Le graphique de Gartner pour ceux qui travaillent dans le secteur technologique, c'est comme une exposition de haute couture. En y jetant un œil, vous pouvez anticiper quels mots seront les plus en vogue cette saison et ce que vous entendrez lors des prochaines conférences.
Nous avons décrypté ce qui se cache derrière les mots traversés par la beauté sur ce graphique, afin que vous puissiez également parler cette langue.
Pour commencer, quelques mots sur ce qu'est ce graphique. Chaque année en août, le cabinet de conseil Gartner publie un rapport - la Courbe de Hype de Gartner. En français, c'est 'courbe des anticipations', ou plus simplement, le hype. Il y a 30 ans, des rappeurs du groupe Public Enemy chantaient : « Don’t believe the hype ». Croire ou non, c'est une question personnelle, mais au moins connaître ces mots clés est essentiel si vous travaillez dans le secteur technologique et souhaitez comprendre les tendances mondiales.
Ce graphique illustre les attentes du public vis-à-vis d'une technologie donnée. Selon Gartner, dans un scénario idéal, une technologie passe par 5 étapes de manière séquentielle : le lancement de la technologie, le pic des attentes exagérées, la vallée de la déception, la pente d'illumination et le plateau de la productivité. Mais il arrive aussi qu'elle se perde dans la 'vallée de la déception' - vous pouvez facilement vous souvenir d'exemples, comme les bitcoins : ayant initialement atteint le sommet comme 'monnaie du futur', ils ont rapidement chuté lorsque les défauts de la technologie sont devenus évidents, surtout les limitations du nombre de transactions et l'énorme quantité d'énergie requise pour miner les bitcoins (ce qui entraîne déjà des problèmes écologiques). Et bien sûr, il ne faut pas oublier que le graphique de Gartner n'est qu'une prévision : ici, par exemple, vous pouvez lire en détail , qui examine les prédictions les plus marquantes qui ne se sont pas réalisées.
Alors, parcourons le nouveau graphique de Gartner. Les technologies sont divisées en 5 grands groupes thématiques :
- Intelligence avancée et analytique (Advanced AI and Analytics)
- Calculs et communications postclassiques (Postclassical Compute and Comms)
- Sensing et mobilité (Sensing and Mobility)
- Humain augmenté (Augmented Human)
- Écosystèmes numériques (Digital Ecosystems)
1. Intelligence avancée et analytique (Advanced AI and Analytics)
Depuis environ 10 ans, nous assistons à l'apogée de l'apprentissage profond (Deep Learning). Ces réseaux sont véritablement efficaces pour leur domaine d'application. En 2018, Yann LeCun, Geoffrey Hinton et Yoshua Bengio ont reçu le prix Turing pour leurs découvertes dans ce domaine – le prix le plus prestigieux, équivalent au prix Nobel en informatique. Voici donc les principales tendances dans ce secteur, présentées sur le graphique :
1.1. Apprentissage par transfert (Transfer Learning)
Vous ne formez pas un réseau de neurones à partir de zéro, mais vous utilisez un réseau déjà formé et lui assigner un autre objectif. Parfois, il faut réentraînement une partie du réseau, mais pas l'ensemble, ce qui est beaucoup plus rapide. Par exemple, en prenant le réseau de neurones pré-entraîné ResNet50, formé sur le jeu de données ImageNet1000, vous obtiendrez un algorithme capable de classifier une grande variété d'objets à un niveau très approfondi (1000 classes selon des caractéristiques extraites par 50 couches du réseau de neurones). Mais il n'est pas nécessaire de former l'intégralité de ce réseau, cela prendrait des mois.
Dans Samsung « Réseaux de neurones et vision par ordinateur », par exemple, dans le défi final de où il s'agit de classifier les assiettes en propres et sales, montre une approche qui vous permet en 5 minutes d'avoir à votre disposition un réseau de neurones profonds capable de distinguer les assiettes sales des propres, construit selon l'architecture décrite ci-dessus. Le réseau initial ne savait pas ce qu'étaient des assiettes en général, il apprenait simplement à distinguer les oiseaux des chiens (voir ImageNet).
Source : Samsung « Réseaux de neurones et vision par ordinateur »
Pour le Transfer Learning, il est important de savoir quelles approches fonctionnent et quelles architectures de base sont disponibles. En général, cela accélère considérablement l'émergence d'applications pratiques en apprentissage automatique.
1.2. Réseaux antagonistes génératifs (Generative Adversarial Networks, GAN)
Cela s'applique lorsque nous avons du mal à formuler un objectif d'apprentissage. Plus la tâche est proche de la réalité, plus elle nous semble claire (« apporte la table de chevet »), mais plus il est difficile de la formuler comme un cahier des charges technique. Les GAN sont justement une tentative de nous débarrasser de ce problème.
Deux réseaux fonctionnent ici : un générateur et un discriminateur. Un réseau apprend à faire un travail utile (classer des images, reconnaître des sons, dessiner des dessins animés). L'autre réseau apprend à former ce réseau : il dispose d'exemples réels et apprend à trouver une formule complexe, encore inconnue, pour comparer les créations de la partie générative du réseau avec des objets du monde réel (un ensemble de données d'entraînement) selon des caractéristiques profondes réellement importantes : le nombre d'yeux, la proximité du style de Miyazaki, la justesse de la prononciation anglaise.
Exemple de résultat du réseau pour générer des personnages d'anime.
Mais il est bien sûr difficile de construire l'architecture. Il ne suffit pas de lancer des neurones, il faut les préparer. Et l'apprentissage peut prendre des semaines. Mes collègues au Centre de l'intelligence artificielle de Samsung s'attaquent au sujet des GAN, c'est l'une de leurs questions de recherche clés. Par exemple, voici un tel : utilisation des réseaux génératifs pour synthétiser des photographies réalistes de personnes avec des poses modifiables — par exemple, pour créer une cabine d'essayage virtuelle, ou pour la synthèse de visages, ce qui pourrait permettre de réduire la quantité d'informations à stocker ou à transmettre pour assurer une communication vidéo de qualité, une diffusion ou la protection des données personnelles.
1.3. IA explicable (Explainable AI)
Dans quelques rares tâches, les progrès des architectures profondes ont soudainement rapproché les capacités des réseaux de neurones profonds de celles des humains. Maintenant, la bataille consiste à élargir le cercle de ces tâches. Par exemple, un aspirateur robot pourrait facilement distinguer un chat d'un chien lors d'une rencontre en face à face. Mais dans la plupart des situations de la vie, il serait incapable de trouver un chat endormi parmi le linge ou les meubles (tout comme nous, dans la plupart des cas…).
Quelle est la raison du succès des réseaux neuronaux profonds ? Ils développent une représentation de la tâche, basée non pas sur des informations « visibles à l'œil nu » (pixels d'une photo, variations de volume sonore, etc.), mais sur des caractéristiques obtenues après le prétraitement de ces informations par plusieurs centaines de couches d'un réseau neuronal. Malheureusement, ces relations peuvent également être dénuées de sens, contradictoires ou contenir des traces des imperfections de l'ensemble de données d'origine. Par exemple, il existe un petit jeu vidéo sur ce que peut entraîner une application inconsidérée de l'IA dans le recrutement. .
Le système d'annotation d'images a identifié une personne qui cuisine comme étant une femme, bien que la personne sur l'image soit en réalité un homme (). C'est à l'Institut de Virginie.
Pour analyser des relations complexes et profondes que nous ne pouvons souvent pas formuler nous-mêmes, des méthodes d'Explainable AI sont nécessaires. Elles organisent les caractéristiques des réseaux de neurones profonds de manière à ce qu'après l'apprentissage, nous puissions analyser la représentation interne acquise par le réseau, plutôt que de simplement nous fier à sa décision.
1.4. Analyse/IA en périphérie (Edge Analytics/AI)
Tout ce qui contient le mot Edge signifie littéralement ceci : transférer une partie des algorithmes du cloud/serveur au niveau de l'appareil final/passarelle. Un tel algorithme fonctionnera plus rapidement et ne nécessitera pas de connexion au serveur central pour fonctionner. Si vous êtes familier avec l'abstraction du « client léger », ici nous épaississons un peu ce client.
Cela peut être important pour l'Internet des objets. Par exemple, si une machine surchauffe et nécessite un refroidissement, il est logique de signaler cela immédiatement, au niveau de l'usine, sans attendre que les données arrivent dans le cloud et de là, soient transmises à l’opérateur de service. Ou un autre exemple : les voitures autonomes peuvent comprendre leur environnement routier sans faire appel à un serveur central.
Ou un autre exemple de pourquoi cela est important du point de vue de la sécurité : lorsque vous saisissez des textes sur votre téléphone, il mémorise vos mots typiques pour que le clavier vous les suggère de manière pratique par la suite – cela s'appelle la saisie prédictive. Envoyer tout ce que vous tapez sur le clavier à un datacenter violerait votre vie privée et serait tout simplement dangereux. C'est pourquoi l'apprentissage du clavier ne se fait qu'au sein de votre appareil.
1.5. Plateforme IA en tant que service (AI PaaS)
PaaS – Plateforme en tant que service – est un modèle commercial qui nous permet d'accéder à une plateforme intégrée, comprenant un stockage cloud et des procédures prêtes à l'emploi. Ainsi, nous pouvons nous libérer des tâches d'infrastructure et nous concentrer pleinement sur la production de quelque chose d'utile. Exemples de plateformes PaaS pour les tâches d'IA : IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Apprentissage automatique adaptatif (Adaptive ML)
Que se passerait-il si nous permettions à l'intelligence artificielle de s'adapter… Vous vous demandez – comment ça ? N'est-ce pas déjà le cas ? Le problème est le suivant : chaque tâche est soigneusement formulée avant que nous construisions un algorithme d'intelligence artificielle pour la résoudre. On vous répondra – en fait, il est possible de simplifier cette chaîne.
L'apprentissage automatique traditionnel fonctionne sur le principe d'un système ouvert (open-loop) : vous préparez les données, concevez un réseau neuronal (ou autre chose), l'entraînez, puis examinez quelques indicateurs et si tout vous semble satisfaisant, vous pouvez envoyer le réseau neuronal sur les smartphones – pour résoudre les problèmes des utilisateurs. Mais dans les applications où il y a beaucoup de données et dont la nature évolue lentement, d'autres méthodes sont nécessaires. De tels systèmes, qui s'adaptent et apprennent d'eux-mêmes, s'organisent en boucles fermées (closed-loop), et ils doivent fonctionner de manière continue.
Les applications — cela peut être l'analyse en temps réel (Stream Analytics), sur la base de laquelle de nombreux entrepreneurs prennent des décisions, ou la gestion de production adaptative. À l'échelle des applications modernes et compte tenu des risques mieux compris pour les personnes, les méthodes qui constituent la solution à ce problème, toutes ces méthodes sont regroupées sous le nom général d'IA adaptative.
En regardant cette image, il est difficile de se débarrasser de l'impression que les futurologues, il faut les nourrir de pain – laissez-les enseigner à un robot comment respirer…
Calculs et communications postclassiques (Postclassical Compute and Comms)
2.1. La communication mobile de cinquième génération (5G)
C'est un sujet tellement intéressant que nous vous renvoyons immédiatement à notre . Voici un résumé. Grâce à une augmentation de la fréquence de transmission des données, la 5G rendra la vitesse de l'Internet incroyablement rapide. Les ondes courtes ont plus de difficultés à passer à travers les obstáculos, c'est pourquoi la conception des réseaux sera complètement différente : il faudra 500 fois plus de stations de base.
Avec la vitesse, nous allons obtenir de nouveaux phénomènes : des jeux en temps réel avec réalité augmentée, l'exécution de tâches complexes (comme la chirurgie) par téléprésence, la prévention d'accidents et de situations compliquées sur la route grâce à la communication entre les voitures. Plus prosaïquement : enfin, l'Internet mobile cessera de tomber pendant les événements de masse, comme un match au stade.
Source de l'image – Reuters, Niantic
2.2. Mémoire de prochaine génération (Next-Generation Memory)
Il s'agit de la cinquième génération de mémoire vive – DDR5. Samsung a annoncé que des produits basés sur DDR5 seraient disponibles d'ici fin 2019. On s'attend à ce que cette nouvelle mémoire soit deux fois plus rapide et deux fois plus capacitive tout en conservant le facteur de forme, ce qui signifie que nous pourrons obtenir pour notre ordinateur des modules de mémoire d'une capacité allant jusqu'à 32 Go. À l'avenir, cela sera particulièrement pertinent pour les smartphones (la nouvelle mémoire sera disponible en version à faible consommation d'énergie) et pour les ordinateurs portables (où le nombre de slots DIMM est limité). De plus, l'apprentissage machine nécessite de grandes quantités de mémoire vive.
2.3. Systèmes de satellites en orbite basse (Low-Earth-Orbit Satellite Systems)
L'idée de remplacer des satellites lourds, coûteux et puissants par une nuée de petits satellites bon marché n'est pas nouvelle et remonte aux années 90. En ce qui concerne actuellement, seul le paresseux ne l'a pas entendu. La société la plus connue ici est Iridium, qui a fait faillite à la fin des années 90, mais qui a été sauvée grâce au ministère américain de la Défense (à ne pas confondre avec iRidium – le système russe de maison intelligente). Le projet d'Elon Musk (Starlink) n'est pas le seul – la course aux satellites implique Richard Branson (OneWeb – 1440 satellites prévus), Boeing (3000 satellites), Samsung (4600 satellites), et d'autres.
Comment les choses se passent dans ce domaine, à quoi ressemble l'économie – lisez dans le . Nous attendons les premiers tests de ces systèmes par les premiers utilisateurs, qui devraient avoir lieu l'année prochaine.
2.4. Impression 3D à l'échelle nanométrique (Nanoscale 3D Printing)
L'impression 3D, bien qu'elle ne soit pas encore intégrée dans la vie de chaque individu (sous la forme d'une usine plastique domestique individuelle promise), est déjà sortie depuis longtemps du niche des technologies pour les geeks. On peut le constater par le fait que même un écolier sait qu'il existe des stylos à sculpter en 3D, et beaucoup rêvent d'acquérir une boîte avec des glissières et un extrudeur pour... « simplement » (ou l'ont déjà fait).
La stéréolithographie (imprimantes 3D laser) permet d'imprimer avec des photons séparés : de nouveaux polymères sont à l'étude, pour lesquels deux photons suffisent pour durcir. Cela permettra, dans des conditions non-laboratoires, de créer des filtres, supports, ressorts, capillaires, lentilles tout à fait nouveaux, et... vos idées dans les commentaires ! Et ici, nous ne sommes pas loin de la photopolymérisation – c'est cette technologie qui permet d'« imprimer » des processeurs et des circuits informatiques. De plus, cela fait plusieurs années que... , mais sans développement radical.
3. Sensing et Mobilité (Sensing and Mobility)
3.1. Véhicules autonomes, niveaux 4 et 5 (Autonomous Driving Level 4 & 5)
Pour ne pas se perdre dans la terminologie, il est utile de comprendre quels niveaux d'autonomie sont différenciés (extrait d'un document détaillé , auquel nous renvoyons tous les intéressés) :
Niveau 1 : Régulateur de vitesse : aide au conducteur dans des situations très limitées (par exemple, maintenir la voiture à une vitesse donnée après que le conducteur a enlevé son pied de la pédale)
Niveau 2 : Aide limitée à la direction et au freinage. Le conducteur doit être prêt à reprendre le contrôle presque instantanément. Ses mains sont sur le volant, le regard est dirigé vers la route. C'est ce qui existe déjà chez Tesla et General Motors.
Niveau 3 : Le conducteur n'a plus besoin de surveiller constamment la route. Mais il doit rester vigilant et être prêt à reprendre le contrôle. C'est ce qui n'est pas encore disponible dans les voitures à la vente. Tous les modèles existants se situent actuellement au niveau 1-2.
Niveau 4 : Véritable autopilote, mais avec des limitations : uniquement des trajets dans une zone connue, qui est soigneusement cartographiée et généralement reconnue par le système, et dans certaines conditions : par exemple, en l'absence de neige. Des prototypes comme ceux-ci existent chez Waymo et General Motors, qui prévoient de les lancer dans plusieurs villes et de les tester en conditions réelles. Yandex a des zones de test pour les taxis autonomes à Skolkovo et Innopolis : les trajets se font sous la supervision d'un ingénieur assis à la place du passager ; d'ici la fin de l'année, l'entreprise prévoit d'élargir sa flotte à 100 voitures autonomes.
Niveau 5 : Conduite entièrement automatique, remplaçant complètement un conducteur humain. Ces systèmes n'existent pas et il est peu probable qu'ils apparaissent dans les prochaines années.
Dans quelle mesure est-il réaliste de tout cela pour le voir dans un avenir proche ? À ce sujet, nous aimerions renvoyer le lecteur à l'article . Cela est en partie dû à l'absence de réseau 5G : les vitesses 4G actuelles ne suffisent pas. En partie à cause du coût très élevé des voitures autonomes : elles restent non rentables, et le modèle économique est flou. En un mot, c'est « compliqué », et il n'est pas surprenant que Gartner indique que la prévision de déploiement massif des Niveaux 4 et 5 n'est pas attendue avant 10 ans.
3.2. Caméras avec vision 3D (3D Sensing Cameras)
Il y a huit ans, le contrôleur de jeu Microsoft Kinect a fait sensation en offrant une solution accessible et relativement bon marché pour la vision 3D. Depuis, les jeux de danse et de fitness avec Kinect ont connu un bref essor suivi d'un déclin, mais les caméras 3D sont désormais utilisées dans les robots industriels, les voitures autonomes, et les téléphones mobiles pour la reconnaissance faciale. La technologie est devenue moins chère, plus compacte et plus accessible.
Le téléphone Samsung S10 est équipé d'une caméra à temps de vol (Time-of-Flight) qui mesure la distance à un objet, simplifiant ainsi la mise au point.
Si ce sujet vous intéresse, nous vous redirigeons vers un excellent aperçu détaillé des caméras à profondeur : , .
3.3. Drones pour la livraison de petites charges (Light Cargo Delivery Drones)
Cette année, Amazon a fait du bruit en présentant un nouveau drone volant capable de transporter de petites charges allant jusqu'à 2 kg. Pour une ville avec ses embouteillages, cela semble être une solution idéale. Voyons comment ces drones se comporteront dans un avenir proche. Il convient d'adopter un certain scepticisme : il existe de nombreux problèmes, allant du risque de vol facile du drone jusqu'aux restrictions législatives sur les UAV. Amazon Prime Air existe déjà depuis six ans, mais est toujours en phase de test.
Le nouveau drone d'Amazon, présenté ce printemps. On y trouve quelque chose d'un peu 'Star Wars'.
Outre Amazon, il y a d'autres acteurs sur ce marché (il existe des détails ), mais aucun produit prêt : tout est en phase de test et d'actions marketing. Il convient de noter des projets médicaux assez intéressants 3.4. Véhicules autonomes volants (Flying Autonomous Vehicles)
Il est difficile de dire quoi que ce soit de concret ici. Selon Gartner, cela n'apparaîtra pas avant dix ans. En somme, les mêmes problèmes qu'avec les voitures autonomes se posent, mais ils prennent une nouvelle dimension — verticale. Porsche, Boeing et Uber annoncent leurs ambitions de construire des taxis volants.
3.5. Cloud de réalité augmentée (AR Cloud)
Une réplique numérique permanente du monde réel, permettant de créer une nouvelle couche de réalité commune à tous les utilisateurs. Pour parler plus techniquement, il s'agit de créer une plateforme cloud ouverte dans laquelle les développeurs pourraient intégrer leurs applications AR. Le modèle de monétisation est clair, c'est une sorte d'analogue de Steam. L'idée est tellement ancrée qu'elle a déjà conduit certains à croire que la RA sans cloud est tout simplement inutile.
Comment cela pourrait se présenter à l'avenir est illustré dans une petite vidéo. Cela ressemble à un nouvel épisode de 'Black Mirror' :
On peut encore lire dans
un article de synthèse.
4.1. IA pour les émotions (Emotion AI)
4.1. IA pour les émotions (Emotion AI)
Comment mesurer, simuler et réagir aux émotions humaines ? Parmi les clients ici se trouvent des entreprises produisant des assistants vocaux comme Amazon Alexa. Ils pourront réellement s'intégrer dans les foyers s'ils apprennent à reconnaître les humeurs : comprendre la raison du mécontentement de l'utilisateur et essayer de rectifier la situation. En réalité, il y a beaucoup plus d'informations dans le contexte que dans le message lui-même. Et le contexte inclut l'expression faciale, l'intonation et le comportement non verbal.
Parmi les autres applications pratiques : analyse des émotions lors des entretiens d'embauche (via des vidéos d'entretien), évaluation des réactions à des publicités ou à d'autres contenus vidéo (sourires, rires), aide à l'apprentissage (par exemple, pour les pratiques autodidactes dans l'art de la prise de parole en public).
On ne peut pas s'exprimer mieux sur ce sujet que l'auteur du court-métrage de 6 minutes . Dans une vidéo faite avec vivacité et élégance, il est montré comment on peut mesurer nos émotions à des fins marketing et, à partir des réactions instantanées de votre visage, savoir : aimez-vous la pizza, les chiens, Kanye West, et même quel est votre niveau de revenu et votre QI approximatif. En vous rendant sur le site du film via le lien ci-dessus, vous devenez participant à une vidéo interactive utilisant la caméra intégrée de votre ordinateur portable. Le film a déjà été présenté à plusieurs festivals de cinéma.
Il existe même une étude intéressante : comment reconnaître le sarcasme dans un texte. Ils ont pris des tweets avec le hashtag #sarcasme et ont créé un échantillon d'apprentissage de 25 000 tweets sarcastiques et 100 000 tweets normaux sur tout et n'importe quoi. Ils ont utilisé la bibliothèque TensorFlow, formé le système, et voici le résultat :
Donc maintenant, si vous n'êtes pas sûr de ce que votre collègue ou ami a voulu dire – s'il vous a dit quelque chose sérieusement ou avec sarcasme – vous pouvez utiliser un !
4.2. Intelligence augmentée (Augmented Intelligence)
Automatisation du travail intellectuel grâce à des méthodes d'apprentissage automatique. Cela semble-t-il nouveau ? Mais ici, la formulation elle-même est importante, d'autant plus qu'elle coïncide avec l'abréviation de l'intelligence artificielle. Cela nous renvoie à la polémique sur l'IA « forte » et « faible ».
L'IA avancée est celle qui apparaît dans les films de science-fiction, entièrement équivalente à l'esprit humain et consciente d'elle-même en tant que personne. Une telle intelligence n'existe pas encore et il est incertain si elle existera un jour.
L'IA faible n'est pas une personne autonome, mais plutôt un assistant de l'homme. Elle ne prétend pas à une pensée humaine, mais est simplement capable de résoudre des tâches d'information, comme déterminer ce qui est représenté sur une image ou traduire du texte.
Dans ce sens, l'Intelligence Augmentée est un pur exemple d'« IA faible », et cette formulation semble appropriée car elle ne crée pas de confusion ni la tentation de voir ici cette « IA forte » tant convoitée (ou redoutée, si l'on se souvient des nombreux débats sur le « soulèvement des machines »). En utilisant l'expression Intelligence Augmentée, nous devenons immédiatement comme les héros d'un autre film : de la science-fiction (comme « Moi, robot » d'Asimov), nous passons au cyberpunk (dans ce genre, les « augmentations » désignent divers implants qui élargissent les capacités humaines).
Comment Erik Brynjolfsson et Andrew McAfee : « Au cours des 10 prochaines années, voici ce qui va se passer. Ce ne sera pas l'IA qui remplacera les managers, mais les managers qui utilisent l'IA remplaceront ceux qui ne l'ont pas encore fait »
Exemples :
- Médecine : L'université de Stanford a développé , qui réussit à reconnaître les pathologies sur les radiographies thoraciques avec un succès comparable à celui de la plupart des médecins
- Éducation : aide à l'élève et à l'enseignant, analyse des réponses des élèves aux matériaux, construction d'un parcours d'apprentissage individuel.
- Analyse commerciale : le prétraitement des données représente 80 % du temps des chercheurs, et seulement 20 % pour l'expérimentation elle-même
4.3. Biochips
C'est un sujet de prédilection dans tous les films et livres de cyberpunk. En général, le tatouage de puces chez les animaux de compagnie n'est pas une nouvelle pratique. Mais maintenant, ces puces sont également implantées chez les humains.
Dans ce cas, le buzz est probablement lié à un incident médiatisé dans l'entreprise américaine Three Square Market. Là-bas, l'employeur a commencé à proposer d'implanter des puces sous la peau en échange d'une récompense. La puce permet d'ouvrir des portes, de se connecter à des ordinateurs, d'acheter des collations dans un distributeur, c'est-à-dire une carte d'identification universelle pour les employés. Cependant, cette puce sert uniquement de carte d'identification, elle ne possède pas de module GPS, donc il est impossible de suivre quelqu'un avec. Et si une personne souhaite retirer la puce de sa main, cela prend 5 minutes avec l'aide d'un médecin.
Les puces sont généralement implantées entre le pouce et l'index.
Lisez en détail sur l'état des choses concernant la micropuce dans le monde.
4.4. Espace de travail immersif (Immersive Workspace)
« Immersif » - un autre mot à la mode dont on ne peut tout simplement pas se passer. Il est partout. Théâtre immersif, exposition, cinéma. Que signifie-t-il vraiment ? L'immersion crée l'effet de plongée, quand la frontière entre l'auteur et le spectateur, entre le monde virtuel et réel, s'efface. Appliqué à l'environnement de travail, cela signifie sans doute l'effacement des frontières entre l’exécutant et l'initiateur, en incitant les employés à adopter une position plus active en reformatant leur environnement.
Puisque nous parlons désormais d'Agile, de flexibilité, d'interaction étroite, les lieux de travail doivent également être configurables au maximum et encourager le travail en groupe. L'économie impose ses conditions : il y a de plus en plus de travailleurs temporaires, le coût de la location des bureaux augmente, et dans un marché du travail compétitif dans le secteur IT, les entreprises s'efforcent d'augmenter la satisfaction des employés en créant des zones de détente et d'autres avantages. Tout cela se reflète dans la conception des postes de travail.
De Knoll
4.5. Personnalisation (Personification)
Tout le monde sait ce qu'est la personnalisation dans la publicité. C'est quand vous discutez aujourd'hui avec un collègue du fait que l'air dans la pièce est un peu sec et qu'il faudrait acheter un humidificateur pour le bureau, et que le lendemain, vous voyez dans vos réseaux sociaux une publicité - « achetez un humidificateur » (un cas réel qui m'est arrivé).
La personnification, par définition de Gartner, est une réponse à l'inquiétude croissante des utilisateurs concernant l'utilisation de leurs données personnelles à des fins publicitaires. L'objectif est de développer une approche où la publicité affichée correspond au contexte dans lequel nous nous trouvons, et non à nous personnellement. Par exemple, notre localisation, le type d'appareil, le moment de la journée, les conditions météorologiques – ce sont des éléments qui ne violent pas nos données personnelles, et nous ne ressentons pas une sensation désagréable de « surveillance ».
Pour en savoir plus sur la différence entre ces deux concepts, lisez d'Andrew Frank sur le blog du site Gartner. Il y a une différence si subtile et des mots si similaires que, ne connaissant pas la différence, vous risquez de débattre longtemps avec votre interlocuteur, sans soupçonner que, finalement, les deux ont raison (et c'est aussi un cas réel qui est arrivé à l'auteur).
4.6. Biotech – Tissus artificiels
C'est, avant tout, l'idée de cultiver de la viande artificielle. Actuellement, plusieurs équipes à travers le monde travaillent sur la « Viande 2.0 » de laboratoire – elle devrait devenir moins chère que la viande ordinaire, et les fast-foods adopteront cette viande, suivis des supermarchés. Parmi les investisseurs dans cette technologie se trouvent Bill Gates, Sergey Brin, Richard Branson, et d'autres.
Source
Les raisons pour lesquelles tout le monde s'intéresse à la viande artificielle :
- Le réchauffement climatique : les émissions de méthane des fermes. Cela représente 18 % des émissions de gaz à effet de serre dans le monde.
- La croissance de la population. La demande en viande augmente, et nourrir tout le monde avec de la viande naturelle est impossible – elle est tout simplement trop chère.
- Le manque d'espace. 70 % des forêts amazoniennes ont déjà été défrichées pour faire place aux pâturages.
- Considérations éthiques. Pour certains, cela est important. L'organisation de défense des animaux PETA a déjà proposé un prix d'un million de dollars au scientifique qui mettra sur le marché de la viande de poulet artificielle.
Substituer la vraie viande par de la viande de soja est une solution partielle, car les gens sentent bien la différence de goût et de texture, et il est peu probable qu'ils renoncent à un steak au profit du soja. Il est donc nécessaire d'avoir de la vraie viande, c'est-à-dire de la viande cultivée de manière organique. Actuellement, malheureusement, la viande artificielle coûte encore trop cher : à partir de 12 $ le kilogramme. Cela est dû au processus technique complexe pour cultiver cette viande. Lisez tout cela. .
En ce qui concerne d'autres cas de culture de tissus - déjà dans le domaine médical - le sujet des organes artificiels est intéressant : par exemple, un « patch » pour le muscle cardiaque, avec une imprimante 3D spéciale. Il est connu qu'il existe des cas similaires comme le cœur de souris cultivé artificiellement, mais dans l'ensemble tout cela reste encore dans le cadre des essais cliniques. Donc, nous ne verrons probablement pas de Frankenstein dans les années à venir.
Ici, Gartner est très prudent dans ses évaluations, gardant visiblement à l'esprit sa prévision manquée de 2015 selon laquelle d'ici 2019, 10 % de la population des pays développés disposeraient d'un dispositif médical implantable imprimé en 3D. Il indique donc que le temps pour atteindre un plateau de productivité - au moins 10 ans.
5. Écosystèmes numériques (Digital Ecosystems)
5.1. Web décentralisé (Decentralized Web)
Ce concept est étroitement lié au nom de l'inventeur du web, le lauréat du prix Turing, Sir Tim Berners-Lee. Pour lui, les questions d'éthique en informatique et la dimension collective d'Internet ont toujours été importantes : en posant les bases du hypertexte, il était convaincu que le réseau devait fonctionner comme une toile, et non comme une hiérarchie. Cela a été le cas au début du développement du réseau. Cependant, avec la croissance d'Internet, sa structure s'est centralisée pour un certain nombre de raisons. Il s'est avéré qu'il est facile de couper l'accès au réseau pour tout un pays simplement avec quelques fournisseurs.
« Internet est déjà décentralisé, dit Berners-Lee. Le problème réside dans le fait qu'un seul moteur de recherche, un seul grand réseau social, une seule plateforme de microblogging dominent. Nous n'avons pas de problèmes technologiques, mais des problèmes sociaux. »
Dans sa pour le 30ème anniversaire du World Wide Web, le créateur du Web a défini trois problèmes majeurs d'Internet :
- Le préjudice intentionnel, tel que les attaques de hackers soutenues par l'État, la criminalité et le harcèlement en ligne
- Le fonctionnement même du système, qui au détriment de l'utilisateur crée des conditions favorables à des mécanismes tels que : l'incitation financière au clickbait et la propagation virale de fausses informations
- Les conséquences involontaires du design du système, qui entraînent des conflits et une baisse de la qualité des discussions en ligne
Et Tim Berners-Lee a déjà une réponse sur les principes sur lesquels pourrait se baser un « Internet sain », dépourvu du problème numéro 2 : « Pour de nombreux utilisateurs, le seul modèle d'interaction avec le web reste le revenu publicitaire. Même si les gens sont alarmés par ce qui arrive à leurs données, ils sont prêts à faire un compromis avec la machine marketing pour avoir accès à du contenu gratuit. Imaginez un monde où le paiement pour des biens et des services est facile et agréable pour les deux parties. » Parmi les options sur la façon dont cela pourrait être organisé : les musiciens pourraient vendre leurs enregistrements sans intermédiaires comme iTunes, et les sites d'actualités pourraient utiliser un système de micro-paiements pour lire un seul article, plutôt que de gagner de l'argent grâce à la publicité.
Comme prototype expérimental d'un nouvel Internet, Tim Berners-Lee a lancé le projet SOLID, qui consiste à ce que vous stockiez vos données dans un « pod » — un espace de stockage d'informations, et que vous puissiez donner accès à ces données à des applications tierces. En principe, vous êtes donc le propriétaire de vos données. Tout cela est étroitement lié au concept de réseaux pair-à-pair, c'est-à-dire que votre ordinateur ne demande pas seulement des services, mais en fournit également, afin de ne pas dépendre d'un seul serveur comme unique canal.
5.2. Organisations autonomes décentralisées (Decentralized Autonomous Organizations)
C'est une organisation qui est gérée par des règles écrites sous forme de programme informatique. Son activité financière se déroule sur une base de blockchain. L'objectif de la création de telles organisations est de retirer l'État de son rôle d'intermédiaire et de créer un environnement de confiance commun pour les contractants, qui n'est possédé par personne individuellement, mais par tous ensemble. En théorie, cela devrait, si l'idée s'ancre, abolir les notaires et d'autres institutions de vérification traditionnelles.
L'exemple le plus connu d'une telle organisation est celle de The DAO, axée sur le capital-risque, qui a récolté 150 millions de dollars en 2016, dont 50 millions ont été immédiatement volés par une "coupure" légale dans les règles. Cela a engendré un dilemme compliqué : soit annuler et rembourser l'argent, soit reconnaître que le retrait était légal, car il ne violait en aucun cas les règles de la plateforme. En fin de compte, pour rembourser les investisseurs, les créateurs ont dû détruire The DAO, en réécrivant la blockchain et en violant son principe fondamental - l'immutabilité.
Une bande dessinée sur Ethereum (à gauche) et The DAO (à droite).
Toute cette histoire a terni la réputation de l'idée même de DAO. Ce projet était basé sur la cryptomonnaie Ethereum, et l'année prochaine, une version Ethereum 2.0 est attendue - peut-être que les auteurs (dont le célèbre Vitalik Buterin) tiendront compte des erreurs et montreront quelque chose de nouveau. C'est probablement pourquoi Gartner a placé les DAO sur une trajectoire ascendante.
5.3. Données synthétiques (Synthetics Data)
Pour former des réseaux de neurones, de grandes quantités de données sont nécessaires. Annoter des données manuellement est un immense travail, qui ne peut être effectué que par un humain. Il est donc possible de créer des ensembles de données artificiels. Par exemple, des collections de visages humains sur le site . Ils sont créés à l'aide de GAN - des algorithmes déjà mentionnés ci-dessus.
Ces visages n'appartiennent à personne.
Un grand avantage de ces données est qu'il n'y a pas de complications juridiques liées à leur utilisation : il n'y a personne pour donner son consentement au traitement des données personnelles.
5.4. Opérations numériques (Digital Ops)
Le suffixe « Ops » est devenu incroyablement à la mode depuis que le terme DevOps s'est intégré dans notre langage. En gros, le concept de DigitalOps est une généralisation de DevOps, DesignOps, MarketingOps... Vous ne vous ennuyez pas encore ? En termes simples, il s'agit d'étendre l'approche adoptée dans DevOps, qui est liée au développement logiciel, à tous les autres aspects de l'entreprise - marketing, design, etc.
L'idée de DevOps était de supprimer les barrières entre le développement et les opérations, en créant des équipes communes où les programmeurs, les testeurs, les experts en sécurité et les administrateurs travaillent ensemble ; en introduisant certaines pratiques : intégration continue, infrastructure en tant que code, réduction et renforcement des chaînes de rétroaction. L'objectif était d'accélérer la mise sur le marché des produits. Si vous avez pensé que cela ressemble à Agile, vous avez raison. Maintenant, appliquez mentalement cette approche au développement en général, et vous comprendrez ce qu'est DigitalOps.
5.5. Graphes de connaissances
Une manière logicielle de modéliser un domaine de connaissances, y compris grâce à des algorithmes d'apprentissage automatique. Un graphe de connaissances est construit sur les bases de données existantes pour relier toutes les informations ensemble : tant les données structurées (listes d'événements ou de personnes) que celles non structurées (texte d'un article).
L'exemple le plus simple est la carte que vous pouvez voir dans les résultats de recherche Google. Si vous cherchez une personne ou une institution, vous verrez une carte à droite :
Notez que les « Événements à venir » ne sont pas une copie des informations de Google Maps, mais une intégration du programme avec Yandex.Afisha : vous le constaterez facilement si vous cliquez sur les événements. C'est-à-dire une fusion de plusieurs sources de données en un ensemble.
Si vous demandez une liste – par exemple, « réalisateurs célèbres » – vous verrez un « carrousel » :
Un bonus pour ceux qui ont lu jusqu'à la fin
Et maintenant, lorsque nous avons clarifié la signification de chaque point, nous pouvons regarder la même image, mais cette fois en français :
Partagez-la librement sur les réseaux sociaux !
Tatiana Volkova – Auteure du programme de cours du parcours Internet des objets à l'Académie IT de Samsung, spécialiste des programmes de responsabilité sociale d'entreprise au Centre de recherche Samsung
Source : habr.com
