El gráfico de Gartner para quienes trabajan en el ámbito tecnológico es similar a una pasarela de alta costura. Al mirarlo, puedes anticipar cuáles son las palabras más populares de esta temporada y lo que escucharás en las próximas conferencias.
Hemos descifrado lo que hay detrás de las palabras atractivas en este gráfico para que tú también puedas hablar este idioma.
Primero, unas pocas palabras sobre qué es este gráfico. Cada año en agosto, la consultora Gartner publica un informe: la Curva de Hype de Gartner. En español, esto se traduce como 'curva de entusiasmo' o, más simplemente, hype. Hace 30 años, los raperos del grupo Public Enemy cantaban: 'No te creas el hype'. Creer o no es una cuestión personal, pero al menos vale la pena conocer estas palabras clave si trabajas en tecnología y quieres estar al tanto de las tendencias mundiales.
Este gráfico refleja las expectativas públicas sobre una tecnología determinada. Según Gartner, idealmente, una tecnología pasa por 5 etapas: lanzamiento de la tecnología, pico de expectativas exageradas, valle de desilusión, meseta de esclarecimiento, meseta de productividad. Pero a veces puede hundirse en el 'valle de desilusión' — ejemplos como las criptomonedas son muy evidentes: inicialmente alcanzaron el pico como 'dinero del futuro', pero rápidamente cayeron cuando se hicieron evidentes las limitaciones tecnológicas, principalmente las restricciones en la cantidad de transacciones y la enorme cantidad de energía necesaria para crear criptomonedas (lo que ya plantea problemas ecológicos). Y, por supuesto, no hay que olvidar que el gráfico de Gartner es solo una proyección: aquí, por ejemplo, se puede leer sobre , donde se analizan las predicciones fallidas más destacadas.
Así que, echémosle un vistazo al nuevo gráfico de Gartner. Las tecnologías se dividen en 5 grandes grupos temáticos:
- Inteligencia artificial avanzada y analítica (Advanced AI and Analytics)
- Computación y comunicación postclásicas (Postclassical Compute and Comms)
- Sensores y movilidad (Sensing and Mobility)
- Humano 'aumentado' (Augmented Human)
- Ecosistemas digitales (Digital Ecosystems)
1. Inteligencia artificial avanzada y analítica (Advanced AI and Analytics)
En los últimos 10 años, hemos visto el auge del aprendizaje profundo (Deep Learning). Estas redes son realmente efectivas para su gama de tareas. En 2018, Yann LeCun, Geoffrey Hinton y Yoshua Bengio recibieron el Premio Turing por sus descubrimientos en este campo, el premio más prestigioso, equivalente al Nobel en informática. Así que, aquí están las principales tendencias en esta área que se han graficado:
1.1. Aprendizaje Transferido (Transfer Learning)
No entrenas una red neuronal desde cero, sino que tomas una ya entrenada y le asignas un nuevo objetivo. A veces, es necesario volver a entrenar una parte de la red, pero no toda, lo que es mucho más rápido. Por ejemplo, al tomar la red neuronal ResNet50, entrenada en el conjunto de datos ImageNet1000, obtienes un algoritmo capaz de clasificar muchas diferentes imágenes a un nivel muy profundo (1000 clases basadas en características desarrolladas por 50 capas de la red neuronal). Pero no necesitas entrenar toda esta red, lo que tomaría meses.
En Samsung "Redes Neuronales y Visión por Computadora", por ejemplo, en la tarea final de con la clasificación de platos limpios y sucios, se demuestra un enfoque que en 5 minutos te proporciona una red neuronal profunda capaz de distinguir entre platos sucios y limpios, construida según la arquitectura descrita anteriormente. La red inicial no sabía qué eran los platos en absoluto, solo aprendió a distinguir entre pájaros y perros (ver ImageNet).
Fuente: Samsung "Redes Neuronales y Visión por Computadora"
Para el Aprendizaje Transferido, es necesario conocer qué enfoques funcionan y qué arquitecturas básicas ya están disponibles. En general, esto acelera enormemente la aparición de aplicaciones prácticas de aprendizaje automático.
1.2. Redes Generativas Antagónicas (Generative Adversarial Networks, GAN)
Esto es para aquellos casos en los que es muy difícil formular un objetivo de aprendizaje. Cuanto más cercana es la tarea a la vida real, más comprensible nos resulta («trae la mesita»), pero más difícil es formularlo como un requisito técnico. GAN es precisamente un intento de liberarnos de este problema.
Aquí trabajan dos redes: una generadora (Generative) y otra discriminadora (Adversarial). Una red aprende a realizar tareas útiles (clasificar imágenes, reconocer sonidos, dibujar caricaturas). La otra red aprende a enseñar a la primera: tiene ejemplos reales y aprende a encontrar una fórmula compleja previamente desconocida para comparar las producciones de la parte generativa de la red con objetos del mundo real (conjunto de datos de entrenamiento) según características profundas realmente importantes: número de ojos, cercanía al estilo de Miyazaki, corrección en la pronunciación del inglés.
Ejemplo del resultado del trabajo de la red para generar personajes de anime.
Pero, por supuesto, es complicado estructurar la arquitectura. No basta con simplemente lanzar neuronas, hay que prepararlas. Y hay que entrenarlas durante semanas. Mis colegas en el Centro de Inteligencia Artificial de Samsung están trabajando en el tema de GAN, que es una de sus preguntas de investigación clave. Por ejemplo, algo como esto : el uso de redes generativas para sintetizar fotografías realistas de personas con posturas cambiantes, por ejemplo, para crear un probador virtual, o para la síntesis de rostros, lo que podría permitir reducir la cantidad de información que debe almacenarse o transferirse para garantizar una videoconferencia de calidad, transmisión o protección de datos personales.
1.3. IA Explicativa (Explainable AI)
En algunas tareas raras, el progreso en arquitecturas profundas ha acercado repentinamente las capacidades de las redes neuronales profundas a las humanas. Ahora la batalla es por ampliar el rango de esas tareas. Por ejemplo, un robot aspirador podría distinguir fácilmente entre un gato y un perro en un encuentro frontal. Pero en la mayoría de las situaciones de la vida, no podría encontrar un gato durmiendo entre la ropa o muebles (aunque, en la mayoría de los casos, nosotros tampoco…).
¿Cuál es la razón del éxito de las redes neuronales profundas? Generan una representación de la tarea, basada no en la información “visible a simple vista” (los píxeles de una fotografía, los picos de volumen del sonido…), sino en características obtenidas tras el procesamiento de esta información por varios cientos de capas de la red neuronal. Desafortunadamente, estas relaciones pueden ser también sin sentido, contradictorias o reflejar imperfecciones en el conjunto de datos original. Por ejemplo, existe un pequeño videojuego que trata sobre las posibles consecuencias de la aplicación imprudente de la IA en el reclutamiento. .
El sistema de etiquetado de imágenes identificó a un hombre que cocina como mujer, aunque en la imagen realmente sea un hombre (). Esto en el Instituto de Virginia.
Para analizar relaciones complejas y profundas que a menudo no podemos formular, se necesitan métodos de IA explicable. Organizan las características de las redes neuronales profundas de manera que, después del aprendizaje, podamos analizar la representación interna aprendida por la red, en lugar de simplemente confiar en su decisión.
1.4. Analítica de borde / IA (Edge Analytics / AI)
Todo lo que incluye la palabra Edge significa literalmente lo siguiente: trasladar parte de los algoritmos de la nube / servidor al nivel del dispositivo / puerta final. Este algoritmo funcionará más rápido y no necesitará conexión al servidor central para operar. Si te resulta familiar la abstracción de “cliente liviano”, aquí estamos haciendo que ese cliente sea un poco más robusto.
Esto puede ser importante para el Internet de las cosas. Por ejemplo, si una máquina se sobrecalienta y necesita enfriamiento, tiene sentido enviar una señal sobre esto de inmediato, a nivel de fábrica, sin esperar a que los datos lleguen a la nube y de allí al supervisor del turno. O en otro ejemplo: los coches autónomos pueden manejar la situación del tráfico por sí mismos, sin recurrir al servidor central.
O un ejemplo más de por qué esto es importante desde el punto de vista de la seguridad: cuando escribe mensajes en su teléfono, este recuerda sus palabras típicas para que el teclado le sugiera de manera conveniente en el futuro; esto se llama entrada de texto predictiva. Enviar a algún centro de datos todo lo que escribe en el teclado violaría su privacidad y simplemente no sería seguro. Por lo tanto, el aprendizaje del teclado ocurre solo dentro de su propio dispositivo.
1.5. Plataforma de IA como servicio (AI PaaS)
PaaS — Plataforma como servicio — es un modelo de negocio en el que accedemos a una plataforma integrada, que incluye su almacenamiento de datos en la nube y procedimientos listos para usar. De esta manera, podemos liberarnos de las tareas de infraestructura y concentrarnos completamente en la producción de algo útil. Ejemplos de plataformas PaaS para tareas de IA: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Aprendizaje automático adaptativo (Adaptive ML)
¿Y si permitimos que la inteligencia artificial se adapte...? Preguntará: ¿cómo es eso? ¿No se adapta ya a la tarea? El problema es este: cada tarea la preparamos meticulosamente antes de construir un algoritmo de inteligencia artificial para resolverla. Le responderán: resulta que se puede simplificar esta cadena.
El aprendizaje automático convencional opera bajo el principio de un sistema abierto (open-loop): preparas los datos, ideas una red neuronal (o lo que sea), entrenas, luego observas algunos indicadores y, si todo te parece bien, puedes enviar la red neuronal a los teléfonos inteligentes para resolver las tareas de los usuarios. Pero en aplicaciones donde hay muchos datos y su naturaleza cambia gradualmente, se requieren otros métodos. Tales sistemas, que se adaptan y aprenden por sí mismos, se organizan en circuitos cerrados y autoajustables (closed-loop), y deben funcionar sin interrupciones.
Las aplicaciones pueden ser analítica de flujo (Stream Analytics), sobre la que muchos empresarios toman decisiones, o gestión de producción adaptativa. A la luz de las aplicaciones modernas y teniendo en cuenta los riesgos mejor entendidos para las personas, los métodos que constituyen la solución a este problema se agrupan bajo el nombre común de AI Adaptativa.
Al mirar esta imagen, es difícil desprenderse de la sensación de que a los futurólogos no hay que alimentarlos, solo hay que enseñarles a hacer respirar a un robot…
Computación y comunicación postclásicas (Postclassical Compute and Comms)
2.1. Comunicación móvil de quinta generación (5G)
Es un tema tan interesante que inmediatamente te remitimos a nuestra . Aquí hay un breve resumen. 5G, gracias al aumento de la frecuencia de transmisión de datos, hará que la velocidad de Internet sea increíblemente rápida. Las ondas cortas tienen más dificultades para atravesar obstáculos, por lo tanto, la estructura de las redes será completamente diferente: se necesitarán 500 veces más estaciones base.
Junto con la velocidad, obtendremos nuevos fenómenos: juegos en tiempo real con realidad aumentada, la realización de tareas complejas (como la cirugía) a través de telepresencia, y la prevención de accidentes y situaciones complicadas en las carreteras mediante la comunicación entre vehículos. En algo más prosaico: por fin dejará de caerse el Internet móvil durante eventos masivos, como un partido en el estadio.
Fuente de la imagen — Reuters, Niantic
2.2. Memoria de próxima generación (Next-Generation Memory)
Aquí se trata de la quinta generación de memoria RAM – DDR5. Samsung anunció que para finales de 2019 se lanzarán productos basados en DDR5. Se espera que la nueva memoria sea dos veces más rápida y tenga el doble de capacidad manteniendo el factor de forma, es decir, podremos obtener módulos de memoria de hasta 32 GB para nuestra computadora. En el futuro, esto será especialmente relevante para los smartphones (la nueva memoria estará en una versión de bajo consumo energético) y para las laptops (donde la cantidad de ranuras DIMM está limitada). Además, el aprendizaje automático requiere grandes cantidades de memoria RAM.
2.3. Sistemas de satélites en órbita baja (Low-Earth-Orbit Satellite Systems)
La idea de reemplazar satélites grandes, caros y potentes por enjambres de pequeños y económicos no es nueva y surgió en los años 90. Sobre lo que ahora solo el perezoso no ha oído. La compañía más conocida aquí es Iridium, que se declaró en bancarrota a finales de los 90, pero fue salvada gracias al Departamento de Defensa de EE. UU. (no confundir con iRidium – el sistema ruso de hogares inteligentes). El proyecto de Elon Musk (Starlink) no es el único – en la carrera espacial participan Richard Branson (OneWeb – 1440 satélites previstos), Boeing (3000 satélites), Samsung (4600 satélites), y otros.
Cómo va la situación en este campo, cómo se ve la economía – léelo en . Y estamos esperando las primeras pruebas de estos sistemas por parte de los usuarios, que deben tener lugar el próximo año.
2.4. Impresión 3D a nanoescala (Nanoscale 3D Printing)
Aunque la impresión 3D no ha entrado en la vida de cada persona (en la forma prometida de una fábrica de plástico doméstica individual), sin embargo, ha salido de su nicho como tecnología para entusiastas desde hace tiempo. Se puede juzgar por el hecho de que cualquier estudiante ha oído hablar de la existencia de al menos bolígrafos 3D, y muchos sueñan con adquirir un kit con deslizadores y un extrusor para... ‘simplemente’ (o ya lo han adquirido).
La estereolitografía (impresoras 3D láser) permite imprimir con fotones individuales: se están investigando nuevos polímeros para los cuales solo se necesitan dos fotones para solidificarse. Esto permitirá crear filtros, soportes, resortes, capilares, lentes y... sus opciones en los comentarios, en condiciones no de laboratorio. Y no hay mucha distancia hasta la fotopolimerización; solo esta tecnología permite ‘imprimir’ procesadores y circuitos computacionales. Además, existe desde hace varios años , pero sin un desarrollo radical.
3. Sensores y movilidad (Sensing and Mobility)
3.1. Automóviles autónomos, niveles 4 y 5 (Autonomous Driving Level 4 & 5)
Para no confundirse con la terminología, vale la pena comprender qué niveles de autonomía se diferencian (tomado de un detalle , al que remitimos a todos los interesados):
Nivel 1: Control de crucero: ayuda al conductor en situaciones muy limitadas (por ejemplo, mantener el automóvil a una velocidad fija después de que el conductor ha levantado el pie del pedal)
Nivel 2: Asistencia limitada con la dirección y el frenado. El conductor debe estar listo para tomar el control casi de inmediato. Sus manos están en el volante y su mirada está en la carretera. Esto ya está disponible en Tesla y General Motors.
Nivel 3: El conductor ya no necesita observar constantemente la carretera. Pero debe estar alerta y preparado para retomar el control. Esto es algo que aún no está presente en los automóviles que están a la venta. Todos los existentes hasta ahora están en niveles 1-2.
Nivel 4: Un verdadero piloto automático, pero con limitaciones: solo viajes en áreas conocidas, que están cuidadosamente mapeadas y en general son familiares para el sistema, y bajo ciertas condiciones: por ejemplo, en ausencia de nieve. Tales prototipos existen en Waymo y General Motors, y planean lanzarlos en varias ciudades y probarlos en condiciones reales. Yandex tiene zonas de prueba para taxis autónomos en Skolkovo e Innopolis: el viaje se realiza bajo la supervisión de un ingeniero sentado en el asiento del pasajero; para finales de año, la empresa planea expandir su flota a 100 vehículos autónomos.
Nivel 5: Conducción completamente automática, sustitución total de un conductor humano. No existen tales sistemas, y es poco probable que aparezcan en los próximos años.
¿Cuán realista es ver todo esto en un futuro cercano? Aquí me gustaría redirigir al lector al artículo . Esto se debe en parte a la falta de conexión 5G: las velocidades actuales de 4G son insuficientes. En parte, a los altos costos de los vehículos autónomos: actualmente no son rentables y la modelo de negocio no está clara. En resumen, aquí «todo es complicado», y no es casualidad que Gartner escriba que la previsión para la adopción masiva de los Niveles 4 y 5 no será antes de 10 años.
3.2. Cámaras con visión 3D (3D Sensing Cameras)
Hace ocho años, el controlador de juego Microsoft Kinect causó revuelo al ofrecer una solución accesible y relativamente económica para la visión 3D. Desde entonces, los juegos de baile y ejercicio con Kinect han tenido su breve auge y caída, mientras que las cámaras 3D se han comenzado a utilizar en robots industriales, vehículos autónomos y teléfonos móviles para identificación facial. La tecnología se ha vuelto más económica, compacta y accesible.
El teléfono Samsung S10 cuenta con una cámara de tiempo de vuelo (Time-of-Flight) que mide la distancia a un objeto, lo que facilita el enfoque.
Si te ha interesado este tema, te redirigimos a un muy buen y detallado análisis sobre cámaras de profundidad: , .
3.3. Drones para la entrega de cargas pequeñas (Light Cargo Delivery Drones)
Este año, Amazon causó revuelo cuando presentó en una feria su nuevo dron volador, capaz de transportar pequeñas cargas de hasta 2 kg. Para una ciudad, con su tráfico, parece ser una solución ideal. Veremos cómo se desempeñan estos drones en un futuro cercano. Quizás vale la pena incluir un escepticismo cauteloso: existen numerosos problemas, desde la posibilidad de robo fácil del dron, hasta las restricciones legislativas en drones. Amazon Prime Air ha existido durante seis años, pero aún se encuentra en fase de pruebas.
El nuevo dron de Amazon, presentado esta primavera. Tiene algo de 'Star Wars'.
Además de Amazon, hay otros actores en este mercado (hay un detalle ), pero no hay ningún producto listo: todo está en fase de pruebas y acciones de marketing. Es importante destacar proyectos médicos especializados bastante interesantes 3.4. Transporte autónomo volador (Flying Autonomous Vehicles)
Aquí es difícil decir algo definitivo. Según Gartner, esto no aparecerá antes de 10 años. En general, aquí se presentan los mismos problemas que en los vehículos autónomos, solo que adquieren una nueva dimensión: la vertical. Porsche, Boeing y Uber han declarado sus ambiciones para construir un taxi volador.
3.5. Nube de realidad aumentada (AR Cloud)
Una copia digital permanente del mundo real, que permite crear una nueva capa de realidad, común para todos los usuarios. Hablando en términos más técnicos, se trata de hacer una plataforma en la nube abierta, en la que los desarrolladores puedan integrar sus aplicaciones de AR. El modelo de monetización es claro, es un análogo de Steam. La idea se ha arraigado tanto que algunos ahora consideran que la AR sin nube es simplemente inútil.
Cómo podría verse en el futuro está ilustrado en un pequeño video. Parece un nuevo episodio de 'Black Mirror':
También puedes leer más en
el artículo de revisión.
4.1. IA para emociones (Emotion AI)
4.1. ИИ для эмоций (Emotion AI)
¿Cómo medir, simular y responder a las emociones humanas? Algunos de los clientes aquí son empresas que fabrican asistentes de voz como Amazon Alexa. Realmente podrán integrarse en los hogares si aprenden a reconocer el estado de ánimo: entender la razón de la insatisfacción del usuario y intentar corregir la situación. En general, hay mucha más información en el contexto que en el mensaje en sí. Y el contexto incluye tanto la expresión facial como la entonación y el comportamiento no verbal.
Entre otras aplicaciones prácticas: análisis de emociones durante entrevistas laborales (a través de videoentrevistas), evaluación de reacciones a anuncios o cualquier otro contenido en video (sonrisas, risas), ayuda en el aprendizaje (por ejemplo, para prácticas individuales en el arte de hablar en público).
Es difícil expresarse mejor sobre este tema que el autor del cortometraje de 6 minutos. . En este ingenioso y estilizado video se muestra cómo se pueden medir nuestras emociones con fines de marketing, y a partir de las reacciones inmediatas de tu rostro descubrir si amas la pizza, los perros, a Kanye West, e incluso cuál es tu nivel de ingresos y tu IQ aproximado. Al acceder al sitio de la película con el enlace anterior, te conviertes en parte de un video interactivo utilizando la cámara integrada de tu laptop. La película ya ha sido presentada en varios festivales de cine.
Incluso hay un estudio interesante sobre cómo reconocer el sarcasmo en el texto. Tomaron tweets con el hashtag #sarcasmo y crearon un conjunto de entrenamiento de 25,000 tweets sarcásticos y 100,000 tweets comunes sobre todo tipo de temas. Se aplicó la biblioteca TensorFlow, se entrenó al sistema, y este es el resultado:
Por lo tanto, ahora, si no estás seguro sobre si tu colega o amigo te dijo algo en serio o con sarcasmo, puedes usar la !
4.2. Inteligencia aumentada (Augmented Intelligence)
Automatización del trabajo intelectual mediante métodos de aprendizaje automático. ¿No parece haber nada nuevo? Pero aquí la formulación es importante, sobre todo porque coincide en siglas con Inteligencia Artificial. Esto nos remite al debate sobre la inteligencia artificial 'fuerte' y 'débil'.
Una IA fuerte es aquella inteligencia artificial de las películas de ciencia ficción que es completamente equivalente a la mente humana y se reconoce a sí misma como una persona. Tal cosa aún no existe y no está claro si alguna vez existirá.
Una IA débil no es una persona autónoma, sino un asistente del ser humano. No aspira a un pensamiento humanoide, sino que simplemente puede resolver tareas informativas, como identificar lo que hay en una imagen o traducir texto.
En este sentido, la Inteligencia Aumentada es, en esencia, una "IA débil", y la formulación resulta exitosa, ya que no introduce confusión ni la tentación de ver aquí la "IA fuerte" de la que todos sueñan (o temen, si recordamos las numerosas reflexiones sobre la "revuelta de las máquinas"). Al utilizar el término Inteligencia Aumentada, de alguna manera nos convertimos en héroes de otra película: de la ciencia ficción (como 'Yo, robot' de Asimov) pasamos al ciberpunk (donde las "aumentaciones" en este género se refieren a todo tipo de implantes que amplían las capacidades humanas).
¿Cómo Erik Brynjolfsson y Andrew McAfee: "En los próximos 10 años ocurrirá lo siguiente. No la IA reemplazará a los gerentes, sino que los gerentes que utilicen IA reemplazarán a aquellos que aún no lo hagan"
Ejemplos:
- Medicina: la Universidad de Stanford desarrolló , que realiza la tarea de reconocer patologías en radiografías de tórax con una eficacia promedio comparable a la de la mayoría de los médicos.
- Educación: asistencia al alumno y al profesor, análisis de la respuesta de los alumnos a los materiales, construcción de trayectorias de aprendizaje individuales.
- Análisis de negocios: la preprocesamiento de datos, estadísticamente, ocupa el 80% del tiempo del investigador, y solo el 20% es para el experimento en sí.
4.3. Biochips
Este es un tema favorito de todas las películas y libros de ciberpunk. En general, el chipado de animales domésticos no es una práctica nueva. Pero ahora estos chips también se están implantando en humanos.
En este caso, el auge está probablemente relacionado con un famoso incidente en la empresa estadounidense Three Square Market. Allí, el empleador comenzó a ofrecer la implantación de chips bajo la piel a cambio de una recompensa. El chip permite abrir puertas, iniciar sesión en computadoras y comprar refrigerios en máquinas expendedoras, es decir, funciona como una tarjeta universal para empleados. Sin embargo, este chip funciona únicamente como un medio de identificación, no tiene un módulo GPS, por lo que no es posible rastrear a nadie a través de él. Si una persona desea retirar el chip de su mano, esto lleva 5 minutos con la ayuda de un médico.
Los chips generalmente se implantan entre el dedo pulgar y el índice.
Lea más sobre la situación actual de la implantación de chips en el mundo.
4.4. Espacio de trabajo inmersivo (Immersive Workspace)
«Inmersivo» es otra palabra nueva de la que simplemente no se puede escapar. Está en todas partes. Teatro inmersivo, exposiciones, cine. ¿Qué se quiere decir con esto? La inmersión es la creación de un efecto de profundidad, donde se pierde la frontera entre el autor y el espectador, el mundo virtual y el mundo real. En relación al lugar de trabajo, se puede suponer que esto significa borrar la línea entre el executor y el iniciador, y fomentar una actitud más activa entre los empleados a través de la reconfiguración de su entorno.
Ya que ahora tenemos Agile por todas partes, flexibilidad y estrecha colaboración, los lugares de trabajo también deben ser lo más configurables posible, debiendo fomentar el trabajo en grupo. La economía dicta sus condiciones: hay más empleados temporales, el costo de alquilar espacios de oficina aumenta, y en un mercado laboral competitivo, las empresas de IT intentan mejorar la satisfacción de los empleados creando zonas recreativas y otras ventajas. Todo esto se refleja en el diseño de los lugares de trabajo.
De Knoll
4.5. Personalización (Personification)
Todos saben lo que es la personalización en la publicidad. Es cuando hoy discutes con un colega que en la oficina el aire está un poco seco y sería bueno comprar un humidificador, y al día siguiente ves en tus redes sociales un anuncio: «compra un humidificador» (un caso real que me ocurrió a mí).
La personificación, por definición de Gartner, es la respuesta a la creciente preocupación de los usuarios sobre el uso de sus datos personales con fines publicitarios. El objetivo es desarrollar un enfoque en el que se nos muestre publicidad que se corresponda con el contexto en el que nos encontramos, y no con nosotros personalmente. Por ejemplo, nuestra ubicación, tipo de dispositivo, hora del día, condiciones meteorológicas; esto no infringe nuestros datos personales y no sentimos la incómoda sensación de "seguimiento".
Sobre la diferencia entre estos dos conceptos, lea de Andrew Frank en el blog del sitio de Gartner. Hay una distinción tan sutil y palabras tan similares que, si no conoces la diferencia, puedes arriesgarte a discutir durante mucho tiempo con tu interlocutor, sin sospechar que en realidad ambos tienen razón (y este también es un caso real que ocurrió con el autor).
4.6. Biotecnología – Tejidos artificiales (Biotech – Cultured or Artificial Tissue)
Esta es, ante todo, la idea de cultivar carne artificial. Al mismo tiempo, varios equipos alrededor del mundo están trabajando en el desarrollo de "Carne 2.0" de laboratorio; se espera que sea más barata que la carne convencional, y que los restaurantes de comida rápida, y luego los supermercados, se pasen a ello. Entre los inversores en esta tecnología se encuentran Bill Gates, Sergey Brin, Richard Branson y otros.
Fuente
Razones por las que todos están tan interesados en la carne artificial:
- El calentamiento global: las emisiones de metano de las granjas. Esto representa el 18% del volumen mundial de gases que afectan el clima.
- El crecimiento de la población. La demanda de carne está aumentando, y no será posible alimentar a todos con carne natural, ya que es simplemente cara.
- Falta de espacio. El 70% de los bosques de la Amazonía ya han sido talados para pastizales.
- Consideraciones éticas. Hay quienes consideran esto importante. La organización de defensa de los animales PETA ya ofreció un premio de un millón de dólares a aquel científico que pueda lanzar al mercado carne de pollo artificial.
El reemplazo de la carne real por soja es una solución parcial, ya que las personas notan bien la diferencia en sabor y textura, y es poco probable que renuncien a un filete en favor de la soja. Por lo tanto, se necesita carne auténtica, cultivada orgánicamente. Actualmente, desafortunadamente, la carne artificial es demasiado cara: desde 12$ por kilogramo. Esto se debe al complicado proceso tecnológico para cultivar dicha carne. Lea sobre todo esto. .
Hablando de otros casos de cultivo de tejidos, ya en medicina, es interesante el tema de los órganos artificiales: por ejemplo, un "parche" para el músculo cardíaco, con una impresora 3D especial. Se conocen como la del corazón de ratón cultivado artificialmente, pero en general todo sigue limitándose a ensayos clínicos. Así que es poco probable que veamos a Frankenstein en los próximos años.
Aquí Gartner es muy cauteloso en sus estimaciones, probablemente recordando su fallida predicción de 2015 de que en 2019 el 10% de la población de países desarrollados tendría un dispositivo médico impreso en 3D como implante. Por eso señala que el tiempo para alcanzar un plateau de productividad es de al menos 10 años.
5. Ecosistemas digitales (Digital Ecosystems)
5.1. Web descentralizada (Decentralized Web)
Este concepto está estrechamente asociado al nombre del inventor de la web, el laureado con el premio Turing, sir Tim Berners-Lee. Para él, siempre han sido importantes las cuestiones éticas en la informática y la esencia colectiva de Internet: al establecer las bases del hipertexto, estaba convencido de que la red debía funcionar como una telaraña, no como una jerarquía. Así fue en las primeras etapas del desarrollo de la red. Sin embargo, a medida que Internet creció, su estructura se centralizó por varias razones. Resultó que el acceso a la red de un país entero puede ser fácilmente bloqueado por solo unos pocos proveedores. Y los datos de los usuarios se convirtieron en una fuente de poder y ganancias para las empresas de Internet.
"Internet ya está descentralizado", dice Berners-Lee. "El problema es que hay un único motor de búsqueda dominante, una gran red social y una plataforma de microblogging. No tenemos problemas tecnológicos, sino sociales."
En su por el 30 aniversario de la World Wide Web, el creador de la Web delineó tres problemas principales de Internet:
- Causar daño intencionadamente, como ataques hackers patrocinados por el estado, crimen y acoso en línea.
- El propio diseño del sistema, que en perjuicio del usuario crea un terreno fértil para mecanismos como: incentivos financieros al clicbait y la difusión viral de información falsa.
- Consecuencias no intencionadas del diseño del sistema, que conducen a conflictos y reducen la calidad de la discusión en línea.
Y Tim Berners-Lee ya tiene una respuesta sobre los principios en los que podría basarse "El Internet del Hombre Saludable", libre del problema número 2: "Para muchos usuarios, el único modelo de interacción con la web sigue siendo el ingreso por publicidad. Incluso si las personas tienen miedo de lo que sucede con sus datos, están dispuestas a aceptar un trato con la máquina de marketing a cambio de poder acceder a contenido gratuito. Imagina un mundo en el que el pago por bienes y servicios sea fácil y agradable para ambas partes". Entre las opciones de cómo podría ser esto: los músicos podrían vender sus grabaciones directamente sin intermediarios como iTunes, y los sitios de noticias utilizarían un sistema de micropagos para leer un solo artículo en lugar de depender de la publicidad.
Como prototipo experimental de esta nueva Internet, Tim Berners-Lee lanzó el proyecto SOLID, cuyo objetivo es que almacenes tus datos en un "pod" — un contenedor de información — y puedas proporcionar esos datos a aplicaciones de terceros. Pero en esencia, tú eres el dueño de tus datos. Todo esto está estrechamente relacionado con la idea de redes peer-to-peer, es decir, tu computadora no solo solicita servicios, sino que también los proporciona, para no depender de un único servidor como el único canal.
5.2. Organizaciones Autónomas Descentralizadas (Decentralized Autonomous Organizations)
Es una organización que se gestiona a través de reglas escritas en forma de un programa informático. Su actividad financiera ocurre sobre la base de blockchain. El objetivo de crear estas organizaciones es eliminar al estado del rol de intermediario y crear un entorno de confianza común para los contratistas, que no pertenezca a nadie de manera singular, sino que sea propiedad de todos de manera conjunta. Es decir, en teoría, esto debería, si la idea se arraiga, eliminar notarios y otros institutos de verificación convencionales.
El ejemplo más conocido de esta organización fue The DAO, orientada al capital de riesgo, que recaudó 150 millones de dólares en 2016, de los cuales 50 millones fueron robados de inmediato a través de una "laguna" legal en las reglas. Esto dio lugar a un dilema complicado: revertir y devolver el dinero o aceptar que el retiro de fondos fue legal, ya que no violaba las reglas de la plataforma. Al final, para devolver el dinero a los inversores, sus creadores tuvieron que destruir The DAO reescribiendo la blockchain y violando su principio fundamental de inmutabilidad.
Cómic sobre Ethereum (izquierda) y The DAO (derecha).
Toda esta historia arruinó la reputación de la idea misma de DAO. Este proyecto se basó en la criptomoneda Ethereum, y el próximo año se espera la versión Ethereum 2.0: posiblemente, los autores (entre los que se encuentra el conocido Vitalik Buterin) tomen en cuenta los errores y presenten algo nuevo. Quizás por eso Gartner incluyó la DAO en una tendencia ascendente.
5.3.Datos Sintéticos (Synthetics Data)
Para entrenar redes neuronales se necesitan grandes volúmenes de datos. Etiquetar los datos manualmente es un gran esfuerzo que solo puede ser realizado por humanos. Por lo tanto, se pueden crear conjuntos de datos artificiales. Por ejemplo, las mismas colecciones de rostros humanos en el sitio . Se crean utilizando GAN: algoritmos de los que ya se ha hablado anteriormente.
Estos rostros no pertenecen a personas.
Una gran ventaja de estos datos es que no surgen dificultades legales para su uso: no hay nadie que dé el consentimiento para el tratamiento de datos personales.
5.4.Operaciones Digitales (Digital Ops)
El sufijo "Ops" se ha vuelto increíblemente popular desde que el término DevOps se afianzó en nuestro vocabulario. Ahora hablar de DigitalOps es simplemente una generalización de DevOps, DesignOps, MarketingOps… ¿Ya no te aburres? En resumen, es la transferencia del enfoque adoptado en DevOps a todos los demás aspectos del negocio: marketing, diseño, etc.
La idea de DevOps era eliminar las barreras entre el desarrollo y las operaciones, a través de la creación de equipos conjuntos donde programadores, testers, expertos en seguridad y administradores colaboran; implementando ciertas prácticas: integración continua, infraestructura como código, y la reducción y mejora de los ciclos de retroalimentación. El objetivo era acelerar el lanzamiento de productos al mercado. Si pensaste que esto se asemeja a Agile, tienes razón. Ahora, traslada mentalmente este enfoque del desarrollo de software a todo tipo de desarrollo, y entenderás qué es DigitalOps.
5.5. Gráficas del conocimiento (Knowledge Graphs)
Una forma programática de modelar un dominio del conocimiento, incluyendo — a través de algoritmos de aprendizaje automático. La gráfica del conocimiento se construye sobre bases de datos existentes, para unir toda la información: tanto estructurada (listas de eventos o personas) como no estructurada (texto de un artículo).
El ejemplo más simple es la tarjeta que puedes ver en los resultados de búsqueda de Google. Si buscas una persona o una institución, verás a la derecha una tarjeta:
Observa que "Eventos próximos" no es una copia de la información de Google Maps, sino una integración de programación con Yandex.Afisha: lo verás fácilmente si haces clic en los eventos. Es decir, se trata de la fusión de varias fuentes de datos en una sola.
Si solicitas una lista — por ejemplo, "directores de cine famosos" — te mostrarán un "carrusel":
Bono para aquellos que llegaron al final
Y ahora que hemos aclarado el significado de cada uno de los puntos, podemos mirar la misma imagen, pero ya en español:
¡Comparte libremente en las redes sociales!
Tatiana Volkova — Autora del programa de estudios de la pista sobre Internet de las Cosas de la Academia IT de Samsung, especialista en programas de responsabilidad social corporativa del Centro de Investigación de Samsung
Fuente: habr.com
