„Gartner“ diagrama yra tarsi aukštosios mados šou technologijų pramonės atstovams. Pažvelgę į jį, galite iš anksto sužinoti, kurie žodžiai šį sezoną kelia daugiausiai ažiotažų ir ką išgirsite visose būsimose konferencijose.
Iššifravome, kas slypi už gražių žodžių šioje diagramoje, kad galėtumėte kalbėti ir šia kalba.
Pirmiausia, tik keli žodžiai apie tai, koks tai grafikas. Kasmet rugpjūčio mėnesį konsultacijų agentūra „Gartner“ išleidžia ataskaitą – „Gartner Hype Curve“. Rusiškai tai yra „hype kreivė“ arba, paprasčiau tariant, hype. Prieš 30 metų reperiai iš grupės „Public Enemy“ dainavo: „Netikėk ažiotažu“. Tikėkite ar ne, tai asmeninis klausimas, tačiau verta bent žinoti šiuos raktinius žodžius, jei dirbate technologijų srityje ir norite žinoti pasaulines tendencijas.
Tai visuomenės lūkesčių iš konkrečios technologijos grafikas. Anot Gartnerio, idealiu atveju technologijos pereina 5 etapus: technologijos paleidimas, išpūstų lūkesčių viršūnė, nusivylimo slėnis, nušvitimo nuolydis, produktyvumo plynaukštė. Bet būna ir taip, kad paskęsta „nusivylimo slėnyje“ – labai lengvai prisimeni pavyzdžius, paimk tuos pačius bitkoinus: iš pradžių pasiekę „ateities pinigų“ piką, jie greitai nuslysdavo žemyn, kai išryškėjo technologijos trūkumai. tapo akivaizdūs, visų pirma sandorių skaičiaus apribojimai ir didžiulis elektros energijos kiekis, reikalingas bitkoinams generuoti (o tai jau kelia aplinkos problemų). Ir, žinoma, neturime pamiršti, kad „Gartner“ diagrama yra tik prognozė: čia, pavyzdžiui, galite perskaityti išsamią , kur surūšiuojamos ryškiausios neišsipildžiusios prognozės.
Taigi, pereikime prie naujosios „Gartner“ diagramos. Technologijos skirstomos į 5 dideles temines grupes:
- Išplėstinė AI ir analizė
- Postclassical Compute and Comms
- Jutimas ir mobilumas
- Papildytas žmogus
- Skaitmeninės ekosistemos
1. Išplėstinė AI ir analizė
Per pastaruosius 10 metų matėme geriausią gilaus mokymosi valandą. Šie tinklai yra tikrai veiksmingi atliekant įvairias užduotis. 2018 metais Yann LeCun, Geoffrey Hintonas ir Yoshua Bengio už savo atradimus gavo Turingo apdovanojimą – prestižiškiausią apdovanojimą, analogišką Nobelio kompiuterių mokslo premijai. Taigi, pagrindinės tendencijos šioje srityje, kurios parodytos diagramoje:
1.1. Mokymasis perkelti
Neuroninio tinklo treniruojate ne nuo nulio, o paimate jau išmokytą ir priskiriate jam kitą tikslą. Kartais tam reikia perkvalifikuoti dalį tinklo, bet ne visą tinklą, o tai yra daug greičiau. Pavyzdžiui, paėmę paruoštą neuroninį tinklą ResNet50, apmokytą pagal ImageNet1000 duomenų rinkinį, gausite algoritmą, kuris gali klasifikuoti daugybę skirtingų objektų vaizde labai giliai (1000 klasių, pagrįstų 50 neuroninių sluoksnių sugeneruotomis savybėmis. tinklas). Bet jūs neturite apmokyti viso tinklo, o tai užtruktų mėnesius.
В Pavyzdžiui, „Samsung“ „Neuroniniai tinklai ir kompiuterinė vizija“ finale Klasifikuojant plokštes į švarias ir nešvarias, parodomas požiūris, kad per 5 minutes jums bus suteiktas gilus neuroninis tinklas, galintis atskirti nešvarias plokštes nuo švarių, sukurtą pagal aukščiau aprašytą architektūrą. Pradinis tinklas išvis nežinojo, kas yra plokštelės, tik išmoko atskirti paukščius nuo šunų (žr. ImageNet).
Šaltinis: Samsung "Neuroniniai tinklai ir kompiuterinė vizija"
Jei norite mokytis perkėlimo, turite žinoti, kurie metodai veikia ir kokios yra paruoštos pagrindinės architektūros. Apskritai tai labai pagreitina praktinių mašininio mokymosi pritaikymų atsiradimą.
1.2. Generative Adversarial Networks (GAN)
Tai tiems atvejams, kai mums labai sunku suformuluoti mokymosi tikslą. Kuo užduotis arčiau realaus gyvenimo, tuo ji mums suprantamesnė („atnešk naktinį staliuką“), bet tuo sunkiau ją suformuluoti kaip techninę užduotį. GAN yra tik bandymas mus išgelbėti nuo šios problemos.
Čia veikia du tinklai: vienas yra generatorius (Generative), kitas – diskriminatorius (Adversarial). Vienas tinklas išmoksta atlikti naudingą darbą (klasifikuoti paveikslėlius, atpažinti garsus, piešti animacinius filmus). Ir kitas tinklas išmoksta išmokyti tą tinklą: jis turi realių pavyzdžių ir išmoksta rasti anksčiau nežinomą sudėtingą formulę, kaip palyginti generatyvinės tinklo dalies produktus su realaus pasaulio objektais (mokymo rinkiniu), remiantis tikrai svarbiomis giluminėmis savybėmis. : akių skaičius, artumas Miyazaki stiliui, teisingas anglų kalbos tarimas.
Anime personažų generavimo tinklo rezultato pavyzdys.
Bet, žinoma, architektūrą ten statyti sunku. Neužtenka tik mėtyti neuronus, jiems reikia pasiruošti. O mokytis tenka savaites. Mano kolegos iš Samsung dirbtinio intelekto centro dirba su GAN tema; tai yra vienas iš jų pagrindinių tyrimo klausimų. Pavyzdžiui, šitaip : naudojant generatyvius tinklus tikroviškoms žmonių nuotraukoms su kintamomis pozomis susintetinti, pavyzdžiui, sukurti virtualią kabiną arba susintetinti veidą, o tai gali sumažinti informacijos, kurią reikia saugoti ar perduoti, kiekį, kad būtų užtikrintas aukštos kokybės vaizdo įrašas. ryšių, transliavimo ar asmens duomenų apsaugos.
1.3. Paaiškinamas AI
Atliekant kai kurias retas užduotis, giliųjų architektūrų pažanga staiga priartino giliųjų neuroninių tinklų galimybes prie žmogaus galimybių. Dabar vyksta mūšis, siekiant padidinti tokių užduočių spektrą. Pavyzdžiui, robotas dulkių siurblys gali nesunkiai atskirti katę nuo šuns tiesioginiame susitikime. Tačiau daugeliu gyvenimo situacijų jis negalės rasti katės, miegančios tarp skalbinių ar baldų (tačiau, kaip ir mes, daugeliu atvejų...).
Kokia giliųjų neuroninių tinklų sėkmės priežastis? Jie kuria problemos vaizdą, pagrįstą ne „plika akimi matoma“ informacija (foto pikseliais, garso stiprumo pokyčiais...), o ypatybėmis, gautomis iš anksto apdorojus šią informaciją keliais šimtais neuroninio tinklo sluoksnių. Deja, šie ryšiai taip pat gali būti beprasmiai, nenuoseklūs arba turėti pirminio duomenų rinkinio trūkumų. Pavyzdžiui, yra nedidelis kompiuterinis žaidimas apie tai, ką gali sukelti neapgalvotas AI naudojimas įdarbinant .
Vaizdo žymėjimo sistema gaminantį asmenį pažymėjo kaip moterį, nors paveikslėlyje esantis asmuo iš tikrųjų yra vyras (). Tai Virdžinijos institute.
Norint išanalizuoti sudėtingus ir gilius santykius, kurių dažnai patys negalime suformuluoti, reikalingi paaiškinami AI metodai. Jie sutvarko giliųjų neuroninių tinklų ypatybes, kad po mokymų galėtume analizuoti tinklo išmoktą vidinį vaizdą, o ne tiesiog pasikliauti jo sprendimu.
1.4. Edge Analytics / AI
Viskas su žodžiu Edge pažodžiui reiškia: dalies algoritmų perkėlimas iš debesies / serverio į galutinio įrenginio / šliuzo lygį. Toks algoritmas veiks greičiau ir jo veikimui nereikės prisijungti prie centrinio serverio. Jei esate susipažinę su „plono kliento“ abstrakcija, mes padarome šį klientą šiek tiek storesnį.
Tai gali būti svarbu daiktų internetui. Pavyzdžiui, jei mašina perkaito ir ją reikia aušinti, prasminga nedelsiant apie tai pranešti gamyklos lygiu, nelaukiant, kol duomenys pateks į debesį, o iš ten – pamainos meistrui. Arba kitas pavyzdys: savarankiškai važiuojantys automobiliai gali patys išsiaiškinti eismo situaciją, nesikreipdami į centrinį serverį.
Arba dar vienas pavyzdys, kodėl tai svarbu saugumo požiūriu: kai renkate tekstus savo telefone, jis įsimena jums būdingus žodžius, kad vėliau telefono klaviatūra galėtų patogiai juos sufleruoti – tai vadinama nuspėjamuoju teksto įvedimas. Viską, ką įvedate klaviatūra, siuntimas į duomenų centrą kur nors būtų pažeistas jūsų privatumas ir tiesiog nesaugu. Todėl klaviatūros mokymas vyksta tik pačiame įrenginyje.
1.5. AI platforma kaip paslauga (AI PaaS)
„PaaS“ – „Platform-as-a-Service“ yra verslo modelis, kuriame gauname prieigą prie integruotos platformos, įskaitant jos debesyje pagrįstą duomenų saugyklą ir paruoštas procedūras. Tokiu būdu galime išsivaduoti nuo infrastruktūros užduočių ir visiškai susikoncentruoti į ką nors naudingo. AI užduočių PaaS platformų pavyzdys: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI platforma.
1.6. Adaptyvusis mašininis mokymasis (Adaptive ML)
O jei leisime dirbtiniam intelektui prisitaikyti... Klausiate – tai kaip?.. Ar jis jau nepritaiko prie užduoties? Problema yra tokia: mes kruopščiai suplanuojame kiekvieną tokią problemą prieš sukurdami dirbtinio intelekto algoritmą jai išspręsti. Jie jums atsakys – pasirodo, šią grandinę galima supaprastinti.
Įprastas mašininis mokymasis veikia atvirojo ciklo principu: paruoši duomenis, sugalvoji neuroninį tinklą (ar bet ką), treniruojiesi, tada pasižiūri kelis rodiklius ir, jei viskas patinka, gali nusiųsti neuroninį tinklą į išmaniuosius telefonus. - išspręsti vartotojo problemas. Tačiau programose, kuriose duomenų daug ir jų pobūdis palaipsniui keičiasi, reikalingi kiti metodai. Tokios sistemos, kurios prisitaiko ir mokosi pačios, yra suskirstytos į uždaras, savarankiškai besimokančias kilpas (closed-loop), kurios turi veikti sklandžiai.
Programos – tai galėtų būti srautų analizė (Stream Analytics), kuria remdamiesi daugelis verslininkų priima sprendimus, arba adaptyvus gamybos valdymas. Atsižvelgiant į dabartinių programų mastą ir geriau suprantamą pavojų žmonėms, visi metodai, kurie yra šios problemos sprendimas, yra surinkti pagal bendrą terminą „Adaptive AI“.
Žvelgiant į šį paveikslėlį sunku atsikratyti jausmo, kad nemaitink futurologų duona – tegul jie išmoko robotą kvėpuoti...
Postclassical Compute and Comms
2.1. Penktos kartos mobilusis ryšys (5G)
Tai tokia įdomi tema, kad mes nedelsdami nukreipiame jus į mūsų . Na, štai trumpa santrauka. 5G, padidindamas duomenų perdavimo dažnį, interneto greitį padarys nerealiai greitu. Trumposioms bangoms sunkiau prasibrauti per kliūtis, todėl tinklų dizainas bus visiškai kitoks: reikia 500 kartų daugiau bazinių stočių.
Kartu su greičiu sulauksime ir naujų reiškinių: žaidimus realiuoju laiku su papildyta realybe, sudėtingų užduočių (pvz., chirurgijos) atlikimą per telebuvimą, nelaimingų atsitikimų ir sudėtingų situacijų keliuose prevenciją per ryšį tarp mašinų. Proziškiau: mobilusis internetas pagaliau nustos mažėti per masinius renginius, pavyzdžiui, rungtynes stadione.
Vaizdo šaltinis – Reuters, Niantic
2.2. Naujos kartos atmintis
Čia kalbame apie penktosios kartos RAM – DDR5. „Samsung“ paskelbė, kad DDR2019 pagrindu pagaminti produktai bus prieinami iki 5 m. pabaigos. Tikimasi, kad naujoji atmintis bus dvigubai greitesnė ir dvigubai talpesnė išlaikant tą patį formos koeficientą, tai yra, savo kompiuteriui galėsime gauti iki 32GB talpos atminties korteles. Ateityje tai bus ypač aktualu išmaniesiems telefonams (naujoji atmintis bus mažos galios versijoje) ir nešiojamiesiems kompiuteriams (kur DIMM lizdų skaičius ribotas). Mašininiam mokymuisi taip pat reikia daug RAM.
2.3. Žemos Žemės orbitos palydovų sistemos
Idėja pakeisti sunkius, brangius, galingus palydovus būriu mažų ir pigių yra toli gražu ne nauja ir atsirado dar 90-aisiais. Apie ką Dabar tik tinginiai negirdėjo. Garsiausia įmonė čia yra „Iridium“, kuri bankrutavo 90-ųjų pabaigoje, tačiau buvo sutaupyta JAV Gynybos departamento lėšomis (nepainioti su „iRidium“ – Rusijos išmaniųjų namų sistema). Elono Musko projektas („Starlink“) toli gražu ne vienintelis – palydovų lenktynėse dalyvauja Richardas Bransonas („OneWeb“ – 1440 palydovų), „Boeing“ (3000 palydovų), „Samsung“ (4600 palydovų) ir kt.
Kaip padėtis šioje srityje, kaip ten atrodo ekonomika – skaitykite toliau . O mes laukiame pirmųjų šių sistemų bandymų, kuriuos atliks pirmieji vartotojai, kurie turėtų įvykti kitais metais.
2.4. Nano skalės 3D spausdinimas
3D spausdinimas, nors ir įžengė ne į kiekvieno žmogaus gyvenimą (tokia forma, kurią žada individuali namų plastiko gamykla), vis dėlto jau seniai paliko technologijų nišą geikams. Galima spręsti iš to, kad kiekvienas moksleivis žino apie bent jau 3D formuotų rašiklių egzistavimą, o daugelis svajoja įsigyti dėžutę su bėgeliais ir ekstruderį, skirtą... „tik tokiai“ (arba jau įsigijo).
Stereolitografija (lazeriniai 3D spausdintuvai) leidžia spausdinti atskirais fotonais: tiriami nauji polimerai, kuriems sustingti reikia tik dviejų fotonų. Tai leis ne laboratorinėmis sąlygomis sukurti visiškai naujus filtrus, laikiklius, spyruokles, kapiliarus, lęšius ir... savo galimybes komentaruose! Ir čia nėra toli nuo fotopolimerizacijos - tik ši technologija leidžia „atspausdinti“ procesorius ir skaičiavimo grandines. Be to, tai jau ne pirmi metai , bet be radikalaus vystymosi.
3. Jutimas ir mobilumas
3.1. Savarankiškas vairavimas 4 ir 5 lygiai
Kad nesusipainiotumėte terminologijoje, verta suprasti, kokie autonomijos lygiai yra išskiriami (paimti iš išsamios , į kurį nukreipiame visus besidominčius):
1 lygis: pastovaus greičio palaikymo sistema: padeda vairuotojui labai ribotose situacijose (pavyzdžiui, išlaikant automobilį tam tikru greičiu, vairuotojui nuėmus koją nuo pedalo)
2 lygis: ribota vairavimo ir stabdymo pagalba. Vairuotojas turi būti pasirengęs beveik akimirksniu perimti valdymą. Jo rankos yra ant vairo, akys nukreiptos į kelią. Tai jau turi „Tesla“ ir „General Motors“.
3 lygis: vairuotojui nebereikia nuolatos stebėti kelio. Tačiau jis turi išlikti budrus ir būti pasirengęs perimti kontrolę. Tai yra kažkas, ko prekyboje parduodami automobiliai dar neturi. Visi šiuo metu esantys yra 1-2 lygio.
4 lygis: tikras autopilotas, bet su apribojimais: kelionės tik žinomoje vietovėje, kuri yra kruopščiai pažymėta ir paprastai žinoma sistemai, ir tam tikromis sąlygomis: pavyzdžiui, nesant sniego. „Waymo“ ir „General Motors“ turi tokius prototipus ir planuoja juos paleisti keliuose miestuose ir išbandyti realioje aplinkoje. „Yandex“ turi nepilotuojamų taksi bandymų zonas Skolkovo ir Innopolyje: kelionė vyksta prižiūrint keleivio vietoje sėdinčiam inžinieriui; iki metų pabaigos bendrovė planuoja išplėsti savo parką iki 100 nepilotuojamų transporto priemonių.
5 lygis: visiškai automatinis vairavimas, pilnas veikiančio vairuotojo pakeitimas. Tokių sistemų nėra ir vargu ar jos atsiras artimiausiais metais.
Kiek realu visa tai pamatyti artimiausioje ateityje? Čia norėčiau nukreipti skaitytoją į straipsnį . Taip yra iš dalies dėl to, kad trūksta 5G ryšio: nepakanka 4G greičio. Iš dalies dėl labai brangių autonominių automobilių: jie dar nepelningi, verslo modelis neaiškus. Žodžiu, čia „viskas sudėtinga“ ir neatsitiktinai „Gartner“ rašo, kad masinio 4 ir 5 lygių diegimo prognozė yra ne anksčiau kaip po 10 metų.
3.2. 3D jutimo kameros
Prieš aštuonerius metus „Microsoft“ žaidimų valdiklis „Kinect“ sukėlė bangas, pasiūlydamas prieinamą ir palyginti nebrangų 3D vizijos sprendimą. Nuo tada kūno kultūros ir šokių žaidimai su Kinect išgyveno trumpą pakilimą ir nuosmukį, tačiau 3D kameros imtos naudoti pramoniniuose robotuose, nepilotuojamose transporto priemonėse ir mobiliuosiuose telefonuose veido atpažinimui. Technologija tapo pigesnė, kompaktiškesnė ir prieinamesnė.
„Samsung S10“ telefone yra „Time-of-Flight“ kamera, kuri matuoja atstumą iki objekto, kad būtų lengviau fokusuoti.
Jei jus domina ši tema, mes nukreipsime jus į labai gerą išsamią gylio kamerų apžvalgą: , .
3.3. Dronai smulkiems kroviniams gabenti (Light Cargo Delivery Drones)
Šiais metais „Amazon“ sukėlė bangas, kai parodoje pademonstravo naują skraidantį droną, galintį gabenti nedidelius, iki 2 kg, krovinius. Miestui su spūstimis tai atrodo idealus sprendimas. Pažiūrėkime, kaip šie dronai veiks artimiausiu metu. Galbūt čia verta būti atsargiai skeptiškam: problemų yra daug, pradedant galimybe lengvai pavogti droną ir baigiant teisiniais UAV apribojimais. „Amazon Prime Air“ gyvuoja šešerius metus, tačiau vis dar yra bandymų etape.
Naujasis „Amazon“ dronas, parodytas šį pavasarį. Jame yra kažkas „Žvaigždžių karų“.
Be „Amazon“, šioje rinkoje yra ir kitų žaidėjų (yra išsami ), bet ne vienas gatavas produktas: viskas yra testavimo ir rinkodaros kampanijų stadijoje. Atskirai verta paminėti gana įdomią labai specializuotą mediciną Afrikoje: paaukoto kraujo pristatymas Ganoje (14 000 pristatymų, bendrovė „Zipline“) ir Ruandoje („Matternet“ įmonė).
3.4. Skraidančios autonominės transporto priemonės
Sunku čia ką nors konkretaus pasakyti. „Gartner“ teigimu, tai pasirodys ne anksčiau kaip po 10 metų. Apskritai čia yra visos tos pačios problemos kaip ir savaeigiuose automobiliuose, tik jos įgauna naują dimensiją – vertikalią. „Porsche“, „Boeing“ ir „Uber“ paskelbė apie savo ambicijas sukurti skraidantį taksi.
3.5. Papildytos realybės debesis (AR debesis)
Nuolatinė skaitmeninė realaus pasaulio kopija, leidžianti sukurti naują realybės sluoksnį, bendrą visiems vartotojams. Techniškai kalbant, mes kalbame apie atviros debesies platformos kūrimą, į kurią kūrėjai galėtų integruoti savo AR programas. Pajamų gavimo modelis aiškus, tai savotiškas Steam analogas. Idėja taip įsitvirtino, kad kai kurie dabar mano, kad AR be debesies yra tiesiog nenaudingas.
Kaip tai gali atrodyti ateityje, parodyta trumpame vaizdo įraše. Panašu į kitą Black Mirror epizodą:
Taip pat galite skaityti adresu
4. Papildytas žmogus
4.1. Emocijų AI
Kaip išmatuoti, imituoti ir reaguoti į žmogaus emocijas? Kai kurie klientai yra įmonės, gaminančios balso padėjėjus, pvz., „Amazon Alexa“. Jie tikrai gali priprasti prie namų, jei išmoks atpažinti nuotaiką: supras vartotojo nepasitenkinimo priežastį ir bandys taisyti situaciją. Apskritai kontekste informacijos yra daug daugiau nei pačioje žinutėje. O kontekstas – veido išraiška, intonacija ir neverbalinis elgesys.
Kiti praktiniai pritaikymai: emocijų analizė darbo pokalbio metu (remiantis vaizdo interviu), reakcijų į reklamas ar kitą video turinį (šypsenos, juokas) įvertinimas, pagalba mokantis (pavyzdžiui, savarankiškai viešojo kalbėjimo meno praktikai).
Sunku šia tema kalbėti geriau nei 6 minučių trumpo filmo autorius . Šmaikštus ir stilingas vaizdo įrašas parodo, kaip rinkodaros tikslais galite išmatuoti mūsų emocijas, o iš akimirksnių veido reakcijų sužinoti, ar jums patinka pica, šunys, Kanye Westas ir net koks yra jūsų pajamų lygis ir apytikslis intelekto koeficientas. Apsilankę filmo svetainėje naudodami aukščiau esančią nuorodą, tapsite interaktyvaus vaizdo įrašo dalyviu, naudodami integruotą nešiojamojo kompiuterio kamerą. Filmas jau buvo parodytas keliuose kino festivaliuose.
Yra net toks įdomus tyrimas: kaip atpažinti sarkazmą tekste. Mes įrašėme tviterius su grotažyme #sarcasm ir sukūrėme mokymo rinkinį, kuriame yra 25 000 tviterių su sarkazmu ir 100 000 įprastų tviterių apie viską, kas yra po saule. Naudojome TensorFlow biblioteką, apmokėme sistemą ir štai rezultatas:
Todėl dabar, jei nesate tikri dėl savo kolegos ar draugo – jis jums kažką rimtai ar sarkastiškai pasakė, jau galite pasinaudoti !
4.2. Padidintas intelektas
Intelektualaus darbo automatizavimas naudojant mašininio mokymosi metodus. Atrodytų, nieko naujo? Tačiau čia svarbi pati formuluotė, juolab kad ji santrumpa sutampa su dirbtiniu intelektu. Tai sugrąžina mus prie diskusijų apie „stiprų“ ir „silpną“ AI.
Stiprus AI – tai tas pats dirbtinis intelektas iš mokslinės fantastikos filmų, kuris visiškai prilygsta žmogaus protui ir suvokia save kaip individą. To dar nėra ir neaišku, ar išvis egzistuos.
Silpnas AI nėra nepriklausomas asmuo, o žmogaus asistentas. Jis nepretenduoja į žmogišką mąstymą, o tiesiog moka spręsti informacines problemas, pavyzdžiui, nustatyti, kas rodoma paveikslėlyje ar išversti tekstą.
Šia prasme papildytas intelektas yra „silpnas AI“ gryniausia forma, o formuluotė atrodo sėkminga, nes nesukelia painiavos ir pagundos čia pamatyti tą patį „stiprų AI“, apie kurį visi svajoja (arba bijo, jei mes prisiminkite daugybę diskusijų apie „maišto automobilius“). Vartodami posakį Augmented Intelligence, iškart tampame kito filmo herojais: iš mokslinės fantastikos (kaip Asimovo „Aš, robotas“) atsiduriame kiberpanke (šio žanro „augmentacijos“ – tai visokie žmogaus galimybes praplečiantys implantai).
Kaip Erikas Brynjolfssonas ir Andrew McAffee: „Per ateinančius 10 metų taip nutiks. AI nepakeis vadovų, bet tie vadovai, kurie naudoja AI, pakeis tuos, kurie dar to nepadarė.
Pavyzdžiai:
- Medicina: sukurtas Stanfordo universitetas , kuris su užduotimi krūtinės ląstos rentgenogramose atpažinti patologijas vidutiniškai susidoroja taip pat sėkmingai, kaip ir dauguma gydytojų.
- Edukacija: pagalba mokiniams ir mokytojams, mokinių atsakymų į medžiagą analizė, individualios mokymosi trajektorijos konstravimas.
- Verslo analitika: išankstinis duomenų apdorojimas, pagal statistiką, užima 80% tyrėjo laiko ir tik 20% paties eksperimento.
4.3. Biočipai
Tai mėgstamiausia visų kiberpanko filmų ir knygų tema. Apskritai augintinių ženklinimas mikroschemomis nėra nauja praktika. Tačiau dabar šie lustai pradėti implantuoti žmonėms.
Šiuo atveju ažiotažas greičiausiai siejamas su sensacinga byla amerikiečių kompanijoje „Three Square Market“. Ten darbdavys už atlygį pradėjo siūlyti po oda implantuoti lustus. Lustas leidžia atidaryti duris, prisijungti prie kompiuterių, nusipirkti užkandžių iš automato – tai yra tokia universali darbuotojo kortelė. Be to, tokia mikroschema atlieka būtent identifikavimo kortelės funkciją, joje nėra GPS modulio, todėl neįmanoma susekti, kas juo naudojasi. O jei žmogus nori nuimti lustą nuo rankos, tai su gydytojo pagalba užtrunka 5 minutes.
Lustai dažniausiai implantuojami tarp nykščio ir smiliaus.
Skaityti daugiau apie čipavimo padėtį pasaulyje.
4.4. Įtraukianti darbo erdvė
„Įtraukiantis“ yra dar vienas naujas žodis, kurio tiesiog nėra. Tai visur. Įtraukiantis teatras, paroda, kinas. Ką turi galvoje? Panardinimas – tai įtraukiančio efekto sukūrimas, kai prarandama riba tarp autoriaus ir žiūrovo, virtualaus ir realaus pasaulio. Manoma, kad darbo vietoje tai reiškia, kad reikia panaikinti ribą tarp vykdytojo ir iniciatoriaus ir paskatinti darbuotojus užimti aktyvesnę poziciją performatuojant savo aplinką.
Kadangi dabar visur turime judrumą, lankstumą ir glaudų bendradarbiavimą, darbo vietos turėtų būti kuo lengviau konfigūruojamos ir turėtų skatinti grupinį darbą. Ekonomika diktuoja savo sąlygas: daugėja laikinų darbuotojų, brangsta biuro patalpų nuoma, o konkurencinėje darbo rinkoje IT įmonės stengiasi padidinti darbuotojų pasitenkinimą darbu kurdamos poilsio zonas ir kitas lengvatas. Ir visa tai atsispindi darbo vietų dizaine.
Nuo guolis
4.5. Personifikacija
Visi žino, kas yra personalizavimas reklamoje. Štai šiandien su kolega diskutuojate, kad oras patalpoje kiek sausas, o biurui reikėtų įsigyti oro drėkintuvą, o kitą dieną socialiniame tinkle pamatysite skelbimą - „pirk oro drėkintuvą“ (a. tikras įvykis, nutikęs man).
„Gartner“ apibrėžtas personalizavimas yra atsakas į didėjantį vartotojų susirūpinimą dėl jų asmens duomenų naudojimo reklamos tikslais. Tikslas – sukurti požiūrį, pagal kurį mums būtų rodoma reklama, atitinkanti kontekstą, kuriame atsiduriame, o ne mums asmeniškai. Pavyzdžiui, mūsų buvimo vieta, įrenginio tipas, paros laikas, oro sąlygos – tai nepažeidžia mūsų asmens duomenų ir nejaučiame nemalonaus jausmo, kad esame „stebimi“.
Skaitykite apie šių dviejų sąvokų skirtumą Andrew Frankas rašo tinklaraščius „Gartner“ svetainėje. Yra toks subtilus skirtumas ir tokie panašūs žodžiai, kad jūs, nežinodami skirtumo, rizikuojate ilgai ginčytis su savo pašnekovu, neįtardami, kad apskritai abu teisūs (ir tai taip pat tikras incidentas, nutikęs autorius).
4.6. Biotechnologijos – kultivuoti arba dirbtiniai audiniai
Tai visų pirma idėja auginti dirbtinę mėsą. Tuo pat metu kelios komandos visame pasaulyje užsiima laboratorijos „Meat 2.0“ kūrimu – tikimasi, kad ji atpigs nei įprasta, o greitasis maistas, o vėliau ir prekybos centrai pereis prie jos. Investuotojai į šią technologiją yra Billas Gatesas, Sergejus Brinas, Richardas Bransonas ir kiti.
šaltinis
Priežastys, kodėl visi taip domisi dirbtine mėsa:
- Visuotinis atšilimas: metano išmetimas iš ūkių. Tai sudaro 18% pasaulinio dujų kiekio, turinčio įtakos klimatui.
- Populiacijos augimas. Mėsos paklausa auga, o natūralia mėsa visų išmaitinti nepavyks – ji tiesiog brangi.
- Trūksta vietos. 70 % Amazonės miškų jau iškirsta ganykloms.
- Etiniai sumetimai. Yra tokių, kuriems tai svarbu. Gyvūnų teisių organizacija PETA jau pasiūlė milijono dolerių prizą mokslininkui, kuris į rinką tiekia dirbtinę vištienos mėsą.
Tikros mėsos pakeitimas soja yra dalinis sprendimas, nes žmonės gali įvertinti skonio ir tekstūros skirtumą ir vargu ar atsisakys kepsnio sojos naudai. Taigi jums reikia tikros, ekologiškai užaugintos mėsos. Dabar, deja, dirbtinė mėsa per brangi: nuo 12 USD už kilogramą. Taip yra dėl sudėtingo techninio tokios mėsos auginimo proceso. Skaitykite apie visa tai .
Jei kalbėsime apie kitus audinių augimo atvejus - jau medicinoje - tada įdomi tema su dirbtiniais organais: pavyzdžiui, širdies raumens „lopas“, specialus 3D spausdintuvas. Žinomas kaip dirbtinai užauginta pelės širdis, bet apskritai viskas dar patenka į klinikinių tyrimų sritį. Taigi vargu ar artimiausiais metais pamatysime Frankenšteiną.
Čia Gartneris labai atsargus vertindamas, matyt, turi galvoje žlugusią 2015 m. prognozę, kad 2019 m. 10% išsivysčiusių šalių gyventojų turės 3D spausdintą medicinos prietaiso implantą. Vadinasi, laikas pasiekti produktyvumo plynaukštę yra mažiausiai 10 metų.
5. Skaitmeninės ekosistemos
5.1. Decentralizuotas internetas
Ši koncepcija glaudžiai susijusi su interneto išradėjo, Turingo apdovanojimo laureato sero Timo Burnerso-Lee vardu. Jam visada buvo svarbūs informatikos etikos klausimai ir svarbi buvo kolektyvinė interneto esmė: klodamas hiperteksto pagrindus, jis buvo įsitikinęs, kad tinklas turi veikti kaip žiniatinklis, o ne kaip hierarchija. Taip buvo pradiniame tinklo kūrimo etape. Tačiau augant internetui jo struktūra dėl įvairių priežasčių tapo centralizuota. Paaiškėjo, kad visos šalies prieigą prie tinklo galima nesunkiai užblokuoti vos kelių tiekėjų pagalba. O vartotojų duomenys tapo interneto kompanijų energijos ir pajamų šaltiniu.
„Internetas jau decentralizuotas“, – sako Burners-Lee. „Problema ta, kad dominuoja viena paieškos sistema, vienas didelis socialinis tinklas, viena mikrotinklaraščių platforma. Mes neturime technologinių problemų, bet turime socialinių.
Jo Pasaulinio žiniatinklio 30-mečio proga interneto kūrėjas apibūdino tris pagrindines interneto problemas:
- Tikslinė žala, pvz., valstybės remiamas įsilaužimas, nusikaltimai ir priekabiavimas internete
- Pats sistemos dizainas, kuris vartotojo nenaudai sukuria dirvą tokiems mechanizmams kaip: finansinės paskatos klijuoti ir virusinis melagingos informacijos plitimas.
- Nenumatytos sistemos projektavimo pasekmės, dėl kurių kyla konfliktai ir pablogėja diskusijų internete kokybė
O Timas Bernersas-Lee jau turi atsakymą, kokiais principais galėtų remtis „Sveiko žmogaus internetas“, neturintis 2 problemos: „Daugeliui vartotojų reklamos pajamos išlieka vieninteliu bendravimo su internetu modeliu. Net jei žmonės bijo, kas atsitiks su jų duomenimis, jie nori sudaryti sandorį su rinkodaros mašina dėl galimybės gauti turinį nemokamai. Įsivaizduokite pasaulį, kuriame mokėti už prekes ir paslaugas lengva ir malonu abiem pusėms. Tarp variantų, kaip tai būtų galima sutvarkyti: muzikantai gali parduoti savo įrašus be tarpininkų iTunes forma, o naujienų svetainės gali naudoti mikromokėjimų sistemą už vieno straipsnio skaitymą, o ne užsidirbti pinigų iš reklamos.
Kaip eksperimentinį šio naujojo interneto prototipą Tim Berners-Lee pradėjo SOLID projektą, kurio esmė yra ta, kad jūs saugote savo duomenis „pod“ - informacijos saugykloje ir galite pateikti šiuos duomenis trečiųjų šalių programoms. Bet iš esmės jūs patys esate savo duomenų šeimininkai. Visa tai glaudžiai siejasi su lygiaverčių tinklų samprata, tai yra, jūsų kompiuteris ne tik prašo paslaugų, bet ir teikia jas, kad nepasikliautų vienu serveriu kaip vieninteliu kanalu.
5.2. Decentralizuotos autonominės organizacijos
Tai organizacija, kuriai taikomos taisyklės, surašytos kompiuterinės programos forma. Jos finansinė veikla grindžiama blokų grandine. Tokių organizacijų kūrimo tikslas – eliminuoti valstybę iš tarpininkės vaidmens ir sukurti bendrą pasitikėjimo aplinką sandorio šalims, kuri nepriklauso niekam atskirai, o priklauso visiems kartu. Tai yra, teoriškai tai turėtų, jei idėja įsitvirtintų, panaikinti notarus ir kitas įprastas tikrinimo institucijas.
Garsiausias tokios organizacijos pavyzdys buvo į verslą orientuota „The DAO“, 2016 metais surinkusi 150 mln. Iš karto iškilo sunki dilema: arba atsukti atgal ir grąžinti pinigus, arba pripažinti, kad pinigų išėmimas buvo teisėtas, nes niekaip nepažeidė platformos taisyklių. Dėl to kūrėjai, norėdami grąžinti pinigus investuotojams, turėjo sunaikinti The DAO, perrašydami blokų grandinę ir pažeisdami jos pagrindinį principą – nekintamumą.
Komiksas apie Ethereum (kairėje) ir DAO (dešinėje).
Visa ši istorija sugriovė pačios DAO idėjos reputaciją. Tas projektas buvo padarytas Ethereum kriptovaliutos pagrindu, kitais metais laukiama versija Ether 2.0 – galbūt autoriai (tarp jų ir garsusis Vitalikas Buterinas) atsižvelgs į klaidas ir parodys ką nors naujo. Tikriausiai todėl „Gartner“ įtraukė DAO į viršutinę liniją.
5.3.Sintetikos duomenys
Norint apmokyti neuroninius tinklus, reikia daug duomenų. Duomenų ženklinimas rankiniu būdu yra didžiulė užduotis, kurią gali atlikti tik žmogus. Todėl galima sukurti dirbtinius duomenų rinkinius. Pavyzdžiui, tos pačios žmonių veidų kolekcijos svetainėje . Jie sukurti naudojant GAN - algoritmus, kurie jau buvo paminėti aukščiau.
Šie veidai nepriklauso žmonėms.
Didelis tokių duomenų privalumas yra tai, kad naudojant juos nekyla jokių teisinių sunkumų: nėra kam duoti sutikimo tvarkyti asmens duomenis.
5.4.Skaitmeninės operacijos
Priesaga „Ops“ tapo neįtikėtinai madinga, nes „DevOps“ įsitvirtino mūsų kalboje. Dabar apie tai, kas yra „DigitalOps“ – tai tik „DevOps“, „DesignOps“, „MarketingOps“ apibendrinimas... Ar jau atsibodo? Trumpai tariant, tai „DevOps“ požiūrio perkėlimas iš programinės įrangos srities į visus kitus verslo aspektus – rinkodarą, dizainą ir kt.
„DevOps“ idėja buvo pašalinti kliūtis tarp paties kūrimo ir operacijų (verslo procesų), sukuriant bendras komandas, kuriose dirba programuotojai, testuotojai, saugos specialistai ir administratoriai; tam tikrų praktikų įgyvendinimas: nuolatinė integracija, infrastruktūra kaip kodas, grįžtamojo ryšio grandinių mažinimas ir stiprinimas. Tikslas buvo pagreitinti produkto pateikimą į rinką. Jei manėte, kad tai panašu į „Agile“, buvote teisus. Dabar mintyse perkelkite šį požiūrį iš programinės įrangos kūrimo srities į kūrimą apskritai – ir jūs suprasite, kas yra „DigitalOps“.
5.5. Žinių grafikai
Programinės įrangos būdas modeliuoti žinių sritį, įskaitant mašininio mokymosi algoritmų naudojimą. Žinių grafikas yra sukurtas ant esamų duomenų bazių, kad būtų galima susieti visą informaciją: tiek struktūrizuotą (įvykių ar žmonių sąrašas), tiek nestruktūruotą (straipsnio tekstas).
Paprasčiausias pavyzdys yra kortelė, kurią galite pamatyti „Google“ paieškos rezultatuose. Jei ieškote asmens ar įstaigos, dešinėje pamatysite kortelę:
Atminkite, kad „Būsimi įvykiai“ yra ne „Google“ žemėlapių informacijos kopija, o tvarkaraščio integracija su „Yandex.Afisha“: tai galite lengvai pamatyti spustelėję įvykius. Tai yra, tai yra kelių duomenų šaltinių derinys.
Jei paprašysite sąrašo, pavyzdžiui, „garsių režisierių“, jums bus parodyta karuselė:
Premija tiems, kurie perskaitė iki galo
Ir dabar, kai išsiaiškinome kiekvieno punkto reikšmę, galime pažvelgti į tą patį paveikslėlį, tik rusų kalba:
Dalinkitės ja laisvai socialiniuose tinkluose!
Tatjana Volkova – „Samsung“ akademijos „Daiktų interneto“ IT takelio mokymo programos autorė, „Samsung“ tyrimų centro įmonių socialinės atsakomybės programų specialistė.
Šaltinis: www.habr.com