A Gartner grafikon azok számára, akik a technológiai szektorban dolgoznak, olyan, mint egy haute couture kiállítás. Rátekintve előre láthatja, mely kifejezések a legtrendibbek ebben az évszakban, és mit fog hallani a legközelebbi konferenciákon.
Dekódoltuk, mi rejlik a szép szavak mögött ezen a grafikonon, hogy Ön is tudjon ezen a nyelven beszélni.
Először is, néhány szó arról, hogy mit is jelent ez a grafikon. Minden év augusztusában a Gartner tanácsadó ügynökség kiadja a Gartner Hype Curve jelentést. Magyarul ez az 'izgalom görbéje', vagy egyszerűbben: hype. 30 éve a Public Enemy rapperjei azt énekelték: 'Ne higgy a hype-nak'. Hinni vagy sem, az személyes kérdés, de legalább ismerni ezeket a kulcsszavakat érdemes, ha a technológiai szektorban dolgozik és szeretné tudni a globális trendeket.
Ez a grafikon a társadalmi elvárásokat mutatja egy adott technológiával kapcsolatban. A Gartner véleménye szerint egy technológia öt fázison megy keresztül: a technológia bevezetése, a túlzott elvárások csúcspontja, a csalódás völgye, a megvilágosodás dombja, a termelékenység platója. De előfordulhat, hogy belemerül a 'csalódás völgyébe' - például a bitcoinnal kapcsolatos tapasztalatok könnyen eszünkbe jutnak: eredetileg a 'jövő pénzeként' a csúcsra jutottak, majd gyorsan lecsúsztak, amikor nyilvánvalóvá váltak a technológia hátrányai, elsősorban a tranzakciók korlátozása és a bitcoinok előállításához szükséges óriási mennyiségű energia (ami már környezeti problémákat is felvet). És természetesen nem szabad elfelejteni, hogy a Gartner grafikon csupán előrejelzés: itt például olvashat részletesebben , ahol a legszembetűnőbb, be nem teljesült előrejelzéseket elemzik.
Tehát nézzük át a Gartner új grafikonját. A technológiák öt nagy témacsoportba vannak osztva:
- Fejlett AI és analitika (Advanced AI and Analytics)
- Posztklasszikus számítástechnika és kommunikáció (Postclassical Compute and Comms)
- Érzékelés és mobilitás (Sensing and Mobility)
- Új ember (Augmented Human)
- Digitális ökoszisztémák (Digital Ecosystems)
1. Fejlett AI és analitika (Advanced AI and Analytics)
Az utolsó 10 évben a mélytanulás (Deep Learning) igazi csillagóráját láthatjuk. Ezek a hálózatok valóban hatékonyak a maguk feladatkörében. 2018-ban Yann LeCun, Geoffrey Hinton és Yoshua Bengio a bennük tett felfedezésekért Turing-díjat kaptak – a legfontosabb elismerést, ami a számítástechnika «Nobel-díja». Így tehát az alábbi főbb trendeket emelhetjük ki ezen a területen:
1.1. Átvitel tanulás (Transfer Learning)
Nem egy új neurális hálózatot tanítasz be a nulláról, hanem egy már betanítottat veszel, és új célt adsz neki. Néha ehhez a hálózat egy részét újra kell tanítani, de nem az egész hálózatot, ami sokkal gyorsabb. Például, ha a ResNet50 nevű, az ImageNet1000 adathalmazon betanított neurális hálózatot alkalmazod, akkor olyan algoritmust kapsz, amely képes nagyon sok különböző objektumot azonosítani képek alapján, nagyon nagy mélységben (1000 osztály a 50 réteg által kidolgozott jellemzők alapján). De nem szükséges az egész hálózatot teljes mértékben újratanítani, ami hónapokig tartana.
A Samsung «Neurális Hálózatok és Számítógépes Látás», például a végső a tányérok tiszta és piszkos állapotának osztályozásával bemutatja azt a megközelítést, amely 5 perc alatt biztosít egy mély neurális hálózatot, amely képes megkülönböztetni a piszkos tányérokat a tisztáktól, a fent leírt architektúra alapján. Az eredeti hálózat nem tudta, hogy mik azok a tányérok, csak azt tanulta, hogy melyik a madár és melyik a kutya (lásd ImageNet).
Forrás: Samsung «Neurális Hálózatok és Számítógépes Látás»
Az átvitel tanuláshoz tudni kell, hogy mely megközelítések működnek, és milyen alap architektúrák állnak rendelkezésre. Összességében ez nagyon felgyorsítja a gépi tanulás gyakorlati alkalmazásainak megjelenését.
1.2. Generatív ellenséges hálózatok (Generative Adversarial Networks, GAN)
Ez azokban az esetekben hasznos, amikor nagyon nehéz megfogalmazni az oktatási célt. Minél közelebb áll a feladat a valós élethez, annál világosabb számunkra («hozd ide a kis szekrényt»), de annál nehezebb műszaki feladatként megfogalmazni. A GAN pontosan arra törekszik, hogy megszabadítson minket ettől a problémától.
Itt két háló működik: az egyik generatív (Generative), a másik diszkrét (Adversarial). Az egyik háló tanul hasznos munkát végezni (képek osztályozása, hangok felismerése, mesék rajzolása). A másik háló abban tanul, hogy tanítja az előbb említett hálót: valós példái vannak, és az ismeretlen, bonyolult képletet keresi a generatív rész által létrehozott alkotások összehasonlítására a valós világ objektumaival (tanító mintákkal) igazán fontos mély jegyek alapján: a szemek száma, a Miyazaki stílusához való közelség, az angol kiejtés helyessége.
Példa a háló munkájának eredményére, amely anime karaktereket generál.
De ott természetesen nehéz felépíteni az architektúrát. Nem elég csak neurális hálókat odadobni, azokat elő kell készíteni. Hetekig kell őket tanítani. A GAN témájával dolgoznak kollégáim a Samsung Mesterséges Intelligencia Központban, ez az egyik kulcsfontosságú kutatási kérdésük. Például, itt van egy ilyen : generatív hálók használata valósághű emberi fényképek szintézisére, amelyek változtatható testhelyzetet engednek — például virtuális öltöző létrehozására, vagy arcok szintetizálására, amely csökkentheti az információ mennyiségét, amelyet tárolni vagy továbbítani kell a minőségi videohívás, közvetítés vagy személyes adatok védelme érdekében.
1.3. Magyarázható Mesterséges Intelligencia (Explainable AI)
Bizonyos ritka feladatok esetén a mély architektúrák fejlődése hirtelen megközelítette a mély neurális hálók képességeit az emberekéhez. Most az a küzdelem folyik, hogy szélesebb körű ilyen feladatokat hozzanak létre. Például a robotporszívó könnyen megkülönböztethetné a macskát a kutyától, ha szemtől-szembe találkozik velük. De a legtöbb élethelyzetben nem lenne képes észlelni a macskát, amely a szennyes vagy a bútorok között alszik (ahogyan mi sem a legtöbb esetben...).
Miért sikeresek a mély neurális hálók? Olyan feladatok képviseletét alakítják ki, amely nem a 'szabad szemmel látható' információn (például a fénykép pixelein, a hangerejének hirtelen változásain) alapul, hanem az információ előfeldolgozása után kapott jellemzőkön, amelyeket több száz neurális háló réteg dolgoz fel. Sajnos ezek az összefüggések értelmetlenek, ellentmondásosak vagy a kiindulási adatállomány tökéletlenségének nyomait is hordozhatják. Például van egy kis számítógépes játék, amely bemutatja, hogy hova vezethet a mesterséges intelligencia gondatlan alkalmazása a toborzásban. .
A képjelölő rendszer a főző embert nőnek nevezte, bár a képen valójában férfi szerepel (). Ez a Virginiai Intézetben.
Azoknak a bonyolult és mély összefüggéseknek az elemzésére, amelyeket gyakran magunk sem tudunk megfogalmazni, explicálható mesterséges intelligencia (Explainable AI) módszerekre van szükség. Ezek a mély neurális hálók jellemzőit úgy szervezik, hogy a tanulás után elemezni tudjuk a háló által tanult belső képviseletet, és ne csak a döntésére támaszkodjunk.
1.4. Perifériás analitika / AI (Edge Analytics / AI)
Minden, ami az Edge szót tartalmazza, szó szerint a következőket jelenti: egyes algoritmusok áthelyezése a felhőből / szerverből az végső eszköz / átjáró szintjére. Az ilyen algoritmus gyorsabban működik, és nincs szüksége kapcsolatra a központi szerverhez működéséhez. Ha ismerős a 'vékony kliens' fogalma, akkor itt ezt a klienst egy kicsit 'vastagabbá' tesszük.
Ez fontos lehet az Internet of Things számára. Például, ha egy gép túlmelegszik és hűtésre van szüksége, érdemes azonnali jelet küldeni erről a gyártási szinten, anélkül, hogy megvárnánk, amíg az adatok eljutnak a felhőbe, és onnan a műszakvezetőhöz. Vagy egy másik példa: a vezető nélküli autók önállóan képesek kezelni a forgalmi helyzetet, anélkül, hogy központi szerverhez kellene fordulniuk.
Vagy itt van egy másik példa arra, miért fontos ez a biztonság szempontjából: amikor a telefonján szöveget gépel, az megjegyzi az Ön által használt tipikus szavakat, hogy a telefon billentyűzete kényelmesen javasolhassa azokat – ezt hívják prediktív szövegbevitelnek. Az, hogy mindent, amit a billentyűzeten bevisz, elküldjenek egy adatközpontba, megsértené az Ön magánéletét, és egyszerűen nagyon veszélyes lenne. Ezért a billentyűzet tanulása csak az Ön eszközén belül történik.
1.5. AI-platform mint szolgáltatás (AI PaaS)
A PaaS – Platform mint szolgáltatás – egy üzleti modell, melynek keretein belül hozzáférést kapunk egy integrált platformhoz, beleértve annak felhőalapú adatbázisát és a kész eljárásokat. Így megszabadulhatunk az infrastruktúra feladataitól, és teljesen a hasznos dolgok előállítására összpontosíthatunk. PaaS platformok az AI feladatokhoz: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Adaptív gépi tanulás (Adaptive ML)
Mi lenne, ha lehetőséget adnánk a mesterséges intelligenciának az alkalmazkodásra... Kérdezheti – hogyan is?.. Hiszen nem is alkalmazkodik a feladathoz? A probléma a következő: minden ilyen feladatot alaposan megformálunk, mielőtt a mesterséges intelligencia megoldásához algoritmust építenénk. A válasz az, hogy kiderül, ezt a láncot is egyszerűsíteni lehet.
A hagyományos gépi tanulás nyitott rendszer (open-loop) alapelvén működik: Ön előkészíti az adatokat, kitalál egy neurális hálót (vagy bármit), tanítja, majd megnézi a különböző mutatókat, és ha minden rendben van, elindíthatja a neurális hálót az okostelefonokon – a felhasználói feladatok megoldására. De azokban az alkalmazásokban, ahol rengeteg adat van és azok jellege fokozatosan változik, más módszerek szükségesek. Az olyan rendszerek, amelyek alkalmazkodnak és önállóan tanulnak, zárt, önszabályozó köröket hoznak létre (closed-loop), és zavartalanul kell működniük.
Az alkalmazások lehetnek például áramlási analitika (Stream Analytics), amely alapján számos üzletember hozza meg döntéseit, vagy az adaptív termelésirányítás. A modern alkalmazások mérete és az embereket érintő kockázatok jobb megértése alapján a problémákat megoldó módszerek mindegyikét egy gyűjtőnév alatt hívják: Adaptív AI.
Ezen a képre nézve nehéz megszabadulni attól az érzéstől, hogy a jövőkutatók kenyérrel szomjaznak – csak tanítsanak meg egy robotot lélegezni...
Posztklasszikus számítástechnika és kommunikáció (Postclassical Compute and Comms)
2.1. Az ötödik generációs mobilkommunikáció (5G)
Ez annyira érdekes téma, hogy azonnal visszautalunk a mi . Itt pedig egy rövid összefoglaló. A 5G a adatátviteli frekvencia növelésének köszönhetően hihetetlenül gyorsá teszi az internet sebességét. A rövid hullámok nehezebben jutnak át az akadályokon, ezért a hálózatok felépítése teljesen más lesz: 500-szor több bázisállomásra lesz szükség.
A sebességgel új jelenségek is megjelennek: valós idejű játékok kiterjesztett valósággal, bonyolult feladatok (mint a sebészet) ellátása távjelenlét révén, balesetek és összetett helyzetek elkerülése az autók közötti kommunikáción keresztül. Gyakorlatibb szempontból: végre megszűnik a mobilinternet lelassulása tömeges események során, mint például egy stadionbeli meccs.
A kép forrása – Reuters, Niantic
2.2. Következő generációs memória (Next-Generation Memory)
Itt az ötödik generációs RAM-ról van szó – DDR5. A Samsung bejelentette, hogy 2019 végéig megjelennek a DDR5-ös alapú termékek. Várható, hogy az új memória kétszer gyorsabb és kétszer nagyobb kapacitású lesz, megőrizve a formátumot, ami azt jelenti, hogy számítógépünkhöz akár 32GB kapacitású memória modulokat kaphatunk. A jövőben ez különösen fontos lesz a okostelefonok számára (az új memória alacsony energiafogyasztású verzióban is elérhető lesz) és a laptopok számára (ahol a DIMM slotok száma korlátozott). Ráadásul a gépi tanulás jelentős mennyiségű RAM-ot igényel.
2.3. Alacsony földrajzi pályájú műholdas rendszerek (Low-Earth-Orbit Satellite Systems)
Az ötödik generációs nehéz, drága, erős műholdak cseréje kis méretű és olcsó műholdakra nem új ötlet, már a 90-es években született. Azt, hogy jelenleg már csak a lusták nem hallottak. Itt a legismertebb cég az Iridium, amely a 90-es évek végén csődbe ment, de az Egyesült Államok Védelmi Minisztériumának köszönhetően megmenekült (ne keverjük össze az iRidium néven ismert orosz okosház rendszerrel). Elon Musk projektje (Starlink) távolról sem egyedüli – a műholdas versenyben részt vesz Richard Branson (OneWeb – 1440 tervezett műhold), Boeing (3000 műhold), Samsung (4600 műhold) és mások.
Hogyan áll a helyzet ezen a területen, milyen a gazdaság – olvassa el itt . És már várjuk az első teszteket ezekből a rendszerekből, amelyeket az első felhasználók végeznek, és amelyek már a következő évben megkezdődnek.
2.4. Nanoméretű 3D nyomtatás (Nanoscale 3D Printing)
A 3D nyomtatás, bár nem vált mindennapi élet részévé (az egyéni otthoni műanyaggyár formájában), már régóta kilépett a geek technológiák niche-jéből. Erre példa, hogy a 3D-s szobrászati tollak létezéséről akár egy iskolás gyerek is tud, és sokan álmodnak arról, hogy szerezzenek egy dobozt sínekkel és extruderrel... "csak úgy" (vagy már megvették).
A sztereolitográfia (lézeres 3D nyomtatók) lehetővé teszi az egyes fotonokkal való nyomtatást: új polimereket kutatnak, amelyek megszilárdulásához elegendő két foton. Ez lehetővé teszi, hogy nem laboratóriumi körülmények között teljesen új szűrőket, rögzítőelemeket, rugókat, kapillárisokat, lencséket és... a te ötleteidet a megjegyzésekben! És itt nem messze van a fotopolimerizáció – ez a technológia teszi lehetővé a processzorok és számítási áramkörök "nyomtatását". Ezen kívül már több éve létezik , de radikális fejlődés nélkül.
3. Érzékelés és mobilitás (Sensing and Mobility)
3.1. Önálló járművek, 4. és 5. szint (Autonomous Driving Level 4 & 5)
A terminológia zűrzavarának elkerülése érdekében érdemes tisztázni, hogy milyen autonómiás szinteket különböztetnek meg (a részletekhez lásd a , amelyre minden érdeklődőt irányítunk):
1. szint: Sebességtartó automatika: segítség a vezetőnek nagyon korlátozott helyzetekben (például – az autó sebességének tartása miután a vezető leveszi a lábát a pedálról)
2. szint: Korlátozott segítség a kormányzásban és fékezésben. A vezetőnek készen kell állnia arra, hogy szinte azonnal átvegye az irányítást. Keze a kormányon van, a tekintete az úton. Ez már megtalálható a Tesla és a General Motors autóiban.
3. szint: A vezetőnek nem kell folyamatosan figyelnie az utat. De ébren kell maradnia, és késznek kell lennie átvenni az irányítást. Ez jelenleg nem található meg a piacon lévő autókban. Jelenleg minden létező a 1-2. szinten van.
4. szint: Igazi autonóm vezetés, de korlátozásokkal: csak ismert területeken, amelyek alaposan fel vannak térképezve, és a rendszer számára általában ismertek, és bizonyos feltételek mellett: például havazás hiányában. Az ilyen prototípusok léteznek a Waymo és a General Motors esetében, és terveik szerint néhány városban élesben tesztelik őket. A Yandexnek is vannak tesztzónái az önvezető taxisok számára Szkolkovo-ban és Innopolisban: az utazás egy mérnök felügyelete alatt történik, aki az utasülésen ül; az év végéig a cég 100 önvezető autóra tervezi bővíteni flottáját.
5. szint: Teljesen automatikus vezetés, a sofőr teljes helyettesítése. Az ilyen rendszerek nem léteznek, és valószínűleg a közeljövőben sem fognak megjelenni.
Mennyire reális mindezt rövidesen látni? Itt a cikkre szeretném irányítani az olvasót, . Ez részben a 5G kötetlenségének hiányával magyarázható: a meglévő 4G sebességek nem elegendőek. Részben pedig az autonóm autók rendkívül magas költségeivel: jelenleg még nem rentábilisak, az üzleti modell nem világos. Szóval, itt „minden bonyolult”, és nem véletlen, hogy a Gartner azt írja, hogy a 4. és 5. szint tömeges bevezetésére vonatkozó előrejelzése – nem korábban, mint 10 év múlva.
3.2. 3D-érzékelő kamerák (3D Sensing Cameras)
Nyolc évvel ezelőtt a Microsoft Kinect játékvezérlője nagy feltűnést keltett, mivel elérhető és viszonylag olcsó megoldást kínált a 3D-látásra. Azóta a Kinecttel készült fitnesz- és táncjátékok rövid fénykorukat élték, de a 3D kamerák ipari robotokban, önvezető autókban és mobiltelefonokban arccal történő azonosításra kezdtek el használni. A technológia olcsóbbá, kompaktabbá és elérhetőbbé vált.
A Samsung S10 telefonban időmérő (Time-of-Flight) kamera található, amely méri a távolságot az objektumhoz – ezzel egyszerűsíti a fókuszálást.
Ha érdeklik ez a téma, akkor egy nagyon jó részletes áttekintésre irányítjuk a mélységi kamerákról: , .
3.3. Könnyű teher szállító drónok (Light Cargo Delivery Drones)
Idén az Amazon nagy feltűnést keltett, amikor bemutatta a kiállításon az új repülő drónját, amely képes 2 kg tömegű kis rakományokat szállítani. A városok forgalmát figyelembe véve ez ideális megoldásnak tűnik. Nézzük meg, hogyan teljesítenek ezek a drónok a közeljövőben. Talán érdemes itt egy kis óvatos szkepticizmust is beleszőni: számos probléma van, kezdve a drón könnyű ellopásának lehetőségével, egészen a drónokra vonatkozó jogi korlátozásokig. Az Amazon Prime Air már hat éve létezik, de még mindig tesztelési fázisban van.
Az Amazon új drónja, amelyet tavasszal mutattak be. Van benne valami a 'Csillagok háborújából'.
Az Amazon mellett más szereplők is vannak ezen a piacon (van részletes ), de egyetlen késztermék sem: minden a tesztelési és marketingkampányok szakaszában van. Érdemes megemlíteni néhány elég érdekes, szűk szakmai területet, Afrikában: donor vér szállítása Ghanában (14 000 szállítmány, Zipline) és Ruandában (Matternet).
3.4. Repülő autonóm szállítóeszközök (Flying Autonomous Vehicles)
Itt nehéz valami konkrétat mondani. A Gartner véleménye szerint erre nem számíthatunk a következő 10 évben. Alapvetően ugyanazok a problémák fennállnak, mint a pilóta nélküli autóknál, csak itt egy új dimenziót kapnak – a függőlegeset. A Porsche, a Boeing és az Uber is bejelentette ambícióit a repülőtaxik építésére.
3.5. Kiterjesztett valóság felhő (AR Cloud)
A valós világ folyamatos digitális másolata, amely lehetővé teszi egy új, minden felhasználó számára közös valóságréteg létrehozását. Ha technikai nyelven szeretnénk kifejezni, akkor arról van szó, hogy egy nyílt felhőplatformot hozzunk létre, amelybe a fejlesztők integrálhatják AR-alkalmazásaikat. A monetizációs modell világos, valami hasonló a Steammel. Az ötlet annyira gyökeret vert, hogy mostanra már egyesek szerint az AR felhő nélkül egyszerűen haszontalan.
Így nézhet ki a jövőben, ahogy egy rövid videóban ábrázolják. Úgy tűnik, mint egy újabb epizód a 'Fekete tükör' című sorozatból:
Továbbá olvashatunk a
4. 'Kibővített' ember (Augmented Human)
4.1. MI az érzelmekért (Emotion AI)
Hogyan mérjük meg, szimuláljuk és reagáljunk az emberi érzelmekre? Az egyik ügyfél itt olyan cégek, amelyek hangasszisztenseket gyártanak, például az Amazon Alexát. Valóban be tudnak illeszkedni az otthonokba, ha megtanulják felismerni a hangulatot: megérteni a felhasználó elégedetlenségének okát, megpróbálni orvosolni a helyzetet. Általában sokkal több információ van a kontextusban, mint magában az üzenetben. A kontextus pedig magában foglalja az arckifejezést, a hangnemet és a nonverbális viselkedést.
Más gyakorlati alkalmazások közé tartozik az érzelmek elemzése állásinterjúk során (videóinterjúk révén), a reakciók értékelése reklámfilmekre vagy más videós tartalmakra (mosolyok, nevetés), valamint segítségnyújtás a tanulásban (például önálló gyakorlatként a nyilvános beszéd művészetében).
Nem lehet jobban kifejezni ezt a témát, mint a 6 perces kisfilm szerzője. . A szellemesen és stílusosan készített videóban azt mutatják be, hogyan lehet mérni érzelmeinket marketingcélokra, és a pillanatnyi arckifejezéseinkből megtudni: szeretjük-e a pizzát, a kutyákat, Kanye Westet, és még azt is, hogy mekkora a jövedelmünk és körülbelül mennyi az IQ-nk. Ha rákattint a fenti linken található film weboldalára, interaktív videó részese lesz, amely a laptopja beépített kameráját használja. A filmet már több filmfesztiválon bemutatták.
Van egy érdekes kutatás is arról, hogyan lehet felismerni a szarkazmust szövegben. Olyan tweeteket gyűjtöttek össze, amelyek a #sarcasm hashtaggel rendelkeztek, és készítettek egy tanulmányi mintát 25 000 szarkazmust tartalmazó tweetből és 100 000 normál tweetből, amelyek a világ mindenféle dolgáról szóltak. A TensorFlow könyvtárat használták, és megtanították a rendszert, íme az eredmény:
Ezért most, ha nem biztos a kollégája vagy barátja szándékaiban - mondott-e valamit komolyan vagy szarkasztikusan - már használhatja a már !
4.2. Kiterjesztett intelligencia (Augmented Intelligence)
Az intelligens munka automatizálása gépi tanulási módszerekkel. Úgy tűnik, nincs itt semmi új? De itt a megfogalmazás maga fontos, különösen, hogy az rövidítése megegyezik a Mesterséges Intelligenciáéval. Ez visszavezet minket a „erős” és „gyenge” MI vitájára.
Az erős MI az a mesterséges intelligencia, amelyet a sci-fi filmekből ismerünk, és amely teljesen egyenértékű az emberi gondolkodással, valamint tudatában van önmagának, mint egyéniség. Ilyen még nem létezik, és nem világos, hogy valaha létezni fog-e.
A gyenge MI nem önálló személyiség, hanem egy emberi segítő-asszisztens. Nem igényel emberi jellegű gondolkodást, csupán képes információs feladatokat megoldani, például meghatározni, hogy mi látható egy képen vagy lefordítani egy szöveget.
Ebben az értelemben a kiterjesztett intelligencia tiszta értelemben a "gyenge MI" kategóriába tartozik, és a megfogalmazás ügyes, mivel nem kelt zűrzavart és csábítást arra, hogy itt az álmainkban szereplő "erős MI" valóságát lássuk (vagy félelmet, ha felidézzük a "gépek lázadásáról" szóló számos eszmecserét). A kiterjesztett intelligencia kifejezés használatával rögtön egy másik film hőseivé válunk: a tudományos fantasztikumból (mint például Asimov "Én, a robot") a kyberpunk világába kerülünk (ebben a műfajban az "augmentációk" kifejezést különböző implantátumokra használják, amelyek bővítik az emberi képességeket).
Mint Erik Brynjolfsson és Andrew McAfee: "A következő 10 évben ez fog történni. Nem az MI fogja helyettesíteni a menedzsereket, hanem azok a menedzserek, akik használják az MI-t, helyettesítik azokat, akik még nem tudtak."
Példák:
- Orvostudomány: A Stanford Egyetem kifejlesztette , amely az emberi orvosokhoz hasonlóan képes a mellkasi röntgenfelvételeken a kórképek felismerésére.
- Oktatás: segítség a diákoknak és tanároknak, a diákok válaszainak elemzése az anyagokra, egyéni tanulási pálya kidolgozása.
- Üzleti elemzés: az adatok előfeldolgozása statisztikák szerint a kutató idejének 80%-át teszi ki, míg csak 20%-a magának a kísérletnek.
4.3. Biocipők (Biochips)
Ez a cyberpunk filmek és könyvek kedvelt témája. Általában a háziállatok chippelése nem új gyakorlat. De most ezeket a chipeket már embereknek is beültetik.
Ebben az esetben a hírverés valószínűleg a Three Square Market nevű amerikai cégnél történt esethez kapcsolódik. Ott a munkáltató elkezdte felajánlani, hogy bőr alá ültetnek chipet jutalomért cserébe. A chip lehetővé teszi az ajtók nyitását, a számítógépekbe való bejelentkezést, és az automata snackek vásárlását – vagyis egyfajta univerzális munkavállalói kártyaként funkcionál. Fontos megjegyezni, hogy a chip csak az azonosítókártyaként működik, GPS-modul nincs benne, tehát senkit sem lehet nyomon követni általa. Ha valaki el szeretné távolítani a chipet a kezéből, az 5 percet vesz igénybe orvosi segítséggel.
A chipeket általában a hüvelykujj és a mutatóujj között ültetik be.
Olvassa el a részleteket a világon elterjedt chipelés helyzetéről.
4.4. Immerszív munkakörnyezet (Immersive Workspace)
Az „immerszív” – egy újabb kifejezés, amelytől egyszerűen nem lehet megszabadulni. Mindenhol ott van. Immerszív színház, kiállítás, film. Mit is jelent ez? Az immerszivitás olyan hatás létrehozását jelenti, amikor eltűnik a határ a szerző és a néző, a virtuális és a valós világ között. A munkahely szempontjából valószínűleg ez arra utal, hogy elmosódik a határvonal a végrehajtó és az iniciátor között, és ösztönzi a munkavállalókat a aktívabb szerepvállalásra a környezetük újraformálásával.
Mivel mostantól mindenhol az Agile, a rugalmasság és a szoros együttműködés uralkodik, a munkahelyeknek is a lehető legkönnyebben konfigurálhatóknak kell lenniük, és ösztönözniük kell a csapatmunkát. A gazdaság diktálja a feltételeket: nő a munkaerő igény, az irodák bérleti díja emelkedik, és a versenyképes IT munkaerőpiacon a vállalatok próbálják növelni a munkavállalók elégedettségét azzal, hogy rekreációs területeket és egyéb előnyöket alakítanak ki. Mindez a munkahelyek kialakítására is hatással van.
A Knoll
4.5. Perszonalizáció (Personification)
Mindenki tudja, mi a személyre szabás a reklámban. Ez az, amikor ma arról beszél egy kollégával, hogy a levegő száraz az irodában, és venni kellene egy párásítót, majd másnap azt látja a közösségi médiájában, hogy „vásároljon légtisztítót” (valós eset, ami velem történt).
A személyre szabás a Gartner meghatározása szerint az egyre növekvő felhasználói aggodalomra adott válasz a személyes adataik reklámozási célú felhasználásával kapcsolatban. A cél az, hogy olyan megközelítést dolgozzunk ki, amely lehetővé teszi, hogy olyan hirdetéseket lássunk, amelyek összhangban állnak az aktuális környezettel, ahol éppen vagyunk, és nem a személyes adatokkal. Például a helyszínünk, az eszköz típusa, az időpont és az időjárási viszonyok azok, amelyek nem sértik a személyes adatainkat, így nem érzünk kényelmetlenséget a "megfigyelés" miatt.
A két fogalom közötti különbségről olvasson Andrew Frank Gartner blogjában. Olyan finom a különbség, és annyira hasonlóak a szavak, hogy ha nem ismeri a különbséget, kockázatot vállalhat, hogy hosszasan vitatkozik a beszélgetőtársával, anélkül, hogy tudná, hogy valójában mindkettőnek igaza van (ez is egy valós eset, amely a szerzővel történt).
4.6. Biotechnológia – Mesterséges szövetek (Biotech – Cultured or Artificial Tissue)
Ez elsősorban a mesterséges hús termesztésének ötlete. Ezzel párhuzamosan több csapat világszerte laboratóriumi "Hús 2.0" kifejlesztésén dolgozik – várhatóan olcsóbb lesz, mint a hagyományos, és a gyorséttermek, majd a szupermarketek is átállnak rá. Az ilyen technológiába invesztáló személyek között van Bill Gates, Sergey Brin, Richard Branson és mások.
Forrás
A mesterséges hús iránti érdeklődés okai:
- Globális felmelegedés: metánkibocsátás a farmokról. Ez a klímára ható gázok 18%-át teszi ki világszerte.
- Népességnövekedés. A hús iránti kereslet növekszik, és nem lehet mindenkit természetes hússal táplálni – az egyszerűen túl drága.
- Helyhiány. Az Amazonas erdeinek 70%-át már kiirtották legelőként.
- Etikai megfontolások. Vannak, akik számára ez fontos. A PETA állatvédő szervezet már 1 millió dolláros díjat ajánlott fel annak a tudósnak, aki piacra dobja a mesterséges csirkehúst.
A valódi hús szójára cserélése csak részleges megoldás, hiszen az emberek jól érzik a különbséget ízben és textúrában, és valószínűleg nem mondanak le a steakről a szója javára. Így valódi, organikusan termesztett húsra van szükség. Jelenleg sajnos a mesterséges hús túl drága: 12 dollár körüli kilogrammonként. Ez a bonyolult húsnövesztési technológiai folyamat miatt van. Olvasson el minderről többet. .
Ha más szövettenyésztési esetekről beszélünk – például az orvostudományban –, akkor érdekes a téma a mesterséges szervekkel kapcsolatban: például a szívizomra készült "tapasz", különleges 3D nyomtatóval készítettek. Ismert az Artificiálisan tenyésztett egérszívhez hasonló megoldások, de összességében a témakör egyelőre a klinikai kísérletek határain belül mozog. Így valószínű, hogy Frankenstein-re a következő években nem fogunk rátalálni.
Itt a Gartner nagyon óvatos az értékelésekkel, valószínűleg a 2015-ös, megvalósult előrejelzése során tett hibájára gondolva, amely szerint 2019-re a fejlett országok lakosságának 10%-ának 3D nyomtatott orvosi implantátuma lesz. Ezért jelöli meg a termelési szint elérésének idejét – legalább 10 év.
5. Digitális ökoszisztémák (Digital Ecosystems)
5.1. Decentralizált web (Decentralized Web)
Ez a fogalom szorosan összefonódik a web feltalálójának, Tim Berners-Lee-nek a nevével, aki Turing-díjat nyert. Számára mindig is fontosak voltak az etikai kérdések a számítástechnikában és fontos volt az Internet kollektív természete: a hipertext alapjainak megteremtésekor meg volt győződve arról, hogy a hálónak hálószerűen kell működnie, nem pedig hierarchikusan. Így is volt a hálózat korai fejlődése során. Azonban az Internet növekedésével a struktúrája számos ok miatt központosult. Kiderült, hogy egy ország teljes internet-hozzáférését könnyen blokkolhatják néhány szolgáltató segítségével. Az felhasználói adatok pedig az internetes cégek hatalmának és bevételeinek forrásává váltak.
"Az Internet már decentralizált – mondja Berners-Lee. – A probléma az, hogy egy keresőmotor, egy nagy közösségi média platform, egy mikroblogolási platform dominál. Nekünk nincsenek technológiai problémáink, de társadalmi problémáink vannak.”
A saját a World Wide Web 30. évfordulóján a web alkotója három fő problémát vázolt fel az Interneten:
- Célzott károk, mint például a kormány által támogatott hackertámadások, bűnözés és online zaklatás
- A rendszer eszközének önálló jellege, amely a felhasználó kárára táplálja az olyan mechanizmusokat, mint a kattintási csalás anyagi ösztönzése és a hamis információk vírusos terjedése
- Véletlen következmények a rendszer designjában, amelyek konfliktusokhoz és az online viták minőségének csökkenéséhez vezetnek
Tim Berners-Lee-nek már van válasza arra, hogy milyen elveken alapulhatna az "Egészséges Ember Internetje", amely mentes a 2. számú problémától: "Sok felhasználó számára az egyedüli interakciós modell, amely a webben létezik, a hirdetésekből származó bevétel. Még ha az emberek meg is vannak rémülve attól, ami az adataikkal történik, hajlandóak megkötni az üzletet a marketing gépezetével azért, hogy ingyenes tartalmat kapjanak. Képzelj el egy világot, ahol az áruk és szolgáltatásokért való fizetés könnyű és mindkét fél számára kellemes." Az elképzelések között, hogy ez hogyan működhet: a zenészek közvetítők nélkül árusíthatják felvételeiket, mint az iTunes, míg a híroldalak mikrofizetési rendszert használhatnának egy-egy cikk elolvasásáért, ahelyett, hogy a hirdetésekből keresnének.
Kísérleti prototípusként egy ilyen új Internet számára Tim Berners-Lee elindította a SOLID projektet, amelynek lényege, hogy az adataidat "pod" — információtároló — formájában tárolod, és ezeket az adatokat harmadik fél alkalmazásaival megoszthatod. Alapvetően te vagy a saját adataid gazdája. Mindez szorosan összefügg a peer-to-peer hálózatok fogalmával, tehát a számítógéped nemcsak szolgáltatásokat kér, hanem nyújt is, hogy ne egyetlen szerverre támaszkodjon, mint egyedüli csatornára.
5.2. Decentralizált Autonóm Szervezetek (Decentralized Autonomous Organizations)
Ez egy olyan szervezet, amelyet olyan szabályok irányítanak, amelyeket számítógépes program formájában rögzítenek. Pénzügyi tevékenysége a blokklánc alapjaira épül. Az ilyen szervezetek létrehozásának célja, hogy megszüntessék az államot mint közvetítőt, és közös, megbízható környezetet teremtsenek az üzleti partnerek számára, amelyet senki nem birtokol egyedül, hanem mindenki közösen. Tehát elméletileg, ha az ötlet elterjed, ez megszüntetheti a közjegyzőket és más hagyományos ellenőrzési intézményeket.
A legjobban ismert példa egy ilyen szervezetre a kockázati tőkére összpontosító The DAO volt, amely 2016-ban 150 millió dollárt gyűjtött, ebből 50-et azonnal elloptak egy jogi "lyuk" révén a szabályokban. Közben bonyolult dilemmába kerültek: vissza kell-e vonni a lépést, és vissza kell-e téríteni a pénzt, vagy el kell-e ismerni, hogy a pénz eltulajdonítása törvényes volt, mivel az egyáltalán nem sértette a platform szabályait. Végül, hogy visszaszerezzék a pénzt a befektetőktől, a készítők kénytelenek voltak megsemmisíteni a The DAO-t, újraírva a blokk-láncot ezzel megsértve annak alapelvét - az változhatatlanságot.
A képregény az Ethereumról (balra) és a The DAO-ról (jobbra).
Ez az egész történet rontotta a DAO koncepciójára vonatkozó hírnevet. A projekt az Ethereum kriptovaluta alapjain készült, jövőre várható az Ether 2.0 verzió – talán a szerzők (köztük a híres Vitalik Buterin) figyelembe veszik a hibákat, és valami újat mutatnak be. Valószínűleg ezért helyezte a Gartner a DAO-t a növekvő vonalra.
5.3. Szintetikus adatok (Synthetics Data)
A neurális hálózatok tanításához nagy mennyiségű adatra van szükség. Az adatok manuális megjelölése hatalmas munka, amit csak ember végezhet el. Ezért mesterséges adatállományokat lehet létrehozni. Például az olyan emberi arcok gyűjteményei a weboldalon. Ezeket GAN - algoritmusok segítségével hozzák létre, amelyeket már korábban említettek.
Ezek az arcok nem tartoznak emberekhez.
A legnagyobb előnyük pedig az, hogy nem merülnek fel jogi nehézségek a felhasználásukkal kapcsolatban: senkitől nem kell hozzájárulást kérni a személyes adatok feldolgozásához.
5.4. Digitális műveletek (Digital Ops)
Az „Ops” suffix hihetetlenül divatos vált, mióta a DevOps belépett a köztudatba. Most, hogy mi a DigitalOps – egyszerűen a DevOps, DesignOps, MarketingOps összefoglalása... Még nem unod? Röviden, ez a DevOps által egy szoftverfejlesztési megközelítés átvitele az üzlet minden egyéb területére – marketing, dizájn stb.
A DevOps célja a határok eltüntetése a Számítástechnikai (fejlesztés) és az Üzemeltetés (üzleti folyamatok) között közös csapatok létrehozásával, amelyben programozók, tesztelők, biztonsági szakemberek és rendszergazdák dolgoznak együtt; bizonyos gyakorlatok bevezetése: folyamatos integráció, infrastruktúra mint kód, a visszacsatolási láncok csökkentése és erősítése. A cél az volt, hogy felgyorsítsuk a termék piacra kerülését. Ha úgy gondoltad, hogy ez hasonlít az Agile-hoz, akkor jól gondoltad. Most pedig gondold át ezt a megközelítést a szoftverfejlesztés területéről általában, és akkor megérted, mi is az a DigitalOps.
5.5. Tudásgrafikonok (Knowledge Graphs)
Olyan szoftveres módszer, amely lehetővé teszi a tudományos terület modellezését, beleértve a gépi tanulás algoritmusait is. A tudásgrafikon meglévő adatbázisokra épül, hogy összekapcsolja az összes információt: a strukturált (események vagy személyek listája) és a strukturálatlan (cikk szövege) adatokat egyaránt.
A legegyszerűbb példa a kártya, amelyet a Google keresési találatak között láthatsz. Ha keresel egy személyt vagy intézményt, jobbra fogsz látni egy kártyát:
Figyelj arra, hogy a „Közelgő események” nem a Google Térképről átvett információ, hanem a Yandex.Afisha ütemtervének integrációja: könnyen észre fogod venni, ha rákattintasz az eseményekre. Vagyis több adatforrás egyesítése.
Ha kérsz egy listát – például „ismert rendezők” – akkor egy „karusszelt” fogsz látni:
Bónusz azok számára, akik a végéig eljutottak
Most, hogy tisztáztuk minden egyes pont jelentését, megnézhetjük ugyanazt a képet, de már magyar nyelven:
Bátran oszd meg a közösségi médiában!
Tatjana Volkova – A Samsung IT Akadémia Internet of Things (IoT) programjának szerzője, a Samsung Kutatóközpont vállalati társadalmi felelősségvállalási programjainak szakértője
Forrás: habr.com
