Bagan Gartner seperti peragaan busana kelas atas bagi mereka yang berkecimpung di industri teknologi. Dengan melihatnya, Anda dapat mengetahui terlebih dahulu kata-kata mana yang paling populer di musim ini dan apa yang akan Anda dengar di semua konferensi mendatang.

Kami telah menguraikan apa yang ada di balik kata-kata indah dalam grafik ini sehingga Anda dapat memahami bahasa tersebut juga.

Untuk memulainya, hanya beberapa kata tentang jenis grafik ini. Setiap tahun di bulan Agustus, lembaga konsultan Gartner merilis laporan - Gartner Hype Curve. Dalam bahasa Rusia, ini adalah “kurva hype”, atau, lebih sederhananya, hype. 30 tahun yang lalu, rapper dari grup Public Enemy bernyanyi: “Jangan percaya hype.” Percaya atau tidak, ini adalah pertanyaan pribadi, namun ada baiknya setidaknya mengetahui kata kunci tersebut jika Anda bekerja di bidang teknologi dan ingin mengetahui tren global.

Ini adalah grafik ekspektasi masyarakat terhadap suatu teknologi tertentu. Menurut Gartner, idealnya teknologi melewati 5 tahap: peluncuran teknologi, puncak ekspektasi yang melambung, lembah kekecewaan, kemiringan pencerahan, dataran tinggi produktivitas. Namun kebetulan juga ia tenggelam dalam “lembah kekecewaan” - Anda dapat mengingat contohnya sendiri dengan sangat mudah, ambillah bitcoin yang sama: awalnya mencapai puncaknya sebagai “uang masa depan”, mereka dengan cepat merosot ketika kekurangan teknologi menjadi jelas, pertama-tama, pembatasan jumlah transaksi dan sejumlah besar listrik yang dibutuhkan untuk menghasilkan bitcoin (yang sudah menimbulkan masalah lingkungan). Dan tentu saja, kita tidak boleh lupa bahwa grafik Gartner hanyalah perkiraan: di sini, misalnya, Anda dapat membaca rinciannya sebuah artikel, tempat memilah prediksi paling mencolok yang belum terpenuhi.

Jadi, mari kita lihat grafik Gartner yang baru. Teknologi dibagi menjadi 5 kelompok tematik besar:

1. AI dan Analisis Tingkat Lanjut
2. Komputasi dan Komunikasi Pascaklasik
3. Penginderaan dan Mobilitas
4. Manusia yang Ditambah
5. Ekosistem Digital

1. AI dan Analisis Tingkat Lanjut

Selama 10 tahun terakhir kita telah melihat saat-saat terbaik dalam pembelajaran mendalam. Jaringan ini benar-benar efektif untuk berbagai tugasnya. Pada tahun 2018, Yann LeCun, Geoffrey Hinton, dan Yoshua Bengio menerima Penghargaan Turing atas penemuan mereka - penghargaan paling bergengsi, setara dengan Hadiah Nobel dalam ilmu komputer. Jadi, tren utama di area ini, yang ditunjukkan pada grafik:

1.1. Pembelajaran Transfer

Anda tidak melatih jaringan saraf dari awal, tetapi mengambil jaringan saraf yang sudah terlatih dan menetapkan tujuan yang berbeda. Terkadang hal ini memerlukan pelatihan ulang sebagian jaringan, tetapi tidak seluruh jaringan, yang jauh lebih cepat. Misalnya, dengan menggunakan jaringan saraf siap pakai ResNet50, yang dilatih pada kumpulan data ImageNet1000, Anda akan mendapatkan algoritme yang dapat mengklasifikasikan banyak objek berbeda dalam sebuah gambar pada tingkat yang sangat dalam (1000 kelas berdasarkan fitur yang dihasilkan oleh 50 lapisan saraf jaringan). Namun Anda tidak perlu melatih seluruh jaringan tersebut, yang akan memakan waktu berbulan-bulan.

В kursus online Samsung “Jaringan saraf dan visi komputer”, misalnya, di final Tugas Kaggle dengan klasifikasi piring menjadi bersih dan kotor, sebuah pendekatan ditunjukkan bahwa dalam 5 menit memberi Anda jaringan saraf dalam yang mampu membedakan piring kotor dari piring bersih, dibangun sesuai dengan arsitektur yang dijelaskan di atas. Jaringan asli tidak mengetahui apa itu pelat sama sekali, hanya belajar membedakan burung dari anjing (lihat ImageNet).

Sumber: kursus online Samsung "Jaringan saraf dan visi komputer"

Untuk Pembelajaran Transfer, Anda perlu mengetahui pendekatan mana yang berhasil dan arsitektur dasar siap pakai apa yang tersedia. Secara keseluruhan, hal ini sangat mempercepat munculnya aplikasi praktis pembelajaran mesin.

1.2. Jaringan Adversarial Generatif (GAN)

Hal ini untuk kasus-kasus ketika sangat sulit bagi kita untuk merumuskan tujuan pembelajaran. Semakin dekat tugasnya dengan kehidupan nyata, semakin mudah kita memahaminya (“membawa meja samping tempat tidur”), tetapi semakin sulit untuk merumuskannya sebagai tugas teknis. GAN hanyalah upaya untuk menyelamatkan kita dari masalah ini.

Ada dua jaringan yang bekerja di sini: satu adalah generator (Generatif), yang lain adalah diskriminator (Adversarial). Satu jaringan belajar melakukan pekerjaan yang bermanfaat (mengklasifikasikan gambar, mengenali suara, menggambar kartun). Dan jaringan lain belajar untuk mengajarkan jaringan itu: ia memiliki contoh nyata, dan ia belajar menemukan rumus kompleks yang sebelumnya tidak diketahui untuk membandingkan produk dari bagian generatif jaringan dengan objek dunia nyata (set pelatihan) berdasarkan karakteristik mendalam yang sangat penting : jumlah mata, kedekatan dengan gaya Miyazaki, pengucapan bahasa Inggris yang benar.

Contoh hasil jaringan pembangkitan karakter anime. Источник

Namun tentu saja sulit membangun arsitektur di sana. Tidak cukup hanya membuang neuron, mereka harus bersiap. Dan Anda harus belajar selama berminggu-minggu. Rekan-rekan saya di Samsung Artificial Intelligence Center sedang mengerjakan topik GAN; ini adalah salah satu pertanyaan penelitian utama mereka. Misalnya saja seperti ini pengembangan: menggunakan jaringan generatif untuk mensintesis foto realistis orang-orang dengan berbagai pose - misalnya, untuk membuat ruang pas virtual, atau untuk mensintesis wajah, yang dapat mengurangi jumlah informasi yang perlu disimpan atau dikirimkan untuk memastikan video berkualitas tinggi komunikasi, penyiaran atau perlindungan data pribadi.

Источник

1.3. AI yang bisa dijelaskan

Untuk beberapa tugas yang jarang terjadi, kemajuan dalam arsitektur mendalam tiba-tiba membawa kemampuan jaringan saraf dalam mendekati kemampuan manusia. Sekarang perjuangan untuk meningkatkan jangkauan tugas tersebut sedang berlangsung. Misalnya, robot penyedot debu dapat dengan mudah membedakan kucing dan anjing dalam pertemuan langsung. Namun dalam sebagian besar situasi kehidupan, dia tidak akan dapat menemukan kucing tidur di antara linen atau furnitur (namun, seperti kita, dalam banyak kasus...).

Apa alasan keberhasilan jaringan saraf dalam? Mereka mengembangkan representasi masalah tidak berdasarkan informasi yang “terlihat dengan mata telanjang” (piksel foto, perubahan volume suara...), tetapi pada fitur yang diperoleh setelah pra-pemrosesan informasi ini oleh beberapa ratus lapisan jaringan saraf. Sayangnya, hubungan ini mungkin juga tidak berarti, tidak konsisten, atau membawa jejak ketidaksempurnaan pada kumpulan data asli. Misalnya, ada permainan komputer kecil tentang dampak penggunaan AI yang tidak bijaksana dalam perekrutan Kelangsungan Hidup Yang Paling Cocok.

Sistem penandaan gambar memberi label orang yang sedang memasak sebagai perempuan, padahal orang dalam gambar tersebut sebenarnya adalah laki-laki (Источник). dia diperhatikan di Institut Virginia.

Untuk menganalisis hubungan yang kompleks dan mendalam yang seringkali tidak dapat kita rumuskan sendiri, diperlukan metode AI yang dapat dijelaskan. Mereka mengatur fitur-fitur jaringan saraf dalam sehingga setelah pelatihan, kita dapat menganalisis representasi internal yang telah dipelajari jaringan, bukan hanya mengandalkan keputusannya.

1.4. Analisis Tepi / AI

Segala sesuatu dengan kata Edge secara harfiah berarti sebagai berikut: mentransfer sebagian algoritma dari cloud/server ke tingkat perangkat/gateway akhir. Algoritme seperti itu akan bekerja lebih cepat dan tidak memerlukan koneksi ke server pusat untuk pengoperasiannya. Jika Anda familiar dengan abstraksi “thin client”, maka di sini kami membuat klien ini sedikit lebih tebal.
Ini mungkin penting untuk Internet of Things. Misalnya, jika mesin mengalami panas berlebih dan memerlukan pendinginan, masuk akal untuk segera memberi sinyal, di tingkat pabrik, tanpa menunggu data masuk ke cloud dan dari sana ke mandor shift. Atau contoh lain: mobil self-driving dapat mengetahui sendiri situasi lalu lintas, tanpa menghubungi server pusat.

Источник

Atau contoh lain mengapa hal ini penting dari sudut pandang keamanan: saat Anda mengetik teks di ponsel, ponsel akan mengingat kata-kata yang umum untuk Anda, sehingga keyboard ponsel dapat dengan mudah menanyakannya kepada Anda - ini disebut input teks prediktif . Mengirimkan semua yang Anda ketik di keyboard ke pusat data di suatu tempat akan menjadi pelanggaran privasi Anda dan tidak aman. Oleh karena itu, pelatihan keyboard hanya terjadi di dalam perangkat Anda sendiri.

1.5. Platform AI sebagai Layanan (AI PaaS)

PaaS - Platform-as-a-Service adalah model bisnis di mana kami mendapatkan akses ke platform terintegrasi, termasuk penyimpanan data berbasis cloud dan prosedur siap pakai. Dengan cara ini, kita dapat terbebas dari tugas-tugas infrastruktur dan berkonsentrasi penuh untuk menghasilkan sesuatu yang bermanfaat. Contoh platform PaaS untuk tugas AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Pembelajaran Mesin Adaptif (ML Adaptif)

Bagaimana jika kita membiarkan kecerdasan buatan beradaptasi... Anda bertanya - bagaimana caranya?.. Bukankah ia sudah beradaptasi dengan tugas? Masalahnya adalah ini: kami dengan susah payah merancang setiap masalah sebelum membangun algoritma kecerdasan buatan untuk menyelesaikannya. Mereka akan menjawab Anda - ternyata rantai ini bisa disederhanakan.

Pembelajaran mesin konvensional bekerja berdasarkan prinsip loop terbuka: Anda menyiapkan data, membuat jaringan saraf (atau apa pun), melatih, lalu melihat beberapa indikator, dan jika Anda menyukai semuanya, Anda dapat mengirim jaringan saraf ke ponsel cerdas untuk memecahkan masalah pengguna. Namun pada aplikasi yang datanya banyak dan sifatnya berangsur-angsur berubah, diperlukan metode lain. Sistem seperti itu, yang beradaptasi dan belajar sendiri, diorganisasikan ke dalam lingkaran pembelajaran mandiri yang tertutup (lingkaran tertutup), dan harus bekerja dengan lancar.

Aplikasi - ini bisa berupa analisis aliran (Stream Analytics), yang menjadi dasar pengambilan keputusan banyak pengusaha, atau manajemen produksi adaptif. Pada skala penerapan saat ini dan mengingat risiko yang lebih dipahami terhadap manusia, teknik-teknik yang merupakan solusi terhadap masalah ini semuanya dikumpulkan di bawah istilah umum AI Adaptif.

Источник

Melihat gambar ini, sulit untuk menghilangkan perasaan tidak memberi makan para futurolog - biarkan mereka mengajari robot bernapas...

Komputasi dan Komunikasi Pascaklasik

2.1. Komunikasi seluler generasi kelima (5G)

Ini adalah topik yang sangat menarik sehingga kami segera merujuk Anda ke topik kami Artikel. Nah, inilah ringkasan singkatnya. 5G, dengan meningkatkan frekuensi transmisi data, akan membuat kecepatan Internet menjadi sangat cepat. Gelombang pendek lebih sulit melewati rintangan, sehingga desain jaringan akan sangat berbeda: dibutuhkan stasiun pangkalan 500 kali lebih banyak.

Seiring dengan kecepatan, kita akan mendapatkan fenomena baru: permainan real-time dengan augmented reality, melakukan tugas-tugas kompleks (seperti operasi) melalui telepresence, mencegah kecelakaan dan situasi sulit di jalan melalui komunikasi antar mesin. Dengan catatan yang lebih membosankan: Internet seluler pada akhirnya akan berhenti terputus selama acara-acara massal, seperti pertandingan di stadion.

Sumber gambar - Reuters, Niantic

2.2. Memori Generasi Berikutnya

Di sini kita berbicara tentang RAM generasi kelima – DDR5. Samsung mengumumkan bahwa produk berbasis DDR2019 akan tersedia pada akhir tahun 5. Memori baru ini diharapkan dua kali lebih cepat dan dua kali lebih besar dengan tetap mempertahankan faktor bentuk yang sama, yaitu kita bisa mendapatkan memory stick dengan kapasitas hingga 32GB untuk komputer kita. Di masa depan, hal ini akan sangat relevan untuk ponsel cerdas (memori baru akan dalam versi berdaya rendah) dan untuk laptop (yang jumlah slot DIMMnya terbatas). Dan pembelajaran mesin juga membutuhkan RAM dalam jumlah besar.

2.3. Sistem Satelit Orbit Bumi Rendah

Gagasan untuk mengganti satelit yang berat, mahal, dan kuat dengan satelit yang kecil dan murah bukanlah hal baru dan muncul pada tahun 90-an. Tentang apa “Elon Musk akan segera mendistribusikan Internet ke semua orang dari satelit” Sekarang hanya orang malas yang belum mendengarnya. Perusahaan paling terkenal di sini adalah Iridium, yang bangkrut pada akhir tahun 90an, namun diselamatkan dengan mengorbankan Departemen Pertahanan AS (jangan bingung dengan iRidium, sistem rumah pintar Rusia). Proyek Elon Musk (Starlink) bukanlah satu-satunya - Richard Branson (OneWeb - 1440 satelit yang diusulkan), Boeing (3000 satelit), Samsung (4600 satelit), dan lainnya berpartisipasi dalam perlombaan satelit.

Bagaimana keadaan di wilayah ini, seperti apa perekonomian di sana - baca terus ulasan. Dan kami sedang menunggu pengujian pertama sistem ini oleh pengguna pertama, yang akan dilakukan tahun depan.

2.4. Pencetakan 3D Skala Nano

Meskipun pencetakan 3D belum memasuki kehidupan setiap orang (dalam bentuk yang dijanjikan oleh pabrik plastik rumahan), namun telah lama meninggalkan ceruk teknologi bagi para geek. Anda dapat menilai dari fakta bahwa setiap anak sekolah mengetahui keberadaan setidaknya pena pahatan 3D, dan banyak yang bermimpi membeli sebuah kotak berisi pelari dan ekstruder untuk... "begitu saja" (atau sudah membelinya).

Stereolitografi (printer 3D laser) memungkinkan pencetakan dengan foton individual: polimer baru sedang dieksplorasi yang hanya memerlukan dua foton untuk mengeras. Ini akan memungkinkan, dalam kondisi non-laboratorium, untuk membuat filter, dudukan, pegas, kapiler, lensa, dan... pilihan Anda yang benar-benar baru di komentar! Dan di sini tidak jauh dari fotopolimerisasi - hanya teknologi ini yang memungkinkan kita untuk "mencetak" prosesor dan sirkuit komputasi. Apalagi, ini bukan tahun pertama hal tersebut terjadi teknologi untuk mencetak struktur tiga dimensi graphene 500 nm, tetapi tanpa perkembangan radikal.

Источник

3. Penginderaan dan Mobilitas

3.1. Mengemudi Otonom Tingkat 4 & 5

Agar tidak bingung dalam terminologi, ada baiknya memahami tingkat otonomi apa yang dibedakan (diambil dari rincian Artikel, yang kami rujuk semua yang berminat):

Level 1: Cruise control: membantu pengemudi dalam situasi yang sangat terbatas (misalnya, menahan mobil pada kecepatan tertentu setelah pengemudi melepaskan kakinya dari pedal)
Level 2: Bantuan kemudi dan pengereman terbatas. Pengemudi harus siap mengambil kendali hampir seketika. Tangannya di setir, matanya tertuju ke jalan. Ini adalah sesuatu yang sudah dimiliki Tesla dan General Motors.
Level 3: Pengemudi tidak lagi harus terus-menerus mengawasi jalan. Namun ia harus tetap waspada dan siap mengambil kendali. Ini adalah sesuatu yang belum dimiliki oleh mobil yang tersedia secara komersial. Semua yang ada saat ini berada di level 1-2.
Level 4: Autopilot sejati, tetapi dengan batasan: hanya perjalanan di area yang diketahui yang dipetakan dengan cermat dan diketahui secara umum oleh sistem, dan dalam kondisi tertentu: misalnya, tanpa adanya salju. Waymo dan General Motors memiliki prototipe seperti itu, dan mereka berencana meluncurkannya di beberapa kota dan mengujinya di lingkungan nyata. Yandex memiliki zona uji untuk taksi tak berawak di Skolkovo dan Innopolis: perjalanan dilakukan di bawah pengawasan seorang insinyur yang duduk di kursi penumpang; pada akhir tahun, perusahaan berencana menambah armadanya menjadi 100 kendaraan tak berawak.
Level 5: Mengemudi otomatis penuh, penggantian lengkap pengemudi langsung. Sistem seperti ini belum ada dan kecil kemungkinannya akan muncul di tahun-tahun mendatang.

Seberapa realistiskah kita melihat semua ini di masa mendatang? Di sini saya ingin mengarahkan pembaca ke artikel tersebut “Mengapa tidak mungkin meluncurkan robotaxi pada tahun 2020, seperti yang dijanjikan Tesla”. Hal ini sebagian disebabkan oleh kurangnya konektivitas 5G: kecepatan 4G yang tersedia saja tidak cukup. Salah satu penyebabnya adalah mahalnya harga mobil otonom: belum menguntungkan, dan model bisnisnya belum jelas. Singkatnya, “semuanya rumit” di sini, dan bukan suatu kebetulan jika Gartner menulis bahwa perkiraan penerapan massal Level 4 dan 5 tidak akan terjadi lebih awal dari dalam 10 tahun.

3.2. Kamera Penginderaan 3D

Delapan tahun lalu, pengontrol game Kinect dari Microsoft membuat gebrakan dengan menawarkan solusi visi 3D yang mudah diakses dan relatif murah. Sejak itu, pendidikan jasmani dan permainan tari dengan Kinect mengalami kenaikan dan penurunan singkat, namun kamera 3D mulai digunakan pada robot industri, kendaraan tak berawak, dan ponsel untuk identifikasi wajah. Teknologi ini menjadi lebih murah, lebih ringkas, dan lebih mudah diakses.

Ponsel Samsung S10 memiliki kamera Time-of-Flight yang mengukur jarak ke suatu objek untuk mempermudah pemfokusan. Источник

Jika Anda tertarik dengan topik ini, kami akan mengarahkan Anda ke ulasan mendetail yang sangat bagus tentang kamera kedalaman: Bagian 1, Bagian 2.

3.3. Drone untuk mengirimkan kargo kecil (Light Cargo Delivery Drones)

Tahun ini, Amazon membuat heboh ketika memamerkan drone terbang baru di pameran tersebut yang dapat membawa muatan kecil hingga 2 kg. Untuk kota yang macet, hal ini sepertinya merupakan solusi ideal. Mari kita lihat bagaimana kinerja drone ini dalam waktu dekat. Mungkin ada baiknya bersikap skeptis di sini: ada banyak masalah, dimulai dengan kemungkinan mudahnya pencurian drone, dan diakhiri dengan pembatasan hukum terhadap UAV. Amazon Prime Air telah ada selama enam tahun tetapi masih dalam tahap pengujian.

Drone baru Amazon, ditampilkan musim semi ini. Ada sesuatu Star Wars tentang dia. Источник

Selain Amazon, ada pemain lain di pasar ini (ada detailnya meninjau), tetapi tidak ada satu pun produk jadi: semuanya masih dalam tahap pengujian dan kampanye pemasaran. Secara terpisah, perlu diperhatikan medis yang sangat terspesialisasi yang cukup menarik Proyek di Afrika: pengiriman darah yang disumbangkan di Ghana (14 pengiriman, perusahaan Zipline) dan Rwanda (perusahaan Matternet).

3.4. Kendaraan Otonom Terbang

Sulit untuk mengatakan sesuatu yang pasti di sini. Menurut Gartner, hal ini akan muncul paling cepat dalam 10 tahun. Secara umum, ada masalah yang sama di sini seperti pada mobil self-driving, hanya saja mereka memperoleh dimensi baru - vertikal. Porsche, Boeing, dan Uber telah mengumumkan ambisi mereka untuk membangun taksi terbang.

3.5. Awan Realitas Tertambah (AR Cloud)

Salinan digital permanen dari dunia nyata, memungkinkan Anda membuat lapisan realitas baru yang umum bagi semua pengguna. Dalam istilah yang lebih teknis, kita berbicara tentang membuat platform cloud terbuka di mana pengembang dapat mengintegrasikan aplikasi AR mereka. Model monetisasinya jelas, ini semacam analogi Steam. Ide tersebut telah menjadi begitu mengakar sehingga beberapa orang kini percaya bahwa AR tanpa cloud tidak ada gunanya.

Apa yang mungkin terjadi di masa depan ditunjukkan dalam video pendek. Sepertinya episode Black Mirror lainnya:

Anda juga dapat membaca di mengulas artikel.

4. Manusia yang Ditambah

4.1. emosi AI

Bagaimana mengukur, mensimulasikan, dan merespons emosi manusia? Beberapa klien di sini adalah perusahaan yang membuat asisten suara seperti Amazon Alexa. Mereka dapat benar-benar terbiasa dengan rumah jika mereka belajar mengenali suasana hati: memahami alasan ketidakpuasan pengguna, dan mencoba memperbaiki situasi. Secara umum, terdapat lebih banyak informasi dalam konteks daripada pesan itu sendiri. Dan konteksnya adalah ekspresi wajah, intonasi, dan perilaku nonverbal.

Aplikasi praktis lainnya: analisis emosi selama wawancara kerja (berdasarkan wawancara video), menilai reaksi terhadap iklan atau konten video lainnya (senyum, tawa), bantuan dalam belajar (misalnya, untuk latihan mandiri dalam seni berbicara di depan umum).

Sulit untuk berbicara lebih baik tentang topik ini daripada penulis film pendek berdurasi 6 menit Mencuri Perasaanmu. Video yang jenaka dan penuh gaya ini menunjukkan bagaimana Anda dapat mengukur emosi kita untuk tujuan pemasaran, dan dari reaksi sesaat di wajah Anda, cari tahu apakah Anda menyukai pizza, anjing, Kanye West, dan bahkan berapa tingkat pendapatan dan perkiraan IQ Anda. Dengan mengunjungi website film menggunakan link di atas, Anda menjadi peserta video interaktif menggunakan kamera internal laptop Anda. Film ini sudah diputar di beberapa festival film.

Источник

Bahkan ada kajian menarik: bagaimana mengenali sarkasme dalam teks. Kami mengambil tweet dengan hashtag #sarcasm dan membuat set pelatihan yang terdiri dari 25 tweet dengan sarkasme dan 000 tweet reguler tentang segala hal. Kami menggunakan perpustakaan TensorFlow, melatih sistemnya, dan inilah hasilnya:

Источник

Oleh karena itu, sekarang, jika Anda tidak yakin dengan kolega atau teman Anda - dia mengatakan sesuatu kepada Anda dengan serius atau sinis, Anda sudah dapat menggunakan jaringan saraf terlatih!

4.2. Kecerdasan yang Ditambah

Otomatisasi pekerjaan intelektual menggunakan metode pembelajaran mesin. Sepertinya bukan hal baru? Namun kata-katanya sendiri penting di sini, terutama karena singkatannya bertepatan dengan Artificial Intelligence. Hal ini membawa kita kembali ke perdebatan tentang AI yang “kuat” dan “lemah”.
AI yang kuat adalah kecerdasan buatan yang sama dari film fiksi ilmiah yang sepenuhnya setara dengan pikiran manusia dan menyadari dirinya sebagai individu. Hal ini belum ada dan tidak jelas apakah akan ada atau tidak.

AI yang lemah bukanlah orang yang mandiri, melainkan asisten manusia. Ia tidak mengaku memiliki pemikiran seperti manusia, tetapi hanya mengetahui cara memecahkan masalah informasi, misalnya menentukan apa yang ditampilkan dalam gambar atau menerjemahkan teks.

Источник

Dalam hal ini, Augmented Intelligence adalah “AI yang lemah” dalam bentuknya yang paling murni, dan formulasinya tampaknya berhasil, karena tidak menimbulkan kebingungan dan godaan untuk melihat “AI yang kuat” yang sama yang diimpikan (atau ditakuti semua orang, jika kita ingat banyak diskusi tentang “mobil pemberontakan”). Dengan menggunakan ungkapan Augmented Intelligence, kita langsung menjadi pahlawan di film lain: dari fiksi ilmiah (seperti “I, Robot” karya Asimov), kita menemukan diri kita di cyberpunk (“augmentasi” dalam genre ini adalah segala jenis implan yang memperluas kemampuan manusia).

Как dikatakan Erik Brynjolfsson dan Andrew McAffee: “Selama 10 tahun ke depan, inilah yang akan terjadi. AI tidak akan menggantikan manajer, namun manajer yang menggunakan AI akan menggantikan mereka yang belum berhasil.”

Примеры:

• Kedokteran: Universitas Stanford berkembang algoritma, yang rata-rata berhasil mengatasi tugas mengenali patologi pada rontgen dada seperti kebanyakan dokter
• Pendidikan: bantuan kepada siswa dan guru, analisis respon siswa terhadap materi, konstruksi lintasan belajar individu.
• Analisis bisnis: pemrosesan awal data, menurut statistik, menghabiskan 80% waktu peneliti, dan hanya 20% dari eksperimen itu sendiri

4.3. Biochip

Ini adalah tema favorit dari semua film dan buku cyberpunk. Secara umum, microchipping pada hewan peliharaan bukanlah praktik baru. Namun kini chip tersebut sudah mulai ditanamkan ke manusia.

Dalam hal ini, hype tersebut kemungkinan besar terkait dengan kasus sensasional di perusahaan Amerika Three Square Market. Di sana, majikan mulai menawarkan untuk menanamkan chip di bawah kulit dengan imbalan sejumlah biaya. Chip ini memungkinkan Anda membuka pintu, masuk ke komputer, membeli makanan ringan dari mesin penjual otomatis - yaitu, kartu karyawan universal. Selain itu, chip tersebut justru berfungsi sebagai kartu identitas, tidak memiliki modul GPS, sehingga tidak mungkin melacak siapa pun yang menggunakannya. Dan jika seseorang ingin mengeluarkan chip dari lengannya, dibutuhkan waktu 5 menit dengan bantuan dokter.

Chip tersebut biasanya ditanam di antara ibu jari dan jari telunjuk. Источник

Baca selengkapnya sebuah artikel tentang keadaan chipping di dunia.

4.4. Ruang Kerja yang Imersif

“Immersive” adalah kata baru lainnya yang tidak bisa dihindari. Itu ada dimana-mana. Teater, pameran, bioskop yang imersif. Apa maksudmu? Immersion adalah penciptaan efek imersif, ketika batas antara penulis dan penonton, dunia maya dan dunia nyata hilang. Di tempat kerja, hal ini mungkin berarti mengaburkan batas antara pelaku dan pemrakarsa serta mendorong karyawan untuk mengambil posisi lebih aktif melalui pemformatan ulang lingkungan mereka.

Karena kita sekarang memiliki Agile, fleksibilitas, dan kolaborasi yang erat di mana-mana, tempat kerja harus dapat dikonfigurasi semudah mungkin dan harus mendorong kerja kelompok. Perekonomian menentukan kondisinya: terdapat lebih banyak karyawan sementara, biaya sewa ruang kantor meningkat, dan dalam pasar tenaga kerja yang kompetitif, perusahaan TI berusaha meningkatkan kepuasan kerja karyawan dengan menciptakan area rekreasi dan fasilitas lainnya. Dan semua ini tercermin dalam desain tempat kerja.

Dari laporan Bukit kecil

4.5. Pengejawantahan

Semua orang tahu apa itu personalisasi dalam periklanan. Inilah saat hari ini Anda berdiskusi dengan rekan kerja bahwa udara di dalam ruangan agak kering, dan Anda harus membeli pelembab udara untuk kantor, dan keesokan harinya Anda melihat iklan di jejaring sosial Anda - “beli pelembab udara” (a kejadian nyata yang terjadi pada saya).

Источник

Personalisasi, sebagaimana didefinisikan oleh Gartner, adalah respons terhadap meningkatnya kekhawatiran pengguna mengenai penggunaan data pribadi mereka untuk tujuan periklanan. Tujuannya adalah untuk mengembangkan pendekatan di mana kita diperlihatkan iklan yang relevan dengan konteks di mana kita berada, dan bukan dengan diri kita secara pribadi. Misalnya, lokasi kita, jenis perangkat, waktu, kondisi cuaca - ini adalah sesuatu yang tidak melanggar data pribadi kita, dan kita tidak merasakan perasaan tidak enak karena “diawasi”.

Baca tentang perbedaan antara kedua konsep ini sebuah catatan Andrew Frank menulis blog di situs Gartner. Ada perbedaan yang begitu halus dan kata-kata yang mirip sehingga Anda, tanpa mengetahui perbedaannya, berisiko berdebat lama dengan lawan bicara Anda, tanpa curiga bahwa, secara umum, keduanya benar (dan ini juga merupakan kejadian nyata yang terjadi pada orang tersebut. pengarang).

4.6. Bioteknologi – Jaringan Budidaya atau Buatan

Pertama-tama, ini adalah gagasan menanam daging buatan. Pada saat yang sama, beberapa tim di seluruh dunia sedang sibuk mengembangkan laboratorium “Daging 2.0” - diharapkan akan menjadi lebih murah dari biasanya, dan makanan cepat saji serta supermarket akan beralih ke laboratorium tersebut. Investor teknologi ini antara lain Bill Gates, Sergey Brin, Richard Branson dan lainnya.

Источник

Alasan mengapa semua orang begitu tertarik dengan daging buatan:

1. Pemanasan global: emisi metana dari pertanian. Jumlah ini merupakan 18% dari volume gas global yang mempengaruhi iklim.
2. Pertumbuhan populasi. Permintaan daging meningkat, dan tidak mungkin memberi makan semua orang dengan daging alami - harganya mahal.
3. Kurangnya ruang. 70% hutan Amazon telah ditebang untuk dijadikan padang rumput.
4. Pertimbangan etis. Ada orang-orang yang menganggap hal ini penting. Organisasi hak-hak hewan PETA telah menawarkan hadiah $1 juta kepada ilmuwan yang membawa daging ayam buatan ke pasar.

Mengganti daging asli dengan kedelai merupakan solusi parsial, karena orang dapat menghargai perbedaan rasa dan tekstur, dan kemungkinan besar tidak akan menyerah pada steak demi kedelai. Jadi, Anda memerlukan daging asli yang ditanam secara organik. Sayangnya, harga daging buatan terlalu mahal: mulai dari $12 per kilogram. Hal ini disebabkan rumitnya proses teknis budidaya daging tersebut. Baca tentang itu semua sebuah artikel.

Jika kita berbicara tentang kasus pertumbuhan jaringan lainnya - sudah dalam dunia kedokteran - maka topik tentang organ buatan menjadi menarik: misalnya, “tambalan” untuk otot jantung, dicetak printer 3D khusus. Diketahui cerita seperti jantung tikus yang ditanam secara artifisial, namun secara umum semuanya masih dalam lingkup uji klinis. Jadi kecil kemungkinan kita akan melihat Frankenstein di tahun-tahun mendatang.

Di sini Gartner sangat berhati-hati dalam memperkirakan, tampaknya mengingat prediksinya yang gagal pada tahun 2015 bahwa pada tahun 2019, 10% populasi di negara maju akan memiliki implan perangkat medis cetak 3D. Artinya, waktu untuk mencapai titik puncak produktivitas setidaknya adalah 10 tahun.

5. Ekosistem Digital

5.1. Web Terdesentralisasi

Konsep ini erat kaitannya dengan nama penemu web, pemenang Turing Award Sir Tim Burners-Lee. Baginya, pertanyaan tentang etika dalam ilmu komputer selalu penting dan esensi kolektif dari Internet penting: ketika meletakkan dasar hypertext, dia yakin bahwa jaringan harus bekerja seperti web, dan bukan seperti hierarki. Hal ini terjadi pada tahap awal pengembangan jaringan. Namun, seiring berkembangnya Internet, strukturnya menjadi terpusat karena berbagai alasan. Ternyata akses jaringan untuk seluruh negara dapat dengan mudah diblokir hanya dengan bantuan beberapa penyedia saja. Dan data pengguna telah menjadi sumber kekuatan dan pendapatan bagi perusahaan Internet.

“Internet sudah terdesentralisasi,” kata Burners-Lee. “Masalahnya adalah satu mesin pencari, satu jejaring sosial besar, dan satu platform mikroblog mendominasi. Kami tidak punya masalah teknologi, tapi kami punya masalah sosial.”

Dalam miliknya surat Terbuka Untuk memperingati 30 tahun World Wide Web, pencipta Web menguraikan tiga masalah utama Internet:

1. Kerugian yang ditargetkan seperti peretasan yang disponsori negara, kejahatan, dan pelecehan online
2. Desain sistem itu sendiri, yang merugikan pengguna, menciptakan landasan bagi mekanisme seperti: insentif finansial untuk clickbait dan penyebaran virus informasi palsu
3. Konsekuensi yang tidak diinginkan dari desain sistem yang berujung pada konflik dan penurunan kualitas diskusi online

Dan Tim Berners-Lee sudah memiliki jawaban tentang prinsip apa yang menjadi dasar “Internet untuk Orang Sehat”, tanpa masalah nomor 2: “Bagi banyak pengguna, pendapatan iklan tetap menjadi satu-satunya model untuk berinteraksi dengan Internet. Meskipun orang-orang takut dengan apa yang terjadi pada data mereka, mereka bersedia membuat kesepakatan dengan mesin pemasaran untuk mendapatkan kesempatan menerima konten secara gratis. Bayangkan sebuah dunia di mana pembayaran barang dan jasa menjadi mudah dan menyenangkan bagi kedua belah pihak.” Pilihan yang dapat dilakukan untuk mengatur hal ini adalah: musisi dapat menjual rekamannya tanpa perantara dalam bentuk iTunes, dan situs berita dapat menggunakan sistem pembayaran mikro untuk membaca satu artikel, alih-alih menghasilkan uang dari iklan.

Sebagai prototipe eksperimental untuk Internet baru ini, Tim Berners-Lee meluncurkan proyek SOLID, yang intinya adalah Anda menyimpan data Anda di “pod” - penyimpanan informasi, dan dapat menyediakan data ini ke aplikasi pihak ketiga. Namun pada prinsipnya, Anda sendirilah yang menguasai data Anda. Semua ini erat kaitannya dengan konsep jaringan peer-to-peer, yaitu komputer Anda tidak hanya meminta layanan, tetapi juga menyediakannya, sehingga tidak bergantung pada satu server sebagai satu-satunya saluran.

Источник

5.2. Organisasi Otonomi Terdesentralisasi

Ini adalah organisasi yang diatur oleh aturan-aturan yang ditulis dalam bentuk program komputer. Aktivitas keuangannya didasarkan pada blockchain. Tujuan dari pembentukan organisasi semacam itu adalah untuk menghilangkan peran negara sebagai perantara dan menciptakan lingkungan kepercayaan bersama bagi pihak lawan, yang tidak dimiliki oleh siapa pun secara individu, tetapi dimiliki oleh semua orang secara bersama-sama. Artinya, secara teori, jika gagasan tersebut berakar, maka notaris dan lembaga verifikasi biasa lainnya harus dihapuskan.

Contoh paling terkenal dari organisasi semacam itu adalah The DAO yang berfokus pada usaha, yang mengumpulkan $2016 juta pada tahun 150, di mana $50 langsung dicuri melalui lubang hukum dalam peraturan. Dilema yang sulit segera muncul: membatalkan dan mengembalikan uang, atau mengakui bahwa penarikan uang adalah sah, karena sama sekali tidak melanggar aturan platform. Akibatnya, untuk mengembalikan uang kepada investor, pencipta harus menghancurkan DAO, menulis ulang blockchain dan melanggar prinsip dasarnya - kekekalan.

Komik tentang Ethereum (kiri) dan DAO (kanan). Источник

Keseluruhan cerita ini telah merusak reputasi gagasan DAO. Proyek itu dibuat berdasarkan cryptocurrency Ethereum, versi Ether 2.0 diharapkan tahun depan - mungkin penulisnya (di antaranya Vitalik Buterin yang terkenal) akan memperhitungkan kesalahan tersebut dan menunjukkan sesuatu yang baru. Mungkin itulah sebabnya Gartner menempatkan DAO pada upline.

5.3.Data Sintetis

Untuk melatih jaringan saraf, diperlukan data dalam jumlah besar. Memberi label data secara manual adalah tugas besar yang hanya dapat dilakukan oleh manusia. Oleh karena itu, dimungkinkan untuk membuat kumpulan data buatan. Misalnya saja koleksi wajah manusia yang sama di situs https://generated.photos. Mereka dibuat menggunakan GAN - algoritma yang telah disebutkan di atas.

Wajah-wajah ini bukan milik manusia. Источник

Keuntungan besar dari data tersebut adalah tidak ada kesulitan hukum dalam menggunakannya: tidak ada seorang pun yang memberikan persetujuan terhadap pemrosesan data pribadi.

5.4.Operasi Digital

Akhiran “Ops” telah menjadi sangat populer sejak DevOps mengakar dalam pidato kita. Sekarang tentang apa itu DigitalOps – ini hanyalah generalisasi dari DevOps, DesignOps, MarketingOps... Apakah Anda sudah bosan? Singkatnya, ini adalah pengalihan pendekatan DevOps dari area perangkat lunak ke semua aspek bisnis lainnya - pemasaran, desain, dll.

Источник

Ide DevOps adalah untuk menghilangkan hambatan antara Pengembangan itu sendiri dan Operasi (proses bisnis), melalui pembentukan tim bersama, di mana terdapat pemrogram, penguji, spesialis keamanan, dan administrator; penerapan praktik-praktik tertentu: integrasi berkelanjutan, infrastruktur sebagai kode, pengurangan dan penguatan rantai umpan balik. Tujuannya adalah untuk mempercepat waktu produk memasuki pasar. Jika Anda mengira ini mirip dengan Agile, Anda benar. Sekarang secara mental transfer pendekatan ini dari bidang pengembangan perangkat lunak ke pengembangan secara umum - dan Anda memahami apa itu DigitalOps.

5.5. Grafik Pengetahuan

Cara perangkat lunak untuk memodelkan area pengetahuan, termasuk menggunakan algoritma pembelajaran mesin. Grafik pengetahuan dibangun di atas database yang ada untuk menghubungkan semua informasi: baik terstruktur (daftar peristiwa atau orang) dan tidak terstruktur (teks artikel).

Contoh paling sederhana adalah kartu yang bisa Anda lihat di hasil pencarian Google. Jika Anda mencari seseorang atau institusi, Anda akan melihat kartu di sebelah kanan:


Harap diperhatikan bahwa “Acara Mendatang” bukanlah salinan informasi dari Google Maps, melainkan integrasi jadwal dengan Yandex.Afisha: Anda dapat dengan mudah melihatnya jika mengeklik acara tersebut. Artinya, merupakan kombinasi dari beberapa sumber data menjadi satu.

Jika Anda meminta daftar - misalnya, "sutradara terkenal" - Anda akan diperlihatkan carousel:

Bonus bagi yang membaca sampai akhir

Dan sekarang setelah kita memperjelas sendiri arti dari masing-masing poin, kita dapat melihat gambar yang sama, tetapi dalam bahasa Rusia:

Bagikan secara bebas di jejaring sosial!

Tatyana Volkova - Penulis program pelatihan jalur IT Internet of Things di Samsung Academy, spesialis program tanggung jawab sosial perusahaan di Samsung Research Center


Sumber: www.habr.com