نمودار گارتنر مانند یک نمایش مد بالا برای کسانی است که در صنعت فناوری هستند. با نگاه کردن به آن، می توانید پیشاپیش متوجه شوید که کدام کلمات در این فصل بیشترین تبلیغات را دارند و در همه کنفرانس های آینده چه خواهید شنید.

ما آنچه در پشت کلمات زیبا در این نمودار نهفته است را رمزگشایی کرده ایم تا شما نیز بتوانید به زبان صحبت کنید.

برای شروع، فقط چند کلمه در مورد نوع نمودار این است. هر سال در ماه اوت، آژانس مشاوره گارتنر گزارشی را منتشر می کند - Gartner Hype Curve. در روسی، این یک "منحنی هایپ" یا به عبارت ساده تر، هیپ است. 30 سال پیش، خواننده های رپ از گروه Public Enemy آواز خواندند: "هیپ را باور نکن." باور کنید یا نه، این یک سوال شخصی است، اما اگر در زمینه فناوری کار می کنید و می خواهید روندهای جهانی را بدانید، حداقل ارزش دانستن این کلمات کلیدی را دارد.

این نموداری از انتظارات عمومی از یک فناوری خاص است. به گفته گارتنر، در حالت ایده آل، فناوری از 5 مرحله عبور می کند: راه اندازی فناوری، اوج انتظارات متورم، دره ناامیدی، شیب روشنگری، فلات بهره وری. اما همچنین اتفاق می افتد که در "دره ناامیدی" غرق می شود - شما می توانید نمونه هایی را به راحتی به خاطر بسپارید، همان بیت کوین ها را بگیرید: در ابتدا به عنوان "پول آینده" به اوج رسیدند، هنگامی که کاستی های فناوری به سرعت پایین آمدند. آشکار شد، اول از همه محدودیت در تعداد تراکنش ها و مقدار عظیم الکتریسیته مورد نیاز برای تولید بیت کوین (که در حال حاضر مستلزم مشکلات زیست محیطی است). و البته، ما نباید فراموش کنیم که نمودار گارتنر فقط یک پیش بینی است: در اینجا، برای مثال، می توانید جزئیات را بخوانید. یک مقاله، جایی که چشمگیرترین پیش بینی های محقق نشده مرتب می شوند.

بنابراین، بیایید به نمودار جدید گارتنر برویم. فن آوری ها به 5 گروه موضوعی بزرگ تقسیم می شوند:

1. هوش مصنوعی و تجزیه و تحلیل پیشرفته
2. محاسبات پست کلاسیک و Comms
3. حس و تحرک
4. انسان افزوده شده
5. اکوسیستم های دیجیتال

1. هوش مصنوعی و تجزیه و تحلیل پیشرفته

در طول 10 سال گذشته ما بهترین ساعت یادگیری عمیق را دیده ایم. این شبکه ها واقعاً برای طیف وسیعی از وظایف خود مؤثر هستند. در سال 2018، یان لکون، جفری هینتون و یوشوا بنجیو جایزه تورینگ را برای اکتشافات خود دریافت کردند - معتبرترین جایزه، مشابه جایزه نوبل در علوم کامپیوتر. بنابراین، روند اصلی در این زمینه که در نمودار نشان داده شده است:

1.1. یادگیری انتقالی

شما یک شبکه عصبی را از ابتدا آموزش نمی‌دهید، بلکه شبکه‌ای را که قبلاً آموزش دیده‌اید انتخاب کنید و هدف دیگری برای آن تعیین کنید. گاهی اوقات این نیاز به آموزش مجدد بخشی از شبکه دارد، اما نه کل شبکه، که بسیار سریعتر است. به عنوان مثال، با گرفتن یک شبکه عصبی آماده ResNet50 که بر روی مجموعه داده ImageNet1000 آموزش دیده است، الگوریتمی دریافت خواهید کرد که می تواند بسیاری از اشیاء مختلف را در یک تصویر در سطح بسیار عمیق طبقه بندی کند (1000 کلاس بر اساس ویژگی های ایجاد شده توسط 50 لایه عصبی شبکه). اما لازم نیست کل شبکه را آموزش دهید، که ماه ها طول می کشد.

В دوره آنلاین به عنوان مثال، سامسونگ "شبکه های عصبی و بینایی کامپیوتر"، در پایان وظیفه کاگل با طبقه بندی صفحات به تمیز و کثیف، رویکردی نشان داده شده است که در عرض 5 دقیقه یک شبکه عصبی عمیق را در اختیار شما قرار می دهد که قادر است صفحات کثیف را از صفحات تمیز تشخیص دهد که مطابق با معماری توصیف شده در بالا ساخته شده است. شبکه اصلی اصلاً نمی دانست که چه صفحاتی هستند، فقط یاد گرفت که پرندگان را از سگ تشخیص دهد (به ImageNet مراجعه کنید).

منبع: دوره آنلاین سامسونگ "شبکه های عصبی و بینایی کامپیوتر"

برای آموزش انتقال باید بدانید که کدام رویکردها کار می کنند و چه معماری های اولیه آماده ای در دسترس هستند. به طور کلی، این امر ظهور کاربردهای عملی یادگیری ماشین را بسیار تسریع می کند.

1.2. شبکه های متخاصم مولد (GAN)

این برای مواردی است که تدوین هدف یادگیری برای ما بسیار دشوار است. هر چه این کار به زندگی واقعی نزدیک تر باشد، برای ما قابل درک تر است ("میز کنار تخت را بیاورید")، اما تدوین آن به عنوان یک کار فنی دشوارتر است. GAN فقط تلاشی برای نجات ما از این مشکل است.

دو شبکه در اینجا کار می کنند: یکی مولد (Generative) و دیگری یک تبعیض (Adversarial). یک شبکه یاد می گیرد که کار مفیدی انجام دهد (طبقه بندی تصاویر، تشخیص صداها، کشیدن کارتون). و شبکه دیگری یاد می گیرد که آن شبکه را آموزش دهد: نمونه های واقعی دارد، و یاد می گیرد که یک فرمول پیچیده قبلا ناشناخته را برای مقایسه محصولات بخش مولد شبکه با اشیاء دنیای واقعی (مجموعه آموزشی) بر اساس ویژگی های عمیق بسیار مهم بیابد. : تعداد چشم ها، نزدیکی به سبک میازاکی، تلفظ صحیح انگلیسی.

نمونه ای از نتیجه یک شبکه برای تولید شخصیت های انیمه. منبع

اما، البته، ساختن معماری در آنجا دشوار است. فقط پرتاب نورون ها کافی نیست، آنها باید آماده شوند. و باید هفته ها درس بخونی. همکاران من در مرکز هوش مصنوعی سامسونگ روی موضوع GAN کار می کنند؛ این یکی از سوالات کلیدی تحقیقاتی آنهاست. مثلا اینجوری توسعه: استفاده از شبکه‌های مولد برای ترکیب عکس‌های واقعی از افراد با حالت‌های متغیر - به عنوان مثال، برای ایجاد یک اتاق تناسب مجازی، یا ترکیب یک چهره، که می‌تواند میزان اطلاعاتی را که باید ذخیره یا منتقل شود کاهش دهد تا کیفیت ویدیویی با کیفیت بالا تضمین شود. ارتباطات، پخش یا حفاظت از داده های شخصی.

منبع

1.3. هوش مصنوعی قابل توضیح

برای برخی از وظایف نادر، پیشرفت در معماری های عمیق به طور ناگهانی قابلیت های شبکه های عصبی عمیق را به توانایی های انسانی نزدیک کرده است. اکنون نبرد برای افزایش دامنه چنین وظایفی در جریان است. به عنوان مثال، یک ربات جاروبرقی می تواند به راحتی گربه را از سگ در یک جلسه رودررو تشخیص دهد. اما در بیشتر موقعیت های زندگی، او نمی تواند گربه ای را پیدا کند که در میان کتانی یا مبلمان خوابیده باشد (اما، مانند ما، در بیشتر موارد...).

دلیل موفقیت شبکه های عصبی عمیق چیست؟ آنها نمایشی از مشکل را نه بر اساس اطلاعات "قابل مشاهده با چشم غیرمسلح" (پیکسل های عکس، تغییرات در حجم صدا...)، بلکه بر اساس ویژگی هایی که پس از پیش پردازش این اطلاعات توسط چند صد لایه شبکه عصبی به دست می آیند، توسعه می دهند. متأسفانه، این روابط همچنین ممکن است بی‌معنی، ناسازگار، یا دارای ردپایی از نقص در مجموعه داده اصلی باشند. به عنوان مثال، یک بازی کامپیوتری کوچک در مورد اینکه استفاده بدون فکر از هوش مصنوعی در استخدام منجر به چه چیزی می شود وجود دارد بقای بهترین تناسب.

سیستم برچسب گذاری تصویر، فردی را که در حال آشپزی است به عنوان یک زن برچسب گذاری می کند، حتی اگر شخص در تصویر در واقع یک مرد است (منبع). این توجه کرد در موسسه ویرجینیا

برای تجزیه و تحلیل روابط پیچیده و عمیقی که اغلب خودمان نمی توانیم آن ها را فرموله کنیم، به روش های هوش مصنوعی قابل توضیح نیاز است. آن‌ها ویژگی‌های شبکه‌های عصبی عمیق را سازماندهی می‌کنند تا پس از آموزش، به جای تکیه بر تصمیم آن، بتوانیم بازنمایی داخلی را که شبکه یاد گرفته است، تجزیه و تحلیل کنیم.

1.4. Edge Analytics / AI

همه چیز با کلمه Edge به معنای واقعی کلمه به معنای زیر است: انتقال بخشی از الگوریتم ها از ابر/سرور به سطح دستگاه پایانی/دروازه. چنین الگوریتمی سریعتر کار می کند و برای عملکرد خود نیازی به اتصال به سرور مرکزی نخواهد داشت. اگر با انتزاع یک "تن مشتری" آشنا هستید، در اینجا ما این مشتری را کمی ضخیم تر می کنیم.
این می تواند برای اینترنت اشیا مهم باشد. به عنوان مثال، اگر دستگاهی بیش از حد گرم شده باشد و نیاز به خنک‌سازی داشته باشد، منطقی است که فوراً در سطح کارخانه سیگنال دهید، بدون اینکه منتظر بمانید تا داده‌ها به ابر و از آنجا به سرکارگر شیفت بروند. یا مثالی دیگر: خودروهای خودران می توانند به تنهایی و بدون تماس با سرور مرکزی وضعیت ترافیک را دریابند.

منبع

یا مثال دیگری از اینکه چرا این موضوع از نظر امنیتی مهم است: وقتی متنی را در تلفن خود تایپ می کنید، کلماتی را که برای شما معمولی هستند به خاطر می آورد، به طوری که بعداً صفحه کلید تلفن می تواند به راحتی از شما درخواست کند - به این حالت پیش بینی می گویند. ورودی متن ارسال هر چیزی که روی صفحه کلید خود تایپ می کنید به یک مرکز داده در جایی نقض حریم خصوصی شما و به سادگی ناامن است. بنابراین، آموزش صفحه کلید فقط در خود دستگاه شما انجام می شود.

1.5. پلتفرم هوش مصنوعی به عنوان یک سرویس (AI PaaS)

PaaS - Platform-as-a-Service یک مدل کسب و کار است که در آن ما به یک پلتفرم یکپارچه از جمله ذخیره سازی داده های مبتنی بر ابر و رویه های آماده دسترسی داریم. به این ترتیب، می‌توانیم خود را از وظایف زیرساختی رها کنیم و به طور کامل روی تولید چیزی مفید تمرکز کنیم. نمونه ای از پلتفرم های PaaS برای وظایف هوش مصنوعی: IBM Cloud، Microsoft Azure، Amazon Machine Learning، Google AI Platform.

1.6. یادگیری ماشین تطبیقی ​​(تطبیقی ​​ML)

چه می شود اگر اجازه دهیم هوش مصنوعی تطبیق پیدا کند... شما بپرسید - یعنی چگونه؟.. آیا از قبل با کار تطبیق نمی یابد؟ مشکل اینجاست: ما قبل از ساختن یک الگوریتم هوش مصنوعی برای حل آن، هر یک از این مسائل را با زحمت طراحی می‌کنیم. آنها به شما پاسخ خواهند داد - معلوم می شود که این زنجیره را می توان ساده کرد.

یادگیری ماشین معمولی بر اساس اصل یک حلقه باز کار می کند: داده ها را آماده می کنید، یک شبکه عصبی (یا هر چیز دیگری) ایجاد می کنید، آموزش می دهید، سپس به چندین شاخص نگاه می کنید، و اگر همه چیز را دوست دارید، می توانید شبکه عصبی را به تلفن های هوشمند ارسال کنید. - حل مشکلات کاربر اما در کاربردهایی که داده های زیادی وجود دارد و ماهیت آن به تدریج تغییر می کند، به روش های دیگری نیاز است. چنین سیستم هایی که خود را تطبیق می دهند و آموزش می دهند، در حلقه های بسته و خودآموز (حلقه بسته) سازماندهی می شوند و باید به آرامی کار کنند.

برنامه ها - این می تواند تجزیه و تحلیل جریان (Stream Analytics) باشد که بر اساس آن بسیاری از تجار تصمیم می گیرند یا مدیریت تولید تطبیقی. در مقیاس برنامه های فعلی و با توجه به خطرات درک بهتر برای انسان، تکنیک هایی که راه حلی برای این مشکل ایجاد می کنند، همگی تحت عنوان چتر هوش مصنوعی تطبیقی ​​جمع آوری شده اند.

منبع

با نگاه کردن به این تصویر، خلاص شدن از شر این احساس که آینده‌شناسان نان نمی‌دهند، سخت است - بگذارید به یک روبات نفس کشیدن را آموزش دهند...

محاسبات پست کلاسیک و Comms

2.1. نسل پنجم ارتباطات سیار (5G)

این موضوع آنقدر جالب است که ما بلافاصله شما را به سایت خود ارجاع می دهیم مقاله. خوب، این یک خلاصه کوتاه است. 5G با افزایش فرکانس انتقال داده، سرعت اینترنت را به طور غیرواقعی سریع می کند. عبور امواج کوتاه از موانع دشوارتر است، بنابراین طراحی شبکه ها کاملاً متفاوت خواهد بود: 500 برابر ایستگاه های پایه بیشتر مورد نیاز است.

در کنار سرعت، پدیده‌های جدیدی نیز به دست خواهیم آورد: بازی‌های بی‌درنگ با واقعیت افزوده، انجام کارهای پیچیده (مانند جراحی) از طریق حضور از راه دور، جلوگیری از تصادفات و موقعیت‌های دشوار در جاده‌ها از طریق ارتباط بین ماشین‌ها. در یک یادداشت ساده تر: اینترنت تلفن همراه در نهایت در طول رویدادهای دسته جمعی، مانند مسابقه در یک استادیوم، کاهش می یابد.

منبع تصویر - رویترز، نیانتیک

2.2. حافظه نسل بعدی

در اینجا ما در مورد نسل پنجم رم - DDR5 صحبت می کنیم. سامسونگ اعلام کرد که محصولات مبتنی بر DDR2019 تا پایان سال 5 در دسترس خواهند بود. انتظار می رود که حافظه جدید با حفظ همان فرم فاکتور دو برابر سریعتر و دو برابر ظرفیت بیشتری داشته باشد، یعنی بتوانیم مموری هایی با ظرفیت تا 32 گیگابایت برای رایانه خود تهیه کنیم. در آینده، این امر به ویژه برای گوشی های هوشمند (حافظه جدید در نسخه کم مصرف خواهد بود) و لپ تاپ ها (که تعداد اسلات های DIMM محدود است) مرتبط خواهد بود. همچنین یادگیری ماشینی به مقدار زیادی رم نیاز دارد.

2.3. سیستم های ماهواره ای مدار پایین زمین

ایده جایگزینی ماهواره های سنگین، گران قیمت و قدرتمند با انبوهی از ماهواره های کوچک و ارزان بسیار جدید نیست و در دهه 90 ظاهر شد. در مورد چی "الون ماسک به زودی اینترنت را از طریق ماهواره برای همه توزیع خواهد کرد" حالا فقط تنبل ها نشنیده اند. معروف ترین شرکت در اینجا Iridium است که در اواخر دهه 90 ورشکست شد، اما با هزینه وزارت دفاع ایالات متحده نجات یافت (با iRidium، سیستم خانه هوشمند روسی اشتباه نشود). پروژه ایلان ماسک (استارلینک) از تنها پروژه بسیار دور است - ریچارد برانسون (OneWeb - ماهواره های پیشنهادی 1440)، بوئینگ (3000 ماهواره)، سامسونگ (4600 ماهواره) و دیگران در مسابقه ماهواره ای شرکت می کنند.

اوضاع در این زمینه چگونه است، اقتصاد در آنجا چگونه به نظر می رسد - بخوانید بررسی. و منتظر اولین تست های این سیستم ها توسط اولین کاربران هستیم که سال آینده باید انجام شود.

2.4. چاپ سه بعدی در مقیاس نانو

پرینت سه بعدی، اگرچه وارد زندگی هر فردی نشده است (به شکلی که یک کارخانه پلاستیک خانگی منفرد وعده داده است)، با این وجود مدت هاست که جایگاه فناوری را برای افراد حرفه ای ترک کرده است. شما می توانید با این واقعیت قضاوت کنید که هر دانش آموزی از وجود حداقل خودکارهای مجسمه سازی شده سه بعدی اطلاع دارد و بسیاری رویای خرید جعبه ای با رانر و اکسترودر را برای ... "درست مثل آن" دارند (یا قبلاً آن را خریداری کرده اند).

استریولیتوگرافی (چاپگرهای سه بعدی لیزری) امکان چاپ با فوتون های جداگانه را فراهم می کند: پلیمرهای جدیدی در حال بررسی هستند که برای جامد شدن فقط به دو فوتون نیاز دارند. این اجازه می دهد تا در شرایط غیر آزمایشگاهی، فیلترها، پایه ها، فنرها، مویرگ ها، لنزها و ... گزینه های شما در نظرات کاملاً جدید ایجاد کنید! و در اینجا از فتوپلیمریزاسیون دور نیست - فقط این فناوری به ما امکان می دهد پردازنده ها و مدارهای محاسباتی را "چاپ" کنیم. علاوه بر این، اولین سالی نیست که وجود دارد فناوری چاپ گرافن سازه های سه بعدی 500 نانومتری، اما بدون توسعه ریشه ای.

منبع

3. حس و تحرک

3.1. رانندگی خودمختار سطح 4 و 5

برای اینکه در اصطلاح گیج نشوید، لازم است درک کنیم که چه سطوحی از خودمختاری متمایز می شود (برگرفته از جزئیات مقاله، که همه علاقه مندان را به آن ارجاع می دهیم):

سطح 1: کروز کنترل: در موقعیت های بسیار محدود به راننده کمک می کند (به عنوان مثال، نگه داشتن ماشین با سرعت معین پس از اینکه راننده پای خود را از روی پدال بردارد)
سطح 2: کمک فرمان و ترمز محدود. راننده باید تقریباً فوراً آماده کنترل باشد. دستانش روی فرمان است، چشمانش به سمت جاده است. این چیزی است که تسلا و جنرال موتورز قبلاً دارند.
سطح 3: راننده دیگر مجبور نیست دائماً جاده را تماشا کند. اما او باید هوشیار بماند و آماده کنترل باشد. این چیزی است که خودروهای تجاری موجود هنوز از آن برخوردار نیستند. همه موارد موجود در سطح 1-2 هستند.
سطح 4: خلبان خودکار واقعی، اما با محدودیت: فقط در یک منطقه شناخته شده سفر می کند که به دقت نقشه برداری شده و به طور کلی برای سیستم شناخته شده است، و تحت شرایط خاص: به عنوان مثال، در غیاب برف. وایمو و جنرال موتورز چنین نمونه های اولیه ای دارند و قصد دارند آنها را در چندین شهر راه اندازی کنند و در محیط های واقعی آزمایش کنند. Yandex دارای مناطق آزمایشی برای تاکسی های بدون سرنشین در Skolkovo و Innopolis است: این سفر تحت نظارت یک مهندس نشسته در صندلی مسافر انجام می شود. تا پایان سال، این شرکت قصد دارد ناوگان خود را به 100 وسیله نقلیه بدون سرنشین افزایش دهد.
سطح 5: رانندگی تمام اتوماتیک، جایگزینی کامل راننده زنده. چنین سیستم هایی وجود ندارند و بعید است در سال های آینده ظاهر شوند.

دیدن همه اینها در آینده قابل پیش بینی چقدر واقع بینانه است؟ در اینجا می خواهم خواننده را به مقاله هدایت کنم چرا همانطور که تسلا وعده داده است، راه اندازی رباتاکسی تا سال 2020 غیرممکن است؟. این تا حدی به دلیل عدم اتصال 5G است: سرعت های 4G موجود کافی نیست. تا حدودی به دلیل هزینه بسیار بالای خودروهای خودران: آنها هنوز سودآور نیستند، مدل کسب و کار نامشخص است. در یک کلام، "همه چیز در اینجا پیچیده است" و تصادفی نیست که گارتنر می نویسد که پیش بینی اجرای انبوه سطوح 4 و 5 زودتر از 10 سال نیست.

3.2. دوربین های حسگر سه بعدی

هشت سال پیش، کنترل‌کننده بازی کینکت مایکروسافت با ارائه راه‌حلی در دسترس و نسبتا ارزان برای دید سه‌بعدی موج‌هایی را ایجاد کرد. از آن زمان، بازی‌های تربیت بدنی و رقص با کینکت رشد و کاهش کوتاهی را تجربه کردند، اما استفاده از دوربین‌های سه بعدی در روبات‌های صنعتی، وسایل نقلیه بدون سرنشین و تلفن‌های همراه برای شناسایی چهره آغاز شد. این فناوری ارزان تر، فشرده تر و در دسترس تر شده است.

گوشی سامسونگ S10 دارای یک دوربین زمان پرواز است که فاصله تا یک جسم را اندازه گیری می کند تا فوکوس راحت تر شود. منبع

اگر به این موضوع علاقه مند هستید، ما شما را به بررسی دقیق بسیار خوب دوربین های عمق هدایت می کنیم: قسمت 1, قسمت 2.

3.3. هواپیماهای بدون سرنشین برای تحویل محموله های کوچک (Light Cargo Delivery Drones)

امسال، آمازون با نمایش یک پهپاد پرنده جدید در نمایشگاه که می تواند بارهای کوچک تا وزن 2 کیلوگرم را حمل کند، موج ایجاد کرد. برای شهری با ترافیک آن، این یک راه حل ایده آل به نظر می رسد. بیایید ببینیم این پهپادها در آینده بسیار نزدیک چگونه عمل می کنند. شاید ارزش آن را داشته باشد که در اینجا با احتیاط شک کنید: مشکلات زیادی وجود دارد، از احتمال سرقت آسان یک پهپاد شروع می شود و با محدودیت های قانونی در پهپادها خاتمه می یابد. آمازون پرایم ایر شش سال است که وجود دارد اما هنوز در مرحله آزمایش است.

پهپاد جدید آمازون که بهار امسال نمایش داده شد. چیزی از جنگ ستارگان در مورد او وجود دارد. منبع

علاوه بر آمازون، بازیگران دیگری نیز در این بازار حضور دارند (مشخصاتی وجود دارد مروری، اما نه یک محصول نهایی: همه چیز در مرحله آزمایش و کمپین های بازاریابی است. به طور جداگانه، شایان ذکر است که پزشکی بسیار تخصصی بسیار جالب است پروژه در آفریقا: تحویل خون اهدایی در غنا (14 تحویل، شرکت Zipline) و رواندا (شرکت Matternet).

3.4. وسایل نقلیه خودمختار پرنده

گفتن چیزی قطعی در اینجا دشوار است. به گفته گارتنر، این زودتر از 10 سال آینده ظاهر خواهد شد. به طور کلی، در اینجا همه همان مشکلاتی وجود دارد که در اتومبیل های خودران وجود دارد، فقط آنها بعد جدیدی به دست می آورند - عمودی. پورشه، بوئینگ و اوبر جاه طلبی خود را برای ساخت تاکسی پرنده اعلام کرده اند.

3.5. ابر واقعیت افزوده (ابر AR)

یک کپی دیجیتال دائمی از دنیای واقعی که به شما امکان می دهد لایه جدیدی از واقعیت را ایجاد کنید که برای همه کاربران مشترک است. به عبارت فنی تر، ما در مورد ساخت یک پلتفرم ابری باز صحبت می کنیم که توسعه دهندگان بتوانند برنامه های AR خود را در آن ادغام کنند. مدل کسب درآمد واضح است؛ این یک نوع آنالوگ Steam است. این ایده آنقدر جا افتاده است که برخی اکنون بر این باورند که AR بدون ابر به سادگی بی فایده است.

این که در آینده چه شکلی می تواند داشته باشد در یک ویدیوی کوتاه نشان داده شده است. شبیه قسمت دیگری از Black Mirror است:

همچنین می توانید در مقاله مروری

4. انسان افزوده شده

4.1. هوش مصنوعی احساسی

چگونه احساسات انسانی را اندازه گیری، شبیه سازی و پاسخ دهیم؟ برخی از مشتریان در اینجا شرکت هایی هستند که دستیارهای صوتی مانند آمازون الکسا تولید می کنند. آنها واقعاً می توانند به خانه ها عادت کنند اگر یاد بگیرند حال و هوا را تشخیص دهند: دلیل نارضایتی کاربر را بفهمند و سعی کنند وضعیت را اصلاح کنند. به طور کلی، اطلاعات بسیار بیشتری در زمینه نسبت به خود پیام وجود دارد. و زمینه بیان چهره، لحن و رفتار غیرکلامی است.

سایر کاربردهای عملی: تجزیه و تحلیل احساسات در طول مصاحبه شغلی (بر اساس مصاحبه های ویدئویی)، ارزیابی واکنش ها به تبلیغات یا سایر محتوای ویدیویی (لبخند، خنده)، کمک در یادگیری (به عنوان مثال، برای تمرین مستقل در هنر سخنرانی در جمع).

صحبت کردن بهتر از نویسنده یک فیلم کوتاه 6 دقیقه ای در مورد این موضوع دشوار است احساس دزدی. این ویدیوی شوخ و شیک نشان می دهد که چگونه می توانید احساسات ما را برای اهداف بازاریابی اندازه گیری کنید و از واکنش های لحظه ای چهره خود متوجه شوید که آیا پیتزا، سگ، کانیه وست و حتی سطح درآمد و ضریب هوشی تقریبی خود را دوست دارید یا خیر. با مراجعه به وب سایت فیلم با استفاده از لینک بالا، با استفاده از دوربین داخلی لپ تاپ خود در یک ویدیوی تعاملی شرکت می کنید. این فیلم پیش از این در چندین جشنواره سینمایی به نمایش درآمده است.

منبع

حتی چنین مطالعه جالبی وجود دارد: چگونه طعنه را در متن تشخیص دهیم. ما توییت هایی با هشتگ #طعنه گرفتیم و مجموعه آموزشی متشکل از 25 توییت با طعنه و 000 توییت معمولی در مورد هر چیزی که زیر نور خورشید بود ساختیم. ما از کتابخانه TensorFlow استفاده کردیم، سیستم را آموزش دادیم و نتیجه این است:

منبع

بنابراین، اکنون، اگر در مورد همکار یا دوست خود مطمئن نیستید - او چیزی را به طور جدی یا طعنه آمیز به شما گفته است، می توانید از قبل استفاده کنید. شبکه عصبی آموزش دیده!

4.2. هوش افزوده

اتوماسیون کار فکری با استفاده از روش های یادگیری ماشینی. به نظر چیز جدیدی نیست؟ اما خود عبارت در اینجا مهم است، به خصوص که به صورت مخفف با هوش مصنوعی منطبق است. این ما را به بحث در مورد هوش مصنوعی "قوی" و "ضعیف" بازمی گرداند.
هوش مصنوعی قوی همان هوش مصنوعی فیلم های علمی تخیلی است که کاملاً معادل ذهن انسان است و از خود به عنوان یک فرد آگاه است. این هنوز وجود ندارد و مشخص نیست که آیا اصلا وجود خواهد داشت یا خیر.

هوش مصنوعی ضعیف یک فرد مستقل نیست، بلکه یک دستیار انسانی است. او ادعا نمی کند که تفکری شبیه انسان دارد، بلکه به سادگی می داند که چگونه مسائل اطلاعاتی را حل کند، به عنوان مثال، تعیین کند که در یک تصویر نشان داده شده است یا متن را ترجمه کند.

منبع

از این نظر، هوش افزوده در خالص‌ترین شکل آن «هوش مصنوعی ضعیف» است و فرمول‌بندی موفق به نظر می‌رسد، زیرا سردرگمی و وسوسه دیدن همان «هوش مصنوعی قوی» را که همه از آن آرزو دارند (یا از آن می‌ترسند، در اینجا ایجاد نمی‌کند. بحث های متعدد در مورد "ماشین های شورشی" را به یاد بیاورید). با استفاده از عبارت هوش افزوده، ما بلافاصله قهرمان فیلم دیگری می شویم: از داستان های علمی تخیلی (مانند «من، ربات» آسیموف) خود را در سایبرپانک می یابیم («افزایش ها» در این ژانر انواع کاشت هایی هستند که توانایی های انسان را گسترش می دهند).

مانند گفت اریک برینولفسون و اندرو مک آفی: «در 10 سال آینده، این چیزی است که اتفاق خواهد افتاد. هوش مصنوعی جایگزین مدیران نخواهد شد، اما آن دسته از مدیرانی که از هوش مصنوعی استفاده می کنند، جایگزین مدیرانی خواهند شد که هنوز موفق نشده اند.

مثال:

• پزشکی: دانشگاه استنفورد توسعه یافته است الگوریتم، که به طور متوسط ​​با موفقیت بسیاری از پزشکان با وظیفه تشخیص آسیب شناسی در عکس قفسه سینه کنار می آید.
• آموزش: کمک به دانش آموزان و معلمان، تجزیه و تحلیل پاسخ دانش آموزان به مواد، ساخت یک مسیر یادگیری فردی.
• تجزیه و تحلیل کسب و کار: پیش پردازش داده ها، طبق آمار، 80٪ از زمان یک محقق و تنها 20٪ از خود آزمایش را می گیرد.

4.3. بیوچیپ ها

این موضوع مورد علاقه همه فیلم ها و کتاب های سایبرپانک است. به طور کلی ریزتراشه کردن حیوانات خانگی روش جدیدی نیست. اما اکنون این تراشه ها شروع به کاشت در افراد کرده اند.

در این مورد، هیاهو به احتمال زیاد با پرونده پر سر و صدا در شرکت آمریکایی Three Square Market مرتبط است. در آنجا کارفرما شروع به پیشنهاد کاشت تراشه در زیر پوست در ازای دریافت هزینه کرد. این تراشه به شما امکان می دهد درها را باز کنید، وارد رایانه ها شوید، تنقلات را از یک دستگاه خودکار بخرید - یعنی چنین کارت کارمند جهانی. علاوه بر این، چنین تراشه ای دقیقاً به عنوان کارت شناسایی عمل می کند؛ ماژول GPS ندارد، بنابراین ردیابی هر کسی که از آن استفاده می کند غیرممکن است. و اگر فردی بخواهد تراشه را از بازوی خود خارج کند با کمک پزشک 5 دقیقه طول می کشد.

تراشه ها معمولا بین انگشت شست و اشاره کاشته می شوند. منبع

ادامه مطلب یک مقاله در مورد وضعیت تراشه در جهان.

4.4. فضای کاری همهجانبه

"Immersive" یک کلمه جدید دیگر است که به سادگی راه گریزی ندارد. همه جا هست تئاتر همهجانبه، نمایشگاه، سینما. منظورت چیه؟ غوطه وری ایجاد یک اثر غوطه ور است، زمانی که مرز بین نویسنده و بیننده، دنیای مجازی و واقعی از بین می رود. در محل کار، احتمالاً، این به معنای محو کردن مرز بین انجام دهنده و آغازگر و تشویق کارکنان به اتخاذ موقعیت فعال تر از طریق قالب بندی مجدد محیط است.

از آنجایی که اکنون در همه جا چابکی، انعطاف‌پذیری و همکاری نزدیک داریم، مکان‌های کاری باید تا حد امکان به راحتی قابل تنظیم باشند و کار گروهی را تشویق کنند. اقتصاد شرایط خود را دیکته می کند: تعداد کارکنان موقت بیشتر است، هزینه اجاره فضای اداری در حال افزایش است و در بازار کار رقابتی، شرکت های فناوری اطلاعات در تلاش هستند تا با ایجاد مناطق تفریحی و سایر مزایا، رضایت کارکنان را از کار افزایش دهند. و همه اینها در طراحی محل کار منعکس می شود.

از گزارش گره بزن

4.5. شخصیت پردازی

همه می دانند که شخصی سازی در تبلیغات چیست. این زمانی است که امروز با یکی از همکارانتان بحث می کنید که هوای اتاق تا حدودی خشک است و باید یک مرطوب کننده برای دفتر بخرید و روز بعد تبلیغی را در شبکه اجتماعی خود مشاهده می کنید - "خرید رطوبت ساز" حادثه واقعی که برای من اتفاق افتاد).

منبع

شخصی سازی، همانطور که توسط گارتنر تعریف شده است، پاسخی است به نگرانی های فزاینده کاربران در مورد استفاده از داده های شخصی آنها برای اهداف تبلیغاتی. هدف توسعه رویکردی است که در آن تبلیغاتی به ما نشان داده می‌شود که مربوط به زمینه‌ای باشد که در آن قرار داریم، نه به شخص ما. به عنوان مثال، موقعیت مکانی، نوع دستگاه، زمان روز، شرایط آب و هوایی - این چیزی است که اطلاعات شخصی ما را نقض نمی کند و ما احساس ناخوشایند "نظارت" بودن را احساس نمی کنیم.

تفاوت بین این دو مفهوم را بخوانید توجه داشته باشید اندرو فرانک در وب سایت گارتنر وبلاگ می نویسد. آنقدر تفاوت ظریف و کلمات مشابهی وجود دارد که شما، بدون دانستن تفاوت، ریسک می کنید که برای مدت طولانی با همکار خود بحث کنید، و شک نکنید که به طور کلی، هر دو درست می گویند (و این نیز یک حادثه واقعی است که برای آن ها اتفاق افتاده است. نویسنده).

4.6. بیوتکنولوژی – بافت کشت شده یا مصنوعی

این، اول از همه، ایده رشد گوشت مصنوعی است. در همان زمان، چندین تیم در سراسر جهان مشغول توسعه آزمایشگاه "Meat 2.0" هستند - انتظار می رود که ارزان تر از حد معمول شود و فست فودها و سپس سوپرمارکت ها به آن روی بیاورند. از سرمایه گذاران این فناوری می توان به بیل گیتس، سرگی برین، ریچارد برانسون و دیگران اشاره کرد.

منبع

دلایل علاقه همه افراد به گوشت مصنوعی:

1. گرمایش جهانی: انتشار متان از مزارع این 18 درصد از حجم گازهای جهانی است که بر اقلیم تأثیر می گذارد.
2. رشد جمعیت. تقاضا برای گوشت در حال رشد است و تغذیه همه با گوشت طبیعی امکان پذیر نخواهد بود - این فقط گران است.
3. کمبود فضا. 70 درصد از جنگل های آمازون در حال حاضر برای مرتع قطع شده است.
4. ملاحظات اخلاقی. کسانی هستند که این برایشان مهم است. سازمان حقوق حیوانات PETA در حال حاضر یک جایزه یک میلیون دلاری به دانشمندی که گوشت مرغ مصنوعی را به بازار می آورد، در نظر گرفته است.

جایگزینی گوشت واقعی با سویا یک راه حل جزئی است، زیرا مردم می توانند تفاوت طعم و بافت را درک کنند و بعید است که استیک را به نفع سویا کنار بگذارند. بنابراین شما به گوشت واقعی و ارگانیک نیاز دارید. اکنون، متأسفانه، گوشت مصنوعی بسیار گران است: از 12 دلار در هر کیلوگرم. این به دلیل فرآیند فنی پیچیده رشد چنین گوشتی است. همه چیز را بخوانید یک مقاله.

اگر در مورد سایر موارد رشد بافت - در حال حاضر در پزشکی - صحبت کنیم، موضوع مربوط به اندام های مصنوعی جالب است: به عنوان مثال، "پچ" برای عضله قلب، چاپ شده پرینتر سه بعدی مخصوص شناخته شده داستان مانند قلب موش رشد کرده مصنوعی، اما به طور کلی همه چیز هنوز در محدوده آزمایشات بالینی است. بنابراین بعید است که فرانکشتاین را در سال های آینده ببینیم.

در اینجا گارتنر در برآوردهای خود بسیار محتاط است و ظاهراً پیش‌بینی ناموفق خود در سال 2015 را در نظر دارد که در سال 2019، 10 درصد از جمعیت کشورهای توسعه‌یافته دارای ایمپلنت دستگاه پزشکی پرینت سه بعدی خواهند بود. بنابراین، به این معنی است که زمان رسیدن به فلات بهره وری حداقل 3 سال است.

5. اکوسیستم های دیجیتال

5.1. وب غیرمتمرکز

این مفهوم ارتباط نزدیکی با نام مخترع وب، برنده جایزه تورینگ، سر تیم برنرز-لی دارد. برای او، سؤالات اخلاق در علوم رایانه همیشه مهم بود و جوهر جمعی اینترنت مهم بود: با گذاشتن پایه های فرامتن، او متقاعد شد که شبکه باید مانند یک وب کار کند و نه مانند یک سلسله مراتب. این مورد در مراحل اولیه توسعه شبکه بود. با این حال، با رشد اینترنت، ساختار آن به دلایل مختلف متمرکز شد. مشخص شد که دسترسی به شبکه برای کل کشور را می توان به راحتی با کمک چند ارائه دهنده مسدود کرد. و داده های کاربران به منبع قدرت و درآمد برای شرکت های اینترنتی تبدیل شده است.

Burners-Lee می گوید: «اینترنت در حال حاضر غیرمتمرکز است. مشکل اینجاست که یک موتور جستجو، یک شبکه اجتماعی بزرگ، یک پلت فرم میکروبلاگینگ مسلط است. ما مشکلات تکنولوژیکی نداریم، اما مشکلات اجتماعی داریم.»

در او نامه ی سرگشاده برای سی امین سالگرد وب جهانی، خالق وب سه مشکل اصلی اینترنت را بیان کرد:

1. آسیب های هدفمند مانند هک های دولتی، جنایت و آزار و اذیت آنلاین
2. خود طراحی سیستم، که به ضرر کاربر، زمینه ساز مکانیزم هایی مانند: مشوق های مالی برای کلیک و انتشار ویروسی اطلاعات نادرست را ایجاد می کند.
3. پیامدهای ناخواسته طراحی سیستم که منجر به تضاد و کاهش کیفیت بحث آنلاین می شود

و تیم برنرز لی قبلاً پاسخی در مورد اینکه «اینترنت یک فرد سالم» بدون مشکل شماره 2 بر چه اصولی می تواند مبتنی باشد، دارد: «برای بسیاری از کاربران، درآمد تبلیغات تنها مدل تعامل با اینترنت است. حتی اگر مردم از اینکه چه اتفاقی برای داده‌هایشان می‌افتد می‌ترسند، برای دریافت فرصتی برای دریافت رایگان محتوا، حاضرند با ماشین بازاریابی معامله کنند. دنیایی را تصور کنید که در آن پرداخت برای کالاها و خدمات برای هر دو طرف آسان و لذت بخش باشد.» از جمله گزینه‌هایی که می‌توان این کار را ترتیب داد: نوازندگان می‌توانند صداهای ضبط شده خود را بدون واسطه در قالب iTunes بفروشند، و سایت‌های خبری می‌توانند به جای کسب درآمد از تبلیغات، از سیستم پرداخت خرد برای خواندن یک مقاله استفاده کنند.

به عنوان یک نمونه آزمایشی برای این اینترنت جدید، تیم برنرز لی پروژه SOLID را راه اندازی کرد که ماهیت آن این است که داده های خود را در یک "پاد" - یک فروشگاه اطلاعات ذخیره می کنید و می توانید این داده ها را در اختیار برنامه های شخص ثالث قرار دهید. اما در اصل خود شما استاد داده های خود هستید. همه اینها ارتباط نزدیکی با مفهوم شبکه های همتا به همتا دارد، یعنی رایانه شما نه تنها خدماتی را درخواست می کند، بلکه آنها را نیز ارائه می دهد تا به یک سرور به عنوان تنها کانال متکی نباشد.

منبع

5.2. سازمان های خودمختار غیرمتمرکز

این سازمانی است که توسط قوانین نوشته شده در قالب یک برنامه کامپیوتری اداره می شود. فعالیت های مالی آن بر اساس بلاک چین است. هدف از ایجاد چنین سازمان‌هایی حذف دولت از نقش واسطه و ایجاد یک محیط قابل اعتماد مشترک برای طرف‌های مقابل است که به صورت جداگانه متعلق به هیچ‌کس نیست، بلکه متعلق به همه است. یعنی در تئوری، اگر این ایده ریشه دواند، این باید دفاتر اسناد رسمی و سایر مؤسسات تأیید معمول را لغو کند.

مشهورترین نمونه از چنین سازمانی، DAO متمرکز بر سرمایه گذاری بود که در سال 2016 150 میلیون دلار جمع آوری کرد که 50 دلار آن بلافاصله از طریق یک حفره قانونی در قوانین به سرقت رفت. یک معضل دشوار بلافاصله به وجود آمد: یا برگردید و پول را برگردانید، یا بپذیرید که برداشت پول قانونی بود، زیرا به هیچ وجه قوانین پلت فرم را نقض نمی کرد. در نتیجه، برای بازگرداندن پول به سرمایه گذاران، سازندگان مجبور شدند DAO را نابود کنند، بلاک چین را بازنویسی کرده و اصل اساسی آن - تغییرناپذیری را نقض کنند.

کمیک در مورد اتریوم (چپ) و DAO (راست). منبع

کل این داستان شهرت ایده DAO را از بین برده است. این پروژه بر اساس ارز دیجیتال اتریوم ساخته شده است، نسخه اتر 2.0 سال آینده پیش بینی می شود - شاید نویسندگان (از جمله Vitalik Buterin معروف) خطاها را در نظر بگیرند و چیز جدیدی را نشان دهند. احتمالاً به همین دلیل است که گارتنر DAO را در upline قرار داده است.

5.3. داده های مصنوعی

برای آموزش شبکه های عصبی به حجم زیادی از داده ها نیاز است. برچسب گذاری داده ها به صورت دستی کار بزرگی است که فقط توسط یک انسان انجام می شود. بنابراین امکان ایجاد مجموعه داده های مصنوعی وجود دارد. مثلا همین مجموعه های صورت انسان در سایت https://generated.photos. آنها با استفاده از GAN ایجاد می شوند - الگوریتم هایی که قبلاً در بالا ذکر شد.

این چهره ها متعلق به مردم نیست. منبع

مزیت بزرگ چنین داده هایی این است که هیچ مشکل قانونی در استفاده از آن وجود ندارد: هیچ کس وجود ندارد که به پردازش داده های شخصی رضایت دهد.

5.4. عملیات دیجیتال

پسوند "Ops" از زمانی که DevOps در گفتار ما ریشه دواند، به طرز باورنکردنی مد شده است. حالا در مورد اینکه DigitalOps چیست – این فقط یک تعمیم از DevOps، DesignOps، MarketingOps است... آیا هنوز حوصله ندارید؟ به طور خلاصه، این انتقال رویکرد DevOps از حوزه نرم افزار به تمام جنبه های دیگر تجارت - بازاریابی، طراحی و غیره است.

منبع

ایده DevOps حذف موانع بین خود توسعه و عملیات (فرایندهای تجاری)، از طریق ایجاد تیم‌های مشترک، که در آن برنامه‌نویسان، آزمایش‌کنندگان، متخصصان امنیتی و مدیران وجود دارند، بود. اجرای برخی از اقدامات: یکپارچه سازی مداوم، زیرساخت به عنوان کد، کاهش و تقویت زنجیره های بازخورد. هدف تسریع زمان عرضه محصول به بازار بود. اگر فکر می کردید که این شبیه به Agile است، درست می گفتید. اکنون به طور ذهنی این رویکرد را از حوزه توسعه نرم افزار به توسعه به طور کلی منتقل کنید - و متوجه می شوید که DigitalOps چیست.

5.5. نمودارهای دانش

یک روش نرم افزاری برای مدل سازی یک حوزه دانش، از جمله استفاده از الگوریتم های یادگیری ماشین. یک نمودار دانش بر روی پایگاه داده های موجود ساخته شده است تا همه اطلاعات را به هم پیوند دهد: چه ساختار یافته (فهرست رویدادها یا افراد) و چه بدون ساختار (متن مقاله).

ساده ترین مثال کارتی است که می توانید در نتایج جستجوی گوگل ببینید. اگر به دنبال شخص یا موسسه ای هستید، کارتی را در سمت راست می بینید:


لطفاً توجه داشته باشید که "رویدادهای آینده" یک کپی از اطلاعات Google Maps نیست، بلکه ادغام برنامه زمانی با Yandex.Afisha است: اگر روی رویدادها کلیک کنید به راحتی می توانید آن را مشاهده کنید. یعنی ترکیب چندین منبع داده با هم است.

اگر لیستی را بخواهید - به عنوان مثال، "کارگردانان مشهور" - یک چرخ فلک به شما نشان داده می شود:

پاداش برای کسانی که تا آخر می خوانند

و اکنون که معنای هر یک از نکات را برای خود روشن کردیم، می توانیم به همان تصویر نگاه کنیم، اما به زبان روسی:

آن را آزادانه در شبکه های اجتماعی به اشتراک بگذارید!

تاتیانا ولکووا - نویسنده برنامه آموزشی برای مسیر فناوری اطلاعات اینترنت اشیا در آکادمی سامسونگ، متخصص برنامه های مسئولیت اجتماعی شرکتی در مرکز تحقیقات سامسونگ


منبع: www.habr.com