A Gartner diagramja olyan, mint egy nagy divatbemutató a technológiai iparban dolgozók számára. Ha megnézi, előre megtudhatja, mely szavak a leginkább felkapottabbak ebben a szezonban, és mit fogtok hallani az összes közelgő konferencián.
Megfejtettük, mi rejlik a grafikon gyönyörű szavai mögött, hogy Ön is beszélje a nyelvet.
Kezdésként csak néhány szót arról, hogy milyen grafikonról van szó. A Gartner tanácsadó ügynökség minden év augusztusában kiad egy jelentést - Gartner Hype Curve. Oroszul ez egy „hype görbe”, vagy egyszerűbben: hype. 30 évvel ezelőtt a Public Enemy csoport rapperei ezt énekelték: "Ne higgy a hype-nak." Akár hiszi, akár nem, ez személyes kérdés, de érdemes legalább ezeket a kulcsszavakat ismerni, ha technológiai területen dolgozol, és szeretnéd megismerni a globális trendeket.
Ez egy adott technológiával kapcsolatos lakossági elvárások grafikonja. Gartner szerint ideális esetben a technológia 5 szakaszon megy keresztül: technológia bevezetése, a túlzott elvárások csúcsa, a csalódás völgye, a megvilágosodás lejtője, a termelékenység platója. De az is megesik, hogy belefullad a „csalódás völgyébe” – nagyon könnyen emlékezhet a példákra, ugyanazokat a bitcoinokat veszi: kezdetben a „jövő pénzeként” ütve a csúcsot, gyorsan lecsúsztak, amikor a technológia hiányosságai Nyilvánvalóvá vált, mindenekelőtt a tranzakciók számának korlátozása és a bitcoinok előállításához szükséges hatalmas mennyiségű villamos energia (ami már környezeti problémákkal is jár). És persze nem szabad elfelejtenünk, hogy a Gartner diagramja csak egy előrejelzés: itt például egy részletes , ahol a legszembetűnőbb beteljesületlen jóslatokat rendezik.
Tehát nézzük át az új Gartner diagramot. A technológiákat 5 nagy tematikus csoportra osztják:
- Fejlett AI és Analytics
- Posztklasszikus számítás és kommunikáció
- Érzékelés és mobilitás
- Kiterjesztett ember
- Digitális ökoszisztémák
1. Fejlett AI és Analytics
Az elmúlt 10 évben a mélyreható tanulás legszebb óráját láthattuk. Ezek a hálózatok valóban hatékonyak a feladatkörükben. 2018-ban Yann LeCun, Geoffrey Hinton és Yoshua Bengio Turing-díjat kapott felfedezéseikért – ez a legrangosabb díj, amely hasonló a számítástechnikai Nobel-díjhoz. Tehát a fő trendek ezen a területen, amelyek a diagramon láthatók:
1.1. Transzfer tanulás
Egy neurális hálózatot nem a semmiből tanítasz, hanem veszel egy már betanított hálózatot, és más célt rendelsz hozzá. Ez néha a hálózat egy részének átképzését igényli, de nem a teljes hálózatot, ami sokkal gyorsabb. Például ha egy kész, az ImageNet50 adatkészleten betanított ResNet1000 neurális hálózatot veszünk, akkor egy olyan algoritmust kapunk, amely egy képen nagyon mélyen képes osztályozni sok különböző objektumot (1000 osztály a neurális 50 rétege által generált jellemzők alapján). hálózat). De nem kell az egész hálózatot betanítani, ami hónapokig tartana.
В A döntőben például a Samsung „Neurális hálózatok és számítógépes látás”. a lemezek tiszta és piszkos osztályozásával egy olyan megközelítést mutatunk be, amely 5 perc alatt egy mély neurális hálózatot ad az Ön rendelkezésére, amely képes megkülönböztetni a piszkos lemezeket a tisztáktól, a fent leírt architektúra szerint. Az eredeti hálózat egyáltalán nem tudta, mi a lemez, csak megtanulta megkülönböztetni a madarakat a kutyáktól (lásd ImageNet).
Forrás: Samsung "Neurális hálózatok és számítógépes látás"
A transzfertanuláshoz tudnia kell, hogy mely megközelítések működnek, és milyen kész alaparchitektúrák állnak rendelkezésre. Összességében ez nagyban felgyorsítja a gépi tanulás gyakorlati alkalmazásainak megjelenését.
1.2. Generatív ellenséges hálózatok (GAN)
Ez azokra az esetekre vonatkozik, amikor nagyon nehezen tudjuk megfogalmazni a tanulási célt. Minél közelebb áll a feladat a való élethez, annál érthetőbb számunkra („hozd az éjjeliszekrényt”), de technikai feladatként megfogalmazni annál nehezebb. A GAN csak egy kísérlet arra, hogy megmentsen minket ettől a problémától.
Itt két hálózat működik: az egyik egy generátor (Generative), a másik egy diszkriminátor (Adversarial). Az egyik hálózat megtanul hasznos munkát végezni (képek osztályozása, hangok felismerése, rajzfilmek rajzolása). És egy másik hálózat megtanulja tanítani ezt a hálózatot: vannak valós példái, és megtanul egy korábban ismeretlen összetett képletet találni a hálózat generatív részének termékeinek valós objektumokkal való összehasonlítására (tréningkészlet) igazán fontos mély jellemzők alapján. : a szemek száma, Miyazaki stílusának közelsége, helyes angol kiejtés.
Példa egy anime karaktereket generáló hálózat eredményére.
De persze ott nehéz építészetet építeni. Nem elég csak dobni a neuronokat, fel kell őket készíteni. És hetekig tanulni kell. Kollégáim a Samsung Mesterséges Intelligencia Központban a GAN témán dolgoznak, ez az egyik legfontosabb kutatási kérdésük. Például így : generatív hálózatok használata változó testhelyzetű emberek valósághű fotóinak szintetizálására – például virtuális próbafülke létrehozására vagy arc szintetizálására, ami csökkentheti a tárolandó vagy továbbítandó információ mennyiségét a kiváló minőségű videó biztosításához kommunikáció, sugárzás vagy a személyes adatok védelme.
1.3. Megmagyarázható AI
Néhány ritka feladat esetében a mély architektúrák fejlődése hirtelen közelebb hozta a mély neurális hálózatok képességeit az emberi képességekhez. Most az ilyen feladatok körének bővítéséért folyik a csata. Például egy robotporszívó könnyen meg tudja különböztetni a macskát a kutyától egy közvetlen megbeszélésen. Ám a legtöbb élethelyzetben képtelen lesz ágynemű vagy bútor között alvó macskát találni (azonban hozzánk hasonlóan a legtöbb esetben...).
Mi az oka a mély neurális hálózatok sikerének? Nem „szabad szemmel látható” információkon (képpixelek, hangerő-változások...), hanem egy neurális hálózat több száz rétegének előfeldolgozása után nyert jellemzők alapján dolgozzák ki a probléma reprezentációját. Sajnos ezek a kapcsolatok értelmetlenek, következetlenek is lehetnek, vagy az eredeti adatkészlet tökéletlenségeinek nyomait hordozhatják. Például van egy kis számítógépes játék arról, hogy mihez vezethet az AI meggondolatlan használata a toborzásban .
A képcímkéző rendszer nőnek jelölte meg a főzt személyt, pedig a képen látható személy valójában férfi (). azt a Virginia Intézetben.
Olyan összetett és mély összefüggések elemzéséhez, amelyeket gyakran magunk sem tudunk megfogalmazni, magyarázható mesterséges intelligencia módszerekre van szükség. A mély neurális hálózatok jellemzőit úgy szervezik, hogy a betanítás után a hálózat által megtanult belső reprezentációt elemezhessük, ne pedig egyszerűen a döntésére hagyatkozzunk.
1.4. Edge Analytics / AI
Az Edge szó szó szerint a következőket jelenti: az algoritmusok egy részének átvitele a felhőből/szerverből a végeszköz/átjáró szintjére. Egy ilyen algoritmus gyorsabban fog működni, és működéséhez nincs szükség központi szerverhez való csatlakozásra. Ha ismeri a „vékony kliens” absztrakcióját, akkor itt egy kicsit vastagabbá tesszük ezt a klienst.
Ez fontos lehet a tárgyak internete szempontjából. Például, ha egy gép túlmelegedett és hűtésre szorul, akkor ezt érdemes azonnal jelezni, üzemi szinten, anélkül, hogy megvárnánk, hogy az adatok a felhőbe menjenek, onnan pedig a műszakvezetőhöz. Vagy egy másik példa: az önvezető autók maguk is kitalálják a forgalmi helyzetet anélkül, hogy kapcsolatba lépnének egy központi szerverrel.
Vagy egy másik példa arra, hogy miért fontos ez biztonsági szempontból: amikor szövegeket ír be a telefonba, megjegyzi a rád jellemző szavakat, így később a telefon billentyűzete kényelmesen rákérdezhet – ezt hívják prediktívnek. szövegbevitel. Ha mindent, amit a billentyűzetén ír be, valahol egy adatközpontba küldene, az sértené az Ön személyes adatait, és egyszerűen nem biztonságos. Ezért a billentyűzet betanítása csak magában az eszközben történik.
1.5. AI Platform as a Service (AI PaaS)
A PaaS - Platform-as-a-Service egy olyan üzleti modell, amelyben egy integrált platformhoz jutunk hozzá, beleértve a felhő alapú adattárolást és a kész eljárásokat. Így megszabadulhatunk az infrastrukturális feladatoktól, és teljes mértékben arra koncentrálhatunk, hogy valami hasznosat készítsünk. Példa a PaaS platformokra AI-feladatokhoz: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Adaptív gépi tanulás (Adaptive ML)
Mi lenne, ha hagynánk alkalmazkodni a mesterséges intelligenciát... Kérdezi - vagyis hogyan?.. Nem alkalmazkodik már a feladathoz? A probléma a következő: minden ilyen problémát gondosan megtervezünk, mielőtt mesterséges intelligencia algoritmust készítenénk a megoldásra. Ők válaszolnak neked - kiderül, hogy ez a lánc leegyszerűsíthető.
A hagyományos gépi tanulás a nyílt hurok elvén működik: előkészíted az adatokat, kitalálsz egy neurális hálózatot (vagy bármit), betanítod, majd megnézel több mutatót, és ha minden tetszik, elküldheted a neurális hálózatot okostelefonokra. - megoldani a felhasználói problémákat. De azokban az alkalmazásokban, ahol sok adat van, és annak jellege fokozatosan változik, más módszerekre van szükség. Az ilyen önmagukat alkalmazkodó és tanító rendszerek zárt, öntanuló hurkokba (zárt hurokba) szerveződnek, és zökkenőmentesen kell működniük.
Alkalmazások – ez lehet a streamelemzés (Stream Analytics), amely alapján sok üzletember hoz döntéseket, vagy az adaptív termelésmenedzsment. A jelenlegi alkalmazások skáláján és az embereket fenyegető kockázatok jobban megértése miatt a problémára megoldást kínáló technikákat az Adaptive AI gyűjtőfogalom alatt gyűjtöttük össze.
Ezt a képet elnézve nehéz megszabadulni attól az érzéstől, hogy ne etesse a futurológusokat kenyérrel – tanítsa meg a robotot lélegezni...
Posztklasszikus számítás és kommunikáció
2.1. Ötödik generációs mobilkommunikáció (5G)
Annyira érdekes ez a téma, hogy azonnal hivatkozunk rá . Nos, íme egy rövid összefoglaló. Az 5G az adatátvitel gyakoriságának növelésével irreálisan gyorsítja az internet sebességét. A rövid hullámok nehezebben tudnak átjutni az akadályokon, így a hálózatok kialakítása teljesen más lesz: 500-szor több bázisállomásra van szükség.
A sebesség mellett új jelenségeket is kapunk majd: valós idejű játékok kiterjesztett valósággal, összetett feladatok (például műtét) végrehajtása telejelenléten keresztül, balesetek és nehéz helyzetek megelőzése az utakon a gépek közötti kommunikáció révén. Prózaibb jegyzetben: a mobilinternet végleg megszűnik a tömegrendezvények, például egy stadionbeli meccs idején.
A kép forrása - Reuters, Niantic
2.2. Következő generációs memória
Itt a RAM ötödik generációjáról – DDR5 – beszélünk. A Samsung bejelentette, hogy a DDR2019 alapú termékek 5 végén lesznek elérhetők. Az új memória várhatóan kétszer gyorsabb és kétszer akkora kapacitású lesz, miközben megtartja ugyanazt a formát, vagyis akár 32 GB kapacitású memóriakártyákat is kaphatunk majd számítógépünkhöz. A jövőben ez különösen az okostelefonok (az új memória alacsony fogyasztású változata) és a laptopok esetében (ahol a DIMM foglalatok száma korlátozott) lesz releváns. És a gépi tanulás is nagy mennyiségű RAM-ot igényel.
2.3. Alacsony Föld körüli pályás műholdrendszerek
A nehéz, drága, nagy teljesítményű műholdak kis és olcsó műholdakkal való helyettesítésének gondolata korántsem új, és a 90-es években jelent meg. Miről Most csak a lusták nem hallották. A leghíresebb cég itt az Iridium, amely a 90-es évek végén ment csődbe, de az amerikai védelmi minisztérium költségén megmentették (nem tévesztendő össze az iRidiummal, az orosz okosotthon rendszerrel). Elon Musk projektje (Starlink) messze nem az egyetlen - Richard Branson (OneWeb - 1440 műhold), Boeing (3000 műhold), Samsung (4600 műhold) és mások vesznek részt a műholdversenyben.
Hogy állnak a dolgok ezen a területen, hogyan néz ki ott a gazdaság – olvassa el . És ezeknek a rendszereknek az első tesztelését várjuk az első felhasználóktól, amelyekre jövőre kerül sor.
2.4. Nanoméretű 3D nyomtatás
A 3D nyomtatás, bár nem minden ember életébe lépett be (egy egyedi házi műanyaggyár által ígért formában), mégis régen elhagyta a stréber technológiai rést. Abból lehet megítélni, hogy minden iskolás tud legalább 3D-s faragott tollak létezéséről, és sokan álmodoznak egy doboz beszerzéséről futókkal és egy extruderrel... „csak úgy” (vagy már megvásárolták).
A sztereolitográfia (lézeres 3D nyomtatók) lehetővé teszi az egyedi fotonokkal történő nyomtatást: olyan új polimereket kutatnak, amelyek megszilárdulásához mindössze két foton szükséges. Ez lehetővé teszi, hogy nem laboratóriumi körülmények között teljesen új szűrőket, rögzítőket, rugókat, hajszálereket, lencséket és... lehetőségeit hozza létre a megjegyzésekben! És itt nincs messze a fotopolimerizáció - csak ez a technológia teszi lehetővé processzorok és számítási áramkörök „nyomtatását”. Ráadásul nem ez az első év , de radikális fejlődés nélkül.
3. Érzékelés és mobilitás
3.1. Önálló vezetés 4. és 5. szint
Annak érdekében, hogy ne keveredjünk össze a terminológiában, érdemes megérteni, hogy az autonómia mely szintjei különböztethetők meg (a részletes , amelyre minden érdeklődőt szeretettel várunk):
1. szint: Sebességtartó automatika: nagyon korlátozott helyzetekben segíti a vezetőt (például egy adott sebességnél tartva az autót, miután a vezető leveszi a lábát a pedálról)
2. szint: Korlátozott kormányzási és fékrásegítés. A vezetőnek készen kell állnia arra, hogy szinte azonnal átvegye az irányítást. Keze a kormányon van, szeme az útra néz. Ez az, amivel a Tesla és a General Motors már rendelkezik.
3. szint: A sofőrnek többé nem kell állandóan az utat figyelnie. De ébernek kell maradnia, és készen kell állnia az irányítás átvételére. Ez az, ami a kereskedelemben kapható autókban még nem található meg. Az összes jelenleg létező 1-2 szinten van.
4. szint: Valódi robotpilóta, de megkötésekkel: csak olyan ismert területen való utazás, amely gondosan feltérképezett és a rendszer számára általánosan ismert, és bizonyos feltételek mellett: például hó hiányában. A Waymo és a General Motors rendelkezik ilyen prototípusokkal, és azt tervezik, hogy több városban is piacra dobják és valós környezetben tesztelik. A Yandexnek vannak tesztzónái a pilóta nélküli taxik számára Skolkovóban és Innopolisban: az utazás az utasülésben ülő mérnök felügyelete mellett zajlik; év végére a cég azt tervezi, hogy flottáját 100 pilóta nélküli járműre bővíti.
5. szint: Teljesen automata vezetés, éles sofőr teljes cseréje. Ilyen rendszerek nem léteznek, és nem valószínű, hogy megjelennek a következő években.
Mennyire reális mindezt belátható jövőben látni? Itt szeretném átirányítani az olvasót a cikkre . Ennek oka részben az 5G kapcsolat hiánya: a rendelkezésre álló 4G sebesség nem elegendő. Részben az autonóm autók igen magas költsége miatt: még nem jövedelmezőek, az üzleti modell tisztázatlan. Egyszóval itt „minden bonyolult”, és nem véletlenül írja a Gartner, hogy a 4. és 5. szint tömeges megvalósítására vonatkozó prognózis nem korábbi, mint 10 év múlva.
3.2. 3D érzékelő kamerák
Nyolc évvel ezelőtt a Microsoft Kinect játékvezérlője óriási hullámokat keltett azzal, hogy elérhető és viszonylag olcsó megoldást kínált a 3D-s látáshoz. Azóta a Kinecttel végzett testnevelés és táncjátékok rövid időre emelkedtek és hanyatlottak, de a 3D-s kamerákat ipari robotokban, pilóta nélküli járművekben és mobiltelefonokban kezdték használni az arc azonosítására. A technológia olcsóbb, kompaktabb és hozzáférhetőbb lett.
A Samsung S10 telefon egy repülési idő kamerával rendelkezik, amely méri a távolságot egy tárgytól, hogy megkönnyítse a fókuszálást.
Ha érdekel ez a téma, akkor átirányítunk egy nagyon jó részletes áttekintésre a mélységi kamerákról: , .
3.3. Drónok kis rakomány szállítására (Light Cargo Delivery Drones)
Idén az Amazon hullámokat keltett, amikor bemutatott egy új repülő drónt a kiállításon, amely akár 2 kg-os kis terheket is képes szállítani. A forgalmi torlódásokkal küzdő városok számára ez ideális megoldásnak tűnik. Lássuk, hogyan teljesítenek ezek a drónok a közeljövőben. Talán érdemes itt óvatosan szkeptikusnak lenni: számos probléma van, kezdve a drón könnyű ellopásának lehetőségétől és az UAV-k jogi korlátozásaiig. Az Amazon Prime Air hat éve létezik, de még mindig a tesztelési fázisban van.
Az Amazon új drónja, idén tavasszal mutatták be. Van benne valami Star Wars.
Az Amazonon kívül más szereplők is vannak ezen a piacon (részletes ), de egyetlen kész terméket sem: minden a tesztelés és a marketingkampányok szakaszában van. Külön érdemes megemlíteni egy nagyon érdekes, magasan szakosodott orvostudományt Afrikában: adományozott vér szállítása Ghánában (14 000 szállítás, Zipline cég) és Ruandában (Matternet cég).
3.4. Repülő autonóm járművek
Nehéz itt bármi határozottat mondani. A Gartner szerint ez legkorábban 10 év múlva fog megjelenni. Általában ugyanazok a problémák vannak itt, mint az önvezető autókban, csak új dimenziót kapnak - függőleges. A Porsche, a Boeing és az Uber bejelentette, hogy repülő taxit terveznek.
3.5. Kiterjesztett valóság felhő (AR Cloud)
A való világ állandó digitális másolata, amely lehetővé teszi a valóság új rétegének létrehozását, amely minden felhasználó számára közös. Technikai értelemben egy nyílt felhőplatform létrehozásáról beszélünk, amelybe a fejlesztők integrálhatják AR-alkalmazásaikat. A bevételszerzési modell egyértelmű, a Steam egyfajta analógja. Az ötlet annyira beépült, hogy egyesek úgy vélik, hogy az AR felhő nélkül egyszerűen haszontalan.
Hogy ez hogyan nézhet ki a jövőben, azt egy rövid videó mutatja be. Úgy néz ki, mint a Black Mirror egy másik epizódja:
A címen is olvashat
4. Kiterjesztett ember
4.1. Érzelem AI
Hogyan lehet mérni, szimulálni és reagálni az emberi érzelmekre? Néhány ügyfél itt olyan vállalat, amely hangsegédeket készít, mint például az Amazon Alexa. Akkor tudnak igazán hozzászokni az otthonokhoz, ha megtanulják felismerni a hangulatot: megértik a használó elégedetlenségének okát, és megpróbálják korrigálni a helyzetet. Általában sokkal több információ található a szövegkörnyezetben, mint magában az üzenetben. A kontextus pedig az arckifejezés, az intonáció és a non-verbális viselkedés.
Egyéb gyakorlati alkalmazások: érzelmek elemzése állásinterjú során (videóinterjúk alapján), reklámokra vagy egyéb videós tartalmakra adott reakciók felmérése (mosoly, nevetés), tanulási segítség (például a nyilvános beszéd művészetének önálló gyakorlásához).
Nehéz jobban beszélni erről a témáról, mint egy 6 perces kisfilm szerzője . A szellemes és stílusos videó bemutatja, hogyan mérheted le érzelmeinket marketing céllal, és az arcod pillanatnyi reakcióiból megtudhatod, hogy szereted-e a pizzát, a kutyákat, Kanye Westet, és még azt is, hogy mekkora a jövedelmed és a hozzávetőleges IQ-d. Ha felkeresi a film weboldalát a fenti link segítségével, egy interaktív videó résztvevője lesz laptopja beépített kamerájával. A filmet már több filmfesztiválon bemutatták.
Van még egy ilyen érdekes tanulmány is: hogyan lehet felismerni a szarkazmust a szövegben. Tweeteket készítettünk a #sarcasm hashtaggel, és egy 25 000 szarkazmusos tweetből és 100 000 rendszeres tweetből álló tréningkészletet készítettünk mindenről, ami a nap alatt van. Használtuk a TensorFlow könyvtárat, betanítottuk a rendszert, és itt az eredmény:
Ezért most, ha nem vagy biztos a kollégádban vagy barátodban - komolyan vagy szarkasztikusan mondott neked valamit, már használhatod !
4.2. Kiterjesztett intelligencia
Szellemi munka automatizálása gépi tanulási módszerekkel. Úgy tűnik, semmi új? De itt maga a megfogalmazás is fontos, különösen azért, mert rövidítésben egybeesik a Mesterséges Intelligenciával. Ez visszavezet minket az „erős” és „gyenge” mesterséges intelligencia vitájához.
Az erős mesterséges intelligencia ugyanaz a sci-fi filmekből származó mesterséges intelligencia, amely teljesen egyenértékű az emberi elmével, és tudatában van önmagának, mint egyénnek. Ez még nem létezik, és nem világos, hogy lesz-e egyáltalán.
A gyenge AI nem független személy, hanem emberi asszisztens. Nem állítja, hogy emberszerű gondolkodása van, hanem egyszerűen tudja, hogyan oldja meg az információs problémákat, például meghatározza, mi látható a képen, vagy fordítson szöveget.
Ebben az értelemben a kiterjesztett intelligencia a legtisztább formájában „gyenge mesterséges intelligencia”, és a megfogalmazás sikeresnek tűnik, mivel nem okoz zavart és nem kísértést, hogy ugyanazt az „erős mesterséges intelligenciát” lássuk itt, amiről mindenki álmodik (vagy fél, ha felidézzük a „lázadó autókról” szóló számos vitát). Az Augmented Intelligence kifejezést használva azonnal egy másik film hőseivé válunk: a science fiction-ből (mint Asimov „I, Robot”) a cyberpunkban találjuk magunkat (ebben a műfajban a „kiegészítések” mindenféle implantátum, amely kiterjeszti az emberi képességeket).
Mint Erik Brynjolfsson és Andrew McAffee: „A következő 10 évben ez fog történni. A mesterséges intelligencia nem fogja leváltani a menedzsereket, de azok a menedzserek, akik mesterséges intelligenciát használnak, azokat is leváltják, akik még nem tették meg.”
Példák:
- Orvostudomány: A Stanford Egyetem fejlesztése , aki átlagosan olyan sikeresen megbirkózik azzal a feladattal, hogy mellkasröntgenen felismerje a patológiákat, mint a legtöbb orvos
- Oktatás: segítségnyújtás a tanulóknak és a tanároknak, a tanulói anyagokra adott válaszok elemzése, egyéni tanulási pálya felépítése.
- Üzleti elemzés: az adatok előfeldolgozása a statisztikák szerint a kutató idejének 80%-át, magának a kísérletnek pedig csak 20%-át
4.3. Biochipek
Ez az összes cyberpunk film és könyv kedvenc témája. Általánosságban elmondható, hogy a háziállatok mikrochippel való ellátása nem új keletű gyakorlat. De most ezeket a chipeket elkezdték beültetni az emberekbe.
Ebben az esetben a felhajtás nagy valószínűséggel az amerikai Three Square Market cég szenzációs esetéhez köthető. Ott a munkaadó felajánlotta, hogy térítés ellenében chipeket ültet be a bőr alá. A chip lehetővé teszi az ajtók kinyitását, a számítógépekbe való belépést, az automatából harapnivalók vásárlását - vagyis egy ilyen univerzális alkalmazotti kártyát. Sőt, egy ilyen chip pontosan azonosító kártyaként szolgál, nincs benne GPS modul, így nem lehet nyomon követni, aki használja. Ha pedig valaki le akarja venni a chipet a karjáról, az orvos segítségével 5 percet vesz igénybe.
A chipeket általában a hüvelykujj és a mutatóujj közé ültetik be.
Olvass tovább a chipezés helyzetéről a világban.
4.4. Magával ragadó munkaterület
Az „elmerítő” egy másik új szó, amelyből egyszerűen nincs menekvés. Mindenhol ott van. Magával ragadó színház, kiállítás, mozi. Hogy érted? Az elmélyülés egy magával ragadó hatás létrehozása, amikor a szerző és a néző, a virtuális és a való világ közötti határ elvész. A munkahelyen ez feltehetően azt jelenti, hogy elmossák a határvonalat a cselekvő és a kezdeményező között, és a munkavállalók aktívabb pozícióra bátorítását környezetük átformálásával.
Mivel ma már mindenhol agilis, rugalmas és szoros együttműködés áll rendelkezésünkre, a munkahelyeknek a lehető legkönnyebben konfigurálhatónak kell lenniük, és ösztönözniük kell a csoportmunkát. A gazdaság diktálja a feltételeit: több a kölcsönzött alkalmazott, emelkedik az irodabérleti díjak, a versenyképes munkaerőpiacon pedig az informatikai cégek rekreációs területek és egyéb juttatások kialakításával próbálják növelni a munkavállalók munkával kapcsolatos elégedettségét. És mindez a munkahelyek kialakításában is megmutatkozik.
Of gomb
4.5. Megszemélyesítés
Mindenki tudja, mi a személyre szabás a reklámokban. Ilyenkor ma arról beszélsz egy kollégáddal, hogy kissé száraz a levegő a szobában, és vegyél egy párásítót az irodába, másnap pedig egy hirdetést látsz a közösségi oldaladon, hogy "vegyél párásítót" (a valós esemény, ami velem történt).
A Gartner meghatározása szerint a személyre szabás válasz a felhasználók növekvő aggodalmára a személyes adataik hirdetési célú felhasználásával kapcsolatban. A cél egy olyan megközelítés kidolgozása, amelyben olyan reklámokat jelenítenek meg számunkra, amelyek az adott kontextushoz kapcsolódnak, nem pedig személyesen. Például a tartózkodási helyünk, az eszköz típusa, a napszak, az időjárási viszonyok – ez nem sérti személyes adatainkat, és nem érezzük azt a kellemetlen érzést, hogy „figyelnek”.
Olvassa el a két fogalom közötti különbséget Andrew Frank blogot ír a Gartner honlapján. Annyira finom különbségek és olyan hasonló szavak vannak, hogy Ön, mivel nem ismeri a különbséget, megkockáztatja, hogy sokáig vitatkozik beszélgetőpartnerével, és nem sejti, hogy általában mindkettőnek igaza van (és ez is egy valós esemény, ami a szerző).
4.6. Biotech – tenyésztett vagy mesterséges szövet
Ez mindenekelőtt a mesterséges hús termesztésének ötlete. Ugyanakkor világszerte több csapat foglalkozik a „Meat 2.0” laboratórium fejlesztésével - várhatóan olcsóbb lesz a szokásosnál, és a gyorséttermek, majd a szupermarketek átállnak rá. A technológia befektetői közé tartozik Bill Gates, Sergey Brin, Richard Branson és mások.
Forrás
Okok, amiért mindenkit annyira érdekel a mesterséges hús:
- Globális felmelegedés: a gazdaságok metánkibocsátása. Ez az éghajlatot befolyásoló gázok globális mennyiségének 18%-a.
- Népesség növekedés. A hús iránti kereslet nő, és nem lehet mindenkit természetes hússal etetni - egyszerűen drága.
- Helyhiány. Az Amazonas erdők 70%-át már kivágták legelőként.
- Etikai megfontolások. Van, akinek ez fontos. A PETA állatvédő szervezet már egymillió dolláros díjat ajánlott fel a mesterséges csirkehúst piacra hozó tudósnak.
A valódi hús szójával való helyettesítése részleges megoldás, mert az emberek értékelik az íz- és állagkülönbséget, és nem valószínű, hogy lemondanak a steakről a szója javára. Tehát valódi, biotermesztésű hús kell. Most sajnos túl drága a műhús: kilogrammonként 12 dollártól. Ez az ilyen hús termesztésének összetett technikai folyamatának köszönhető. Olvass az egészről .
Ha a szövetnövekedés egyéb eseteiről beszélünk - már az orvostudományban -, akkor a mesterséges szervekkel kapcsolatos téma érdekes: például egy „tapasz” a szívizom számára, egy speciális 3D nyomtató. Ismert mint egy mesterségesen termesztett egérszív, de általában még minden a klinikai vizsgálatok keretein belül van. Így nem valószínű, hogy Frankensteint láthatjuk a következő években.
Itt Gartner nagyon óvatos becsléseket hoz, nyilvánvalóan szem előtt tartva azt a 2015-ös sikertelen jóslatot, amely szerint 2019-ben a fejlett országok lakosságának 10%-a rendelkezik majd 3D-s nyomtatott orvosi eszköz implantátummal. Ezért ez azt jelenti, hogy a termelékenységi plató elérésének ideje legalább 10 év.
5. Digitális ökoszisztémák
5.1. Decentralizált web
Ez a fogalom szorosan összefügg a web feltalálója, a Turing-díjas Sir Tim Burners-Lee nevével. Számára mindig is fontosak voltak az etikai kérdések a számítástechnikában, és fontos volt az internet kollektív lényege: a hipertext alapjait lefektetve meg volt győződve arról, hogy a hálózatnak webként kell működnie, nem pedig hierarchiaként. Ez volt a helyzet a hálózatfejlesztés korai szakaszában. Az internet növekedésével azonban struktúrája különböző okok miatt centralizálttá vált. Kiderült, hogy néhány szolgáltató segítségével könnyen blokkolható egy egész ország hálózathoz való hozzáférése. A felhasználói adatok pedig energia- és bevételforrássá váltak az internetes cégek számára.
„Az internet már decentralizált” – mondja Burners-Lee. „A probléma az, hogy egy kereső, egy nagy közösségi hálózat, egy mikroblogplatform dominál. Technológiai problémáink nincsenek, de társadalmi problémáink igen.”
Az övében A világháló 30. évfordulója alkalmából a web létrehozója az internet három fő problémáját vázolta fel:
- Célzott károk, például államilag támogatott hackelés, bűnözés és online zaklatás
- Maga a rendszer kialakítása, amely a felhasználó kárára megteremti a talajt olyan mechanizmusoknak, mint: a kattintáscsali anyagi ösztönzése és a hamis információk vírusos terjesztése.
- A rendszertervezés nem kívánt következményei, amelyek konfliktusokhoz és az online beszélgetés minőségének romlásához vezetnek
Tim Berners-Lee-nek pedig már megvan a válasza arra, hogy az „Egészséges ember internete” milyen elveken alapulhat, a 2. számú probléma nélkül: „Sok felhasználó számára a reklámból származó bevétel az egyetlen modell az internettel való interakcióhoz. Még ha félnek is az emberek attól, hogy mi lesz az adataikkal, hajlandóak alkut kötni a marketinggéppel az ingyenes tartalomhoz jutás lehetőségéért. Képzeljen el egy olyan világot, ahol az árukért és szolgáltatásokért való fizetés egyszerű és élvezetes mindkét fél számára.” A megoldási lehetőségek között szerepel: a zenészek közvetítő nélkül értékesíthetik felvételeiket az iTunes formájában, a híroldalak pedig mikrofizetési rendszert használhatnak egy cikk elolvasásához, ahelyett, hogy reklámból pénzt keresnének.
Ennek az új internetnek a kísérleti prototípusaként Tim Berners-Lee elindította a SOLID projektet, amelynek lényege, hogy adatait egy „pod”-ban – egy információs tárolóban – tárolja, és ezeket az adatokat harmadik féltől származó alkalmazásoknak is átadhatja. De elvileg te magad vagy az adataid ura. Mindez szorosan összefügg a peer-to-peer hálózatok fogalmával, vagyis számítógépe nem csak kér szolgáltatásokat, hanem azokat nyújtja is, hogy ne egy szerverre, mint egyetlen csatornára hagyatkozzon.
5.2. Decentralizált autonóm szervezetek
Ez egy olyan szervezet, amelyet számítógépes program formájában írt szabályok szabályoznak. Pénzügyi tevékenységei a blokkláncon alapulnak. Az ilyen szervezetek létrehozásának célja az állam kiiktatása a közvetítői szerepből, és a szerződő felek számára egy olyan közös bizalmi környezet kialakítása, amely nem egyénileg senkinek, hanem mindenkié együtt. Azaz elméletileg ennek meg kellene szüntetnie a közjegyzőket és más szokásos hitelesítő intézményeket, ha az ötlet gyökeret ver.
Az ilyen szervezet leghíresebb példája a vállalkozásközpontú The DAO volt, amely 2016-ban 150 millió dollárt gyűjtött össze, amelyből 50 dollárt azonnal elloptak a szabályok egy jogi lyukán keresztül. Rögtön felmerült egy nehéz dilemma: vagy vissza kell állítani és visszaküldeni a pénzt, vagy beismerni, hogy a pénzfelvétel jogszerű volt, mert az semmilyen módon nem sérti a platform szabályait. Ennek eredményeként a befektetőknek való pénz visszajuttatása érdekében az alkotóknak meg kellett semmisíteniük a The DAO-t, átírva a blokkláncot és megsértve annak alapelvét - a megváltoztathatatlanságot.
Képregény az Ethereumról (balra) és a DAO-ról (jobbra).
Ez az egész történet tönkretette magának a DAO ötletének hírnevét. Az a projekt az Ethereum kriptovaluta alapján készült, az Ether 2.0 verzió jövőre várható - talán a szerzők (köztük a híres Vitalik Buterin) figyelembe veszik a hibákat és mutatnak valami újat. Valószínűleg ezért tette fel a Gartner a DAO-t a felső vonalra.
5.3. Szintetikus adatok
A neurális hálózatok betanításához nagy mennyiségű adatra van szükség. Az adatok kézi címkézése hatalmas feladat, amelyet csak ember végezhet el. Ezért lehetőség van mesterséges adatkészletek létrehozására. Például ugyanazok az emberi arcok a webhelyen . Létrehozásuk GAN - a fentebb már említett algoritmusok segítségével történik.
Ezek az arcok nem az embereké.
Az ilyen adatok nagy előnye, hogy nincs jogi nehézség a felhasználásukban: nincs, aki hozzájáruljon a személyes adatok kezeléséhez.
5.4.Digitális műveletek
Az „Ops” utótag hihetetlenül divatossá vált, mióta a DevOps gyökeret vert beszédünkben. Most arról, hogy mi is az a DigitalOps – ez csak a DevOps, DesignOps, MarketingOps általánosítása... Unod már? Röviden, ez a DevOps megközelítés átvitele a szoftverterületről az üzleti élet minden más aspektusára - marketingre, tervezésre stb.
A DevOps ötlete az volt, hogy közös csapatok létrehozásával távolítsa el az akadályokat a fejlesztés és a műveletek (üzleti folyamatok) között, ahol programozók, tesztelők, biztonsági szakemberek és rendszergazdák vannak; egyes gyakorlatok megvalósítása: folyamatos integráció, infrastruktúra mint kód, visszacsatolási láncok csökkentése, erősítése. A cél a termék piacra kerülésének felgyorsítása volt. Ha azt gondolta, hogy ez hasonló az Agile-hez, akkor igaza volt. Most mentálisan vigye át ezt a megközelítést a szoftverfejlesztés területéről általában a fejlesztésre – és megérti, mi az a DigitalOps.
5.5. Tudásgrafikonok
Szoftveres módszer egy tudásterület modellezésére, beleértve a gépi tanulási algoritmusok használatát. A tudásgráf a meglévő adatbázisokra épül, hogy összekapcsolja az összes információt: strukturált (események vagy személyek listája) és strukturálatlan (egy cikk szövege).
A legegyszerűbb példa a kártya, amelyet a Google keresési eredményei között láthat. Ha személyt vagy intézményt keres, a jobb oldalon egy kártya jelenik meg:
Felhívjuk figyelmét, hogy a „Közelgő események” nem a Google Térkép információinak másolata, hanem a menetrend integrálása a Yandex.Afisha-val: ezt könnyen láthatja, ha az eseményekre kattint. Vagyis több adatforrás együttes kombinációja.
Ha listát kér – például "híres rendezők" -, akkor megjelenik egy körhinta:
Bónusz azoknak, akik a végéig elolvassák
És most, hogy tisztáztuk magunknak az egyes pontok jelentését, megnézhetjük ugyanazt a képet, de oroszul:
Oszd meg szabadon a közösségi hálózatokon!
Tatyana Volkova – a Samsung Akadémia Dolgok Internete IT pálya képzési programjának szerzője, a Samsung Research Center vállalati társadalmi felelősségvállalási programok specialistája
Forrás: will.com