭ ne, ĝi estas persona demando, sed indas almenaŭ scii ĉi tiujn ŝlosilvortojn se vi laboras en la teknologia kampo kaj volas scii tutmondajn tendencojn.
Ĉi tio estas grafikaĵo de publikaj atendoj de aparta teknologio. Laŭ Gartner, ideale, teknologio pasas tra 5 stadioj: teknologia lanĉo, pinto de plenblovitaj atendoj, valo de seniluziiĝo, deklivo de klerismo, altebenaĵo de produktiveco. Sed ankaŭ okazas, ke ĝi dronas en la "valo de seniluziiĝo" - vi mem povas memori ekzemplojn tre facile, prenu la samajn bitcoins: komence trafante la pinton kiel "mono de la estonteco", ili rapide glitis malsupren kiam la mankoj de la teknologio. iĝis evidenta, antaŭ ĉio limigoj pri la nombro da transakcioj kaj la grandega kvanto da elektro necesa por generi bitcoins (kiu jam kunportas mediajn problemojn). Kaj kompreneble ni ne devas forgesi, ke la diagramo de Gartner estas nur prognozo: ĉi tie, ekzemple, vi povas legi detalan , kie la plej okulfrapaj neplenumitaj prognozoj estas ordigitaj.
Do, ni trarigardu la novan Gartner-diagramon. Teknologioj estas dividitaj en 5 grandajn temajn grupojn:
- Altnivela AI kaj Analytics
- Postklasika Komputado kaj Comms
- Sentado kaj Movebleco
- Pliigita Homo
- Ciferecaj Ekosistemoj
1. Altnivela AI kaj Analytics
Dum la pasintaj 10 jaroj ni vidis la plej bonan horon de profunda lernado. Ĉi tiuj retoj estas vere efikaj por sia gamo de taskoj. En 2018, Yann LeCun, Geoffrey Hinton kaj Yoshua Bengio ricevis la Premion Turing pro siaj malkovroj - la plej prestiĝa premio, analoga al la Nobel-premio pri komputiko. Do, la ĉefaj tendencoj en ĉi tiu areo, kiuj estas montritaj sur la diagramo:
1.1. Transiga Lernado
Vi ne trejnas neŭralan reton de nulo, sed prenu jam trejnitan kaj asignas al ĝi alian celon. Kelkfoje tio postulas retrejnadon de parto de la reto, sed ne de la tuta reto, kiu estas multe pli rapida. Ekzemple, prenante pretan neŭralan reton ResNet50, trejnitan sur la datumaro ImageNet1000, vi ricevos algoritmon kiu povas klasifiki multajn malsamajn objektojn en bildo je tre profunda nivelo (1000 klasoj bazitaj sur trajtoj generitaj de 50 tavoloj de la neŭrala reto). reto). Sed vi ne devas trejni tiun tutan reton, kio prenus monatojn.
В Samsung "Neŭralaj retoj kaj komputila vizio", ekzemple, en la finalo kun la klasifiko de platoj en puraj kaj malpuraj, estas pruvita aliro, ke en 5 minutoj donas al vi je via dispono profundan neŭralan reton kapablan distingi malpurajn platojn de puraj, konstruitaj laŭ la supre priskribita arkitekturo. La origina reto tute ne sciis, kiaj platoj estas, ĝi nur lernis distingi birdojn de hundoj (vidu ImageNet).
fonto: Samsung "Neŭralaj retoj kaj komputila vizio"
Por Transiga Lernado vi devas scii kiuj aliroj funkcias kaj kiaj pretaj bazaj arkitekturoj disponeblas. Ĝenerale, tio multe akcelas la aperon de praktikaj aplikoj de maŝinlernado.
1.2. Generaj Kontraŭaj Retoj (GAN)
Ĉi tio estas por tiuj kazoj, kiam estas al ni tre malfacile formuli la lerncelon. Ju pli proksimas la tasko al la reala vivo, des pli komprenebla ĝi estas por ni (“alportu la nokttablon”), sed des pli malfacilas formuli ĝin kiel teknikan taskon. GAN estas nur provo savi nin de ĉi tiu problemo.
Estas du retoj laborantaj ĉi tie: unu estas generatoro (Generativo), la alia estas diskriminanto (Konversacia). Unu reto lernas fari utilan laboron (klasifiki bildojn, rekoni sonojn, desegni bildstriojn). Kaj alia reto lernas instrui tiun reton: ĝi havas realajn ekzemplojn, kaj ĝi lernas trovi antaŭe nekonatan kompleksan formulon por kompari la produktojn de la genera parto de la reto kun realaj objektoj (trejnadaro) surbaze de vere gravaj profundaj trajtoj. : la nombro da okuloj, proksimeco al la stilo de Miyazaki, ĝusta angla prononco.
Ekzemplo de la rezulto de reto por generado de animeaj karakteroj.
Sed, kompreneble, estas malfacile konstrui arkitekturon tie. Ne sufiĉas nur ĵeti neŭronojn, ili devas esti pretaj. Kaj vi devas studi dum semajnoj. Miaj kolegoj ĉe la Samsung Artefarita Inteligenteco-Centro laboras pri la temo GAN; ĉi tiu estas unu el iliaj ĉefaj esploraj demandoj. Ekzemple, tiel : uzante generajn retojn por sintezi realismajn fotojn de homoj kun variaj pozoj - ekzemple por krei virtualan vestoprovizĉambron, aŭ por sintezi vizaĝon, kio povas redukti la kvanton da informoj, kiuj devas esti konservitaj aŭ transdonitaj por certigi altkvalitan videon. komunikado, elsendado aŭ protekto de personaj datumoj.
1.3. Klarigebla AI
Por kelkaj maloftaj taskoj, progresoj en profundaj arkitekturoj subite alportis la kapablojn de profundaj neŭralaj retoj pli proksime al homaj kapabloj. Nun la batalo daŭriĝas por pliigi la gamon de tiaj taskoj. Ekzemple, robota polvosuĉilo povus facile distingi katon de hundo en fronta renkontiĝo. Sed en la plej multaj vivsituacioj, li ne povos trovi katon dormantan inter tolaĵo aŭ mebloj (tamen, kiel ni, plejofte...).
Kio estas la kialo de la sukceso de profundaj neŭralaj retoj? Ili disvolvas reprezenton de la problemo bazita ne sur informoj "videblaj al la nuda okulo" (fotopikseloj, ŝanĝoj en sonvolumo...), sed sur trajtoj akiritaj post antaŭprilaborado de ĉi tiuj informoj per kelkcent tavoloj de neŭrala reto. Bedaŭrinde, ĉi tiuj rilatoj ankaŭ povas esti sensencaj, malkonsekvencaj aŭ porti spurojn de neperfektaĵoj en la origina datumaro. Ekzemple, ekzistas malgranda komputila ludo pri kio la senpripensa uzo de AI en varbado povas konduki .
La bilda etikedsistemo etikedis la homon kuirantan kiel virinon, kvankam la persono en la bildo estas fakte viro (). ĝi ĉe la Virginia Instituto.
Por analizi kompleksajn kaj profundajn rilatojn, kiujn ni ofte ne povas formuli, necesas Klarigeblaj AI-metodoj. Ili organizas la trajtojn de profundaj neŭralaj retoj tiel ke post trejnado, ni povas analizi la internan reprezentadon kiun la reto lernis, prefere ol simple fidi je sia decido.
1.4. Edge Analytics / AI
Ĉio kun la vorto Edge laŭvorte signifas la jenon: translokigi parton de la algoritmoj de la nubo/servilo al la fina aparato/pordeja nivelo. Tia algoritmo funkcios pli rapide kaj ne postulos konekton al centra servilo por sia funkciado. Se vi konas la abstraktadon de "maldika kliento", tiam ĉi tie ni faras ĉi tiun klienton iom pli dika.
Ĉi tio povus esti grava por la Interreto de Aĵoj. Ekzemple, se maŝino estas trovarmigita kaj bezonas malvarmigon, estas senco signali tion tuj, ĉe la plantnivelo, sen atendi ke la datumoj iru al la nubo kaj de tie al la deĵorestro. Aŭ alia ekzemplo: memveturantaj aŭtoj povas memstare eltrovi la trafikan situacion, sen kontakti centran servilon.
Aŭ alia ekzemplo de kial tio gravas el sekureca vidpunkto: kiam vi tajpas tekstojn sur via telefono, ĝi memoras la vortojn, kiuj estas tipaj por vi, por ke poste la telefona klavaro povu oportune instigi vin per ili - tio estas nomata prognoza. enigo de teksto. Sendi ĉion, kion vi tajpas per via klavaro al datumcentro ie, estus malobservo de via privateco kaj simple nesekura. Tial klavara trejnado okazas nur ene de via aparato mem.
1.5. AI-Platformo kiel Servo (AI PaaS)
PaaS - Platform-as-a-Service estas komerca modelo en kiu ni ricevas aliron al integra platformo, inkluzive de ĝia nub-bazita datumstokado kaj pretaj proceduroj. Tiel, ni povas liberigi nin de infrastrukturaj taskoj kaj plene koncentriĝi pri produkti ion utilan. Ekzemplo de PaaS-platformoj por AI-taskoj: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Adapta Maŝina Lernado (Adaptiva ML)
Kaj se ni lasos artefaritan inteligentecon adaptiĝi... Vi demandas – tio estas, kiel?.. Ĉu ĝi ne jam adaptiĝas al la tasko? La problemo estas jena: ni pene desegnas ĉiun tian problemon antaŭ ol konstrui artefaritan inteligentecan algoritmon por solvi ĝin. Ili respondos al vi - rezultas, ke ĉi tiu ĉeno povas esti simpligita.
Konvencia maŝinlernado funkcias laŭ la principo de malferma buklo: vi preparas datumojn, elpensas neŭralan reton (aŭ ion ajn), trejnas, poste rigardas plurajn indikilojn, kaj se vi ŝatas ĉion, vi povas sendi la neŭralan reton al saĝtelefonoj. por solvi uzantproblemojn. Sed en aplikoj kie estas multaj datumoj kaj ĝia naturo iom post iom ŝanĝiĝas, aliaj metodoj estas necesaj. Tiaj sistemoj, kiuj sin adaptiĝas kaj instruas, estas organizitaj en fermitaj, memlernantaj maŝoj (fermita buklo), kaj ili devas funkcii glate.
Aplikoj - tio povus esti fluo-analitiko (Stream Analytics), surbaze de kiu multaj komercistoj faras decidojn, aŭ adapta produktadadministrado. Laŭ la skalo de aktualaj aplikoj kaj donitaj la pli bone komprenitaj riskoj por homoj, la teknikoj kiuj konsistigas solvon al ĉi tiu problemo estas ĉiuj kolektitaj sub la tegmenta termino Adapta AI.
Rigardante ĉi tiun bildon, estas malfacile forigi la senton, ke futurologoj ne nutras panon - ili instruu roboton spiri...
Postklasika Komputado kaj Comms
2.1. Poŝtelefonaj komunikadoj de kvina generacio (5G)
Ĉi tio estas tiel interesa temo, ke ni tuj referencas vin al nia . Nu, jen mallonga resumo. 5G, pliigante la oftecon de transdono de datumoj, faros la interretan rapidecon nerealisme rapida. Estas pli malfacile por mallongaj ondoj trapasi obstaklojn, do la dezajno de retoj estos tute alia: 500 fojojn pli da bazstacioj estas bezonataj.
Kune kun rapideco, ni ricevos novajn fenomenojn: realtempajn ludojn kun pliigita realeco, plenumante kompleksajn taskojn (kiel ekzemple kirurgio) per teleĉeesto, preventante akcidentojn kaj malfacilajn situaciojn sur la vojoj per komunikado inter maŝinoj. En pli proza noto: poŝtelefona Interreto finfine ĉesos fali dum amasaj eventoj, kiel matĉo ĉe stadiono.
Bildfonto - Reuters, Niantic
2.2. Venontgeneracia Memoro
Ĉi tie ni parolas pri la kvina generacio de RAM - DDR5. Samsung anoncis, ke produktoj bazitaj en DDR2019 estos disponeblaj antaŭ la fino de 5. Oni atendas, ke la nova memoro estos duoble pli rapida kaj duoble pli ampleksa, konservante la saman forman faktoron, tio estas, ni povos akiri memorbastonojn kun kapacito de ĝis 32GB por nia komputilo. Estontece, ĉi tio estos speciale grava por saĝtelefonoj (la nova memoro estos en malforta versio) kaj por tekkomputiloj (kie la nombro da DIMM-fendoj estas limigita). Kaj maŝinlernado ankaŭ postulas grandajn kvantojn da RAM.
2.3. Malalt-Tera-Orbita Satelitsistemoj
La ideo anstataŭigi pezajn, multekostajn, potencajn satelitojn per svarmo de malgrandaj kaj malmultekostaj estas tute ne nova kaj aperis en la 90-aj jaroj. Pri kio Nun nur maldiligentuloj ne aŭdis. La plej fama kompanio ĉi tie estas Iridium, kiu bankrotis fine de la 90-aj jaroj, sed estis ŝparita koste de la Usona Departemento pri Defendo (ne konfuzu kun iRidium, la rusa inteligenta hejma sistemo). La projekto de Elon Musk (Starlink) estas malproksima de la sola - Richard Branson (OneWeb - 1440 proponitaj satelitoj), Boeing (3000 satelitoj), Samsung (4600 satelitoj), kaj aliaj partoprenas en la satelita vetkuro.
Kiel la aferoj staras en ĉi tiu areo, kiel aspektas la ekonomio tie - legu . Kaj ni atendas la unuajn provojn de ĉi tiuj sistemoj de la unuaj uzantoj, kiuj devus okazi venontjare.
2.4. Nanoskala 3D Presado
3D-presado, kvankam ĝi ne eniris la vivon de ĉiu homo (en la formo promesita de individua hejma plasta fabriko), tamen antaŭ longe forlasis la teknologian niĉon por geeks. Vi povas juĝi laŭ la fakto, ke ĉiu lernejano scias pri la ekzisto de almenaŭ 3D skulptitaj plumoj, kaj multaj revas aĉeti skatolon kun kuriloj kaj extruder por... "ĝuste tiel" (aŭ jam aĉetis ĝin).
Stereolitografio (lasera 3D presiloj) permesas presadon per individuaj fotonoj: novaj polimeroj estas esploritaj, kiuj postulas nur du fotonojn por solidiĝi. Ĉi tio permesos, en nelaboratoriaj kondiĉoj, krei tute novajn filtrilojn, montojn, risortojn, kapilarojn, lensojn kaj... viajn eblojn en la komentoj! Kaj ĉi tie ĝi ne estas malproksime de fotopolimerigo - nur ĉi tiu teknologio permesas al ni "presi" procesorojn kaj komputikajn cirkvitojn. Krome, ĉi tiu ne estas la unua jaro, kiun ekzistas , sed sen radikala evoluo.
3. Sentado kaj Movebleco
3.1. Aŭtonoma Veturado Nivelo 4 & 5
Por ne konfuziĝi en la terminologio, indas kompreni, kiajn nivelojn de aŭtonomeco oni distingas (prenitaj el la detala , al kiu ni referencas ĉiujn interesatojn):
Nivelo 1: Krozkontrolo: helpas la ŝoforon en tre limigitaj situacioj (ekzemple, tenante la aŭton je antaŭfiksita rapideco post kiam la ŝoforo deprenas sian piedon de la pedalo)
Nivelo 2: Limigita stirado kaj bremsado. La ŝoforo devas esti preta preni kontrolon preskaŭ tuj. Liaj manoj estas sur la stirilo, liaj okuloj estas direktitaj al la vojo. Ĉi tio estas io, kion Tesla kaj General Motors jam havas.
Nivelo 3: La ŝoforo ne plu devas konstante rigardi la vojon. Sed li devas resti vigla kaj esti preta preni kontrolon. Ĉi tio estas io, kion komerce disponeblaj aŭtoj ankoraŭ ne havas. Ĉiuj nuntempe ekzistantaj estas je nivelo 1-2.
Nivelo 4: Vera aŭtopiloto, sed kun limigoj: nur vojaĝoj en konata areo, kiu estas zorge mapita kaj ĝenerale konata de la sistemo, kaj sub certaj kondiĉoj: ekzemple, en foresto de neĝo. Waymo kaj General Motors havas tiajn prototipojn, kaj ili planas lanĉi ilin en pluraj urboj kaj testi ilin en realaj medioj. Yandex havas testajn zonojn por senpilotaj taksioj en Skolkovo kaj Innopolis: la vojaĝo okazas sub la superrigardo de inĝeniero sidanta en la seĝo de la pasaĝero; antaŭ la fino de la jaro, la firmao planas vastigi sian floton al 100 senpilotaj veturiloj.
Nivelo 5: Plena aŭtomata veturado, kompleta anstataŭigo de viva ŝoforo. Tiaj sistemoj ne ekzistas, kaj ili verŝajne ne aperos en la venontaj jaroj.
Kiom realisma estas vidi ĉion ĉi en antaŭvidebla estonteco? Ĉi tie mi ŝatus redirekti la leganton al la artikolo . Ĉi tio estas parte pro la manko de 5G-konektebleco: disponeblaj 4G-rapidecoj ne sufiĉas. Parte pro la tre alta kosto de aŭtonomaj aŭtoj: ili ankoraŭ ne estas profitodonaj, la komerca modelo estas neklara. Unuvorte, "ĉio estas komplika" ĉi tie, kaj ne hazarde Gartner skribas, ke la prognozo por amasa efektivigo de Niveloj 4 kaj 5 ne estas pli frua ol en 10 jaroj.
3.2. 3D-Sentaj Fotiloj
Antaŭ ok jaroj, la ludregilo Kinect de Mikrosofto faris ondojn proponante alireblan kaj relative malmultekostan solvon al 3D-vizio. Ekde tiam, korpa edukado kaj dancludoj kun Kinect spertis sian mallongan pliiĝon kaj malkreskon, sed 3D fotiloj komencis esti uzitaj en industriaj robotoj, senpilotaj veturiloj, kaj poŝtelefonoj por vizaĝidentigo. La teknologio fariĝis pli malmultekosta, pli kompakta kaj pli alirebla.
La Samsung S10-telefono havas Time-of-Flight-fotilon kiu mezuras la distancon al objekto por faciligi la fokusadon.
Se vi interesiĝas pri ĉi tiu temo, tiam ni redirektos vin al tre bona detala recenzo de profundfotiloj: , .
3.3. Virabeloj por liverado de malgranda kargo (Light Cargo Delivery Drones)
Ĉi-jare, Amazon faris ondojn kiam ĝi montris novan flugan dronon ĉe la spektaklo, kiu povas porti malgrandajn ŝarĝojn ĝis 2 kg. Por urbo kun sia trafikŝtopiĝo, ĉi tio ŝajnas ideala solvo. Ni vidu kiel ĉi tiuj virabeloj agas en tre proksima estonteco. Eble indas esti singarde skeptika ĉi tie: estas multaj problemoj, komencante de la ebleco de facila ŝtelo de virabelo, kaj finiĝante per leĝaj limigoj al UAVoj. Amazon Prime Air ekzistas de ses jaroj sed ankoraŭ estas en la testa fazo.
La nova virabelo de Amazon, montrita ĉi-printempe. Estas io Stelmilito pri li.
Krom Amazono, estas aliaj ludantoj en ĉi tiu merkato (estas detala ), sed ne ununuran finitan produkton: ĉio estas en la stadio de testado kaj merkatigo-kampanjoj. Aparte, indas rimarki sufiĉe interesan tre specialan medicinan en Afriko: livero de donacita sango en Ganao (14 000 liveroj, Zipline-kompanio) kaj Ruando (societo Matternet).
3.4. Flugantaj Aŭtonomaj Veturiloj
Estas malfacile diri ion difinitan ĉi tie. Laŭ Gartner, ĉi tio aperos ne pli frue ol post 10 jaroj. Ĝenerale ĉi tie estas ĉiuj samaj problemoj kiel en aŭtoveturantaj aŭtoj, nur ili akiras novan dimension - vertikala. Porsche, Boeing kaj Uber anoncis siajn ambiciojn konstrui flugan taksion.
3.5. Nubo de Pliigita Realeco (AR Nubo)
Konstanta cifereca kopio de la reala mondo, permesante al vi krei novan tavolon de realeco komuna al ĉiuj uzantoj. En pli teknikaj terminoj, ni parolas pri kreado de malferma nuba platformo en kiu programistoj povus integri siajn AR-aplikojn. La monetiga modelo estas klara; ĝi estas speco de analogo de Steam. La ideo fariĝis tiel fiksiĝinta, ke iuj nun kredas, ke AR sen la nubo estas simple senutila.
Kiel tio povus aspekti estonte, estas montrita en mallonga video. Ŝajnas kiel alia epizodo de Black Mirror:
Vi ankaŭ povas legi ĉe
4. Pliigita Homo
4.1. Emocio AI
Kiel mezuri, simuli kaj respondi al homaj emocioj? Iuj el la klientoj ĉi tie estas kompanioj, kiuj faras voĉajn asistantojn kiel Amazon Alexa. Ili povas vere alkutimiĝi al hejmoj se ili lernas rekoni la humoron: komprenu la kialon de la malkontento de la uzanto, kaj provu korekti la situacion. Ĝenerale, estas multe pli da informoj en la kunteksto ol en la mesaĝo mem. Kaj kunteksto estas mimiko, intonacio kaj nevorta konduto.
Aliaj praktikaj aplikoj: analizo de emocioj dum dungointervjuo (surbaze de videointervjuoj), taksado de reagoj al reklamvideoj aŭ alia videoenhavo (ridetoj, ridado), asistado en lernado (ekzemple, por sendependa praktiko en la arto de parolado).
Estas malfacile paroli pli bone pri ĉi tiu temo ol la aŭtoro de 6-minuta mallonga filmo . La sprita kaj eleganta video montras kiel vi povas mezuri niajn emociojn por merkataj celoj, kaj el la momentaj reagoj de via vizaĝo, eksciu, ĉu vi ŝatas picon, hundojn, Kanye West, kaj eĉ kio estas via enspeznivelo kaj proksimuma IQ. Vizitante la retejon de la filmo uzante la supran ligilon, vi fariĝas partoprenanto en interaga video uzante la enkonstruitan fotilon de via tekkomputilo. La filmo jam estis montrita ĉe pluraj filmfestivaloj.
Ekzistas eĉ tia interesa studo: kiel rekoni sarkasmon en teksto. Ni prenis tweetojn kun la hashtag #sarcasm kaj faris trejnan aron de 25 tweets kun sarkasmo kaj 000 regulaj tweets pri ĉio sub la suno. Ni uzis la bibliotekon TensorFlow, trejnis la sistemon, kaj jen la rezulto:
Tial nun, se vi ne certas pri via kolego aŭ amiko - li diris ion al vi serioze aŭ sarkasme, vi jam povas uzi !
4.2. Pliigita Inteligenteco
Aŭtomatigo de intelekta laboro uzante maŝinlernajn metodojn. Ŝajnus kiel nenio nova? Sed la vortumo mem estas grava ĉi tie, precipe ĉar ĝi koincidas en mallongigo kun Artefarita Inteligenteco. Ĉi tio revenigas nin al la debato pri "forta" kaj "malforta" AI.
Forta AI estas la sama artefarita inteligenteco de sciencfikciaj filmoj, kiu estas tute ekvivalenta al la homa menso kaj konscias pri si mem kiel individuo. Ĉi tio ankoraŭ ne ekzistas kaj estas neklare ĉu ĝi entute ekzistos.
Malforta AI ne estas sendependa persono, sed homa asistanto. Li ne pretendas havi homsimilan pensadon, sed simple scias kiel solvi informajn problemojn, ekzemple, determini tion, kio estas montrita en bildo aŭ traduki tekston.
Tiusence, Pliigita Inteligenteco estas "malforta AI" en sia plej pura formo, kaj la formuliĝo ŝajnas sukcesa, ĉar ĝi ne enkondukas konfuzon kaj la tenton vidi ĉi tie la saman "fortan AI" pri kiu ĉiuj revas (aŭ timas, se ni memoru la multajn diskutojn pri la "ribelaŭtoj"). Uzante la esprimon Augmented Intelligence, ni tuj fariĝas la herooj de alia filmo: el sciencfikcio (kiel "I, Roboto" de Asimov) ni trovas nin en ciberpunko ("pliigoj" en ĉi tiu ĝenro estas ĉiaj enplantaĵoj, kiuj vastigas homajn kapablojn).
Kiel Erik Brynjolfsson kaj Andrew McAffee: "Dum la venontaj 10 jaroj, jen kio okazos. AI ne anstataŭigos administrantojn, sed tiuj administrantoj kiuj uzas AI anstataŭigos tiujn, kiuj ankoraŭ ne faris ĝin."
ekzemploj:
- Medicino: Universitato Stanford disvolviĝis , kiu traktas la taskon rekoni patologiojn sur brustaj rentgenradioj averaĝe same sukcese kiel plej multaj kuracistoj.
- Edukado: helpo al studentoj kaj instruistoj, analizo de studentaj respondoj al materialoj, konstruado de individua lernotrajekto.
- Komerca analizo: antaŭtraktado de datumoj, laŭ statistiko, prenas 80% de la tempo de esploristo, kaj nur 20% de la eksperimento mem
4.3. Bioĉipoj
Ĉi tiu estas la plej ŝatata temo de ĉiuj ciberpunkaj filmoj kaj libroj. Ĝenerale, mikroĉipado de dorlotbestoj ne estas nova praktiko. Sed nun ĉi tiuj blatoj komencis esti enplantitaj en homojn.
En ĉi tiu kazo, la hype estas plej verŝajne asociita kun la sensacia kazo en la usona kompanio Three Square Market. Tie, la dunganto komencis proponi enplanti blatojn sub la haŭto kontraŭ pago. La blato permesas malfermi pordojn, ensaluti en komputilojn, aĉeti manĝetojn de vendilo - tio estas tia universala dungitkarto. Krome, tia blato servas ĝuste kiel identigkarto; ĝi ne havas GPS-modulon, do estas neeble spuri iun ajn uzante ĝin. Kaj se homo volas forigi la blaton de sia brako, necesas 5 minutoj kun la helpo de kuracisto.
La blatoj estas kutime enplantitaj inter la dikfingro kaj montrofingro.
Legu pli pri la stato de la aferoj kun chipping en la mondo.
4.4. Merga Laborspaco
"Immersive" estas alia nova vorto, kiu simple ne havas eskapon. Ĝi estas ĉie. Merga teatro, ekspozicio, kinejo. Kion vi celas? Mergado estas la kreado de merga efiko, kiam la limo inter la aŭtoro kaj la spektanto, la virtuala kaj la reala mondo estas perdita. En la laborejo, supozeble, tio signifas malklarigi la limon inter faranto kaj iniciatinto kaj instigi dungitojn preni pli aktivan pozicion per reformatado de sia medio.
Ĉar ni nun havas Agile, flekseblecon kaj proksiman kunlaboron ĉie, laborlokoj devus esti kiel eble plej facile agordeblaj kaj devus instigi grupan laboron. La ekonomio diktas ĝiajn kondiĉojn: ekzistas pli da provizoraj dungitoj, la kosto de luado de oficejaj spacoj altiĝas, kaj en konkurenciva labormerkato, IT-kompanioj provas pliigi dungitan kontenton de laboro kreante distrajn areojn kaj aliajn avantaĝojn. Kaj ĉio ĉi reflektas en la dezajno de laborlokoj.
De Otero
4.5. Personigo
Ĉiuj scias kio personigo estas en reklamado. Jen kiam hodiaŭ vi diskutas kun kolego, ke la aero en la ĉambro estas iom seka, kaj vi devus aĉeti humidigilon por la oficejo, kaj la sekvan tagon vi vidas reklamon en via socia reto - "aĉetu humidigilon" (a. vera okazaĵo kiu okazis al mi).
Personigo, kiel difinite de Gartner, estas respondo al la kreskantaj zorgoj de uzantoj pri la uzo de siaj personaj datumoj por reklamaj celoj. La celo estas evoluigi aliron, en kiu oni montras al ni reklamadon, kiu rilatas al la kunteksto en kiu ni troviĝas, kaj ne al ni persone. Ekzemple, nia loko, tipo de aparato, horo de tago, veterkondiĉoj - ĉi tio estas io, kio ne malobservas niajn personajn datumojn, kaj ni ne sentas la malagrablan senton esti "kontrolitaj".
Legu pri la diferenco inter ĉi tiuj du konceptoj Andrew Frank blogas en la retejo de Gartner. Estas tiel subtila diferenco kaj tiaj similaj vortoj, ke vi, ne sciante la diferencon, riskas longe diskuti kun via interparolanto, ne suspektante, ke, ĝenerale, ambaŭ pravas (kaj tio ankaŭ estas vera okazaĵo, kiu okazis al la aŭtoro).
4.6. Biotech - Kulturo aŭ Artefarita histo
Ĉi tio estas, antaŭ ĉio, la ideo kreskigi artefaritan viandon. Samtempe, pluraj teamoj tra la mondo okupas disvolvadon de laboratorio "Viando 2.0" - oni atendas, ke ĝi fariĝos pli malmultekosta ol kutime, kaj rapidaj manĝaĵoj kaj tiam superbazaroj ŝanĝos al ĝi. Investantoj en ĉi tiu teknologio inkluzivas Bill Gates, Sergey Brin, Richard Branson kaj aliajn.
Fonto
Kialoj, kial ĉiuj tiom interesiĝas pri artefarita viando:
- Mondvarmiĝo: metanemisioj de bienoj. Ĉi tio estas 18% de la tutmonda volumo de gasoj kiuj influas la klimaton.
- Kresko de la loĝantaro. La postulo pri viando kreskas, kaj ne eblos nutri ĉiujn per natura viando - ĝi estas simple multekosta.
- Manko de spaco. 70% de la Amazonaj arbaroj jam estas dehakitaj por paŝtejo.
- Etikaj konsideroj. Estas tiuj, por kiuj ĉi tio gravas. Besto-rajtoj-organizo PETA jam ofertis 1 milionon da dolaroj premion al la sciencisto kiu alportas artefaritan kokidviandon al merkato.
Anstataŭigi realan viandon per sojo estas parta solvo, ĉar homoj povas aprezi la diferencon en gusto kaj teksturo, kaj verŝajne ne rezignus bifstekon en favoro de sojo. Do vi bezonas veran, organike kreskitan viandon. Nun, bedaŭrinde, artefarita viando estas tro multekosta: de $12 por kilogramo. Ĉi tio estas pro la kompleksa teknika procezo de kultivado de tia viando. Legu pri ĉio .
Se ni parolas pri aliaj kazoj de kresko de histoj - jam en medicino - tiam la temo pri artefaritaj organoj estas interesa: ekzemple "peceto" por la kormuskolo, speciala 3D presilo. Konata kiel artefarite kreskinta muskoro, sed ĝenerale ĉio ankoraŭ estas en la amplekso de klinikaj provoj. Do ni verŝajne ne vidos Frankenstein en la venontaj jaroj.
Ĉi tie Gartner estas tre singarda en siaj taksoj, ŝajne memorante sian malsukcesan antaŭdiron de 2015, ke en 2019, 10% de la loĝantaro en evoluintaj landoj havus 3D presitan medicinan enplantaĵon. Tial ĝi signifas, ke la tempo por atingi produktivecan altebenaĵon estas almenaŭ 10 jaroj.
5. Ciferecaj Ekosistemoj
5.1. Malcentra Retejo
Ĉi tiu koncepto estas proksime rilata al la nomo de la inventinto de la reto, Turing Award-gajninto Sir Tim Burners-Lee. Por li, demandoj de etiko en komputiko ĉiam estis gravaj kaj la kolektiva esenco de Interreto estis grava: metinte la bazojn de hiperteksto, li estis konvinkita, ke la reto devas funkcii kiel reto, kaj ne kiel hierarkio. Tio estis la kazo en la frua stadio de reto-evoluo. Tamen, ĉar la Interreto kreskis, ĝia strukturo iĝis centralizita pro diversaj kialoj. Montriĝis, ke aliro al la reto por tuta lando povus esti facile blokita helpe de nur kelkaj provizantoj. Kaj uzantdatenoj fariĝis fonto de potenco kaj enspezo por interretaj kompanioj.
"Interreto jam estas malcentralizita," diras Burners-Lee. “La problemo estas, ke regas unu serĉilo, unu granda socia reto, unu mikroblogada platformo. Ni ne havas teknologiajn problemojn, sed ni havas sociajn problemojn."
En lia Por la 30-a datreveno de la Tutmonda Reto, la kreinto de la Reto skizis tri ĉefajn problemojn de la Interreto:
- Celita damaĝo kiel ŝtat-subvenciita hakado, krimo kaj reta ĉikano
- La dezajno mem de la sistemo, kiu, en malutilo de la uzanto, kreas la grundon por tiaj mekanismoj kiel: financaj instigoj por clickbait kaj la virusa disvastiĝo de falsaj informoj.
- Neintencitaj sekvoj de sistemdezajno kiuj kondukas al konflikto kaj reduktita kvalito de reta diskuto
Kaj Tim Berners-Lee jam havas respondon pri kiaj principoj povus baziĝi la "Interreto de Sana Persono", sen la problemo numero 2: "Por multaj uzantoj, reklamenspezo restas la sola modelo por interagado kun Interreto. Eĉ se homoj timas pri tio, kio okazas al siaj datumoj, ili pretas fari interkonsenton kun la merkatmaŝino por la ŝanco ricevi enhavon senpage. Imagu mondon kie pagi por varoj kaj servoj estas facila kaj ĝuebla por ambaŭ partioj." Inter la elektoj pri kiel tio povus esti aranĝita: muzikistoj povas vendi siajn registradojn sen perantoj en la formo de iTunes, kaj novaĵejoj povas uzi sistemon de mikropagoj por legi unu artikolon, anstataŭ gajni monon per reklamado.
Kiel eksperimenta prototipo por ĉi tiu nova Interreto, Tim Berners-Lee lanĉis la SOLID-projekton, kies esenco estas, ke vi stokas viajn datumojn en "pod" - informbutiko, kaj povas provizi ĉi tiujn datumojn al triaj aplikaĵoj. Sed principe, vi mem estas la mastroj de viaj datumoj. Ĉio ĉi estas proksime rilata al la koncepto de samnivelaj retoj, tio estas, via komputilo ne nur petas servojn, sed ankaŭ provizas ilin, por ne fidi je unu servilo kiel la sola kanalo.
5.2. Malcentraj Aŭtonomaj Organizoj
Ĝi estas organizo, kiu estas regata de reguloj skribitaj en formo de komputila programo. Ĝiaj financaj agadoj baziĝas sur la blokĉeno. La celo de kreado de tiaj organizoj estas forigi la ŝtaton de la rolo de peranto kaj krei komunan fidindan medion por kontraŭpartioj, kiu ne estas posedata de iu ajn individue, sed posedata de ĉiuj kune. Tio estas, teorie, ĉi tio devus, se la ideo enradikiĝos, aboli notariojn kaj aliajn kutimajn kontrolajn instituciojn.
La plej fama ekzemplo de tia organizo estis la entrepreno-fokusita The DAO, kiu akiris $ 2016 milionojn en 150, el kiuj $ 50 estis tuj ŝtelitaj tra laŭleĝa truo en la reguloj. Tuj aperis malfacila dilemo: aŭ retroiru kaj redonu la monon, aŭ konfesu, ke la retiro de mono estis laŭleĝa, ĉar ĝi neniel malobservis la regulojn de la platformo. Kiel rezulto, por redoni monon al investantoj, la kreintoj devis detrui La DAO, reverkante la blokĉenon kaj malobservante ĝian bazan principon - neŝanĝebleco.
Bildstrio pri Ethereum (maldekstre) kaj La DAO (dekstre).
Ĉi tiu tuta rakonto ruinigis la reputacion de la ideo mem de DAO. Tiu projekto estis farita surbaze de la kripta monero Ethereum, versio Ether 2.0 estas atendita venontjare - eble la aŭtoroj (inkluzive de la fama Vitalik Buterin) konsideros la erarojn kaj montros ion novan. Pro tio verŝajne Gartner metis DAO sur la supran linion.
5.3.Sintezaj Datumoj
Por trejni neŭralajn retojn necesas grandaj kvantoj da datumoj. Etikedado de datumoj permane estas grandega tasko, kiu povas esti farita nur de homo. Tial, eblas krei artefaritajn datumajn arojn. Ekzemple, la samaj kolektoj de homaj vizaĝoj en la retejo . Ili estas kreitaj per GAN - la algoritmoj kiuj jam estis menciitaj supre.
Ĉi tiuj vizaĝoj ne apartenas al homoj.
La granda avantaĝo de tiaj datumoj estas, ke ne ekzistas juraj malfacilaĵoj por uzi ĝin: neniu konsentas pri la prilaborado de personaj datumoj.
5.4.Cifereca Ops
La sufikso "Ops" fariĝis nekredeble moda ekde kiam DevOps enradikiĝis en nia parolado. Nun pri kio DigitalOps estas - ĝi estas nur ĝeneraligo de DevOps, DesignOps, MarketingOps... Ĉu vi jam enuas? Mallonge, ĝi estas translokigo de la DevOps-aliro de la programara areo al ĉiuj aliaj aspektoj de la komerco - merkatado, dezajno, ktp.
La ideo de DevOps estis forigi barojn inter Evoluo mem kaj Operacioj (komercaj procezoj), per la kreado de komunaj teamoj, kie estas programistoj, testistoj, sekurecaj specialistoj kaj administrantoj; efektivigo de certaj praktikoj: kontinua integriĝo, infrastrukturo kiel kodo, redukto kaj plifortigo de retroĉenoj. La celo estis akceli la tempon de la produkto surmerkatigi. Se vi pensis, ke ĉi tio similas al Agile, vi pravis. Nun mense translokigu ĉi tiun aliron de la kampo de programaro-disvolviĝo al evoluo ĝenerale - kaj vi komprenas, kio estas DigitalOps.
5.5. Scio-Grafeoj
Softvarmaniero por modeligi sciareon, inkluzive de uzado de maŝinlernado-algoritmoj. Sciografeo estas konstruita super ekzistantaj datumbazoj por kunligi ĉiujn informojn: kaj strukturitaj (listo de eventoj aŭ homoj) kaj nestrukturitaj (teksto de artikolo).
La plej simpla ekzemplo estas la karto, kiun vi povas vidi en Google serĉrezultoj. Se vi serĉas personon aŭ institucion, vi vidos karton dekstre:
Bonvolu noti, ke "Venontaj Eventoj" ne estas kopio de informoj de Google Maps, sed integriĝo de la horaro kun Yandex.Afisha: vi povas facile vidi tion se vi alklakas la eventojn. Tio estas, ĝi estas la kombinaĵo de pluraj datumfontoj kune.
Se vi petas liston - ekzemple, "famaj direktoroj" - oni montros al vi karuselon:
Gratifiko por tiuj, kiuj legas ĝis la fino
Kaj nun, kiam ni mem klarigis la signifon de ĉiu el la punktoj, ni povas rigardi la saman bildon, sed en la rusa:
Kunhavigu ĝin libere en sociaj retoj!
Tatyana Volkova - Aŭtoro de la trejnadprogramo por la Interreto de Aĵoj IT-trako ĉe la Samsung Academy, specialisto pri programoj pri kompania socia respondeco ĉe la Samsung Esplorcentro.
fonto: www.habr.com