Gartnerov graf za one koji rade u industriji tehnologije je kao revija visoke mode. Kada ga pogledate, možete unaprijed saznati koja su najpopularnija pojmovi ovog sezona i šta ćete čuti na svim nadolazećim konferencijama.

Otkrijemo što se krije iza lijepih riječi na ovom grafu, tako da i vi možete govoriti tim jezikom.

Za početak, nekoliko riječi o ovom grafu. Svake godine u kolovozu konzultantska tvrtka Gartner objavljuje izvješće – Gartner Hype Curve. Na hrvatskom, to je 'kriva uzbuđenja', ili jednostavnije rečeno - hype. Prije 30 godina reperi iz grupe Public Enemy pjevali su: 'Ne vjeruj uređenju hype'. Vjerovati ili ne, pitanje je osobno, ali barem znati ove ključne riječi vrijedi ako radite u tehnološkoj industriji i želite biti u toku s globalnim trendovima.

Ovo je grafikon koji prikazuje društvena očekivanja od određene tehnologije. Prema Gartneru, u idealnom slučaju, tehnologija prolazi kroz 5 faza: pokretanje tehnologije, vrhunac pretjeranih očekivanja, dolina razočaranja, nagib prosvjetljenja, plato produktivnosti. No događa se i da tonuli u 'dolini razočaranja' — primjere možete lako sami zamisliti, uzmite iste bitcoine: prvotno su došli na vrhunac kao 'novac budućnosti', brzo su se srušili kad su postali očiti nedostaci tehnologije, prije svega ograničenja na broj transakcija i ogromna količina energije potrebne za generiranje bitcoina (što pak stvara probleme s ekologijom). I naravno, ne smijemo zaboraviti da je Gartnerov graf samo prognoza: ovdje, na primjer, možete pročitati detaljno članak, gdje se razrađuju najistaknutija nesukladna predviđanja.

Dakle, prođimo kroz novi Gartnerov graf. Tehnologije su podijeljene u 5 velikih tematskih skupina:

1. Napredna AI i analitika (Advanced AI and Analytics)
2. Postklasično računalstvo i komunikacije (Postclassical Compute and Comms)
3. Senzorika i mobilnost (Sensing and Mobility)
4. "Poboljšani" čovjek (Augmented Human)
5. Digitalni ekosustavi (Digital Ecosystems)

1. Napredna AI i analitika (Advanced AI and Analytics)

Posljednjih deset godina svjedočimo zlatnom dobu dubokog učenja (Deep Learning). Ove mreže su iznimno učinkovite za svoj skup zadataka. Godine 2018. Yann LeCun, Geoffrey Hinton i Yoshua Bengio su za svoja otkrića u ovom području dobili Turingovu nagradu – najprestižniju nagradu, ekvivalent Nobelovoj, u informatici. Dakle, glavni trendovi u ovom području, koji su prikazani na grafu:

1.1. Prijenos učenja (Transfer Learning)

Ne trenirate neuronsku mrežu od nule, već uzimate već istreniranu i postavljate joj drugi cilj. Ponekad je potrebno ponovno trenirati dio mreže, ali ne cijelu mrežu, što je mnogo brže. Na primjer, uzimajući gotovu neuronsku mrežu ResNet50, koja je istrenirana na skupu podataka ImageNet1000, dobit ćete algoritam sposoban klasificirati vrlo mnogo različitih objekata na vrlo dubokoj razini (1000 klasa prema značajkama koje su razvijene kroz 50 slojeva neuronske mreže). Ali ne morate trenirati cijelu mrežu, što bi trajalo mjesecima.

U online tečaju Samsung 'Neuronske mreže i računarska vizija', na primjer, u završnom Kaggle zadatku s klasifikacijom tanjura na čiste i prljave, demonstrira pristup koji u 5 minuta osigurava duboku neuronsku mrežu sposobnu razlikovati prljave tanjure od čistih, izgrađenu prema gornjoj arhitekturi. Izvorna mreža nije znala što su tanjuri uopće, već je učila razlikovati ptičice od psića (vidi ImageNet).

Izvor: online tečaj Samsung 'Neuronske mreže i računarska vizija'

Za Transfer Learning potrebno je znati koji pristupi rade, koje postoje gotove osnovne arhitekture. U cjelini, to značajno ubrzava pojavu praktičnih primjena strojnog učenja.

1.2. Generativno protivničke mreže (Generative Adversarial Networks, GAN)

To su slučajevi kada nam je vrlo teško formulirati cilj učenja. Što je zadaća bliža stvarnom životu, jasnija nam je ('donesi stolić'), ali je teže formulirati je kao tehnički zadatak. GAN je upravo pokušaj da nas oslobodi ovog problema.

Ovdje rade dvije mreže: jedna generativna, a druga diskriminatorska. Jedna mreža uči kako izvršavati korisne zadatke (klasificirati slike, prepoznavati zvukove, crtati crtiće). A druga mreža uči kako poučavati tu mrežu: ima stvarne primjere i uči pronalaziti do tada nepoznate složene formule za usporedbu rezultata generativnog dijela mreže s objektima iz stvarnog svijeta (obučne skupine) na temelju zaista važnih dubokih karakteristika: broj očiju, bliskost Miyazaki stilu, ispravnost izgovora engleskog jezika.

Primjer rezultata rada mreže u generiranju anime likova. Izvor

No, naravno, teško je izgraditi arhitekturu. Nije dovoljno samo postaviti neurone, njih treba obučavati. I učenje traje tjednima. Temom GAN-a bave se moji kolege u Samsungovom centru za umjetnu inteligenciju, to im je jedno od ključnih istraživačkih pitanja. Na primjer, ovako razvoj: korištenje generativnih mreža za sintezu realističnih fotografija ljudi s promjenjivim pozama — na primjer, za stvaranje virtualne kabine, ili za sintezu lica, što može smanjiti količinu informacija koje treba pohranjivati ili prenositi za osiguranje kvalitetnog videopoziva, emitiranja ili zaštite osobnih podataka.

Izvor

1.3. Objašnjiva AI (Explainable AI)

U nekim rijetkim zadacima, napredak u dubokim arhitekturama iznenada je približio mogućnosti dubokih neuronskih mreža ljudskim. Sada se vodi borba za povećanje kruga takvih zadataka. Na primjer, robot usisavač mogao bi lako razlikovati mačku od psa na frontalnom susretu. No u većini životnih situacija neće moći pronaći mačku koja spava među rubljem ili namještajem (kao ni mi, u većini slučajeva…).

Koji je uzrok uspjeha dubokih neuronskih mreža? One razvijaju predstavu zadatka koja se ne temelji na "vidljivoj golim okom" informaciji (pikselima fotografije, skakanju glasnoće zvuka...) već na obilježjima dobivenim nakon prethodne obrade tih informacija kroz nekoliko stotina slojeva neuronske mreže. Nažalost, ovi međusobni odnosi također mogu biti besmisleni, proturječni ili nositi tragove nesavršenosti na izvorni skup podataka. Na primjer, o tome gdje može dovesti nepromišljena primjena AI u regrutiranju postoje male računalne igre. Preživljavanje Najprikladnijih.

Sustav za označavanje slika nazvao je osobu koja kuha ženom, iako je na slici u stvarnosti muškarac (Izvor). To primijetili na Institutu Virginia.

Kako bismo analizirali složene i duboke odnose koje često ne možemo sami formulirati, potrebne su metode Objašnjivog AI. One organiziraju obilježja dubokih neuronskih mreža tako da nakon učenja možemo analizirati interno predstavljanje koje je mreža naučila, a ne samo se oslanjati na njezino rješenje.

1.4. Periferno analiziranje / AI (Edge Analytics / AI)

Sve što sadrži riječ Edge doslovno znači sljedeće: premještanje dijela algoritama iz oblaka / poslužitelja na razinu krajnjeg uređaja / usmjerivača. Takav algoritam će brže reagirati i neće zahtijevati vezu s centralnim poslužiteljem za svoje funkcioniranje. Ako vam je poznata apstrakcija "tankog klijenta", ovdje malo zadebljavamo tog klijenta.
To može biti važno za Internet stvari. Na primjer, ako se stroj pregrije i zahtijeva hlađenje, ima smisla odmah poslati signal o tome na razini tvornice, ne čekajući da podaci stignu u oblak i odatle do voditelja smjene. Ili drugi primjer: autonomni automobili mogu samostalno rješavati prometne situacije, bez obratio se centralnom serveru.

Izvor

Ili drugi primjer zašto je to važno s gledišta sigurnosti: kada na svom telefonu kucate tekstove, on pamti tipične riječi koje koristite kako bi vam tipkovnica telefona olakšala daljnje predlaganje – to se zove prediktivno kucanje. Slati bilo što što kucate na tipkovnici u podatkovni centar bio bi prekršaj vaše privatnosti i jednostavno nesigurno. Stoga, učenje tipkovnice odvija se isključivo unutar vašeg uređaja.

1.5. AI platforma kao usluga (AI PaaS)

PaaS – Platforma kao usluga – je poslovni model u kojem dobivamo pristup integriranoj platformi, uključujući njezinu cloud pohranu podataka i gotove procedure. Tako se možemo osloboditi infrastrukturnih zadataka i potpuno se usredotočiti na proizvodnju nečega korisnog. Primjeri PaaS platformi za AI zadatke: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptivno strojno učenje (Adaptive ML)

Što ako omogućimo umjetnoj inteligenciji da se prilagodi… Pit će te – kako to misliš?.. Zar se ona ne prilagođava zadatku? Problem je u tome: svaku takvu zadaću pomno smo obrađivali prije nego što smo izgradili algoritam umjetne inteligencije za njezino rješavanje. Odgovorit će vam – pokazalo se da se može pojednostaviti i ovaj proces.

Uobičajeno strojno učenje djeluje na principu otvorenog sustava (open-loop): pripremate podatke, smišljate neuronsku mrežu (ili bilo što drugo), trenirate, a zatim gledate na nekoliko mjernih pokazatelja, i ako vam se sve sviđa, možete poslati neuronsku mrežu u pametne telefone – rješavati korisničke zadatke. No u aplikacijama gdje ima jako puno podataka i njihov karakter postupno se mijenja, potrebne su druge metode. Takvi sustavi, koji se prilagođavaju i samostalno uče, organiziraju se u zatvorene, samoučeće krugove (closed-loop), i oni moraju raditi neprekidno.

Primjene – to mogu biti analitika u stvarnom vremenu (Stream Analytics), na temelju koje mnogi poduzetnici donose odluke, ili adaptivno upravljanje proizvodnjom. U okviru modernih primjena i s obzirom na bolje razumljive rizike za ljude, metode koje čine rješenje ovog problema, sve te metode okupljaju se pod zajedničkim nazivom Adaptivna AI.

Izvor

Gledajući ovu sliku, teško je pobjeći od osjećaja da futuriste ne treba hraniti – neka podučavaju robota kako disati...

Postklasično računalstvo i komunikacije (Postclassical Compute and Comms)

2.1. Mobilna veza pete generacije (5G)

Tema je toliko zanimljiva da odmah upućujemo na našu članku. A ovdje je kratak pregled. 5G će zahvaljujući povećanju frekvencije prijenosa podataka učiniti brzinu Interneta nevjerojatno brzinom. Kratkim valovima je teže prolaziti kroz prepreke, pa će uređaj mreža biti potpuno drugačiji: potreban je 500 puta veći broj baznih stanica.

Zajedno s brzinom dobit ćemo nove pojave: real-time igre s proširenom stvarnošću, izvođenje složenih zadataka (kao što je kirurgija) putem teleprisustva, sprečavanje nesreća i složenih situacija na cestama kroz komunikaciju između vozila. Od praktičnijih: mobilni Internet više neće padati tijekom masovnih događaja, kao što je utakmica na stadionu.

Izvor slike — Reuters, Niantic

2.2. Memorija nove generacije (Next-Generation Memory)

Ovdje se radi o petoj generaciji RAM pamćenja – DDR5. Samsung je najavio da će do kraja 2019. godine pojaviti proizvodi temeljeni na DDR5. Očekuje se da će nova memorija biti dvostruko brža i dvostruko veća uz zadržavanje form-faktora, što znači da ćemo moći dobiti memorijske module kapaciteta do 32 GB za svoj računar. U budućnosti će to biti posebno važno za pametne telefone (nova memorija bit će dostupna u verziji s niskom potrošnjom energije) i za prijenosnike (gdje je broj DIMM utora ograničen). A osim toga, strojno učenje zahtijeva velike količine RAM memorije.

2.3. Sustavi satelita niske orbite (Low-Earth-Orbit Satellite Systems)

Ideja zamjene teških, skupih, moćnih satelita rojem malih i jeftinih nije nova i pojavila se još u 90-ima. O tome „Elon Musk će uskoro svima dijeliti Internet iz svemira” sada nije čuo samo onaj lijen. Najpoznatija kompanija ovdje je Iridium, koja je bankrotirala krajem 90-ih, ali je spašena zahvaljujući Ministarstvu obrane SAD-a (ne miješati s iRidium – ruskim sustavom pametnog doma). Projekt Elona Muska (Starlink) nije jedini – u svemirskoj utrci sudjeluju Richard Branson (OneWeb – 1440 predviđenih satelita), Boeing (3000 satelita), Samsung (4600 satelita), i drugi.

Kako trenutno stoje stvari u ovoj oblasti, kako izgleda ekonomija – pročitajte u pregledu. A mi čekamo prve testove ovih sustava od strane prvih korisnika, koji bi se trebali održati već sljedeće godine.

2.4. 3D ispis u nanomjerama (Nanoscale 3D Printing)

3D ispis, iako nije ušao u život svakog pojedinca (u obliku obećane individualne kućne plastične tvornice), odavno je napustio nišu tehnologija za geekove. U to se može uvjeriti samo na temelju toga da su osnovne informacije o postojanju barem 3D skulpturalnih olovaka poznate svakom učeniku, a mnogi sanjaju da si nabave kutiju s pomičnim dijelovima i ekstruderom za… 'samo tako' (ili su je već nabavili).

Stereolitografija (laser 3D pisači) omogućuje ispis pojedinačnim fotonima: istražuju se nove polimere za koje je dovoljno dva fotona kako bi se očvrstili. To će omogućiti stvaranje potpuno novih filtara, pričvršćivača, opruga, kapilara, leća i… vaše opcije u komentarima! A ovdje nismo daleko od fotopolimerizacije – samo ova tehnologija omogućuje 'ispisivanje' procesora i računalnih sklopova. Osim toga, već nekoliko godina postoji tehnologija ispisa grafenovih 500-nm trodimenzionalnih struktura, ali bez radikalnog razvoja.

Izvor

3. Senzorika i mobilnost (Sensing and Mobility)

3.1. Samovozna vozila, razina 4 i 5 (Autonomous Driving Level 4 & 5)

Kako ne bismo zbunili terminologiju, valja razjasniti koje razine autonomnosti se razlikuju (preuzeto iz detaljne članaka, kojoj upućujemo sve zainteresirane):

Razina 1: Tempomat: pomoć vozaču u vrlo ograničenim situacijama (na primjer - održavanje automobila na zadanoj brzini nakon što vozač makne nogu s pedale)
Razina 2: Ograničena pomoć pri upravljanju i kočenju. Vozač mora biti spreman preuzeti kontrolu gotovo odmah. Njegove ruke su na volanu, pogled mu je usmjeren prema cesti. To je ono što već postoji u Tesli i General Motorsu.
Razina 3: Vozač više ne mora stalno pratiti cestu. No, mora ostati budan i biti spreman preuzeti kontrolu. To je ono što trenutno ne postoji kod vozila koja su dostupna na tržištu. Sva postojeća vozila su na razini 1-2.
Razina 4: Pravi autopilot, ali s ograničenjima: samo vožnje u poznatom području, koje je temeljito kartirano i općenito poznato sustavu, i pod određenim uvjetima: na primjer, u odsustvu snijega. Takvi prototipi postoje kod Waymo-a i General Motors-a, a planiraju ih pokrenuti u nekoliko gradova i testirati u stvarnim uvjetima. Yandex ima testne zone za autonomna taksija u Skolkovu i Innopolisu: vožnja se odvija pod nadzorom inženjera koji sjedi na mjestu suvozača; do kraja godine tvrtka planira proširiti flotu na 100 autonomnih vozila.
Razina 5: Potpuno automatsko upravljanje, potpuno zamijenjuje živog vozača. Takvi sustavi trenutno ne postoje i malo je vjerojatno da će se pojaviti u narednim godinama.

Kako je realno vidjeti sve ovo u bliskoj budućnosti? Ovdje bismo čitatelja preusmjerili na članak „Zašto je pokretanje robotaksija do 2020. godine, kako obećava Tesla, nemoguće”. To djelomično ima veze s nedostatkom 5G veze: trenutne brzine 4G nisu dovoljne. Djelomično s vrlo visokim troškovima autonomnih automobila: oni trenutno nisu isplativi, a poslovni model nije jasan. Ukratko, ovdje je "sve složeno", i nije slučajno da Gartner piše da je prognoza masovnog uvođenja Razina 4 i 5 – ne prije 10 godina.

3.2. Kamere s 3D vidom (3D Sensing Cameras)

Prije osam godina, igraći kontroler Microsoft Kinect izazvao je veliku pompu, nudeći pristupačno i relativno jeftino rješenje za 3D vid. Od tada su fizičke i plesne igre s Kinectom doživjele svoj kratki uspon i pad, dok su 3D kamere počele koristiti u industrijskim robotima, autonomnim automobilima i mobilnim telefonima za prepoznavanje lica. Tehnologija je postala jeftinija, kompaktnija i dostupnija.

U telefonu Samsung S10 nalazi se kamera s vremenskim pomakom (Time-of-Flight) koja mjeri udaljenost do objekta – radi olakšane fokusacije. Izvor

Ako vas ova tema zanima, usmjeravamo na vrlo dobar detaljan pregled kamera za dubinu: dio 1, dio 2.

3.3. Dronovi za isporuku malih tereta (Light Cargo Delivery Drones)

Ove godine Amazon je napravio šum kada je na izložbi predstavio novi leteći dron sposoban da nosi male terete do 2 kg. Za grad, sa svojim gužvama, ovo se čini idealnim rešenjem. Videćemo kako će se ti dronovi pokazati u vrlo bliskoj budućnosti. Možda bi ovde trebalo biti oprezno skeptičan: postoji mnoštvo problema, počevši od mogućnosti lakog krađe drona, a završavajući zakonskim ograničenjima na dronove. Amazon Prime Air postoji već šest godina, ali još uvek je u fazi testiranja.

Novi dron Amazona, prikazan ove proleće. Ima nešto iz 'Ratova zvezda'. Izvor

Osim Amazona, postoje i drugi igrači na ovom tržištu (ima detaljnih pregled), ali nijedan gotov proizvod: sve se nalazi u fazi testiranja i marketinških akcija. Posebno je zanimljivo napomenuti nekoliko specijalizovanih medicinskih projekata u Africi: dostava donorske krvi u Gani (14.000 dostava, kompanija Zipline) i Ruandi (kompanija Matternet).

3.4. Leteći autonomni transport (Flying Autonomous Vehicles)

Teško je reći nešto konkretno. Prema Gartneru, ovo će se pojaviti najranije za 10 godina. U suštini, ovde su svi ti isti problemi kao i kod autonomnih automobila, samo što sada dobijaju novu dimenziju — vertikalnu. O svojim ambicijama da izgrade leteći taksi izjavljuju Porsche, Boeing, Uber.

3.5. Oblak proširene stvarnosti (AR Cloud)

Trajna digitalna kopija stvarnog sveta, koja omogućava stvaranje novog sloja realnosti, zajedničkog za sve korisnike. Ako govorimo tehničkim jezikom, ovde se radi o stvaranju otvorene cloud platforme u koju bi programeri mogli integrisati svoje AR aplikacije. Model monetizacije je jasan, to je neka vrsta Steam-a. Ideja se toliko ukorenila da sada neki smatraju da je AR bez oblaka jednostavno beskorisna.

Kako to može izgledati u budućnosti, prikazano je u kratkom videu. Izgleda kao još jedna epizoda 'Crnog ogledala':

Još se može pročitati u pregledu članka.

4. 'Proširena' osoba (Augmented Human)

4.1. AI za emocije (Emotion AI)

Kako mjeriti, simulirati i reagirati na ljudske emocije? Neki od klijenata ovdje su tvrtke koje proizvode glasovne asistente poput Amazon Alexe. Pravi korak naprijed u njihovoj integraciji u domove bit će sposobnost prepoznavanja raspoloženja: razumijevanje uzroka nezadovoljstva korisnika i pokušaj rješavanja situacije. U kontekstu postoji mnogo više informacija nego u samoj poruci. A kontekst uključuje i izraze lica, intonaciju i neverbalno ponašanje.

Od drugih praktičnih primjena: analize emocija tijekom razgovora za posao (putem video intervjua), procjena reakcije na reklamne spotove ili drugi video sadržaj (osmijehi, smijeh), pomoć pri učenju (na primjer, za samostalnu praksu u umjetnosti javnog nastupa).

O ovoj temi teško da se može bolje izraziti od autora 6-minutnog kratkog filma Stealing Ur Feeling. U duhovito i stylish napravljenom videu pokazano je kako možemo mjeriti naše emocije u marketinške svrhe, i iz trenutnih reakcija vašeg lica otkriti: volite li pizzu, pse, Kanye Westa, pa čak i kakav je vaš prihod i otprilike IQ. Kroz link iznad, prelazite na stranicu filma i postajete sudionik interaktivnog videa koristeći ugrađenu kameru vašeg prijenosnog računala. Film je već prikazan na nekoliko filmskih festivala.

Izvor

Postoji čak i zanimljivo istraživanje: kako prepoznati sarkazam u tekstu. Uzimali su tvitove s hashtagom #sarkazam i napravili skup za učenje od 25 000 tvitova sa sarkazmom i 100 000 običnih tvitova o svemu i svačemu. Koristili su biblioteku TensorFlow, obučili sustav, evo rezultata:

Izvor

Stoga, sada ako niste sigurni o svom kolegi ili prijatelju – rekao vam je nešto ozbiljno ili sarkastično, – možete iskoristiti već obučenu neuronsku mrežu!

4.2. Proširena inteligencija (Augmented Intelligence)

Automatizacija intelektualnog rada pomoću metoda strojnog učenja. Čini se da tu nema ništa novog? No, tu je važna sama formulacija, pogotovo zato što se poklapa po skraćenici s Umjetnom inteligencijom. To nas upućuje na polemiku o "jakom" i "slabom" AI.
Snažni AI je onaj umjetni inteligencijski sustav iz znanstvenofantastičnih filmova koji je u potpunosti ekvivalentan ljudskom razumu i prepoznaje sebe kao osobu. Takav još ne postoji i nejasno je hoće li ikada postojati.

Slabi AI nije samostalna ličnost, već pomoćnik u ljudskom radu. Ne pretendira na humano razmišljanje, već jednostavno može rješavati informacijske zadatke, poput određivanja što je prikazano na slici ili prevođenja teksta.

Izvor

U tom smislu, Augmented Intelligence je u čistom obliku "slabi AI", a formulacija se čini uspješnom jer ne unosi zabunu niti izaziva iluziju da ovdje imamo onaj "snažni AI" o kojem svi sanjaju (ili se boje, ako se prisjetimo brojnih rasprava o "ustanku mašina"). Koristeći izraz Augmented Intelligence, kao da postajemo junaci drugog filma: iz znanstvene fantastike (poput "Ja, robot" Asimova) prelazimo u cyberpunk ("augmentacije" u ovom žanru nazivaju se raznim implantatima koji proširuju mogućnosti čovjeka).

Kako rekli Erik Brynjolfsson i Andrew McAfee: "U sljedećih 10 godina dogodit će se sljedeće. Neće AI zamijeniti menadžere, već će oni menadžeri koji koriste AI, zamijeniti one koji to još nisu učinili."

Primjeri:

• Medicina: Sveučilište Stanford razvilo je algoritam, koje se nosi s prepoznavanjem patologija na rendgenu prsnog koša prosječno jednako uspješno kao i većina liječnika.
• Obrazovanje: pomoć učeniku i učitelju, analiza odgovora učenika na materijale, izrada individualne putanje učenja.
• Poslovna analiza: priprema podataka, prema statistikama, oduzima 80% vremena istraživača, a samo 20% je sam eksperiment.

4.3. Biočipovi (Biochips)

To je omiljena tema svih cyberpunk filmova i knjiga. Čipiranje kućnih ljubimaca nije nova praksa. No, sada se ti čipovi počinju ugrađivati i ljudima.

U ovom slučaju, hype je najvjerojatnije povezan s medijski eksponiranim slučajem američke tvrtke Three Square Market. Tamo je poslodavac počeo nuditi ugradnju čipova pod kožu u zamjenu za naknadu. Čip omogućuje otvaranje vrata, prijavu na računala i kupnju grickalica u automatima – dakle, to je svestrana identifikacijska kartica za zaposlenike. Osim toga, taj čip služi isključivo kao identifikacijska kartica, ne sadrži GPS modul, tako da nije moguće pratiti nikoga putem njega. A ako netko želi ukloniti čip iz ruke, to traje 5 minuta uz pomoć liječnika.

Čipovi se obično ugrađuju između palca i kažiprsta. Izvor

Pročitajte više o članak stanju u vezi s čipiranjem u svijetu.

4.4. Imersivni radni prostor (Immersive Workspace)

‘Imersivno’ je još jedna nova riječ s kojom se jednostavno ne možemo izbjeći. U sveprisutna je. Imersivno kazalište, izložbe, filmovi. Što to točno znači? Imersivnost – to je stvaranje efekta uranjanja, kada se gubi granica između autora i gledatelja, virtualnog i stvarnog svijeta. Kada se govori o radnom prostoru, smatramo da to znači brisanje granice između izvršitelja i inicijatora te poticanje zaposlenika na aktivniju ulogu preoblikovanjem okruženja.

Kako je sada posvuda Agile, fleksibilnost, bliska suradnja – radna mjesta bi trebala biti što lakše konfigurabilna, trebala bi poticati timski rad. Ekonomija postavlja svoje uvjete: sve je više privremenih zaposlenika, cijena najma poslovnih prostora raste, a u uvjetima konkurentnog tržišta rada u IT-u tvrtke se trude povećati zadovoljstvo zaposlenika radom, stvarajući rekreacijske zone i druge beneficije. I sve to odražava se u dizajnu radnih prostora.

Od izvještaja Knoll

4.5. Perzonalizacija (Personification)

Svi znaju što je personalizacija u reklami. To je kada danas razgovarate s kolegom kako je zrak u uredu pomalo suh i trebalo bi kupiti ovlaživač, a sutradan u svojoj društvenoj mreži vidite reklamu – ‘kupite ovlaživač zraka’ (stvarni slučaj koji se dogodio sa mnom).

Izvor

Personalizacija, prema definiciji Gartnera, odgovor je na rastuću zabrinutost korisnika u vezi s korištenjem njihovih osobnih podataka u svrhu oglašavanja. Cilj je razviti pristup pri kojem ćemo vidjeti reklame koje odgovaraju kontekstu u kojem se nalazimo, a ne osobno nama. Na primjer, naša lokacija, tip uređaja, doba dana, vremenski uvjeti – to su informacije koje ne krše naše osobne podatke, a ne osjećamo neugodu zbog 'praćenja'.

O razlici između ovih dviju pojmova čitajte bilješku Andrija Franka u blogu na stranici Gartnera. Tamo je razlika toliko suptilna i riječi toliko slične da, ne znajući razliku, rizikujete da se dugo raspravljate s sugovornikom, ne sumnjajući da su oboje u pravu (a to je također pravi slučaj, koji se dogodio autoru).

4.6. Biotehnologija – Umjetna tkiva (Biotech – Cultured or Artificial Tissue)

To je, prije svega, ideja o uzgoju umjetnog mesa. Istovremeno, nekoliko timova širom svijeta radi na razvoju laboratorijskog 'Meso 2.0' – očekuje se da će biti jeftinije od običnog, i da će se na njega prebaciti brza hrana, a potom i supermarketi. Među investitorima u ovu tehnologiju su Bill Gates, Sergey Brin, Richard Branson i drugi.

Izvor

Razlozi zbog kojih je umjetno meso toliko zanimljivo:

1. Globalno zagrijavanje: emisija metana s farmi. To je 18% od ukupne količine plinova koji utječu na klimu.
2. Rast broja stanovništva. Potražnja za mesom raste, i nahraniti sve prirodnim mesom neće biti moguće - jednostavno je skupo.
3. Nedostatak prostora. 70% šuma Amazone već je uništeno za pašnjake.
4. Etička razmatranja. Postoje oni kojima je to važno. Organizacija za zaštitu životinja PETA već je ponudila nagradu od 1 milijun dolara onom znanstveniku koji na tržište izda umjetno pileće meso.

Zamjena pravog mesa sojinim je djelomično rješenje, jer ljudi dobro osjećaju razliku u okusu i teksturi, i malo je vjerojatno da će se odricati od odreska u korist soje. Dakle, potrebno je pravo, organski uzgojeno meso. Nažalost, trenutno umjetno meso košta preskupo: od 12 dolara po kilogramu. To je povezano s složenim tehnološkim procesom uzgoja takvog mesa. Čitajte o svemu tome. članak.

Ako govorimo o drugim slučajevima uzgajanja tkiva – već u medicini – zanimljiva je tema umjetnih organa: na primjer, "flaster" za srčani mišić, otiskan posebnim 3D printerom. Poznati su priče slični uzgojenom umjetnom mišem srcu, no sve je to još uvijek unutar okvira kliničkih ispitivanja. Tako da Franckenstein u narednim godinama vjerojatno nećemo vidjeti.

Ovdje je Gartner vrlo oprezan u procjenama, očigledno držeći u mislima svoje neuspješno predviđanje iz 2015. godine da će do 2019. godine 10% stanovništva razvijenih zemalja imati 3D otisnut medicinski uređaj-implat. Stoga označava vrijeme dolaska na plato produktivnosti – ne manje od 10 godina.

5. Digitalni ekosustavi (Digital Ecosystems)

5.1. Decentralizirani Web (Decentralized Web)

Ovaj pojam usko je povezan s imenom izumitelja weba, laureata Turingove nagrade, sir Tima Bernersa-Leeja. Za njega su uvijek bila važna pitanja etike u informatici i kolektivna priroda Interneta: postavljajući temelje hiperteksta, bio je uvjeren da bi mreža trebala raditi kao paučina, a ne kao hijerarhija. Tako je bilo u ranoj fazi razvoja mreže. Međutim, s rastom Interneta njegova je struktura iz niza razloga počela se centralizirati. Pokazalo se da se pristup mreži cijele zemlje lako može blokirati uz pomoć samo nekoliko pružatelja usluga. A podaci korisnika pretvorili su se u izvor moći i prihoda internetskih kompanija.

"Internet je već decentraliziran, - kaže Berners-Lee. - Problem je u tome što dominira jedan pretraživač, jedna velika društvena mreža, jedna platforma za mikroblogiranje. Nemamo tehnoloških problema, ali imamo društvene."

U svom otvorenom pismu prigodom 30. godišnjice World Wide Web-a, tvorac Weba je istaknuo tri osnovna problema Interneta:

1. Namjerno nanošenje štete, kao što su državne hakerske napade, kriminal i online uznemiravanje
2. Sama struktura sustava, koja na štetu korisnika stvara podlogu za mehanizme poput: financijskog poticaja clickbaita i virulentnog širenja lažnih informacija
3. Nepredviđene posljedice dizajna sustava, koje vode do sukoba i smanjenja kvalitete online rasprave

I Tim Berners-Lee već ima odgovor na to na kojim bi se načelima mogao temeljiti „Internet zdravog čovjeka“, oslobođen problema broj 2: „Za mnoge korisnike jedini model interakcije s webom ostaje prihod od oglašavanja. Čak i kada su ljudi uplašeni onim što se događa s njihovim podacima, spremni su pristati na nagodbu s marketinškim strojem za priliku da dobiju sadržaj besplatno. Zamislite svijet u kojem je plaćanje za robu i usluge lagano i ugodno za obje strane“. Od mogućnosti kako to može biti uređeno: muzičari mogu prodavati svoje snimke bez posrednika poput iTunes-a, a novinski portali mogu koristiti sustav mikroplaćanja za čitanje jednog članka, umjesto da zarađuju na oglašavanju.

Kao eksperimentalni prototip takvog novog interneta, Tim Berners-Lee pokrenuo je projekt SOLID, čija je suština da pohranjujete svoje podatke u „podu“ — skladištu informacija, i možete pružiti te podatke aplikacijama trećih strana. No u principu, vi ste sami – vlasnici svojih podataka. Sve to usko je povezano s pojmom peer-to-peer mreža, što znači da vaše računalo ne samo da zatraži usluge, već ih i pruža, tako da ne mora ovisiti o jednom serveru kao jedinom kanalu.

Izvor

5.2. Decentralizirane autonomne organizacije (Decentralized Autonomous Organizations)

To je organizacija koja se upravlja pravilima zapisanim u obliku računalnog programa. Njezina financijska aktivnost odvija se na temelju blockchaina. Cilj stvaranja takvih organizacija je ukloniti državu iz uloge posrednika i stvoriti zajedničko pouzdano okruženje za ugovorne strane, kojim nitko ne upravlja samostalno, već ga posjeduju svi zajedno. To bi u teoriji trebalo, ako se ideja prihvati, ukinuti javne bilježnike i druge uobičajene institucije verifikacije.

Najpoznatiji primjer takve organizacije bio je na poslovanje orijentirani The DAO, koji je 2016. godine prikupio 150 milijuna dolara, od čega je 50 odmah ukradeno kroz legalnu "rupe" u pravilima. Odmah se javila složena dilema: povući se unazad i vratiti novac ili priznati da je povlačenje novca bilo legalno, budući da nije na bilo koji način kršilo pravila platforme. Na kraju, kako bi povratili novac investitorima, kreatori su morali uništiti The DAO, prepisati blockchain i prekršiti njegov osnovni princip - nepromjenjivost.

Knjiga stripova o Ethereum-u (lijevo) i The DAO-u (desno). Izvor

Cijela ova priča je pokvarila reputaciju same ideje DAO. Taj projekt je rađen na bazi kriptovalute Ethereum; sljedeće godine očekuje se verzija Ether 2.0 – možda će autori (među kojima je poznati Vitalik Buterin) uzeti u obzir greške i prikazati nešto novo. Vjerojatno zato je Gartner stavio DAO na uzlaznu liniju.

5.3. Sintetički podaci (Synthetics Data)

Za obuku neuronskih mreža potrebni su veliki obujmi podataka. Ručno označavanje podataka predstavlja ogromnu težinu koju može izvršiti samo čovjek. Stoga se mogu kreirati umjetni skupovi podataka. Na primjer, iste one kolekcije ljudskih lica na web stranici https://generated.photos. Oni se kreiraju putem GAN – algoritama o kojima je već bilo riječi.

Ova lica ne pripadaju ljudima. Izvor

Velika prednost takvih podataka je u tome što ne nastaju pravni problemi u njihovoj upotrebi: nema nikoga tko bi dao pristanak za obradu osobnih podataka.

5.4. Digital Ops

Sufiks "Ops" postao je nevjerojatno popularan otkako je u našem govoru zaživio DevOps. Sada, kada govorimo o tome što je DigitalOps – to je jednostavno generalizacija DevOps, DesignOps, MarketingOps... Još niste dosadili? Ukratko, to je prijenos pristupa usvojenog u DevOps iz područja softvera na sve ostale aspekte poslovanja – marketing, dizajn itd.

Izvor

Ideja DevOps-a bila je uklanjanje prepreka između razvoja (Development) i operacija (Operations) putem stvaranja zajedničkih timova u kojima su programeri, testeri, sigurnosni stručnjaci i administratori; implementacija određenih praksi: kontinuirana integracija, infrastruktura kao kod, skraćivanje i jačanje lanaca povratnih informacija. Cilj je bio ubrzati izlazak proizvoda na tržište. Ako ste pomislili da to liči na Agile, u pravu ste. Sada mentalno prenesite ovaj pristup iz sfere razvoja softvera u razvoj uopšte – i shvatili ste što je DigitalOps.

5.5. Grafovi znanja (Knowledge Graphs)

Softverski način modeliranja oblasti znanja, uključujući — uz pomoć algoritama mašinskog učenja. Graf znanja se gradi na postojećim bazama podataka kako bi povezao sve informacije: kako strukturirane (popis događaja ili osoba) tako i nestrukturirane (tekst članka).

Najjednostavniji primer – to je ona kartica koju možete videti u pretrazi Google-a. Ako tražite neku osobu ili instituciju, videćete s desne strane karticu:


Obratite pažnju da su "Predstojeći događaji" integracija rasporeda iz Yandex.Afisha, a ne kopiranje informacija sa Google Maps: lako ćete to primetiti ako kliknete na događaje. Dakle, ovo je povezivanje više izvora podataka u celinu.

Ako zatražite spisak – na primer, "poznati reditelji" — prikazaće vam se "karusel":

Bonus za one koji su pročitali do kraja

I sada kada smo razjasnili značenje svake stavke, možemo pogledati istu sliku, ali već na hrvatskom jeziku:

Slobodno delite na društvenim mrežama!

Tatjana Volkova — autor nastavnog programa staze o Internetu stvari IT Akademije Samsung, stručnjak za programe korporativne društvene odgovornosti Istraživačkog centra Samsung


Izvor: habr.com