ગાર્ટનરનો ચાર્ટ ટેક ઈન્ડસ્ટ્રીના લોકો માટે ઉચ્ચ ફેશન શો જેવો છે. તેને જોઈને, તમે અગાઉથી શોધી શકો છો કે આ સિઝનમાં કયા શબ્દો સૌથી વધુ પ્રચલિત છે અને તમે આવનારી તમામ કોન્ફરન્સમાં શું સાંભળશો.

અમે આ ગ્રાફમાં સુંદર શબ્દો પાછળ શું છે તે સમજાવ્યું છે જેથી તમે ભાષા પણ બોલી શકો.

શરૂ કરવા માટે, આ કેવા પ્રકારનો ગ્રાફ છે તેના વિશે માત્ર થોડાક શબ્દો. દર વર્ષે ઓગસ્ટમાં, કન્સલ્ટિંગ એજન્સી ગાર્ટનર એક રિપોર્ટ બહાર પાડે છે - ગાર્ટનર હાઇપ કર્વ. રશિયનમાં, આ એક "હાઇપ કર્વ" અથવા, વધુ સરળ રીતે, હાઇપ છે. 30 વર્ષ પહેલાં, સાર્વજનિક દુશ્મન જૂથના રેપર્સે ગાયું હતું: "પ્રસિદ્ધિ પર વિશ્વાસ કરશો નહીં." માનો કે ના માનો, તે એક વ્યક્તિગત પ્રશ્ન છે, પરંતુ જો તમે ટેક્નોલોજી ક્ષેત્રમાં કામ કરો છો અને વૈશ્વિક પ્રવાહો જાણવા માંગતા હોવ તો ઓછામાં ઓછા આ કીવર્ડ્સ જાણવા યોગ્ય છે.

આ ચોક્કસ ટેક્નોલોજી પાસેથી લોકોની અપેક્ષાઓનો આલેખ છે. ગાર્ટનરના મતે, આદર્શ રીતે, ટેક્નોલોજી 5 તબક્કાઓમાંથી પસાર થાય છે: ટેક્નૉલૉજી લૉન્ચ, ફૂલેલી અપેક્ષાઓની ટોચ, નિરાશાની ખીણ, જ્ઞાનનો ઢોળાવ, ઉત્પાદકતાનો ઉચ્ચપ્રદેશ. પરંતુ એવું પણ બને છે કે તે "નિરાશાની ખીણ" માં ડૂબી જાય છે - તમે તમારી જાતને ખૂબ જ સરળતાથી ઉદાહરણો યાદ રાખી શકો છો, તે જ બિટકોઇન્સ લઈ શકો છો: શરૂઆતમાં "ભવિષ્યના પૈસા" તરીકે ટોચ પર પહોંચતા, જ્યારે ટેક્નોલોજીની ખામીઓ હોય ત્યારે તેઓ ઝડપથી નીચે સરકી જાય છે. સ્પષ્ટ થઈ ગયું, સૌપ્રથમ વ્યવહારોની સંખ્યા અને બિટકોઈન્સ (જે પહેલાથી જ પર્યાવરણીય સમસ્યાઓનો સમાવેશ કરે છે) બનાવવા માટે જરૂરી વીજળીના જથ્થા પરના તમામ નિયંત્રણો. અને અલબત્ત, આપણે ભૂલવું જોઈએ નહીં કે ગાર્ટનરનો ચાર્ટ માત્ર એક આગાહી છે: અહીં, ઉદાહરણ તરીકે, તમે વિગતવાર વાંચી શકો છો એક લેખ, જ્યાં સૌથી વધુ આકર્ષક અપૂર્ણ આગાહીઓ ઉકેલવામાં આવે છે.

તો, ચાલો નવા ગાર્ટનર ચાર્ટ પર જઈએ. ટેક્નોલોજીઓને 5 મોટા વિષયોના જૂથોમાં વહેંચવામાં આવી છે:

1. એડવાન્સ્ડ એઆઈ અને એનાલિટિક્સ
2. પોસ્ટ ક્લાસિકલ કોમ્પ્યુટ અને કોમ્સ
3. સંવેદના અને ગતિશીલતા
4. સંવર્ધિત માનવ
5. ડિજિટલ ઇકોસિસ્ટમ્સ

1. એડવાન્સ્ડ AI અને Analytics

છેલ્લા 10 વર્ષોમાં આપણે ઊંડા શિક્ષણનો શ્રેષ્ઠ સમય જોયો છે. આ નેટવર્ક્સ તેમના કાર્યોની શ્રેણી માટે ખરેખર અસરકારક છે. 2018 માં, યાન લેક્યુન, જ્યોફ્રી હિન્ટન અને યોશુઆ બેન્જિયોને તેમની શોધો માટે ટ્યુરિંગ એવોર્ડ મળ્યો - સૌથી પ્રતિષ્ઠિત એવોર્ડ, જે કોમ્પ્યુટર વિજ્ઞાનમાં નોબેલ પુરસ્કાર સમાન છે. તેથી, આ ક્ષેત્રના મુખ્ય વલણો, જે ચાર્ટ પર દર્શાવેલ છે:

1.1. ટ્રાન્સફર લર્નિંગ

તમે શરૂઆતથી ન્યુરલ નેટવર્કને તાલીમ આપતા નથી, પરંતુ પહેલેથી જ પ્રશિક્ષિત નેટવર્ક લો અને તેને એક અલગ ધ્યેય સોંપો. કેટલીકવાર આને નેટવર્કના ભાગને ફરીથી તાલીમ આપવાની જરૂર છે, પરંતુ સમગ્ર નેટવર્કને નહીં, જે ખૂબ ઝડપી છે. ઉદાહરણ તરીકે, ImageNet50 ડેટાસેટ પર પ્રશિક્ષિત ન્યુરલ નેટવર્ક ResNet1000 લેવાથી, તમને એક અલ્ગોરિધમ મળશે જે એક ઈમેજમાં ઘણી બધી વસ્તુઓને ખૂબ જ ઊંડા સ્તરે વર્ગીકૃત કરી શકે છે. નેટવર્ક). પરંતુ તમારે તે સમગ્ર નેટવર્કને તાલીમ આપવાની જરૂર નથી, જેમાં મહિનાઓ લાગશે.

В ઓનલાઈન કોર્સ સેમસંગ "ન્યુરલ નેટવર્ક્સ અને કમ્પ્યુટર વિઝન", ઉદાહરણ તરીકે, ફાઇનલમાં કાગલ કાર્ય પ્લેટોના સ્વચ્છ અને ગંદામાં વર્ગીકરણ સાથે, એક અભિગમ દર્શાવવામાં આવે છે કે 5 મિનિટમાં તમને તમારા નિકાલ પર એક ઊંડા ન્યુરલ નેટવર્ક આપે છે જે ઉપર વર્ણવેલ આર્કિટેક્ચર અનુસાર ગંદી પ્લેટોને સ્વચ્છ પ્લેટોથી અલગ પાડવા માટે સક્ષમ છે. મૂળ નેટવર્કને ખબર ન હતી કે પ્લેટો શું છે, તે ફક્ત પક્ષીઓને કૂતરાથી અલગ પાડવાનું શીખ્યા (ઇમેજનેટ જુઓ).

સોર્સ: ઓનલાઈન કોર્સ સેમસંગ "ન્યુરલ નેટવર્ક્સ અને કમ્પ્યુટર વિઝન"

ટ્રાન્સફર લર્નિંગ માટે તમારે જાણવાની જરૂર છે કે કયા અભિગમો કામ કરે છે અને કયા તૈયાર મૂળભૂત આર્કિટેક્ચર ઉપલબ્ધ છે. એકંદરે, આ મશીન લર્નિંગના વ્યવહારુ કાર્યક્રમોના ઉદભવને મોટા પ્રમાણમાં વેગ આપે છે.

1.2. જનરેટિવ એડવર્સરિયલ નેટવર્ક્સ (GAN)

આ તે કિસ્સાઓ માટે છે જ્યારે આપણા માટે શીખવાનું લક્ષ્ય ઘડવું ખૂબ મુશ્કેલ હોય છે. કાર્ય વાસ્તવિક જીવનની જેટલું નજીક છે, તે આપણા માટે વધુ સમજી શકાય તેવું છે ("બેડસાઇડ ટેબલ લાવો"), પરંતુ તેને તકનીકી કાર્ય તરીકે ઘડવું વધુ મુશ્કેલ છે. GAN એ આપણને આ સમસ્યામાંથી બચાવવાનો માત્ર એક પ્રયાસ છે.

અહીં બે નેટવર્ક કામ કરે છે: એક જનરેટર (જનરેટિવ), બીજું ભેદભાવ કરનાર (વિરોધી) છે. એક નેટવર્ક ઉપયોગી કાર્ય કરવાનું શીખે છે (ચિત્રોનું વર્ગીકરણ કરો, અવાજો ઓળખો, કાર્ટૂન દોરો). અને બીજું નેટવર્ક તે નેટવર્કને શીખવવાનું શીખે છે: તેમાં વાસ્તવિક ઉદાહરણો છે, અને તે ખરેખર મહત્વપૂર્ણ ઊંડા લક્ષણોના આધારે નેટવર્કના જનરેટિવ ભાગના ઉત્પાદનોની વાસ્તવિક દુનિયાની વસ્તુઓ (તાલીમ સમૂહ) સાથે સરખામણી કરવા માટે અગાઉ અજાણ્યા જટિલ સૂત્ર શોધવાનું શીખે છે. : આંખોની સંખ્યા, મિયાઝાકીની શૈલીની નિકટતા, સાચો અંગ્રેજી ઉચ્ચાર.

એનાઇમ અક્ષરો બનાવવા માટે નેટવર્કના પરિણામનું ઉદાહરણ. સોર્સ

પરંતુ, અલબત્ત, ત્યાં આર્કિટેક્ચર બનાવવું મુશ્કેલ છે. માત્ર ન્યુરોન્સ ફેંકવું પૂરતું નથી, તેમને તૈયાર કરવાની જરૂર છે. અને તમારે અઠવાડિયા સુધી અભ્યાસ કરવો પડશે. સેમસંગ આર્ટિફિશિયલ ઇન્ટેલિજન્સ સેન્ટરમાં મારા સાથીદારો GAN વિષય પર કામ કરી રહ્યા છે; આ તેમના સંશોધનના મુખ્ય પ્રશ્નોમાંનો એક છે. ઉદાહરણ તરીકે, આની જેમ વિકાસ: વેરિયેબલ પોઝ ધરાવતા લોકોના વાસ્તવિક ફોટાઓનું સંશ્લેષણ કરવા માટે જનરેટિવ નેટવર્કનો ઉપયોગ કરીને - ઉદાહરણ તરીકે, વર્ચ્યુઅલ ફિટિંગ રૂમ બનાવવા માટે, અથવા ચહેરાને સંશ્લેષણ કરવા માટે, જે ઉચ્ચ-ગુણવત્તાવાળા વિડિઓને સુનિશ્ચિત કરવા માટે સંગ્રહિત અથવા પ્રસારિત કરવાની જરૂર હોય તેવી માહિતીની માત્રાને ઘટાડી શકે છે. સંચાર, પ્રસારણ અથવા વ્યક્તિગત ડેટા સુરક્ષા.

સોર્સ

1.3. સમજાવી શકાય તેવું AI

કેટલાક દુર્લભ કાર્યો માટે, ડીપ આર્કિટેક્ચરમાં એડવાન્સિસે અચાનક ડીપ ન્યુરલ નેટવર્કની ક્ષમતાઓને માનવ ક્ષમતાની નજીક લાવી દીધી છે. હવે આવા કાર્યોની શ્રેણી વધારવા માટે યુદ્ધ ચાલુ છે. ઉદાહરણ તરીકે, એક રોબોટ વેક્યૂમ ક્લીનર, હેડ-ઓન મીટિંગમાં બિલાડીને કૂતરાથી સરળતાથી અલગ કરી શકે છે. પરંતુ મોટાભાગની જીવન પરિસ્થિતિઓમાં, તે શણ અથવા ફર્નિચરની વચ્ચે સૂતી બિલાડી શોધી શકશે નહીં (જોકે, અમારી જેમ, મોટાભાગના કિસ્સાઓમાં ...).

ડીપ ન્યુરલ નેટવર્કની સફળતાનું કારણ શું છે? તેઓ "નરી આંખે દેખાતી" માહિતી (ફોટો પિક્સેલ્સ, ધ્વનિના જથ્થામાં ફેરફાર...) ના આધારે સમસ્યાનું પ્રતિનિધિત્વ વિકસાવે છે, પરંતુ ન્યુરલ નેટવર્કના કેટલાક સો સ્તરો દ્વારા આ માહિતીને પ્રીપ્રોસેસ કર્યા પછી મેળવેલી સુવિધાઓ પર આધારિત છે. કમનસીબે, આ સંબંધો અર્થહીન, અસંગત અથવા મૂળ ડેટા સેટમાં અપૂર્ણતાના નિશાન પણ ધરાવી શકે છે. ઉદાહરણ તરીકે, ભરતીમાં AI નો અવિચારી ઉપયોગ શું પરિણમી શકે છે તે વિશે એક નાની કમ્પ્યુટર ગેમ છે સર્વાઇવલ ઓફ ધ બેસ્ટ ફિટ.

ઇમેજ ટેગિંગ સિસ્ટમમાં રસોઈ બનાવનાર વ્યક્તિને સ્ત્રી તરીકે લેબલ કરવામાં આવ્યું છે, તેમ છતાં ચિત્રમાંની વ્યક્તિ ખરેખર એક પુરુષ છે (સોર્સ). તે નોંધ્યું વર્જિનિયા સંસ્થા ખાતે.

જટિલ અને ઊંડા સંબંધોનું પૃથ્થકરણ કરવા માટે કે જે આપણે ઘણી વખત જાતે ઘડી શકતા નથી, સમજાવી શકાય તેવી AI પદ્ધતિઓ જરૂરી છે. તેઓ ડીપ ન્યુરલ નેટવર્કની વિશેષતાઓને વ્યવસ્થિત કરે છે જેથી પ્રશિક્ષણ પછી, અમે ફક્ત તેના નિર્ણય પર આધાર રાખવાને બદલે, નેટવર્ક દ્વારા શીખેલ આંતરિક પ્રતિનિધિત્વનું વિશ્લેષણ કરી શકીએ.

1.4. એજ એનાલિટિક્સ / AI

એજ શબ્દ સાથેની દરેક વસ્તુનો શાબ્દિક અર્થ નીચે મુજબ છે: ક્લાઉડ/સર્વરથી અંતિમ ઉપકરણ/ગેટવે સ્તર પર એલ્ગોરિધમનો ભાગ ટ્રાન્સફર કરવો. આવા અલ્ગોરિધમ વધુ ઝડપથી કામ કરશે અને તેના ઓપરેશન માટે કેન્દ્રીય સર્વર સાથે કનેક્શનની જરૂર રહેશે નહીં. જો તમે "પાતળા ક્લાયંટ" ના એબ્સ્ટ્રેક્શનથી પરિચિત છો, તો અહીં અમે આ ક્લાયન્ટને થોડું જાડું બનાવી રહ્યા છીએ.
આ વસ્તુઓ ઇન્ટરનેટ માટે મહત્વપૂર્ણ હોઈ શકે છે. ઉદાહરણ તરીકે, જો કોઈ મશીન વધારે ગરમ થઈ જાય અને તેને ઠંડકની જરૂર હોય, તો પ્લાન્ટના સ્તરે, ડેટા ક્લાઉડ પર અને ત્યાંથી શિફ્ટ ફોરમેન સુધી જવાની રાહ જોયા વિના, તરત જ આ સંકેત આપવાનો અર્થ થાય છે. અથવા બીજું ઉદાહરણ: સેન્ટ્રલ સર્વરનો સંપર્ક કર્યા વિના સેલ્ફ-ડ્રાઈવિંગ કાર પોતાની જાતે જ ટ્રાફિકની પરિસ્થિતિનો ખ્યાલ કરી શકે છે.

સોર્સ

અથવા સુરક્ષાના દૃષ્ટિકોણથી આ શા માટે મહત્વપૂર્ણ છે તેનું બીજું ઉદાહરણ: જ્યારે તમે તમારા ફોન પર ટેક્સ્ટ ટાઇપ કરો છો, ત્યારે તે તમારા માટે લાક્ષણિક શબ્દો યાદ રાખે છે, જેથી પછીથી ફોન કીબોર્ડ તમને તેમની સાથે અનુકૂળતાપૂર્વક સંકેત આપી શકે - આને આગાહી કહેવામાં આવે છે. ટેક્સ્ટ ઇનપુટ. તમે તમારા કીબોર્ડ પર લખો છો તે બધું ડેટા સેન્ટરમાં ક્યાંક મોકલવું એ તમારી ગોપનીયતાનું ઉલ્લંઘન હશે અને ફક્ત અસુરક્ષિત હશે. તેથી, કીબોર્ડ તાલીમ ફક્ત તમારા ઉપકરણમાં જ થાય છે.

1.5. સેવા તરીકે AI પ્લેટફોર્મ (AI PaaS)

PaaS - પ્લેટફોર્મ-એઝ-એ-સર્વિસ એ એક બિઝનેસ મોડલ છે જેમાં અમે તેના ક્લાઉડ-આધારિત ડેટા સ્ટોરેજ અને તૈયાર પ્રક્રિયાઓ સહિત એક સંકલિત પ્લેટફોર્મની ઍક્સેસ મેળવીએ છીએ. આ રીતે, આપણે આપણી જાતને ઇન્ફ્રાસ્ટ્રક્ચર કાર્યોથી મુક્ત કરી શકીએ છીએ અને કંઈક ઉપયોગી ઉત્પાદન પર સંપૂર્ણ ધ્યાન કેન્દ્રિત કરી શકીએ છીએ. AI કાર્યો માટે PaaS પ્લેટફોર્મનું ઉદાહરણ: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI પ્લેટફોર્મ.

1.6. અનુકૂલનશીલ મશીન લર્નિંગ (અનુકૂલનશીલ ML)

જો આપણે કૃત્રિમ બુદ્ધિમત્તાને અનુકૂલન થવા દઈએ તો શું થશે... તમે પૂછો - એટલે કે કેવી રીતે?.. શું તે પહેલાથી જ કાર્યને અનુકૂલન કરતું નથી? સમસ્યા આ છે: અમે આવી દરેક સમસ્યાને ઉકેલવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ અલ્ગોરિધમ બનાવતા પહેલા ખૂબ જ મહેનતથી ડિઝાઇન કરીએ છીએ. તેઓ તમને જવાબ આપશે - તે તારણ આપે છે કે આ સાંકળને સરળ બનાવી શકાય છે.

પરંપરાગત મશીન લર્નિંગ ઓપન-લૂપના સિદ્ધાંત પર કામ કરે છે: તમે ડેટા તૈયાર કરો, ન્યુરલ નેટવર્ક (અથવા કંઈપણ) સાથે આવો, ટ્રેન કરો, પછી ઘણા સૂચકાંકો જુઓ, અને જો તમને બધું ગમતું હોય, તો તમે સ્માર્ટફોન પર ન્યુરલ નેટવર્ક મોકલી શકો છો. - વપરાશકર્તા સમસ્યાઓ હલ કરો. પરંતુ એપ્લીકેશનમાં જ્યાં ઘણો ડેટા હોય છે અને તેની પ્રકૃતિ ધીમે ધીમે બદલાતી રહે છે, અન્ય પદ્ધતિઓ જરૂરી છે. આવી સિસ્ટમો, જે પોતાને અનુકૂલન કરે છે અને શીખવે છે, બંધ, સ્વ-શિક્ષણ લૂપ્સ (બંધ-લૂપ) માં ગોઠવવામાં આવે છે, અને તેઓએ સરળતાથી કામ કરવું જોઈએ.

એપ્લિકેશન્સ - આ સ્ટ્રીમ એનાલિટિક્સ (સ્ટ્રીમ એનાલિટિક્સ) હોઈ શકે છે, જેના આધારે ઘણા ઉદ્યોગપતિઓ નિર્ણયો લે છે, અથવા અનુકૂલનશીલ ઉત્પાદન સંચાલન. વર્તમાન એપ્લીકેશનના સ્કેલ પર અને મનુષ્યોને વધુ સારી રીતે સમજી શકાય તેવા જોખમોને જોતાં, આ સમસ્યાના ઉકેલની રચના કરતી તકનીકો તમામને એડેપ્ટીવ AI શબ્દ હેઠળ એકત્રિત કરવામાં આવે છે.

સોર્સ

આ ચિત્રને જોઈને, એવી લાગણીથી છુટકારો મેળવવો મુશ્કેલ છે કે ભવિષ્યશાસ્ત્રીઓને બ્રેડ ખવડાવશો નહીં - તેમને રોબોટને શ્વાસ લેતા શીખવવા દો...

પોસ્ટ ક્લાસિકલ કોમ્પ્યુટ અને કોમ્સ

2.1. પાંચમી પેઢીના મોબાઇલ સંચાર (5G)

આ એટલો રસપ્રદ વિષય છે કે અમે તરત જ તમને અમારા માટે સંદર્ભિત કરીએ છીએ લેખ. સારું, અહીં એક ટૂંકો સારાંશ છે. 5G, ડેટા ટ્રાન્સમિશનની આવર્તન વધારીને, ઇન્ટરનેટની ગતિને અવાસ્તવિક રીતે ઝડપી બનાવશે. ટૂંકા તરંગો માટે અવરોધોમાંથી પસાર થવું વધુ મુશ્કેલ છે, તેથી નેટવર્ક્સની ડિઝાઇન સંપૂર્ણપણે અલગ હશે: 500 ગણા વધુ બેઝ સ્ટેશનની જરૂર છે.

સ્પીડની સાથે, અમને નવી ઘટનાઓ મળશે: ઓગમેન્ટેડ રિયાલિટી સાથે રીઅલ-ટાઇમ ગેમ્સ, ટેલિપ્રેઝન્સ દ્વારા જટિલ કાર્યો (જેમ કે સર્જરી) કરવા, મશીનો વચ્ચેના સંચાર દ્વારા રસ્તાઓ પર અકસ્માતો અને મુશ્કેલ પરિસ્થિતિઓને અટકાવવી. વધુ અસ્પષ્ટ નોંધ પર: મોબાઈલ ઈન્ટરનેટ આખરે સામૂહિક ઈવેન્ટ્સ, જેમ કે સ્ટેડિયમમાં મેચ દરમિયાન ડ્રોપ કરવાનું બંધ કરશે.

છબી સ્ત્રોત - રોઇટર્સ, નિઆન્ટિક

2.2. નેક્સ્ટ જનરેશન મેમરી

અહીં આપણે RAM ની પાંચમી જનરેશન – DDR5 વિશે વાત કરી રહ્યા છીએ. સેમસંગે જાહેરાત કરી હતી કે DDR2019- આધારિત ઉત્પાદનો 5 ના અંત સુધીમાં ઉપલબ્ધ થશે. એવી અપેક્ષા રાખવામાં આવે છે કે નવી મેમરી બમણી ઝડપી અને સમાન ફોર્મ ફેક્ટરને જાળવી રાખીને બમણી ક્ષમતા ધરાવતી હશે, એટલે કે, અમે અમારા કમ્પ્યુટર માટે 32GB સુધીની ક્ષમતા સાથે મેમરી સ્ટિક મેળવી શકીશું. ભવિષ્યમાં, આ ખાસ કરીને સ્માર્ટફોન માટે સંબંધિત હશે (નવી મેમરી લો-પાવર વર્ઝનમાં હશે) અને લેપટોપ માટે (જ્યાં DIMM સ્લોટની સંખ્યા મર્યાદિત છે). અને મશીન લર્નિંગ માટે પણ મોટી માત્રામાં RAM ની જરૂર પડે છે.

2.3. લો-અર્થ-ઓર્બિટ સેટેલાઇટ સિસ્ટમ્સ

ભારે, ખર્ચાળ, શક્તિશાળી ઉપગ્રહોને નાના અને સસ્તાના સમૂહ સાથે બદલવાનો વિચાર નવો નથી અને 90 ના દાયકામાં પાછો દેખાયો. શેના વિષે "એલોન મસ્ક ટૂંક સમયમાં સેટેલાઇટથી દરેકને ઇન્ટરનેટનું વિતરણ કરશે" હવે માત્ર આળસુઓએ સાંભળ્યું નથી. અહીંની સૌથી પ્રસિદ્ધ કંપની ઇરિડિયમ છે, જે 90 ના દાયકાના અંતમાં નાદાર થઈ ગઈ હતી, પરંતુ યુએસ ડિપાર્ટમેન્ટ ઑફ ડિફેન્સના ખર્ચે સાચવવામાં આવી હતી (રશિયન સ્માર્ટ હોમ સિસ્ટમ iRidium સાથે મૂંઝવણમાં ન આવે). એલોન મસ્કનો પ્રોજેક્ટ (સ્ટારલિંક) માત્ર એકથી દૂર છે - રિચાર્ડ બ્રેન્સન (વનવેબ - 1440 સૂચિત ઉપગ્રહો), બોઇંગ (3000 ઉપગ્રહો), સેમસંગ (4600 ઉપગ્રહો), અને અન્ય ઉપગ્રહ રેસમાં ભાગ લઈ રહ્યા છે.

આ ક્ષેત્રમાં વસ્તુઓ કેવી રીતે ઊભી છે, ત્યાંની અર્થવ્યવસ્થા કેવી દેખાય છે - વાંચો સમીક્ષા. અને અમે પ્રથમ વપરાશકર્તાઓ દ્વારા આ સિસ્ટમોના પ્રથમ પરીક્ષણોની રાહ જોઈ રહ્યા છીએ, જે આવતા વર્ષે થવી જોઈએ.

2.4. નેનોસ્કેલ 3D પ્રિન્ટીંગ

3D પ્રિન્ટીંગ, જો કે તે દરેક વ્યક્તિના જીવનમાં પ્રવેશ્યું નથી (વ્યક્તિગત હોમ પ્લાસ્ટિક ફેક્ટરી દ્વારા વચન આપેલ સ્વરૂપમાં), તેમ છતાં, લાંબા સમય પહેલા ગીક્સ માટે તકનીકી સ્થાન છોડી દીધું છે. તમે એ હકીકત દ્વારા નિર્ણય કરી શકો છો કે દરેક શાળાના બાળક ઓછામાં ઓછા 3D શિલ્પવાળી પેનના અસ્તિત્વ વિશે જાણે છે, અને ઘણા લોકો દોડવીરો અને એક્સ્ટ્રુડર સાથે બોક્સ ખરીદવાનું સ્વપ્ન જોતા હોય છે...

સ્ટીરીઓલિથોગ્રાફી (લેસર 3D પ્રિન્ટર) વ્યક્તિગત ફોટોન સાથે છાપવાની મંજૂરી આપે છે: નવા પોલિમરની શોધ કરવામાં આવી રહી છે જેને મજબૂત કરવા માટે માત્ર બે ફોટોનની જરૂર પડે છે. આ, બિન-પ્રયોગશાળાની પરિસ્થિતિઓમાં, સંપૂર્ણપણે નવા ફિલ્ટર્સ, માઉન્ટ્સ, સ્પ્રિંગ્સ, રુધિરકેશિકાઓ, લેન્સ અને... કોમેન્ટમાં તમારા વિકલ્પો બનાવવાની મંજૂરી આપશે! અને અહીં તે ફોટોપોલિમરાઇઝેશનથી દૂર નથી - ફક્ત આ તકનીક અમને પ્રોસેસર્સ અને કમ્પ્યુટિંગ સર્કિટ્સને "પ્રિન્ટ" કરવાની મંજૂરી આપે છે. વધુમાં, આ પહેલું વર્ષ નથી કે ત્યાં આવી હોય ગ્રાફીન 500 એનએમ ત્રિ-પરિમાણીય માળખાને છાપવા માટેની તકનીક, પરંતુ આમૂલ વિકાસ વિના.

સોર્સ

3. સંવેદના અને ગતિશીલતા

3.1. ઓટોનોમસ ડ્રાઇવિંગ લેવલ 4 અને 5

પરિભાષામાં મૂંઝવણમાં ન આવવા માટે, સ્વાયત્તતાના કયા સ્તરોને અલગ પાડવામાં આવે છે તે સમજવું યોગ્ય છે (વિગતવારમાંથી લેવામાં આવે છે. લેખ, જેનો અમે બધા રસ ધરાવતા લોકોનો સંદર્ભ આપીએ છીએ):

સ્તર 1: ક્રુઝ કંટ્રોલ: ખૂબ જ મર્યાદિત પરિસ્થિતિઓમાં ડ્રાઈવરને મદદ કરે છે (ઉદાહરણ તરીકે, ડ્રાઈવર પેડલ પરથી પગ ઉઠાવે પછી આપેલ ગતિએ કારને પકડી રાખવી)
સ્તર 2: મર્યાદિત સ્ટીયરિંગ અને બ્રેકિંગ સહાય. ડ્રાઇવરે લગભગ તરત જ નિયંત્રણ લેવા માટે તૈયાર હોવું જોઈએ. તેના હાથ સ્ટીયરિંગ વ્હીલ પર છે, તેની આંખો રસ્તા પર નિર્દેશિત છે. આ એવી વસ્તુ છે જે ટેસ્લા અને જનરલ મોટર્સ પાસે પહેલેથી જ છે.
લેવલ 3: ડ્રાઈવરે હવે સતત રસ્તા પર નજર રાખવાની જરૂર નથી. પરંતુ તેણે સજાગ રહેવું જોઈએ અને નિયંત્રણ લેવા માટે તૈયાર રહેવું જોઈએ. આ એવી વસ્તુ છે જે વ્યવસાયિક રીતે ઉપલબ્ધ કાર પાસે હજુ સુધી નથી. હાલના તમામ હાલના સ્તર 1-2 પર છે.
સ્તર 4: સાચું ઓટોપાયલોટ, પરંતુ પ્રતિબંધો સાથે: માત્ર જાણીતી જગ્યામાં ટ્રિપ્સ કે જે કાળજીપૂર્વક મેપ કરેલ હોય અને સામાન્ય રીતે સિસ્ટમ માટે જાણીતી હોય, અને અમુક શરતો હેઠળ: ઉદાહરણ તરીકે, બરફની ગેરહાજરીમાં. વેમો અને જનરલ મોટર્સ પાસે આવા પ્રોટોટાઇપ છે, અને તેઓ તેને ઘણા શહેરોમાં લોન્ચ કરવાની અને વાસ્તવિક વાતાવરણમાં તેનું પરીક્ષણ કરવાની યોજના ધરાવે છે. યાન્ડેક્ષ પાસે સ્કોલ્કોવો અને ઈનોપોલિસમાં માનવરહિત ટેક્સીઓ માટે ટેસ્ટ ઝોન છે: સફર પેસેન્જરની સીટ પર બેઠેલા એન્જિનિયરની દેખરેખ હેઠળ થાય છે; વર્ષના અંત સુધીમાં, કંપની તેના કાફલાને 100 માનવરહિત વાહનો સુધી વિસ્તૃત કરવાની યોજના ધરાવે છે.
સ્તર 5: સંપૂર્ણ સ્વચાલિત ડ્રાઇવિંગ, જીવંત ડ્રાઇવરની સંપૂર્ણ બદલી. આવી સિસ્ટમો અસ્તિત્વમાં નથી, અને તે આગામી વર્ષોમાં દેખાવાની શક્યતા નથી.

નજીકના ભવિષ્યમાં આ બધું જોવું કેટલું વાસ્તવિક છે? અહીં હું વાચકને લેખ પર રીડાયરેક્ટ કરવા માંગુ છું "ટેસ્લાના વચન મુજબ, 2020 સુધીમાં રોબોટેક્સી શરૂ કરવી કેમ અશક્ય છે". આ અંશતઃ 5G કનેક્ટિવિટીના અભાવને કારણે છે: ઉપલબ્ધ 4G સ્પીડ પૂરતી નથી. અંશતઃ સ્વાયત્ત કારની ખૂબ ઊંચી કિંમતને કારણે: તે હજુ સુધી નફાકારક નથી, બિઝનેસ મોડલ અસ્પષ્ટ છે. એક શબ્દમાં, અહીં "બધું જ જટિલ છે", અને તે કોઈ સંયોગ નથી કે ગાર્ટનર લખે છે કે સ્તર 4 અને 5 ના સામૂહિક અમલીકરણ માટેની આગાહી 10 વર્ષ કરતાં પહેલાંની નથી.

3.2. 3D સેન્સિંગ કેમેરા

આઠ વર્ષ પહેલાં, માઈક્રોસોફ્ટના Kinect ગેમિંગ કંટ્રોલરે 3D વિઝન માટે સુલભ અને પ્રમાણમાં સસ્તું સોલ્યુશન ઓફર કરીને તરંગો બનાવ્યા હતા. ત્યારથી, Kinect સાથે શારીરિક શિક્ષણ અને નૃત્ય રમતોએ તેમના ટૂંકા ઉદય અને ઘટાડાનો અનુભવ કર્યો, પરંતુ 3D કેમેરાનો ઉપયોગ ઔદ્યોગિક રોબોટ્સ, માનવરહિત વાહનો અને ચહેરાની ઓળખ માટે મોબાઈલ ફોનમાં થવા લાગ્યો. ટેકનોલોજી સસ્તી, વધુ કોમ્પેક્ટ અને વધુ સુલભ બની છે.

સેમસંગ S10 ફોનમાં ટાઈમ-ઓફ-ફ્લાઇટ કેમેરા છે જે ધ્યાન કેન્દ્રિત કરવાનું સરળ બનાવવા માટે ઑબ્જેક્ટનું અંતર માપે છે. સોર્સ

જો તમને આ વિષયમાં રુચિ છે, તો અમે તમને ઊંડાઈ કેમેરાની ખૂબ જ સારી વિગતવાર સમીક્ષા પર રીડાયરેક્ટ કરીશું: ભાગ 1, ભાગ 2.

3.3. નાના કાર્ગો પહોંચાડવા માટે ડ્રોન (લાઇટ કાર્ગો ડિલિવરી ડ્રોન્સ)

આ વર્ષે, એમેઝોને શોમાં એક નવું ઉડતું ડ્રોન પ્રદર્શિત કર્યું ત્યારે તરંગો મચાવ્યા હતા જે 2 કિલો સુધીના નાના ભારને વહન કરી શકે છે. ટ્રાફિક જામવાળા શહેર માટે, આ એક આદર્શ ઉકેલ જેવું લાગે છે. ચાલો જોઈએ કે નજીકના ભવિષ્યમાં આ ડ્રોન કેવું પ્રદર્શન કરે છે. કદાચ અહીં સાવધાનીપૂર્વક શંકાશીલ રહેવું યોગ્ય છે: ત્યાં ઘણી સમસ્યાઓ છે, જે ડ્રોનની સરળ ચોરીની સંભાવનાથી શરૂ થાય છે અને UAVs પરના કાનૂની પ્રતિબંધો સાથે સમાપ્ત થાય છે. એમેઝોન પ્રાઇમ એરને લગભગ છ વર્ષ થઈ ગયા છે પરંતુ તે હજુ પણ પરીક્ષણના તબક્કામાં છે.

એમેઝોનનું નવું ડ્રોન, આ વસંત બતાવ્યું. તેના વિશે કંઈક સ્ટાર વોર્સ છે. સોર્સ

એમેઝોન ઉપરાંત, આ માર્કેટમાં અન્ય ખેલાડીઓ છે (ત્યાં વિગતવાર છે સમીક્ષા), પરંતુ એક પણ તૈયાર ઉત્પાદન નથી: બધું પરીક્ષણ અને માર્કેટિંગ ઝુંબેશના તબક્કે છે. અલગથી, તે ખૂબ જ રસપ્રદ અત્યંત વિશિષ્ટ તબીબી નોંધવું યોગ્ય છે પ્રોજેક્ટ્સ આફ્રિકામાં: ઘાના (14 ડિલિવરી, ઝિપલાઇન કંપની) અને રવાંડા (મેટરનેટ કંપની)માં દાન કરાયેલ રક્તની ડિલિવરી.

3.4. ઉડતી સ્વાયત્ત વાહનો

અહીં ચોક્કસ કંઈપણ કહેવું મુશ્કેલ છે. ગાર્ટનર અનુસાર, આ 10 વર્ષ કરતાં પહેલાં દેખાશે નહીં. સામાન્ય રીતે, સ્વ-ડ્રાઇવિંગ કારની જેમ અહીં બધી સમાન સમસ્યાઓ છે, ફક્ત તેઓ એક નવું પરિમાણ પ્રાપ્ત કરે છે - વર્ટિકલ. પોર્શ, બોઇંગ અને ઉબેરે ફ્લાઇંગ ટેક્સી બનાવવાની તેમની મહત્વાકાંક્ષાની જાહેરાત કરી છે.

3.5. ઓગમેન્ટેડ રિયાલિટી ક્લાઉડ (એઆર ક્લાઉડ)

વાસ્તવિક દુનિયાની કાયમી ડિજિટલ કૉપિ, જે તમને બધા વપરાશકર્તાઓ માટે સામાન્ય વાસ્તવિકતાનું નવું સ્તર બનાવવાની મંજૂરી આપે છે. વધુ ટેકનિકલ શબ્દોમાં, અમે એક ઓપન ક્લાઉડ પ્લેટફોર્મ બનાવવા વિશે વાત કરી રહ્યા છીએ જેમાં ડેવલપર્સ તેમની AR એપ્લિકેશનને એકીકૃત કરી શકે. મુદ્રીકરણ મોડલ સ્પષ્ટ છે; તે સ્ટીમનું એક પ્રકારનું એનાલોગ છે. આ વિચાર એટલો જબરદસ્ત બની ગયો છે કે કેટલાક હવે માને છે કે વાદળ વિના AR ખાલી નકામું છે.

ભવિષ્યમાં આ કેવું દેખાશે તે ટૂંકી વિડિઓમાં બતાવવામાં આવ્યું છે. બ્લેક મિરરના બીજા એપિસોડ જેવો દેખાય છે:

પર પણ વાંચી શકો છો સમીક્ષા લેખ.

4. સંવર્ધિત માનવ

4.1. લાગણી AI

માનવ લાગણીઓને કેવી રીતે માપવા, અનુકરણ કરવું અને તેનો જવાબ કેવી રીતે આપવો? અહીંના કેટલાક ગ્રાહકો એવી કંપનીઓ છે જે એમેઝોન એલેક્સા જેવા વૉઇસ સહાયકો બનાવે છે. જો તેઓ મૂડને ઓળખવાનું શીખે તો તેઓ ખરેખર ઘરોમાં ટેવાઈ શકે છે: વપરાશકર્તાના અસંતોષનું કારણ સમજો અને પરિસ્થિતિને સુધારવાનો પ્રયાસ કરો. સામાન્ય રીતે, સંદેશની તુલનામાં સંદર્ભમાં ઘણી વધુ માહિતી હોય છે. અને સંદર્ભ એ ચહેરાના હાવભાવ, સ્વર અને બિન-મૌખિક વર્તન છે.

અન્ય વ્યવહારુ એપ્લિકેશન્સ: જોબ ઇન્ટરવ્યુ દરમિયાન લાગણીઓનું વિશ્લેષણ (વિડિયો ઇન્ટરવ્યુ પર આધારિત), કમર્શિયલ અથવા અન્ય વિડિઓ સામગ્રી (સ્મિત, હાસ્ય), શીખવામાં સહાયતાનું મૂલ્યાંકન (ઉદાહરણ તરીકે, જાહેર બોલવાની કળામાં સ્વતંત્ર અભ્યાસ માટે).

6 મિનિટની ટૂંકી ફિલ્મના લેખક કરતાં આ વિષય પર વધુ સારી રીતે બોલવું મુશ્કેલ છે ઔર લાગણી ચોરી. વિનોદી અને સ્ટાઇલિશ વિડિયો બતાવે છે કે તમે માર્કેટિંગ હેતુઓ માટે અમારી લાગણીઓને કેવી રીતે માપી શકો છો, અને તમારા ચહેરાની ક્ષણિક પ્રતિક્રિયાઓમાંથી, તમને પિઝા, કૂતરા, કેન્યે વેસ્ટ ગમે છે કે કેમ અને તમારી આવકનું સ્તર અને અંદાજિત IQ શું છે તે પણ શોધો. ઉપરની લિંકનો ઉપયોગ કરીને ફિલ્મની વેબસાઇટની મુલાકાત લઈને, તમે તમારા લેપટોપના બિલ્ટ-ઇન કેમેરાનો ઉપયોગ કરીને ઇન્ટરેક્ટિવ વિડિયોમાં સહભાગી બનો છો. આ ફિલ્મ ઘણા ફિલ્મ ફેસ્ટિવલમાં બતાવવામાં આવી ચુકી છે.

સોર્સ

આવો રસપ્રદ અભ્યાસ પણ છે: ટેક્સ્ટમાં કટાક્ષને કેવી રીતે ઓળખવું. અમે #sarcasm હેશટેગ સાથે ટ્વીટ્સ લીધી અને કટાક્ષ સાથે 25 ટ્વીટ્સ અને સૂર્યની નીચે દરેક વસ્તુ વિશે 000 નિયમિત ટ્વીટ્સનો એક તાલીમ સેટ બનાવ્યો. અમે ટેન્સરફ્લો લાઇબ્રેરીનો ઉપયોગ કર્યો, સિસ્ટમને પ્રશિક્ષિત કરી, અને અહીં પરિણામ છે:

સોર્સ

તેથી, હવે, જો તમને તમારા સાથીદાર અથવા મિત્ર વિશે ખાતરી ન હોય - તેણે તમને ગંભીરતાથી અથવા કટાક્ષમાં કંઈક કહ્યું, તો તમે પહેલેથી જ ઉપયોગ કરી શકો છો પ્રશિક્ષિત ન્યુરલ નેટવર્ક!

4.2. સંવર્ધિત બુદ્ધિ

મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરીને બૌદ્ધિક કાર્યનું ઓટોમેશન. એવું લાગે છે કે કંઈ નવું નથી? પરંતુ અહીં શબ્દો પોતે જ મહત્વપૂર્ણ છે, ખાસ કરીને કારણ કે તે આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સંક્ષિપ્તમાં એકરુપ છે. આ અમને "મજબૂત" અને "નબળા" AI વિશેની ચર્ચામાં પાછા લાવે છે.
સ્ટ્રોંગ AI એ સાયન્સ ફિક્શન ફિલ્મોની એ જ કૃત્રિમ બુદ્ધિ છે જે સંપૂર્ણપણે માનવ મનની સમકક્ષ છે અને એક વ્યક્તિ તરીકે પોતાને વિશે જાગૃત છે. આ હજી અસ્તિત્વમાં નથી અને તે અસ્પષ્ટ છે કે તે અસ્તિત્વમાં રહેશે કે કેમ.

નબળા AI સ્વતંત્ર વ્યક્તિ નથી, પરંતુ માનવ સહાયક છે. તે માનવ જેવી વિચારસરણી ધરાવતો હોવાનો દાવો કરતો નથી, પરંતુ માહિતીની સમસ્યાઓને કેવી રીતે હલ કરવી તે ફક્ત જાણે છે, ઉદાહરણ તરીકે, ચિત્રમાં શું બતાવવામાં આવ્યું છે તે નક્કી કરો અથવા ટેક્સ્ટનો અનુવાદ કરો.

સોર્સ

આ અર્થમાં, ઓગમેન્ટેડ ઇન્ટેલિજન્સ તેના સૌથી શુદ્ધ સ્વરૂપમાં "નબળું AI" છે, અને ફોર્મ્યુલેશન સફળ જણાય છે, કારણ કે તે મૂંઝવણ અને અહીં તે જ "મજબૂત AI" જોવાની લાલચ રજૂ કરતું નથી જેનું દરેક વ્યક્તિ સપના કરે છે (અથવા ભય, જો આપણે "બળવા કાર" વિશેની અસંખ્ય ચર્ચાઓ યાદ કરીએ). અભિવ્યક્તિ ઓગમેન્ટેડ ઇન્ટેલિજન્સનો ઉપયોગ કરીને, અમે તરત જ બીજી ફિલ્મના હીરો બનીએ છીએ: વિજ્ઞાન સાહિત્યમાંથી (જેમ કે અસિમોવની "આઇ, રોબોટ") આપણે આપણી જાતને સાયબરપંકમાં શોધીએ છીએ (આ શૈલીમાં "વૃદ્ધિ" એ તમામ પ્રકારના પ્રત્યારોપણ છે જે માનવ ક્ષમતાઓને વિસ્તૃત કરે છે).

કેવી રીતે કહ્યું એરિક Brynjolfsson અને એન્ડ્રુ McAffee: “આગામી 10 વર્ષોમાં, આ શું થશે. AI મેનેજરોનું સ્થાન લેશે નહીં, પરંતુ જે મેનેજરો AI નો ઉપયોગ કરે છે તેઓને બદલશે જેમણે હજી સુધી તે બનાવ્યું નથી.

ઉદાહરણો

• દવા: સ્ટેનફોર્ડ યુનિવર્સિટી વિકસિત અલ્ગોરિધમ, જેઓ છાતીના એક્સ-રે પર પેથોલોજીને ઓળખવાના કાર્ય સાથે સરેરાશ મોટાભાગના ડોકટરોની જેમ સફળતાપૂર્વક સામનો કરે છે
• શિક્ષણ: વિદ્યાર્થીઓ અને શિક્ષકોને સહાયતા, સામગ્રી માટે વિદ્યાર્થીઓના પ્રતિભાવોનું વિશ્લેષણ, વ્યક્તિગત શિક્ષણ માર્ગનું નિર્માણ.
• વ્યાપાર વિશ્લેષણ: આંકડા મુજબ, ડેટા પ્રીપ્રોસેસિંગ, સંશોધકનો 80% સમય લે છે, અને માત્ર 20% પ્રયોગ જ

4.3. બાયોચિપ્સ

આ બધી સાયબરપંક ફિલ્મો અને પુસ્તકોની પ્રિય થીમ છે. સામાન્ય રીતે, પાળતુ પ્રાણીને માઇક્રોચિપ કરવું એ નવી પ્રથા નથી. પરંતુ હવે આ ચિપ્સ લોકોમાં ઈમ્પ્લાન્ટ થવા લાગી છે.

આ કિસ્સામાં, હાઇપ મોટે ભાગે અમેરિકન કંપની થ્રી સ્ક્વેર માર્કેટના સનસનાટીભર્યા કેસ સાથે સંકળાયેલું છે. ત્યાં, નોકરીદાતાએ ફીના બદલામાં ત્વચાની નીચે ચિપ્સ રોપવાની ઓફર કરવાનું શરૂ કર્યું. ચિપ તમને દરવાજા ખોલવા, કમ્પ્યુટર્સમાં લૉગ ઇન કરવા, વેન્ડિંગ મશીનમાંથી નાસ્તો ખરીદવાની મંજૂરી આપે છે - એટલે કે, આવા સાર્વત્રિક કર્મચારી કાર્ડ. તદુપરાંત, આવી ચિપ ચોક્કસ રીતે ઓળખ કાર્ડ તરીકે સેવા આપે છે; તેમાં જીપીએસ મોડ્યુલ નથી, તેથી તેનો ઉપયોગ કરનાર કોઈપણને ટ્રૅક કરવું અશક્ય છે. અને જો કોઈ વ્યક્તિ તેના હાથમાંથી ચિપ કાઢવા માંગે છે, તો તે ડૉક્ટરની મદદથી 5 મિનિટ લે છે.

ચિપ્સ સામાન્ય રીતે અંગૂઠા અને તર્જની વચ્ચે રોપવામાં આવે છે. સોર્સ

વધુ વાંચો એક લેખ વિશ્વમાં ચિપિંગ સાથેની સ્થિતિ વિશે.

4.4. ઇમર્સિવ વર્કસ્પેસ

"ઇમર્સિવ" એ બીજો નવો શબ્દ છે જેનો કોઈ છૂટકો નથી. તે સર્વત્ર છે. ઇમર્સિવ થિયેટર, પ્રદર્શન, સિનેમા. તમે શું કહેવા માગો છો? નિમજ્જન એ ઇમર્સિવ ઇફેક્ટનું સર્જન છે, જ્યારે લેખક અને દર્શક, વર્ચ્યુઅલ અને વાસ્તવિક દુનિયા વચ્ચેની સીમા ખોવાઈ જાય છે. કાર્યસ્થળમાં, સંભવતઃ, આનો અર્થ થાય છે કર્તા અને આરંભકર્તા વચ્ચેની રેખાને અસ્પષ્ટ કરવી અને કર્મચારીઓને તેમના પર્યાવરણને પુનઃફોર્મેટ કરીને વધુ સક્રિય સ્થાન લેવા માટે પ્રોત્સાહિત કરવા.

અમારી પાસે હવે દરેક જગ્યાએ ચપળ, લવચીકતા અને નજીકનો સહયોગ હોવાથી, કાર્યસ્થળો શક્ય તેટલી સરળતાથી ગોઠવી શકાય તેવા હોવા જોઈએ અને જૂથ કાર્યને પ્રોત્સાહન આપવું જોઈએ. અર્થતંત્ર તેની શરતો નક્કી કરે છે: ત્યાં વધુ અસ્થાયી કર્મચારીઓ છે, ઓફિસ સ્પેસ ભાડે આપવાનો ખર્ચ વધી રહ્યો છે, અને સ્પર્ધાત્મક શ્રમ બજારમાં, IT કંપનીઓ મનોરંજનના વિસ્તારો અને અન્ય લાભો બનાવીને કામથી કર્મચારીઓનો સંતોષ વધારવાનો પ્રયાસ કરી રહી છે. અને આ બધું કાર્યસ્થળોની ડિઝાઇનમાં પ્રતિબિંબિત થાય છે.

ના અહેવાલ નોલ

4.5. વ્યક્તિત્વ

દરેક વ્યક્તિ જાણે છે કે જાહેરાતમાં વૈયક્તિકરણ શું છે. આ તે છે જ્યારે તમે આજે કોઈ સાથીદાર સાથે ચર્ચા કરી રહ્યા છો કે રૂમની હવા થોડી શુષ્ક છે, અને તમારે ઓફિસ માટે હ્યુમિડિફાયર ખરીદવું જોઈએ, અને બીજા દિવસે તમે તમારા સોશિયલ નેટવર્ક પર એક જાહેરાત જોશો - "એક હ્યુમિડિફાયર ખરીદો" (એક મારી સાથે બનેલી વાસ્તવિક ઘટના).

સોર્સ

ગાર્ટનર દ્વારા વ્યાખ્યાયિત કર્યા મુજબ, વ્યક્તિગતકરણ એ જાહેરાતના હેતુઓ માટે તેમના વ્યક્તિગત ડેટાના ઉપયોગ વિશે વપરાશકર્તાઓની વધતી જતી ચિંતાઓનો પ્રતિભાવ છે. ધ્યેય એવો અભિગમ વિકસાવવાનો છે કે જેમાં અમને એવી જાહેરાતો બતાવવામાં આવે કે જે સંદર્ભમાં આપણે પોતાને શોધીએ છીએ, અને વ્યક્તિગત રીતે આપણા માટે નહીં. ઉદાહરણ તરીકે, અમારું સ્થાન, ઉપકરણનો પ્રકાર, દિવસનો સમય, હવામાન પરિસ્થિતિઓ - આ એવી વસ્તુ છે જે અમારા વ્યક્તિગત ડેટાનું ઉલ્લંઘન કરતી નથી, અને અમે "સર્વેલ" હોવાની અપ્રિય લાગણી અનુભવતા નથી.

આ બે ખ્યાલો વચ્ચેના તફાવત વિશે વાંચો નૉૅધ એન્ડ્રુ ફ્રેન્ક ગાર્ટનરની વેબસાઇટ પર બ્લોગ કરે છે. આટલો સૂક્ષ્મ તફાવત અને આવા સમાન શબ્દો છે કે તમે, તફાવતને જાણતા ન હોવ, તમારા વાર્તાલાપકર્તા સાથે લાંબા સમય સુધી દલીલ કરવાનું જોખમ લેશો, શંકા ન કરો કે, સામાન્ય રીતે, બંને સાચા છે (અને આ પણ એક વાસ્તવિક ઘટના છે જે લેખક).

4.6. બાયોટેક - સંસ્કારી અથવા કૃત્રિમ પેશી

આ, સૌ પ્રથમ, કૃત્રિમ માંસ ઉગાડવાનો વિચાર છે. તે જ સમયે, વિશ્વભરની ઘણી ટીમો પ્રયોગશાળા "મીટ 2.0" વિકસાવવામાં વ્યસ્ત છે - એવી અપેક્ષા રાખવામાં આવે છે કે તે સામાન્ય કરતાં સસ્તી બનશે, અને ફાસ્ટ ફૂડ અને પછી સુપરમાર્કેટ તેના પર સ્વિચ કરશે. આ ટેક્નોલોજીના રોકાણકારોમાં બિલ ગેટ્સ, સર્ગેઈ બ્રિન, રિચર્ડ બ્રેન્સન અને અન્યનો સમાવેશ થાય છે.

સોર્સ

દરેક વ્યક્તિને કૃત્રિમ માંસમાં આટલો રસ હોવાના કારણો:

1. ગ્લોબલ વોર્મિંગ: ખેતરોમાંથી મિથેન ઉત્સર્જન. આ વાયુઓના વૈશ્વિક જથ્થાના 18% છે જે આબોહવાને અસર કરે છે.
2. વસ્તી વધારો. માંસની માંગ વધી રહી છે, અને દરેકને કુદરતી માંસ ખવડાવવું શક્ય બનશે નહીં - તે ફક્ત ખર્ચાળ છે.
3. જગ્યાનો અભાવ. એમેઝોનના 70% જંગલો ગોચર માટે પહેલેથી જ કાપવામાં આવ્યા છે.
4. નૈતિક વિચારણાઓ. એવા લોકો છે જેમના માટે આ મહત્વપૂર્ણ છે. એનિમલ રાઈટ્સ ઓર્ગેનાઈઝેશન પેટાએ કૃત્રિમ ચિકન મીટને બજારમાં લાવનાર વૈજ્ઞાનિકને પહેલાથી જ $1 મિલિયનનું ઈનામ ઓફર કર્યું છે.

વાસ્તવિક માંસને સોયા સાથે બદલવું એ આંશિક ઉકેલ છે, કારણ કે લોકો સ્વાદ અને રચનામાં તફાવતની પ્રશંસા કરી શકે છે, અને સોયાની તરફેણમાં સ્ટીક છોડવાની શક્યતા નથી. તેથી તમારે વાસ્તવિક, સજીવ રીતે ઉગાડવામાં આવેલા માંસની જરૂર છે. હવે, કમનસીબે, કૃત્રિમ માંસ ખૂબ મોંઘું છે: પ્રતિ કિલોગ્રામ $12 થી. આ આવા માંસને ઉગાડવાની જટિલ તકનીકી પ્રક્રિયાને કારણે છે. તે બધા વિશે વાંચો એક લેખ.

જો આપણે પેશીના વિકાસના અન્ય કિસ્સાઓ વિશે વાત કરીએ - પહેલેથી જ દવામાં - તો કૃત્રિમ અંગો સાથેનો વિષય રસપ્રદ છે: ઉદાહરણ તરીકે, હૃદયના સ્નાયુ માટે "પેચ", મુદ્રિત ખાસ 3D પ્રિન્ટર. ઓળખાય છે વાર્તાઓ કૃત્રિમ રીતે ઉગાડવામાં આવેલા ઉંદરના હૃદયની જેમ, પરંતુ સામાન્ય રીતે બધું હજુ પણ ક્લિનિકલ ટ્રાયલના અવકાશમાં છે. તેથી અમે આગામી વર્ષોમાં ફ્રેન્કેસ્ટાઇનને જોવાની શક્યતા નથી.

અહીં ગાર્ટનર તેમના અંદાજમાં ખૂબ જ સાવધ છે, દેખીતી રીતે તેમની 2015 ની નિષ્ફળ આગાહીને ધ્યાનમાં રાખીને કે 2019 માં, વિકસિત દેશોમાં 10% વસ્તી 3D પ્રિન્ટેડ મેડિકલ ડિવાઇસ ઇમ્પ્લાન્ટ કરશે. તેથી, તેનો અર્થ એ છે કે ઉત્પાદકતા ઉચ્ચપ્રદેશ સુધી પહોંચવાનો સમય ઓછામાં ઓછો 10 વર્ષ છે.

5. ડિજિટલ ઇકોસિસ્ટમ્સ

5.1. વિકેન્દ્રિત વેબ

આ ખ્યાલ વેબના શોધક, ટ્યુરિંગ એવોર્ડ વિજેતા સર ટિમ બર્નર્સ-લીના નામ સાથે ગાઢ રીતે સંકળાયેલો છે. તેમના માટે, કમ્પ્યુટર વિજ્ઞાનમાં નીતિશાસ્ત્રના પ્રશ્નો હંમેશા મહત્વપૂર્ણ હતા અને ઇન્ટરનેટનો સામૂહિક સાર મહત્વપૂર્ણ હતો: હાઇપરટેક્સ્ટનો પાયો નાખતા, તેમને ખાતરી હતી કે નેટવર્કને વેબની જેમ કામ કરવું જોઈએ, અને વંશવેલાની જેમ નહીં. નેટવર્ક વિકાસના પ્રારંભિક તબક્કામાં આ કેસ હતો. જો કે, જેમ જેમ ઈન્ટરનેટનો વિકાસ થતો ગયો તેમ તેમ તેનું માળખું વિવિધ કારણોસર કેન્દ્રિય બન્યું. તે બહાર આવ્યું છે કે સમગ્ર દેશ માટે નેટવર્કની ઍક્સેસને માત્ર થોડા પ્રદાતાઓની મદદથી સરળતાથી અવરોધિત કરી શકાય છે. અને યુઝર ડેટા ઈન્ટરનેટ કંપનીઓ માટે શક્તિ અને આવકનો સ્ત્રોત બની ગયો છે.

"ઇન્ટરનેટ પહેલેથી જ વિકેન્દ્રિત છે," બર્નર્સ-લી કહે છે. “સમસ્યા એ છે કે એક સર્ચ એન્જિન, એક મોટું સોશિયલ નેટવર્ક, એક માઇક્રોબ્લોગિંગ પ્લેટફોર્મ પ્રભુત્વ ધરાવે છે. અમારી પાસે તકનીકી સમસ્યાઓ નથી, પરંતુ અમારી પાસે સામાજિક સમસ્યાઓ છે."

તેનામાં ખુલ્લો પત્ર વર્લ્ડ વાઈડ વેબની 30મી વર્ષગાંઠ નિમિત્તે, વેબના નિર્માતાએ ઈન્ટરનેટની ત્રણ મુખ્ય સમસ્યાઓની રૂપરેખા આપી:

1. લક્ષિત નુકસાન જેમ કે રાજ્ય-પ્રાયોજિત હેકિંગ, અપરાધ અને ઓનલાઇન સતામણી
2. સિસ્ટમની ખૂબ જ ડિઝાઇન, જે, વપરાશકર્તાના નુકસાન માટે, આવી પદ્ધતિઓ માટે જમીન બનાવે છે જેમ કે: ક્લિકબેટ માટે નાણાકીય પ્રોત્સાહનો અને ખોટી માહિતીનો વાયરલ ફેલાવો
3. સિસ્ટમ ડિઝાઇનના અનિચ્છનીય પરિણામો જે સંઘર્ષ તરફ દોરી જાય છે અને ઑનલાઇન ચર્ચાની ગુણવત્તામાં ઘટાડો કરે છે

અને ટિમ બર્નર્સ-લી પાસે પહેલેથી જ જવાબ છે કે "સ્વસ્થ વ્યક્તિનું ઇન્ટરનેટ" કયા સિદ્ધાંતો પર આધારિત હોઈ શકે છે, સમસ્યા નંબર 2થી વંચિત છે: "ઘણા વપરાશકર્તાઓ માટે, જાહેરાતની આવક ઇન્ટરનેટ સાથે ક્રિયાપ્રતિક્રિયા કરવા માટેનું એકમાત્ર મોડેલ રહે છે. જો લોકો તેમના ડેટાનું શું થાય છે તે વિશે ડરતા હોય, તો પણ તેઓ મફતમાં સામગ્રી પ્રાપ્ત કરવાની તક માટે માર્કેટિંગ મશીન સાથે સોદો કરવા તૈયાર છે. એવી દુનિયાની કલ્પના કરો કે જ્યાં સામાન અને સેવાઓ માટે ચૂકવણી કરવી બંને પક્ષો માટે સરળ અને આનંદપ્રદ હોય.” આ કેવી રીતે ગોઠવી શકાય તે માટેના વિકલ્પો પૈકી: સંગીતકારો આઇટ્યુન્સના રૂપમાં મધ્યસ્થી વિના તેમના રેકોર્ડિંગ્સ વેચી શકે છે, અને સમાચાર સાઇટ્સ જાહેરાતમાંથી પૈસા કમાવવાને બદલે એક લેખ વાંચવા માટે માઇક્રોપેમેન્ટની સિસ્ટમનો ઉપયોગ કરી શકે છે.

આ નવા ઈન્ટરનેટ માટે પ્રાયોગિક પ્રોટોટાઈપ તરીકે, ટિમ બર્નર્સ-લીએ સોલિડ પ્રોજેક્ટ શરૂ કર્યો, જેનો સાર એ છે કે તમે તમારા ડેટાને "પોડ" - એક માહિતી સ્ટોરમાં સંગ્રહિત કરો છો અને આ ડેટા તૃતીય-પક્ષ એપ્લિકેશનોને પ્રદાન કરી શકો છો. પરંતુ સૈદ્ધાંતિક રીતે, તમે પોતે જ તમારા ડેટાના માસ્ટર છો. આ બધું પીઅર-ટુ-પીઅર નેટવર્ક્સની વિભાવના સાથે ગાઢ રીતે સંકળાયેલું છે, એટલે કે, તમારું કમ્પ્યુટર માત્ર સેવાઓની વિનંતી કરતું નથી, પણ તે પ્રદાન પણ કરે છે, જેથી એકમાત્ર ચેનલ તરીકે એક સર્વર પર આધાર ન રાખવો.

સોર્સ

5.2. વિકેન્દ્રિત સ્વાયત્ત સંસ્થાઓ

તે એક એવી સંસ્થા છે જે કમ્પ્યુટર પ્રોગ્રામના રૂપમાં લખેલા નિયમો દ્વારા સંચાલિત થાય છે. તેની નાણાકીય પ્રવૃત્તિઓ બ્લોકચેન પર આધારિત છે. આવા સંગઠનો બનાવવાનો હેતુ રાજ્યને મધ્યસ્થીની ભૂમિકામાંથી દૂર કરવાનો અને પ્રતિપક્ષો માટે એક સામાન્ય વિશ્વાસપાત્ર વાતાવરણ ઊભું કરવાનો છે, જે વ્યક્તિગત રીતે કોઈની માલિકીની નથી, પરંતુ દરેકની સાથે મળીને માલિકી ધરાવે છે. એટલે કે, સિદ્ધાંતમાં, જો આ વિચાર રુટ લે છે, તો નોટરીઓ અને અન્ય સામાન્ય ચકાસણી સંસ્થાઓને નાબૂદ કરવી જોઈએ.

આવી સંસ્થાનું સૌથી પ્રસિદ્ધ ઉદાહરણ સાહસ-કેન્દ્રિત ધ DAO હતું, જેણે 2016માં $150 મિલિયન એકત્ર કર્યા હતા, જેમાંથી $50 નિયમોમાં કાયદાકીય છિદ્ર દ્વારા તરત જ ચોરાઈ ગયા હતા. એક મુશ્કેલ મૂંઝવણ તરત જ ઊભી થઈ: કાં તો રોલ બેક કરો અને પૈસા પાછા આપો, અથવા કબૂલ કરો કે પૈસા ઉપાડવું કાયદેસર હતું, કારણ કે તે કોઈપણ રીતે પ્લેટફોર્મના નિયમોનું ઉલ્લંઘન કરતું નથી. પરિણામે, રોકાણકારોને નાણાં પરત કરવા માટે, નિર્માતાઓએ DAO ને નષ્ટ કરવું પડ્યું, બ્લોકચેનને ફરીથી લખવું અને તેના મૂળભૂત સિદ્ધાંત - અપરિવર્તનશીલતાનું ઉલ્લંઘન કરવું પડ્યું.

Ethereum (ડાબે) અને DAO (જમણે) વિશે કોમિક. સોર્સ

આ આખી વાર્તાએ DAO ના વિચારની પ્રતિષ્ઠાને બરબાદ કરી દીધી છે. તે પ્રોજેક્ટ ઇથેરિયમ ક્રિપ્ટોકરન્સીના આધારે બનાવવામાં આવ્યો હતો, આવતા વર્ષે ઇથર 2.0 સંસ્કરણની અપેક્ષા છે - કદાચ લેખકો (વિખ્યાત વિટાલિક બ્યુટેરિન સહિત) ભૂલોને ધ્યાનમાં લેશે અને કંઈક નવું બતાવશે. કદાચ તેથી જ ગાર્ટનરે DAO ને અપલાઇન પર મૂક્યો.

5.3.સિન્થેટીક્સ ડેટા

ન્યુરલ નેટવર્કને તાલીમ આપવા માટે, મોટા પ્રમાણમાં ડેટાની જરૂર છે. ડેટાને મેન્યુઅલી લેબલ કરવું એ એક વિશાળ કાર્ય છે જે ફક્ત માણસ દ્વારા જ કરી શકાય છે. તેથી, કૃત્રિમ ડેટા સેટ બનાવવાનું શક્ય છે. ઉદાહરણ તરીકે, સાઇટ પર માનવ ચહેરાઓનો સમાન સંગ્રહ https://generated.photos. તેઓ GAN નો ઉપયોગ કરીને બનાવવામાં આવ્યા છે - એલ્ગોરિધમ્સ જેનો ઉપર પહેલેથી જ ઉલ્લેખ કરવામાં આવ્યો હતો.

આ ચહેરા લોકોના નથી. સોર્સ

આવા ડેટાનો મોટો ફાયદો એ છે કે તેનો ઉપયોગ કરવામાં કોઈ કાનૂની મુશ્કેલીઓ નથી: વ્યક્તિગત ડેટાની પ્રક્રિયા માટે સંમતિ આપનાર કોઈ નથી.

5.4.ડિજિટલ ઑપ્સ

દેવઓપ્સે અમારા ભાષણમાં મૂળ લીધું ત્યારથી “Ops” પ્રત્યય અતિ ફેશનેબલ બની ગયો છે. હવે DigitalOps શું છે તે વિશે - તે માત્ર DevOps, DesignOps, MarketingOpsનું સામાન્યીકરણ છે... શું તમે હજી કંટાળી ગયા છો? ટૂંકમાં, તે સોફ્ટવેર ક્ષેત્રથી વ્યવસાયના અન્ય તમામ પાસાઓ - માર્કેટિંગ, ડિઝાઇન વગેરેમાં DevOps અભિગમનું સ્થાનાંતરણ છે.

સોર્સ

DevOps નો વિચાર સામાન્ય ટીમોની રચના દ્વારા, જ્યાં પ્રોગ્રામરો, પરીક્ષકો, સુરક્ષા નિષ્ણાતો અને વહીવટકર્તાઓ હોય છે, વિકાસ પોતે અને ઓપરેશન્સ (વ્યવસાયિક પ્રક્રિયાઓ) વચ્ચેના અવરોધોને દૂર કરવાનો હતો; અમુક પ્રથાઓનું અમલીકરણ: સતત એકીકરણ, કોડ તરીકે ઈન્ફ્રાસ્ટ્રક્ચર, પ્રતિક્રિયા સાંકળોમાં ઘટાડો અને મજબૂતીકરણ. ધ્યેય બજારમાં ઉત્પાદનના સમયને ઝડપી બનાવવાનો હતો. જો તમને લાગતું હતું કે આ ચપળ જેવું છે, તો તમે સાચા હતા. હવે માનસિક રીતે આ અભિગમને સોફ્ટવેર વિકાસના ક્ષેત્રમાંથી સામાન્ય રીતે વિકાસમાં સ્થાનાંતરિત કરો - અને તમે સમજો છો કે DigitalOps શું છે.

5.5. જ્ઞાન આલેખ

મશીન લર્નિંગ એલ્ગોરિધમ્સનો ઉપયોગ કરવા સહિત જ્ઞાન ક્ષેત્રને મોડેલ કરવાની સોફ્ટવેર રીત. તમામ માહિતીને એકસાથે લિંક કરવા માટે હાલના ડેટાબેસેસની ટોચ પર નોલેજ ગ્રાફ બનાવવામાં આવ્યો છે: બંને સ્ટ્રક્ચર્ડ (ઇવેન્ટ્સ અથવા લોકોની સૂચિ) અને અનસ્ટ્રક્ચર્ડ (લેખનો ટેક્સ્ટ).

સૌથી સરળ ઉદાહરણ એ કાર્ડ છે જે તમે Google શોધ પરિણામોમાં જોઈ શકો છો. જો તમે કોઈ વ્યક્તિ અથવા સંસ્થાને શોધી રહ્યા છો, તો તમને જમણી બાજુએ એક કાર્ડ દેખાશે:


મહેરબાની કરીને નોંધ કરો કે "આગામી ઇવેન્ટ્સ" એ Google નકશામાંથી માહિતીની નકલ નથી, પરંતુ Yandex.Afisha સાથે શેડ્યૂલનું એકીકરણ છે: જો તમે ઇવેન્ટ્સ પર ક્લિક કરો છો તો તમે આ સરળતાથી જોઈ શકો છો. એટલે કે, તે એકસાથે અનેક ડેટા સ્ત્રોતોનું સંયોજન છે.

જો તમે સૂચિ માટે પૂછો છો - ઉદાહરણ તરીકે, "પ્રખ્યાત નિર્દેશકો" - તમને હિંડોળા બતાવવામાં આવશે:

જેઓ અંત સુધી વાંચે છે તેમના માટે બોનસ

અને હવે અમે દરેક પોઈન્ટનો અર્થ પોતાને માટે સ્પષ્ટ કર્યો છે, અમે સમાન ચિત્ર જોઈ શકીએ છીએ, પરંતુ રશિયનમાં:

તેને સામાજિક નેટવર્ક્સ પર મુક્તપણે શેર કરો!

તાત્યાના વોલ્કોવા - સેમસંગ એકેડેમી ખાતે ઈન્ટરનેટ ઓફ થિંગ્સ આઈટી ટ્રેક માટે તાલીમ કાર્યક્રમના લેખક, સેમસંગ સંશોધન કેન્દ્ર ખાતે કોર્પોરેટ સામાજિક જવાબદારી કાર્યક્રમોના નિષ્ણાત


સોર્સ: www.habr.com