ഗാർട്ട്നറുടെ ചാർട്ട് ടെക് വ്യവസായത്തിൽ ഉള്ളവർക്ക് ഉയർന്ന ഫാഷൻ ഷോ പോലെയാണ്. ഇത് നോക്കുന്നതിലൂടെ, ഈ സീസണിൽ ഏതൊക്കെ വാക്കുകളാണ് ഏറ്റവും കൂടുതൽ പ്രചരിക്കുന്നതെന്നും വരാനിരിക്കുന്ന എല്ലാ കോൺഫറൻസുകളിലും നിങ്ങൾ എന്താണ് കേൾക്കേണ്ടതെന്നും മുൻകൂട്ടി കണ്ടെത്താനാകും.

ഈ ഗ്രാഫിലെ മനോഹരമായ വാക്കുകൾക്ക് പിന്നിൽ എന്താണെന്ന് ഞങ്ങൾ മനസ്സിലാക്കി, അതിനാൽ നിങ്ങൾക്കും ഭാഷ സംസാരിക്കാനാകും.

ആരംഭിക്കുന്നതിന്, ഇത് ഏത് തരത്തിലുള്ള ഗ്രാഫാണ് എന്നതിനെക്കുറിച്ച് കുറച്ച് വാക്കുകൾ മാത്രം. എല്ലാ വർഷവും ഓഗസ്റ്റിൽ, കൺസൾട്ടിംഗ് ഏജൻസി ഗാർട്ട്നർ ഒരു റിപ്പോർട്ട് പുറത്തിറക്കുന്നു - ഗാർട്ട്നർ ഹൈപ്പ് കർവ്. റഷ്യൻ ഭാഷയിൽ, ഇതൊരു "ഹൈപ്പ് കർവ്" അല്ലെങ്കിൽ, കൂടുതൽ ലളിതമായി, ഹൈപ്പ് ആണ്. 30 വർഷം മുമ്പ്, പബ്ലിക് എനിമി ഗ്രൂപ്പിൽ നിന്നുള്ള റാപ്പർമാർ പാടി: "ഹൈപ്പ് വിശ്വസിക്കരുത്." വിശ്വസിക്കുക അല്ലെങ്കിൽ ഇല്ല, ഇത് ഒരു വ്യക്തിഗത ചോദ്യമാണ്, എന്നാൽ നിങ്ങൾ സാങ്കേതിക മേഖലയിൽ പ്രവർത്തിക്കുകയും ആഗോള ട്രെൻഡുകൾ അറിയാൻ ആഗ്രഹിക്കുകയും ചെയ്യുന്നുവെങ്കിൽ ഈ കീവേഡുകൾ അറിയുന്നത് മൂല്യവത്താണ്.

ഒരു പ്രത്യേക സാങ്കേതികവിദ്യയിൽ നിന്നുള്ള പൊതു പ്രതീക്ഷകളുടെ ഗ്രാഫാണിത്. ഗാർട്ട്നറുടെ അഭിപ്രായത്തിൽ, സാങ്കേതികവിദ്യ 5 ഘട്ടങ്ങളിലൂടെ കടന്നുപോകുന്നു: സാങ്കേതിക വിക്ഷേപണം, ഊതിപ്പെരുപ്പിച്ച പ്രതീക്ഷകളുടെ കൊടുമുടി, നിരാശയുടെ താഴ്വര, പ്രബുദ്ധതയുടെ ചരിവ്, ഉൽപ്പാദനക്ഷമതയുടെ പീഠഭൂമി. എന്നാൽ അത് "നിരാശയുടെ താഴ്‌വരയിൽ" മുങ്ങിപ്പോകുന്നു - നിങ്ങൾക്ക് സ്വയം ഉദാഹരണങ്ങൾ വളരെ എളുപ്പത്തിൽ ഓർമ്മിക്കാം, അതേ ബിറ്റ്കോയിനുകൾ എടുക്കാം: തുടക്കത്തിൽ "ഭാവിയിലെ പണം" എന്ന കൊടുമുടിയിൽ എത്തി, സാങ്കേതികവിദ്യയുടെ പോരായ്മകൾ വരുമ്പോൾ അവ പെട്ടെന്ന് താഴേക്ക് നീങ്ങി. ഇടപാടുകളുടെ എണ്ണത്തിലും ബിറ്റ്‌കോയിനുകൾ ഉൽപ്പാദിപ്പിക്കുന്നതിന് ആവശ്യമായ വലിയ അളവിലുള്ള വൈദ്യുതിയിലും (ഇത് ഇതിനകം തന്നെ പാരിസ്ഥിതിക പ്രശ്‌നങ്ങൾ ഉണ്ടാക്കുന്നു) നിയന്ത്രണങ്ങൾ വ്യക്തമായി. തീർച്ചയായും, ഗാർട്ട്നറുടെ ചാർട്ട് ഒരു പ്രവചനം മാത്രമാണെന്ന് ഞങ്ങൾ മറക്കരുത്: ഇവിടെ, ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് വിശദമായി വായിക്കാം ഒരു ലേഖനം, ഏറ്റവും ശ്രദ്ധേയമായ പൂർത്തീകരിക്കാത്ത പ്രവചനങ്ങൾ ക്രമീകരിച്ചിരിക്കുന്നിടത്ത്.

അതിനാൽ, നമുക്ക് പുതിയ ഗാർട്ട്നർ ചാർട്ടിലേക്ക് പോകാം. സാങ്കേതികവിദ്യകളെ 5 വലിയ തീമാറ്റിക് ഗ്രൂപ്പുകളായി തിരിച്ചിരിക്കുന്നു:

1. വിപുലമായ AI, അനലിറ്റിക്സ്
2. പോസ്റ്റ്ക്ലാസിക്കൽ കമ്പ്യൂട്ടും കോമുകളും
3. സെൻസിംഗും മൊബിലിറ്റിയും
4. ഓഗ്മെന്റഡ് ഹ്യൂമൻ
5. ഡിജിറ്റൽ ഇക്കോസിസ്റ്റംസ്

1. വിപുലമായ AI, അനലിറ്റിക്സ്

കഴിഞ്ഞ 10 വർഷമായി ആഴത്തിലുള്ള പഠനത്തിന്റെ ഏറ്റവും മികച്ച മണിക്കൂർ ഞങ്ങൾ കണ്ടു. ഈ നെറ്റ്‌വർക്കുകൾ അവരുടെ ചുമതലകളുടെ ശ്രേണിക്ക് ശരിക്കും ഫലപ്രദമാണ്. 2018-ൽ Yann LeCun, Geoffrey Hinton, Yoshua Bengio എന്നിവർക്ക് അവരുടെ കണ്ടുപിടുത്തങ്ങൾക്ക് ട്യൂറിംഗ് അവാർഡ് ലഭിച്ചു - കമ്പ്യൂട്ടർ സയൻസിലെ നോബൽ സമ്മാനത്തിന് സമാനമായ ഏറ്റവും അഭിമാനകരമായ അവാർഡ്. അതിനാൽ, ചാർട്ടിൽ കാണിച്ചിരിക്കുന്ന ഈ മേഖലയിലെ പ്രധാന ട്രെൻഡുകൾ:

1.1 ട്രാൻസ്ഫർ ലേണിംഗ്

നിങ്ങൾ ആദ്യം മുതൽ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിനെ പരിശീലിപ്പിക്കുന്നില്ല, എന്നാൽ ഇതിനകം പരിശീലനം ലഭിച്ച ഒന്ന് എടുത്ത് അതിന് മറ്റൊരു ലക്ഷ്യം നൽകുക. ചിലപ്പോൾ ഇതിന് നെറ്റ്‌വർക്കിന്റെ ഒരു ഭാഗം വീണ്ടും പരിശീലിപ്പിക്കേണ്ടതുണ്ട്, പക്ഷേ മുഴുവൻ നെറ്റ്‌വർക്കും അല്ല, അത് വളരെ വേഗതയുള്ളതാണ്. ഉദാഹരണത്തിന്, ImageNet50 ഡാറ്റാസെറ്റിൽ പരിശീലിപ്പിച്ച ഒരു റെഡിമെയ്ഡ് ന്യൂറൽ നെറ്റ്‌വർക്ക് ResNet1000 എടുക്കുമ്പോൾ, ഒരു ഇമേജിലെ വിവിധ വസ്തുക്കളെ വളരെ ആഴത്തിലുള്ള തലത്തിൽ തരംതിരിക്കാൻ കഴിയുന്ന ഒരു അൽഗോരിതം നിങ്ങൾക്ക് ലഭിക്കും (1000 ക്ലാസുകൾ ന്യൂറലിന്റെ 50 ലെയറുകൾ സൃഷ്ടിച്ച സവിശേഷതകളെ അടിസ്ഥാനമാക്കി. നെറ്റ്വർക്ക്). എന്നാൽ നിങ്ങൾ ആ മുഴുവൻ നെറ്റ്‌വർക്കിനെയും പരിശീലിപ്പിക്കേണ്ടതില്ല, അതിന് മാസങ്ങൾ എടുക്കും.

В ഓൺലൈൻ കോഴ്സ് സാംസങ് "ന്യൂറൽ നെറ്റ്‌വർക്കുകളും കമ്പ്യൂട്ടർ കാഴ്ചയും", ഉദാഹരണത്തിന്, ഫൈനലിൽ കഗ്ഗിൽ ടാസ്ക് പ്ലേറ്റുകളെ വൃത്തിയുള്ളതും വൃത്തികെട്ടതുമായി തരംതിരിക്കുമ്പോൾ, മുകളിൽ വിവരിച്ച വാസ്തുവിദ്യ അനുസരിച്ച് നിർമ്മിച്ച, വൃത്തിയുള്ളതിൽ നിന്ന് വൃത്തികെട്ട പ്ലേറ്റുകളെ വേർതിരിച്ചറിയാൻ കഴിവുള്ള ഒരു ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്ക് 5 മിനിറ്റിനുള്ളിൽ നിങ്ങൾക്ക് നൽകുമെന്ന് ഒരു സമീപനം തെളിയിക്കുന്നു. യഥാർത്ഥ ശൃംഖലയ്ക്ക് പ്ലേറ്റുകൾ എന്താണെന്ന് അറിയില്ലായിരുന്നു, നായ്ക്കളിൽ നിന്ന് പക്ഷികളെ വേർതിരിച്ചറിയാൻ മാത്രമേ അത് പഠിച്ചുള്ളൂ (ഇമേജ്നെറ്റ് കാണുക).

അവലംബം: ഓൺലൈൻ കോഴ്സ് സാംസങ് "ന്യൂറൽ നെറ്റ്‌വർക്കുകളും കമ്പ്യൂട്ടർ കാഴ്ചയും"

ട്രാൻസ്ഫർ ലേണിംഗിനായി, ഏത് സമീപനങ്ങളാണ് പ്രവർത്തിക്കുന്നത്, ഏത് റെഡിമെയ്ഡ് അടിസ്ഥാന ആർക്കിടെക്ചറുകൾ ലഭ്യമാണ് എന്നിവ നിങ്ങൾ അറിയേണ്ടതുണ്ട്. മൊത്തത്തിൽ, ഇത് മെഷീൻ ലേണിംഗിന്റെ പ്രായോഗിക പ്രയോഗങ്ങളുടെ ആവിർഭാവത്തെ വളരെയധികം ത്വരിതപ്പെടുത്തുന്നു.

1.2 ജനറേറ്റീവ് അഡ്‌വേഴ്സറിയൽ നെറ്റ്‌വർക്കുകൾ (GAN)

പഠന ലക്ഷ്യം രൂപപ്പെടുത്തുന്നത് ഞങ്ങൾക്ക് വളരെ ബുദ്ധിമുട്ടുള്ള സന്ദർഭങ്ങളിലാണ് ഇത്. ചുമതല യഥാർത്ഥ ജീവിതത്തോട് എത്രത്തോളം അടുക്കുന്നുവോ അത്രയധികം അത് നമുക്ക് മനസ്സിലാക്കാവുന്നതേയുള്ളൂ ("ബെഡ്സൈഡ് ടേബിൾ കൊണ്ടുവരിക"), എന്നാൽ അത് ഒരു സാങ്കേതിക ചുമതലയായി രൂപപ്പെടുത്തുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടാണ്. ഈ പ്രശ്നത്തിൽ നിന്ന് നമ്മെ രക്ഷിക്കാനുള്ള ഒരു ശ്രമം മാത്രമാണ് GAN.

ഇവിടെ രണ്ട് നെറ്റ്‌വർക്കുകൾ പ്രവർത്തിക്കുന്നു: ഒന്ന് ജനറേറ്റർ (ജനറേറ്റീവ്), മറ്റൊന്ന് വിവേചനം (അദ്വേഴ്സറിയൽ). ഒരു നെറ്റ്‌വർക്ക് ഉപയോഗപ്രദമായ ജോലി ചെയ്യാൻ പഠിക്കുന്നു (ചിത്രങ്ങൾ തരംതിരിക്കുക, ശബ്ദങ്ങൾ തിരിച്ചറിയുക, കാർട്ടൂണുകൾ വരയ്ക്കുക). മറ്റൊരു നെറ്റ്‌വർക്ക് ആ നെറ്റ്‌വർക്കിനെ പഠിപ്പിക്കാൻ പഠിക്കുന്നു: ഇതിന് യഥാർത്ഥ ഉദാഹരണങ്ങളുണ്ട്, കൂടാതെ ശരിക്കും പ്രധാനപ്പെട്ട ആഴത്തിലുള്ള സ്വഭാവസവിശേഷതകളെ അടിസ്ഥാനമാക്കി നെറ്റ്‌വർക്കിന്റെ ജനറേറ്റീവ് ഭാഗത്തിന്റെ ഉൽപ്പന്നങ്ങളെ യഥാർത്ഥ ലോക വസ്തുക്കളുമായി (പരിശീലന സെറ്റ്) താരതമ്യം ചെയ്യുന്നതിന് മുമ്പ് അറിയപ്പെടാത്ത ഒരു സങ്കീർണ്ണ ഫോർമുല കണ്ടെത്താൻ ഇത് പഠിക്കുന്നു. : കണ്ണുകളുടെ എണ്ണം, മിയാസാക്കിയുടെ ശൈലിയുടെ സാമീപ്യം, ശരിയായ ഇംഗ്ലീഷ് ഉച്ചാരണം.

ആനിമേഷൻ പ്രതീകങ്ങൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു നെറ്റ്‌വർക്കിന്റെ ഫലത്തിന്റെ ഒരു ഉദാഹരണം. ഉറവിടം

പക്ഷേ, തീർച്ചയായും, അവിടെ വാസ്തുവിദ്യ നിർമ്മിക്കുന്നത് ബുദ്ധിമുട്ടാണ്. ന്യൂറോണുകൾ എറിഞ്ഞാൽ മാത്രം പോരാ, അവ തയ്യാറാക്കേണ്ടതുണ്ട്. പിന്നെ ആഴ്ചകളോളം പഠിക്കണം. സാംസങ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സെന്ററിലെ എന്റെ സഹപ്രവർത്തകർ GAN വിഷയത്തിൽ പ്രവർത്തിക്കുന്നു; ഇത് അവരുടെ പ്രധാന ഗവേഷണ ചോദ്യങ്ങളിൽ ഒന്നാണ്. ഉദാഹരണത്തിന്, ഇതുപോലെ വികസനം: വേരിയബിൾ പോസുകളുള്ള ആളുകളുടെ റിയലിസ്റ്റിക് ഫോട്ടോകൾ സമന്വയിപ്പിക്കാൻ ജനറേറ്റീവ് നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു - ഉദാഹരണത്തിന്, ഒരു വെർച്വൽ ഫിറ്റിംഗ് റൂം സൃഷ്‌ടിക്കുക, അല്ലെങ്കിൽ ഒരു മുഖം സമന്വയിപ്പിക്കുക, ഉയർന്ന നിലവാരമുള്ള വീഡിയോ ഉറപ്പാക്കാൻ സംഭരിക്കേണ്ടതോ കൈമാറുന്നതോ ആയ വിവരങ്ങളുടെ അളവ് കുറയ്ക്കാൻ കഴിയും. ആശയവിനിമയം, പ്രക്ഷേപണം അല്ലെങ്കിൽ വ്യക്തിഗത ഡാറ്റ സംരക്ഷണം.

ഉറവിടം

1.3 വിശദീകരിക്കാവുന്ന AI

ചില അപൂർവ ജോലികൾക്കായി, ആഴത്തിലുള്ള വാസ്തുവിദ്യയിലെ പുരോഗതി പെട്ടെന്ന് ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ കഴിവുകളെ മനുഷ്യന്റെ കഴിവുകളിലേക്ക് അടുപ്പിച്ചു. അത്തരം ജോലികളുടെ വ്യാപ്തി വർദ്ധിപ്പിക്കാനുള്ള പോരാട്ടമാണ് ഇപ്പോൾ നടക്കുന്നത്. ഉദാഹരണത്തിന്, ഒരു റോബോട്ട് വാക്വം ക്ലീനറിന് ഒരു പൂച്ചയെ നായയിൽ നിന്ന് എളുപ്പത്തിൽ വേർതിരിച്ചറിയാൻ കഴിയും. എന്നാൽ മിക്ക ജീവിത സാഹചര്യങ്ങളിലും, ലിനൻ അല്ലെങ്കിൽ ഫർണിച്ചറുകൾക്കിടയിൽ ഉറങ്ങുന്ന ഒരു പൂച്ചയെ കണ്ടെത്താൻ അയാൾക്ക് കഴിയില്ല (എന്നിരുന്നാലും, ഞങ്ങളെപ്പോലെ, മിക്ക കേസുകളിലും ...).

ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വിജയത്തിന്റെ കാരണം എന്താണ്? "നഗ്നനേത്രങ്ങൾക്ക് ദൃശ്യമാകുന്ന" (ഫോട്ടോ പിക്സലുകൾ, ശബ്‌ദ വോളിയത്തിലെ മാറ്റങ്ങൾ...) വിവരങ്ങളെ അടിസ്ഥാനമാക്കിയല്ല, മറിച്ച് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ നൂറുകണക്കിന് പാളികൾ ഉപയോഗിച്ച് ഈ വിവരങ്ങൾ മുൻകൂട്ടി പ്രോസസ്സ് ചെയ്തതിന് ശേഷം ലഭിച്ച സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയാണ് അവർ പ്രശ്നത്തിന്റെ പ്രാതിനിധ്യം വികസിപ്പിക്കുന്നത്. നിർഭാഗ്യവശാൽ, ഈ ബന്ധങ്ങൾ അർത്ഥശൂന്യമോ, പൊരുത്തമില്ലാത്തതോ അല്ലെങ്കിൽ യഥാർത്ഥ ഡാറ്റാ സെറ്റിലെ അപൂർണതകളുടെ സൂചനകളോ ആയിരിക്കാം. ഉദാഹരണത്തിന്, റിക്രൂട്ടിംഗിൽ AI യുടെ ചിന്താശൂന്യമായ ഉപയോഗം എന്തിലേക്ക് നയിക്കും എന്നതിനെക്കുറിച്ച് ഒരു ചെറിയ കമ്പ്യൂട്ടർ ഗെയിം ഉണ്ട് മികച്ച ഫിറ്റിന്റെ അതിജീവനം.

ചിത്രത്തിലെ ആൾ യഥാർത്ഥത്തിൽ ഒരു പുരുഷനാണെങ്കിലും, ഇമേജ് ടാഗിംഗ് സംവിധാനം പാചകം ചെയ്യുന്ന വ്യക്തിയെ സ്ത്രീ എന്ന് ലേബൽ ചെയ്തു (ഉറവിടം). അത് ശ്രദ്ധിച്ചു വിർജീനിയ ഇൻസ്റ്റിറ്റ്യൂട്ടിൽ.

നമുക്ക് പലപ്പോഴും സ്വയം രൂപപ്പെടുത്താൻ കഴിയാത്ത സങ്കീർണ്ണവും ആഴത്തിലുള്ളതുമായ ബന്ധങ്ങൾ വിശകലനം ചെയ്യാൻ, വിശദീകരിക്കാവുന്ന AI രീതികൾ ആവശ്യമാണ്. ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ സവിശേഷതകൾ അവർ സംഘടിപ്പിക്കുന്നു, അതുവഴി പരിശീലനത്തിന് ശേഷം, നെറ്റ്‌വർക്ക് പഠിച്ചെടുത്ത ആന്തരിക പ്രാതിനിധ്യം നമുക്ക് വിശകലനം ചെയ്യാൻ കഴിയും, പകരം അതിന്റെ തീരുമാനത്തെ ആശ്രയിക്കുക.

1.4 എഡ്ജ് അനലിറ്റിക്സ് / AI

എഡ്ജ് എന്ന വാക്കിലുള്ള എല്ലാം അക്ഷരാർത്ഥത്തിൽ ഇനിപ്പറയുന്നവയാണ് അർത്ഥമാക്കുന്നത്: ക്ലൗഡ്/സെർവറിൽ നിന്ന് അവസാന ഉപകരണം/ഗേറ്റ്‌വേ ലെവലിലേക്ക് അൽഗോരിതങ്ങളുടെ ഒരു ഭാഗം കൈമാറുന്നു. അത്തരമൊരു അൽഗോരിതം വേഗത്തിൽ പ്രവർത്തിക്കും, അതിന്റെ പ്രവർത്തനത്തിനായി ഒരു സെൻട്രൽ സെർവറിലേക്ക് ഒരു കണക്ഷൻ ആവശ്യമില്ല. ഒരു "നേർത്ത ക്ലയന്റ്" എന്നതിന്റെ അമൂർത്തീകരണം നിങ്ങൾക്ക് പരിചിതമാണെങ്കിൽ, ഇവിടെ ഞങ്ങൾ ഈ ക്ലയന്റിനെ കുറച്ചുകൂടി കട്ടിയുള്ളതാക്കുന്നു.
ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സിന് ഇത് പ്രധാനപ്പെട്ടതായിരിക്കാം. ഉദാഹരണത്തിന്, ഒരു യന്ത്രം അമിതമായി ചൂടാകുകയും തണുപ്പിക്കൽ ആവശ്യമുണ്ടെങ്കിൽ, ഡാറ്റ ക്ലൗഡിലേക്കും അവിടെ നിന്ന് ഷിഫ്റ്റ് ഫോർമാനിലേക്കും പോകുന്നതുവരെ കാത്തിരിക്കാതെ, പ്ലാന്റ് തലത്തിൽ ഇത് ഉടനടി സിഗ്നൽ നൽകുന്നത് അർത്ഥമാക്കുന്നു. അല്ലെങ്കിൽ മറ്റൊരു ഉദാഹരണം: സെൽഫ് ഡ്രൈവിംഗ് കാറുകൾക്ക് ഒരു സെൻട്രൽ സെർവറുമായി ബന്ധപ്പെടാതെ തന്നെ ട്രാഫിക് സാഹചര്യം സ്വയം കണ്ടെത്താനാകും.

ഉറവിടം

അല്ലെങ്കിൽ ഒരു സുരക്ഷാ വീക്ഷണത്തിൽ ഇത് പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ടാണെന്നതിന്റെ മറ്റൊരു ഉദാഹരണം: നിങ്ങളുടെ ഫോണിൽ നിങ്ങൾ ടെക്‌സ്‌റ്റുകൾ ടൈപ്പ് ചെയ്യുമ്പോൾ, അത് നിങ്ങൾക്ക് സാധാരണമായ വാക്കുകൾ ഓർമ്മിക്കുന്നു, അതുവഴി ഫോണിന്റെ കീബോർഡിന് അവയുമായി സൗകര്യപ്രദമായി നിങ്ങളോട് ആവശ്യപ്പെടാൻ കഴിയും - ഇതിനെ പ്രവചന ടെക്‌സ്‌റ്റ് ഇൻപുട്ട് എന്ന് വിളിക്കുന്നു. . നിങ്ങളുടെ കീബോർഡിൽ ടൈപ്പ് ചെയ്യുന്നതെല്ലാം എവിടെയെങ്കിലും ഒരു ഡാറ്റാ സെന്ററിലേക്ക് അയയ്ക്കുന്നത് നിങ്ങളുടെ സ്വകാര്യതയുടെ ലംഘനവും കേവലം സുരക്ഷിതമല്ലാത്തതുമായിരിക്കും. അതിനാൽ, കീബോർഡ് പരിശീലനം നിങ്ങളുടെ ഉപകരണത്തിൽ തന്നെ സംഭവിക്കുന്നു.

1.5 ഒരു സേവനമായി AI പ്ലാറ്റ്ഫോം (AI PaaS)

PaaS - Platform-as-a-Service എന്നത് ക്ലൗഡ് അധിഷ്‌ഠിത ഡാറ്റ സംഭരണവും റെഡിമെയ്ഡ് നടപടിക്രമങ്ങളും ഉൾപ്പെടെയുള്ള ഒരു സംയോജിത പ്ലാറ്റ്‌ഫോമിലേക്ക് ഞങ്ങൾക്ക് ആക്‌സസ് ലഭിക്കുന്ന ഒരു ബിസിനസ്സ് മോഡലാണ്. ഈ രീതിയിൽ, അടിസ്ഥാന സൗകര്യ ജോലികളിൽ നിന്ന് സ്വയം മോചിതരാകാനും ഉപയോഗപ്രദമായ എന്തെങ്കിലും ഉൽപ്പാദിപ്പിക്കുന്നതിൽ പൂർണ്ണമായും ശ്രദ്ധ കേന്ദ്രീകരിക്കാനും കഴിയും. AI ടാസ്‌ക്കുകൾക്കായുള്ള PaaS പ്ലാറ്റ്‌ഫോമുകളുടെ ഉദാഹരണം: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI പ്ലാറ്റ്‌ഫോം.

1.6 അഡാപ്റ്റീവ് മെഷീൻ ലേണിംഗ് (അഡാപ്റ്റീവ് ML)

നമ്മൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ പൊരുത്തപ്പെടുത്താൻ അനുവദിച്ചാലോ... നിങ്ങൾ ചോദിക്കുന്നു - അതായത്, എങ്ങനെ?.. അത് ഇതിനകം തന്നെ ചുമതലയുമായി പൊരുത്തപ്പെടുന്നില്ലേ? പ്രശ്‌നം ഇതാണ്: അത്തരം ഓരോ പ്രശ്‌നവും പരിഹരിക്കുന്നതിന് ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതം നിർമ്മിക്കുന്നതിന് മുമ്പ് ഞങ്ങൾ കഠിനമായി രൂപകൽപ്പന ചെയ്യുന്നു. അവർ നിങ്ങൾക്ക് ഉത്തരം നൽകും - ഈ ശൃംഖല ലളിതമാക്കാൻ കഴിയുമെന്ന് ഇത് മാറുന്നു.

പരമ്പരാഗത മെഷീൻ ലേണിംഗ് ഒരു ഓപ്പൺ-ലൂപ്പിന്റെ തത്വത്തിലാണ് പ്രവർത്തിക്കുന്നത്: നിങ്ങൾ ഡാറ്റ തയ്യാറാക്കുക, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് (അല്ലെങ്കിൽ മറ്റെന്തെങ്കിലും) കൊണ്ടുവരിക, ട്രെയിൻ ചെയ്യുക, തുടർന്ന് നിരവധി സൂചകങ്ങൾ നോക്കുക, നിങ്ങൾക്ക് എല്ലാം ഇഷ്ടമാണെങ്കിൽ, നിങ്ങൾക്ക് ന്യൂറൽ നെറ്റ്‌വർക്ക് സ്മാർട്ട്‌ഫോണുകളിലേക്ക് അയയ്ക്കാം. - ഉപയോക്തൃ പ്രശ്നങ്ങൾ പരിഹരിക്കുക. എന്നാൽ ധാരാളം ഡാറ്റയും അതിന്റെ സ്വഭാവവും ക്രമേണ മാറുന്ന ആപ്ലിക്കേഷനുകളിൽ, മറ്റ് രീതികൾ ആവശ്യമാണ്. സ്വയം പൊരുത്തപ്പെടുത്തുകയും പഠിപ്പിക്കുകയും ചെയ്യുന്ന അത്തരം സംവിധാനങ്ങൾ അടച്ച, സ്വയം-പഠന ലൂപ്പുകളായി (ക്ലോസ്ഡ്-ലൂപ്പ്) ക്രമീകരിച്ചിരിക്കുന്നു, അവ സുഗമമായി പ്രവർത്തിക്കണം.

ആപ്ലിക്കേഷനുകൾ - ഇത് സ്ട്രീം അനലിറ്റിക്സ് (സ്ട്രീം അനലിറ്റിക്സ്) ആകാം, അതിന്റെ അടിസ്ഥാനത്തിൽ പല ബിസിനസുകാരും തീരുമാനങ്ങൾ എടുക്കുന്നു, അല്ലെങ്കിൽ അഡാപ്റ്റീവ് പ്രൊഡക്ഷൻ മാനേജ്മെന്റ്. നിലവിലെ ആപ്ലിക്കേഷനുകളുടെ സ്കെയിലിൽ, മനുഷ്യർക്ക് നന്നായി മനസ്സിലാക്കാവുന്ന അപകടസാധ്യതകൾ കണക്കിലെടുക്കുമ്പോൾ, ഈ പ്രശ്നത്തിന് ഒരു പരിഹാരം ഉൾക്കൊള്ളുന്ന സാങ്കേതികതകളെല്ലാം അഡാപ്റ്റീവ് AI എന്ന കുടക്കീഴിൽ ശേഖരിക്കുന്നു.

ഉറവിടം

ഈ ചിത്രം നോക്കുമ്പോൾ, ഫ്യൂച്ചറോളജിസ്റ്റുകൾക്ക് ബ്രെഡ് നൽകില്ല എന്ന തോന്നലിൽ നിന്ന് മുക്തി നേടുന്നത് ബുദ്ധിമുട്ടാണ് - ശ്വസിക്കാൻ ഒരു റോബോട്ടിനെ പഠിപ്പിക്കാൻ അവരെ അനുവദിക്കുക.

പോസ്റ്റ്ക്ലാസിക്കൽ കമ്പ്യൂട്ടും കോമുകളും

2.1 അഞ്ചാം തലമുറ മൊബൈൽ ആശയവിനിമയം (5G)

ഇത് വളരെ രസകരമായ ഒരു വിഷയമാണ്, ഞങ്ങൾ നിങ്ങളെ ഞങ്ങളുടെ അടുത്തേക്ക് റഫർ ചെയ്യുന്നു ലേഖനം. ശരി, ഇതാ ഒരു ചെറിയ സംഗ്രഹം. 5G, ഡാറ്റാ ട്രാൻസ്മിഷന്റെ ആവൃത്തി വർദ്ധിപ്പിക്കുന്നതിലൂടെ, ഇന്റർനെറ്റ് വേഗത അയഥാർത്ഥമായി വേഗത്തിലാക്കും. ചെറിയ തരംഗങ്ങൾ തടസ്സങ്ങളിലൂടെ കടന്നുപോകുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടാണ്, അതിനാൽ നെറ്റ്വർക്കുകളുടെ രൂപകൽപ്പന തികച്ചും വ്യത്യസ്തമായിരിക്കും: 500 മടങ്ങ് കൂടുതൽ ബേസ് സ്റ്റേഷനുകൾ ആവശ്യമാണ്.

വേഗതയ്‌ക്കൊപ്പം, നമുക്ക് പുതിയ പ്രതിഭാസങ്ങളും ലഭിക്കും: ആഗ്‌മെന്റഡ് റിയാലിറ്റിയുള്ള തത്സമയ ഗെയിമുകൾ, ടെലിപ്രസൻസിലൂടെ സങ്കീർണ്ണമായ ജോലികൾ (ശസ്ത്രക്രിയ പോലുള്ളവ) നടത്തുക, യന്ത്രങ്ങൾ തമ്മിലുള്ള ആശയവിനിമയത്തിലൂടെ റോഡുകളിലെ അപകടങ്ങളും പ്രയാസകരമായ സാഹചര്യങ്ങളും തടയുന്നു. കൂടുതൽ സുപ്രധാനമായ ഒരു കുറിപ്പിൽ: സ്റ്റേഡിയത്തിലെ മത്സരം പോലെയുള്ള ബഹുജന പരിപാടികളിൽ മൊബൈൽ ഇന്റർനെറ്റ് ഡ്രോപ്പ് ചെയ്യുന്നത് നിർത്തും.

ചിത്ര ഉറവിടം - റോയിട്ടേഴ്‌സ്, നിയാന്റിക്

2.2 അടുത്ത തലമുറ മെമ്മറി

ഇവിടെ നമ്മൾ അഞ്ചാം തലമുറ റാമിനെക്കുറിച്ചാണ് സംസാരിക്കുന്നത് - DDR5. DDR2019 അടിസ്ഥാനമാക്കിയുള്ള ഉൽപ്പന്നങ്ങൾ 5 അവസാനത്തോടെ ലഭ്യമാകുമെന്ന് സാംസങ് പ്രഖ്യാപിച്ചു. അതേ ഫോം ഫാക്‌ടർ നിലനിർത്തുമ്പോൾ പുതിയ മെമ്മറി ഇരട്ടി വേഗതയും ഇരട്ടി ശേഷിയുള്ളതുമാകുമെന്ന് പ്രതീക്ഷിക്കുന്നു, അതായത്, നമ്മുടെ കമ്പ്യൂട്ടറിന് 32 ജിബി വരെ ശേഷിയുള്ള മെമ്മറി സ്റ്റിക്കുകൾ ലഭിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു. ഭാവിയിൽ, ഇത് സ്മാർട്ട്ഫോണുകൾക്കും (പുതിയ മെമ്മറി കുറഞ്ഞ പവർ പതിപ്പിലായിരിക്കും) ലാപ്ടോപ്പുകൾക്കും (ഡിഐഎംഎം സ്ലോട്ടുകളുടെ എണ്ണം പരിമിതമാണ്) പ്രത്യേകിച്ചും പ്രസക്തമായിരിക്കും. കൂടാതെ മെഷീൻ ലേണിംഗിനും വലിയ അളവിൽ റാം ആവശ്യമാണ്.

2.3 ലോ-എർത്ത്-ഓർബിറ്റ് സാറ്റലൈറ്റ് സിസ്റ്റംസ്

ഭാരമേറിയതും ചെലവേറിയതും ശക്തവുമായ ഉപഗ്രഹങ്ങളെ ചെറുതും വിലകുറഞ്ഞതുമായ ഒരു കൂട്ടം ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക എന്ന ആശയം പുതിയതല്ല, 90 കളിൽ പ്രത്യക്ഷപ്പെട്ടു. എന്തിനേക്കുറിച്ച് "എലോൺ മസ്‌ക് ഉടൻ തന്നെ ഉപഗ്രഹത്തിൽ നിന്ന് എല്ലാവർക്കും ഇന്റർനെറ്റ് വിതരണം ചെയ്യും" ഇപ്പോൾ മടിയന്മാർ മാത്രം കേട്ടില്ല. 90 കളുടെ അവസാനത്തിൽ പാപ്പരായ ഇറിഡിയം ആണ് ഇവിടുത്തെ ഏറ്റവും പ്രശസ്തമായ കമ്പനി, എന്നാൽ യുഎസ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് ഡിഫൻസ് (റഷ്യൻ സ്മാർട്ട് ഹോം സിസ്റ്റമായ iRidium-മായി തെറ്റിദ്ധരിക്കേണ്ടതില്ല) ചെലവിൽ സംരക്ഷിക്കപ്പെട്ടു. എലോൺ മസ്‌കിന്റെ പ്രോജക്റ്റ് (സ്റ്റാർലിങ്ക്) ഒരേയൊരു പദ്ധതിയിൽ നിന്ന് വളരെ അകലെയാണ് - റിച്ചാർഡ് ബ്രാൻസൺ (വൺവെബ് - 1440 നിർദ്ദിഷ്ട ഉപഗ്രഹങ്ങൾ), ബോയിംഗ് (3000 ഉപഗ്രഹങ്ങൾ), സാംസങ് (4600 ഉപഗ്രഹങ്ങൾ), മറ്റുള്ളവർ ഉപഗ്രഹ മത്സരത്തിൽ പങ്കെടുക്കുന്നു.

ഈ പ്രദേശത്ത് കാര്യങ്ങൾ എങ്ങനെ നിലകൊള്ളുന്നു, അവിടെ സമ്പദ്‌വ്യവസ്ഥ എങ്ങനെ കാണപ്പെടുന്നു - വായിക്കുക അവലോകനം. ആദ്യ ഉപയോക്താക്കളുടെ ഈ സിസ്റ്റങ്ങളുടെ ആദ്യ പരിശോധനകൾക്കായി ഞങ്ങൾ കാത്തിരിക്കുകയാണ്, അത് അടുത്ത വർഷം നടക്കും.

2.4 നാനോ സ്കെയിൽ 3D പ്രിന്റിംഗ്

3D പ്രിന്റിംഗ്, അത് ഓരോ വ്യക്തിയുടെയും ജീവിതത്തിലേക്ക് പ്രവേശിച്ചിട്ടില്ലെങ്കിലും (ഒരു വ്യക്തിഗത ഹോം പ്ലാസ്റ്റിക് ഫാക്ടറി വാഗ്ദാനം ചെയ്ത രൂപത്തിൽ), എന്നിരുന്നാലും വളരെക്കാലം മുമ്പ് സങ്കീർത്തനക്കാർക്കുള്ള സാങ്കേതിക ഇടം ഉപേക്ഷിച്ചു. കുറഞ്ഞത് 3D ശിൽപങ്ങളുള്ള പേനകളുടെ അസ്തിത്വത്തെക്കുറിച്ച് ഓരോ സ്കൂൾ കുട്ടിക്കും അറിയാമെന്ന വസ്തുത ഉപയോഗിച്ച് നിങ്ങൾക്ക് വിലയിരുത്താം, കൂടാതെ റണ്ണേഴ്‌സും എക്‌സ്‌ട്രൂഡറും ഉള്ള ഒരു ബോക്‌സ് വാങ്ങാൻ പലരും സ്വപ്നം കാണുന്നു ... "അത് പോലെ തന്നെ" (അല്ലെങ്കിൽ ഇതിനകം വാങ്ങിയിട്ടുണ്ട്).

സ്റ്റീരിയോലിത്തോഗ്രാഫി (ലേസർ 3D പ്രിന്ററുകൾ) വ്യക്തിഗത ഫോട്ടോണുകൾ ഉപയോഗിച്ച് അച്ചടിക്കാൻ അനുവദിക്കുന്നു: പുതിയ പോളിമറുകൾ പര്യവേക്ഷണം ചെയ്യപ്പെടുന്നു, അവയ്ക്ക് രണ്ട് ഫോട്ടോണുകൾ മാത്രമേ ആവശ്യമുള്ളൂ. ഇത് ലബോറട്ടറി അല്ലാത്ത സാഹചര്യങ്ങളിൽ, പൂർണ്ണമായും പുതിയ ഫിൽട്ടറുകൾ, മൗണ്ടുകൾ, സ്പ്രിംഗുകൾ, കാപ്പിലറികൾ, ലെൻസുകൾ എന്നിവയും... അഭിപ്രായങ്ങളിൽ നിങ്ങളുടെ ഓപ്ഷനുകൾ സൃഷ്ടിക്കാൻ അനുവദിക്കും! ഇവിടെ ഫോട്ടോപോളിമറൈസേഷനിൽ നിന്ന് വളരെ അകലെയല്ല - പ്രോസസ്സറുകളും കമ്പ്യൂട്ടിംഗ് സർക്യൂട്ടുകളും "പ്രിന്റ്" ചെയ്യാൻ ഈ സാങ്കേതികവിദ്യ മാത്രമേ ഞങ്ങളെ അനുവദിക്കൂ. കൂടാതെ, ഇത് ആദ്യത്തെ വർഷമല്ല ഗ്രാഫീൻ 500 nm ത്രിമാന ഘടനകൾ അച്ചടിക്കുന്നതിനുള്ള സാങ്കേതികവിദ്യ, എന്നാൽ സമൂലമായ വികസനം ഇല്ലാതെ.

ഉറവിടം

3. സെൻസിംഗും മൊബിലിറ്റിയും

3.1 ഓട്ടോണമസ് ഡ്രൈവിംഗ് ലെവൽ 4 & 5

പദാവലിയിൽ ആശയക്കുഴപ്പത്തിലാകാതിരിക്കാൻ, സ്വയംഭരണത്തിന്റെ ഏത് തലങ്ങളാണ് വേർതിരിച്ചിരിക്കുന്നതെന്ന് മനസ്സിലാക്കേണ്ടതാണ് (വിശദമായതിൽ നിന്ന് എടുത്തത് ലേഖനങ്ങൾ, ഞങ്ങൾ താൽപ്പര്യമുള്ള എല്ലാവരെയും റഫർ ചെയ്യുന്നു):

ലെവൽ 1: ക്രൂയിസ് നിയന്ത്രണം: വളരെ പരിമിതമായ സാഹചര്യങ്ങളിൽ ഡ്രൈവറെ സഹായിക്കുന്നു (ഉദാഹരണത്തിന്, ഡ്രൈവർ പെഡലിൽ നിന്ന് കാൽ എടുത്തതിന് ശേഷം നിശ്ചിത വേഗതയിൽ കാർ പിടിക്കുക)
ലെവൽ 2: പരിമിതമായ സ്റ്റിയറിംഗ്, ബ്രേക്കിംഗ് സഹായം. ഡ്രൈവർ തൽക്ഷണം നിയന്ത്രണം ഏറ്റെടുക്കാൻ തയ്യാറായിരിക്കണം. അവന്റെ കൈകൾ സ്റ്റിയറിംഗ് വീലിലാണ്, അവന്റെ കണ്ണുകൾ റോഡിലേക്ക് നയിക്കുന്നു. ടെസ്‌ലയ്ക്കും ജനറൽ മോട്ടോഴ്‌സിനും മുമ്പേ ഉള്ള കാര്യമാണിത്.
ലെവൽ 3: ഡ്രൈവർ ഇനി നിരന്തരം റോഡ് നിരീക്ഷിക്കേണ്ടതില്ല. എന്നാൽ അവൻ ജാഗ്രത പാലിക്കുകയും നിയന്ത്രണം ഏറ്റെടുക്കാൻ തയ്യാറാകുകയും വേണം. വാണിജ്യാടിസ്ഥാനത്തിൽ ലഭ്യമായ കാറുകൾക്ക് ഇതുവരെ ഇല്ലാത്ത കാര്യമാണിത്. നിലവിൽ നിലവിലുള്ളവയെല്ലാം 1-2 ലെവലിലാണ്.
ലെവൽ 4: യഥാർത്ഥ ഓട്ടോപൈലറ്റ്, എന്നാൽ നിയന്ത്രണങ്ങളോടെ: ശ്രദ്ധാപൂർവം മാപ്പ് ചെയ്‌തതും സിസ്റ്റത്തിന് പൊതുവായി അറിയാവുന്നതുമായ ഒരു അറിയപ്പെടുന്ന ഏരിയയിലെ യാത്രകൾ മാത്രം, ചില വ്യവസ്ഥകൾക്ക് വിധേയമായി: ഉദാഹരണത്തിന്, മഞ്ഞിന്റെ അഭാവത്തിൽ. വെയ്‌മോയ്ക്കും ജനറൽ മോട്ടോഴ്‌സിനും അത്തരം പ്രോട്ടോടൈപ്പുകൾ ഉണ്ട്, അവ നിരവധി നഗരങ്ങളിൽ സമാരംഭിക്കാനും യഥാർത്ഥ പരിതസ്ഥിതികളിൽ പരീക്ഷിക്കാനും അവർ പദ്ധതിയിടുന്നു. Skolkovo, Innopolis എന്നിവിടങ്ങളിൽ ആളില്ലാ ടാക്സികൾക്കായി Yandex-ന് പരീക്ഷണ മേഖലകളുണ്ട്: യാത്രക്കാരുടെ സീറ്റിൽ ഇരിക്കുന്ന ഒരു എഞ്ചിനീയറുടെ മേൽനോട്ടത്തിലാണ് യാത്ര; വർഷാവസാനത്തോടെ, ആളില്ലാ വാഹനങ്ങളുടെ എണ്ണം 100 ആയി വികസിപ്പിക്കാൻ കമ്പനി പദ്ധതിയിടുന്നു.
ലെവൽ 5: പൂർണ്ണ ഓട്ടോമാറ്റിക് ഡ്രൈവിംഗ്, ഒരു തത്സമയ ഡ്രൈവർ പൂർണ്ണമായും മാറ്റിസ്ഥാപിക്കുക. അത്തരം സംവിധാനങ്ങൾ നിലവിലില്ല, വരും വർഷങ്ങളിൽ അവ പ്രത്യക്ഷപ്പെടാൻ സാധ്യതയില്ല.

ഭാവിയിൽ ഇതെല്ലാം കാണുന്നത് എത്രത്തോളം യാഥാർത്ഥ്യമാണ്? ഇവിടെ വായനക്കാരനെ ലേഖനത്തിലേക്ക് തിരിച്ചുവിടാൻ ഞാൻ ആഗ്രഹിക്കുന്നു "ടെസ്‌ല വാഗ്ദാനം ചെയ്യുന്നതുപോലെ 2020 ഓടെ ഒരു റോബോടാക്‌സി അവതരിപ്പിക്കുന്നത് എന്തുകൊണ്ട് അസാധ്യമാണ്". ഇത് ഭാഗികമായി 5G കണക്റ്റിവിറ്റിയുടെ അഭാവം മൂലമാണ്: ലഭ്യമായ 4G വേഗത മതിയാകുന്നില്ല. സ്വയംഭരണ കാറുകളുടെ ഉയർന്ന വില കാരണം: അവ ഇതുവരെ ലാഭകരമല്ല, ബിസിനസ്സ് മോഡൽ വ്യക്തമല്ല. ഒറ്റവാക്കിൽ പറഞ്ഞാൽ, ഇവിടെ "എല്ലാം സങ്കീർണ്ണമാണ്", കൂടാതെ 4, 5 ലെവലുകൾ വൻതോതിൽ നടപ്പിലാക്കുന്നതിനുള്ള പ്രവചനം 10 വർഷത്തേക്കാൾ മുമ്പല്ലെന്ന് ഗാർട്ട്നർ എഴുതുന്നത് യാദൃശ്ചികമല്ല.

3.2 3D സെൻസിംഗ് ക്യാമറകൾ

എട്ട് വർഷം മുമ്പ്, മൈക്രോസോഫ്റ്റിന്റെ Kinect ഗെയിമിംഗ് കൺട്രോളർ 3D ദർശനത്തിന് ആക്സസ് ചെയ്യാവുന്നതും താരതമ്യേന ചെലവുകുറഞ്ഞതുമായ പരിഹാരം വാഗ്ദാനം ചെയ്തുകൊണ്ട് തരംഗങ്ങൾ സൃഷ്ടിച്ചു. അതിനുശേഷം, Kinect-നൊപ്പമുള്ള ശാരീരിക വിദ്യാഭ്യാസവും നൃത്ത ഗെയിമുകളും അവയുടെ ചെറിയ ഉയർച്ചയും തകർച്ചയും അനുഭവിച്ചിട്ടുണ്ട്, എന്നാൽ 3D ക്യാമറകൾ വ്യാവസായിക റോബോട്ടുകൾ, ആളില്ലാ വാഹനങ്ങൾ, മൊബൈൽ ഫോണുകൾ എന്നിവയിൽ മുഖം തിരിച്ചറിയാൻ ഉപയോഗിക്കാൻ തുടങ്ങി. സാങ്കേതികവിദ്യ വിലകുറഞ്ഞതും കൂടുതൽ ഒതുക്കമുള്ളതും കൂടുതൽ ആക്സസ് ചെയ്യാവുന്നതുമാണ്.

സാംസങ് എസ് 10 ഫോണിന് ടൈം ഓഫ് ഫ്ലൈറ്റ് ക്യാമറയുണ്ട്, അത് ഫോക്കസ് ചെയ്യുന്നത് എളുപ്പമാക്കുന്നതിന് ഒരു വസ്തുവിലേക്കുള്ള ദൂരം അളക്കുന്നു. ഉറവിടം

നിങ്ങൾക്ക് ഈ വിഷയത്തിൽ താൽപ്പര്യമുണ്ടെങ്കിൽ, ഡെപ്ത് ക്യാമറകളുടെ വളരെ നല്ല വിശദമായ അവലോകനത്തിലേക്ക് ഞങ്ങൾ നിങ്ങളെ റീഡയറക്ട് ചെയ്യും: ഭാഗം 1, ഭാഗം 2.

3.3 ചെറിയ കാർഗോ എത്തിക്കുന്നതിനുള്ള ഡ്രോണുകൾ (ലൈറ്റ് കാർഗോ ഡെലിവറി ഡ്രോണുകൾ)

ഈ വർഷം, ആമസോൺ ഷോയിൽ 2 കിലോ വരെ ഭാരമുള്ള ചെറിയ ലോഡുകൾ വഹിക്കാൻ കഴിയുന്ന ഒരു പുതിയ ഫ്ലൈയിംഗ് ഡ്രോൺ കാണിച്ചപ്പോൾ തരംഗമായി. ഗതാഗതക്കുരുക്കുകളുള്ള ഒരു നഗരത്തിന്, ഇത് അനുയോജ്യമായ ഒരു പരിഹാരമായി തോന്നുന്നു. ഈ ഡ്രോണുകൾ സമീപഭാവിയിൽ എങ്ങനെ പ്രവർത്തിക്കുമെന്ന് നോക്കാം. ഒരുപക്ഷേ ഇവിടെ ജാഗ്രതയോടെ സംശയിക്കുന്നത് മൂല്യവത്താണ്: ഒരു ഡ്രോൺ എളുപ്പത്തിൽ മോഷ്ടിക്കാനുള്ള സാധ്യതയിൽ തുടങ്ങി യു‌എ‌വികളിലെ നിയമപരമായ നിയന്ത്രണങ്ങളിൽ‌ അവസാനിക്കുന്ന നിരവധി പ്രശ്‌നങ്ങളുണ്ട്. ആമസോൺ പ്രൈം എയർ ആറ് വർഷമായി പ്രവർത്തിക്കുന്നു, പക്ഷേ ഇപ്പോഴും പരീക്ഷണ ഘട്ടത്തിലാണ്.

ആമസോണിന്റെ പുതിയ ഡ്രോൺ, ഈ വസന്തകാലത്ത് കാണിച്ചിരിക്കുന്നു. അവനെക്കുറിച്ച് ചില സ്റ്റാർ വാർസ് ഉണ്ട്. ഉറവിടം

ആമസോണിന് പുറമേ, ഈ വിപണിയിൽ മറ്റ് കളിക്കാരും ഉണ്ട് (വിശദമായത് ഉണ്ട് അവലോകനം ചെയ്യുക), എന്നാൽ ഒരു പൂർത്തിയായ ഉൽപ്പന്നം പോലുമില്ല: എല്ലാം പരിശോധനയുടെയും മാർക്കറ്റിംഗ് കാമ്പെയ്‌നുകളുടെയും ഘട്ടത്തിലാണ്. വെവ്വേറെ, വളരെ രസകരമായ ഉയർന്ന സ്പെഷ്യലൈസ്ഡ് മെഡിക്കൽ ശ്രദ്ധിക്കേണ്ടതാണ് പ്രോജക്ടുകൾ ആഫ്രിക്കയിൽ: ഘാനയിലും (14 ഡെലിവറികൾ, സിപ്‌ലൈൻ കമ്പനി), റുവാണ്ടയിലും (മാറ്റർനെറ്റ് കമ്പനി) ദാനം ചെയ്ത രക്തം വിതരണം ചെയ്യുന്നു.

3.4 പറക്കുന്ന സ്വയംഭരണ വാഹനങ്ങൾ

ഇവിടെ വ്യക്തമായി എന്തെങ്കിലും പറയാൻ പ്രയാസമാണ്. ഗാർട്ട്നർ പറയുന്നതനുസരിച്ച്, ഇത് 10 വർഷത്തിനുള്ളിൽ ദൃശ്യമാകില്ല. പൊതുവേ, സ്വയം-ഡ്രൈവിംഗ് കാറുകളിലേതുപോലെ എല്ലാ പ്രശ്നങ്ങളും ഇവിടെയുണ്ട്, അവയ്ക്ക് ഒരു പുതിയ മാനം മാത്രമേ ലഭിക്കൂ - ലംബമായി. പോർഷെ, ബോയിംഗ്, ഊബർ എന്നിവ ഒരു പറക്കും ടാക്സി നിർമ്മിക്കാനുള്ള തങ്ങളുടെ അഭിലാഷങ്ങൾ പ്രഖ്യാപിച്ചു.

3.5 ഓഗ്മെന്റഡ് റിയാലിറ്റി ക്ലൗഡ് (AR ക്ലൗഡ്)

എല്ലാ ഉപയോക്താക്കൾക്കും പൊതുവായുള്ള യാഥാർത്ഥ്യത്തിന്റെ ഒരു പുതിയ പാളി സൃഷ്ടിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന യഥാർത്ഥ ലോകത്തിന്റെ സ്ഥിരമായ ഡിജിറ്റൽ പകർപ്പ്. കൂടുതൽ സാങ്കേതികമായി പറഞ്ഞാൽ, ഡെവലപ്പർമാർക്ക് അവരുടെ AR ആപ്ലിക്കേഷനുകൾ സംയോജിപ്പിക്കാൻ കഴിയുന്ന ഒരു ഓപ്പൺ ക്ലൗഡ് പ്ലാറ്റ്‌ഫോം നിർമ്മിക്കുന്നതിനെക്കുറിച്ചാണ് ഞങ്ങൾ സംസാരിക്കുന്നത്. ധനസമ്പാദന മാതൃക വ്യക്തമാണ്; ഇത് സ്റ്റീമിന്റെ ഒരുതരം അനലോഗ് ആണ്. ക്ലൗഡ് ഇല്ലാത്ത AR കേവലം ഉപയോഗശൂന്യമാണെന്ന് ചിലർ ഇപ്പോൾ വിശ്വസിക്കുന്ന തരത്തിൽ ഈ ആശയം വേരൂന്നിയിരിക്കുന്നു.

ഭാവിയിൽ ഇത് എങ്ങനെയായിരിക്കുമെന്ന് ഒരു ചെറിയ വീഡിയോയിൽ കാണിച്ചിരിക്കുന്നു. ബ്ലാക്ക് മിററിന്റെ മറ്റൊരു എപ്പിസോഡ് പോലെ തോന്നുന്നു:

എന്നതിലും വായിക്കാം അവലോകന ലേഖനം.

4. ഓഗ്മെന്റഡ് ഹ്യൂമൻ

4.1 ഇമോഷൻ AI

മനുഷ്യവികാരങ്ങളെ എങ്ങനെ അളക്കാം, അനുകരിക്കാം, പ്രതികരിക്കാം? ആമസോൺ അലക്‌സ പോലുള്ള വോയ്‌സ് അസിസ്റ്റന്റുമാരെ ഉണ്ടാക്കുന്ന കമ്പനികളാണ് ഇവിടെയുള്ള ചില ക്ലയന്റുകൾ. മാനസികാവസ്ഥ തിരിച്ചറിയാൻ പഠിച്ചാൽ അവർക്ക് ശരിക്കും വീടുകളിൽ ഉപയോഗിക്കാനാകും: ഉപയോക്താവിന്റെ അതൃപ്തിയുടെ കാരണം മനസിലാക്കുക, സാഹചര്യം ശരിയാക്കാൻ ശ്രമിക്കുക. പൊതുവേ, സന്ദേശത്തിൽ ഉള്ളതിനേക്കാൾ കൂടുതൽ വിവരങ്ങൾ സന്ദർഭത്തിൽ ഉണ്ട്. സന്ദർഭം എന്നത് മുഖഭാവം, അന്തർലീനത, വാക്കേതര പെരുമാറ്റം എന്നിവയാണ്.

മറ്റ് പ്രായോഗിക പ്രയോഗങ്ങൾ: ഒരു ജോലി അഭിമുഖത്തിനിടയിലെ വികാരങ്ങളുടെ വിശകലനം (വീഡിയോ അഭിമുഖങ്ങളെ അടിസ്ഥാനമാക്കി), പരസ്യങ്ങൾ അല്ലെങ്കിൽ മറ്റ് വീഡിയോ ഉള്ളടക്കങ്ങൾക്കുള്ള പ്രതികരണങ്ങൾ വിലയിരുത്തൽ (പുഞ്ചിരി, ചിരി), പഠനത്തിനുള്ള സഹായം (ഉദാഹരണത്തിന്, പൊതു സംഭാഷണ കലയിൽ സ്വതന്ത്ര പരിശീലനത്തിന്).

6 മിനിറ്റ് ദൈർഘ്യമുള്ള ഒരു ഷോർട്ട് ഫിലിമിന്റെ രചയിതാവിനേക്കാൾ നന്നായി ഈ വിഷയത്തിൽ സംസാരിക്കാൻ പ്രയാസമാണ് ഊർ ഫീലിംഗ് മോഷ്ടിക്കുന്നു. വിപണന ആവശ്യങ്ങൾക്കായി ഞങ്ങളുടെ വികാരങ്ങൾ നിങ്ങൾക്ക് എങ്ങനെ അളക്കാമെന്ന് തമാശയും സ്റ്റൈലിഷും വീഡിയോ കാണിക്കുന്നു, കൂടാതെ നിങ്ങളുടെ മുഖത്തിന്റെ നൈമിഷിക പ്രതികരണങ്ങളിൽ നിന്ന്, നിങ്ങൾക്ക് പിസ, നായ്ക്കൾ, കാനി വെസ്റ്റ് എന്നിവ ഇഷ്ടമാണോ എന്ന് കണ്ടെത്തുക, കൂടാതെ നിങ്ങളുടെ വരുമാന നിലവാരവും ഏകദേശ ഐക്യുവും പോലും. മുകളിലെ ലിങ്ക് ഉപയോഗിച്ച് സിനിമയുടെ വെബ്‌സൈറ്റ് സന്ദർശിക്കുന്നതിലൂടെ, നിങ്ങളുടെ ലാപ്‌ടോപ്പിന്റെ ബിൽറ്റ്-ഇൻ ക്യാമറ ഉപയോഗിച്ച് ഒരു സംവേദനാത്മക വീഡിയോയിൽ നിങ്ങൾ പങ്കാളിയാകും. ചിത്രം ഇതിനോടകം നിരവധി ഫിലിം ഫെസ്റ്റിവലുകളിൽ പ്രദർശിപ്പിച്ചിട്ടുണ്ട്.

ഉറവിടം

അത്തരമൊരു രസകരമായ പഠനം പോലും ഉണ്ട്: വാചകത്തിലെ പരിഹാസം എങ്ങനെ തിരിച്ചറിയാം. ഞങ്ങൾ #sarcasm എന്ന ഹാഷ്‌ടാഗ് ഉപയോഗിച്ച് ട്വീറ്റുകൾ എടുക്കുകയും പരിഹാസത്തോടെ 25 ട്വീറ്റുകളും സൂര്യനു കീഴിലുള്ള എല്ലാ കാര്യങ്ങളെക്കുറിച്ചും 000 പതിവ് ട്വീറ്റുകളും ഉൾക്കൊള്ളുന്ന പരിശീലന സെറ്റ് ഉണ്ടാക്കുകയും ചെയ്തു. ഞങ്ങൾ TensorFlow ലൈബ്രറി ഉപയോഗിച്ചു, സിസ്റ്റം പരിശീലിപ്പിച്ചു, ഫലം ഇതാ:

ഉറവിടം

അതിനാൽ, ഇപ്പോൾ, നിങ്ങളുടെ സഹപ്രവർത്തകനെക്കുറിച്ചോ സുഹൃത്തിനെക്കുറിച്ചോ നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ - അവൻ നിങ്ങളോട് ഗൗരവമായോ പരിഹാസത്തോടെയോ എന്തെങ്കിലും പറഞ്ഞു, നിങ്ങൾക്ക് ഇതിനകം ഉപയോഗിക്കാം പരിശീലനം ലഭിച്ച ന്യൂറൽ നെറ്റ്‌വർക്ക്!

4.2 ആഗ്മെന്റഡ് ഇന്റലിജൻസ്

മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ച് ബൗദ്ധിക പ്രവർത്തനത്തിന്റെ ഓട്ടോമേഷൻ. പുതിയതൊന്നും ഇല്ലെന്ന് തോന്നുമോ? എന്നാൽ പദപ്രയോഗം തന്നെ ഇവിടെ പ്രധാനമാണ്, പ്രത്യേകിച്ചും ഇത് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ചുരുക്കത്തിൽ ഒത്തുപോകുന്നതിനാൽ. ഇത് "ശക്തമായ", "ദുർബലമായ" AI എന്നിവയെക്കുറിച്ചുള്ള സംവാദത്തിലേക്ക് ഞങ്ങളെ തിരികെ കൊണ്ടുവരുന്നു.
സയൻസ് ഫിക്ഷൻ സിനിമകളിൽ നിന്നുള്ള അതേ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആണ് സ്ട്രോങ്ങ് AI, അത് മനുഷ്യ മനസ്സിന് പൂർണ്ണമായും തുല്യവും ഒരു വ്യക്തി എന്ന നിലയിൽ സ്വയം ബോധമുള്ളതുമാണ്. ഇത് ഇതുവരെ നിലവിലില്ല, അത് നിലനിൽക്കുമോ എന്ന് വ്യക്തമല്ല.

ദുർബലമായ AI ഒരു സ്വതന്ത്ര വ്യക്തിയല്ല, മറിച്ച് ഒരു മനുഷ്യ സഹായിയാണ്. അയാൾക്ക് മനുഷ്യനെപ്പോലെ ചിന്തയുണ്ടെന്ന് അവകാശപ്പെടുന്നില്ല, എന്നാൽ വിവര പ്രശ്നങ്ങൾ എങ്ങനെ പരിഹരിക്കാമെന്ന് ലളിതമായി അറിയാം, ഉദാഹരണത്തിന്, ഒരു ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നതെന്താണെന്ന് നിർണ്ണയിക്കുക അല്ലെങ്കിൽ വാചകം വിവർത്തനം ചെയ്യുക.

ഉറവിടം

ഈ അർത്ഥത്തിൽ, ഓഗ്‌മെന്റഡ് ഇന്റലിജൻസ് അതിന്റെ ശുദ്ധമായ രൂപത്തിൽ "ദുർബലമായ AI" ആണ്, കൂടാതെ ഫോർമുലേഷൻ വിജയകരമാണെന്ന് തോന്നുന്നു, കാരണം ഇത് ആശയക്കുഴപ്പവും പ്രലോഭനവും അവതരിപ്പിക്കുന്നില്ല, എല്ലാവരും സ്വപ്നം കാണുന്ന അതേ "ശക്തമായ AI" ഇവിടെ കാണാനുള്ള പ്രലോഭനവും (അല്ലെങ്കിൽ നമ്മൾ ഭയപ്പെടുന്നുവെങ്കിൽ). "വിമത കാറുകൾ" എന്നതിനെക്കുറിച്ചുള്ള നിരവധി ചർച്ചകൾ ഓർക്കുക). ആഗ്‌മെന്റഡ് ഇന്റലിജൻസ് എന്ന പ്രയോഗം ഉപയോഗിച്ച്, ഞങ്ങൾ ഉടൻ തന്നെ മറ്റൊരു സിനിമയുടെ നായകന്മാരാകുന്നു: സയൻസ് ഫിക്ഷനിൽ നിന്ന് (അസിമോവിന്റെ “ഐ, റോബോട്ട്” പോലെ) ഞങ്ങൾ സൈബർപങ്കിൽ സ്വയം കണ്ടെത്തുന്നു (ഈ വിഭാഗത്തിലെ “വർദ്ധനകൾ” മനുഷ്യന്റെ കഴിവുകൾ വികസിപ്പിക്കുന്ന എല്ലാത്തരം ഇംപ്ലാന്റുകളുമാണ്).

എങ്ങനെ പറഞ്ഞു Erik Brynjolfsson ഉം ആൻഡ്രൂ McAffee ഉം: “അടുത്ത 10 വർഷത്തിനുള്ളിൽ, ഇതാണ് സംഭവിക്കുക. AI മാനേജർമാരെ മാറ്റിസ്ഥാപിക്കില്ല, എന്നാൽ AI ഉപയോഗിക്കുന്ന മാനേജർമാർ ഇതുവരെ അത് ഉണ്ടാക്കാത്തവരെ മാറ്റിസ്ഥാപിക്കും.

ഉദാഹരണങ്ങൾ:

• മെഡിസിൻ: സ്റ്റാൻഫോർഡ് യൂണിവേഴ്സിറ്റി വികസിപ്പിച്ചെടുത്തു അൽഗോരിതം, നെഞ്ചിലെ എക്സ്-റേയിൽ പാത്തോളജികൾ തിരിച്ചറിയുക എന്ന ദൗത്യം മിക്ക ഡോക്ടർമാരെയും പോലെ വിജയകരമായി നേരിടുന്നു.
• വിദ്യാഭ്യാസം: വിദ്യാർത്ഥികൾക്കും അധ്യാപകർക്കും സഹായം, മെറ്റീരിയലുകളോടുള്ള വിദ്യാർത്ഥി പ്രതികരണങ്ങളുടെ വിശകലനം, ഒരു വ്യക്തിഗത പഠന പാതയുടെ നിർമ്മാണം.
• ബിസിനസ് അനലിറ്റിക്സ്: സ്ഥിതിവിവരക്കണക്കുകൾ അനുസരിച്ച് ഡാറ്റ പ്രീപ്രോസസിംഗ് ഒരു ഗവേഷകന്റെ സമയത്തിന്റെ 80% എടുക്കുന്നു, കൂടാതെ പരീക്ഷണത്തിന്റെ 20% മാത്രം

4.3 ബയോചിപ്പുകൾ

എല്ലാ സൈബർപങ്ക് സിനിമകളുടെയും പുസ്തകങ്ങളുടെയും പ്രിയപ്പെട്ട തീം ഇതാണ്. പൊതുവേ, വളർത്തുമൃഗങ്ങളെ മൈക്രോചിപ്പുചെയ്യുന്നത് ഒരു പുതിയ രീതിയല്ല. എന്നാൽ ഇപ്പോൾ ഈ ചിപ്പുകൾ ആളുകളിൽ കയറ്റാൻ തുടങ്ങിയിരിക്കുന്നു.

ഈ സാഹചര്യത്തിൽ, അമേരിക്കൻ കമ്പനിയായ ത്രീ സ്ക്വയർ മാർക്കറ്റിലെ സെൻസേഷണൽ കേസുമായി ഹൈപ്പ് ബന്ധപ്പെട്ടിരിക്കുന്നു. അവിടെ, തൊഴിലുടമ ഒരു തുകയ്ക്ക് പകരമായി ചർമ്മത്തിന് കീഴിൽ ചിപ്പുകൾ സ്ഥാപിക്കാൻ വാഗ്ദാനം ചെയ്യാൻ തുടങ്ങി. വാതിലുകൾ തുറക്കാനും കമ്പ്യൂട്ടറുകളിലേക്ക് ലോഗിൻ ചെയ്യാനും വെൻഡിംഗ് മെഷീനിൽ നിന്ന് ലഘുഭക്ഷണം വാങ്ങാനും ചിപ്പ് നിങ്ങളെ അനുവദിക്കുന്നു - അതായത്, അത്തരമൊരു സാർവത്രിക ജീവനക്കാരുടെ കാർഡ്. മാത്രമല്ല, അത്തരമൊരു ചിപ്പ് കൃത്യമായി ഒരു തിരിച്ചറിയൽ കാർഡായി പ്രവർത്തിക്കുന്നു; ഇതിന് ഒരു ജിപിഎസ് മൊഡ്യൂൾ ഇല്ല, അതിനാൽ ഇത് ഉപയോഗിക്കുന്ന ആരെയും ട്രാക്കുചെയ്യുന്നത് അസാധ്യമാണ്. ഒരു വ്യക്തിക്ക് തന്റെ കൈയിൽ നിന്ന് ചിപ്പ് നീക്കം ചെയ്യണമെങ്കിൽ, ഒരു ഡോക്ടറുടെ സഹായത്തോടെ 5 മിനിറ്റ് എടുക്കും.

തള്ളവിരലിനും ചൂണ്ടുവിരലിനും ഇടയിലാണ് ചിപ്‌സ് സ്ഥാപിക്കുന്നത്. ഉറവിടം

കൂടുതൽ വായിക്കുക ഒരു ലേഖനം ലോകത്തിലെ ചിപ്പിംഗിന്റെ അവസ്ഥയെക്കുറിച്ച്.

4.4 ഇമ്മേഴ്‌സീവ് വർക്ക്‌സ്‌പേസ്

"ഇമ്മേഴ്‌സീവ്" എന്നത് രക്ഷപ്പെടാൻ കഴിയാത്ത മറ്റൊരു പുതിയ പദമാണ്. അത് എല്ലായിടത്തും ഉണ്ട്. ഇമ്മേഴ്‌സീവ് തിയേറ്റർ, എക്സിബിഷൻ, സിനിമ. നിങ്ങൾ എന്താണ് അർത്ഥമാക്കുന്നത്? രചയിതാവും കാഴ്ചക്കാരനും, വെർച്വലും യഥാർത്ഥ ലോകവും തമ്മിലുള്ള അതിർവരമ്പുകൾ നഷ്‌ടപ്പെടുമ്പോൾ, ആഴത്തിലുള്ള ഒരു ഇഫക്റ്റിന്റെ സൃഷ്ടിയാണ് നിമജ്ജനം. ജോലിസ്ഥലത്ത്, ഇതിനർത്ഥം, ചെയ്യുന്നയാളും തുടക്കക്കാരനും തമ്മിലുള്ള ലൈൻ മങ്ങിക്കുകയും അവരുടെ പരിസ്ഥിതി പുനഃക്രമീകരിക്കുന്നതിലൂടെ കൂടുതൽ സജീവമായ സ്ഥാനം സ്വീകരിക്കാൻ ജീവനക്കാരെ പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യുന്നു.

ഞങ്ങൾക്ക് ഇപ്പോൾ എല്ലായിടത്തും ചടുലതയും വഴക്കവും അടുത്ത സഹകരണവും ഉള്ളതിനാൽ, ജോലിസ്ഥലങ്ങൾ കഴിയുന്നത്ര എളുപ്പത്തിൽ ക്രമീകരിക്കാവുന്നതും ഗ്രൂപ്പ് വർക്കിനെ പ്രോത്സാഹിപ്പിക്കുന്നതുമായിരിക്കണം. സമ്പദ്‌വ്യവസ്ഥ അതിന്റെ നിബന്ധനകൾ അനുശാസിക്കുന്നു: കൂടുതൽ താൽക്കാലിക ജീവനക്കാരുണ്ട്, ഓഫീസ് സ്ഥലം വാടകയ്‌ക്കെടുക്കുന്നതിനുള്ള ചെലവ് വർദ്ധിക്കുന്നു, മത്സര തൊഴിൽ വിപണിയിൽ, ഐടി കമ്പനികൾ വിനോദ മേഖലകളും മറ്റ് ആനുകൂല്യങ്ങളും സൃഷ്ടിച്ച് ജോലിയിൽ നിന്നുള്ള ജീവനക്കാരുടെ സംതൃപ്തി വർദ്ധിപ്പിക്കാൻ ശ്രമിക്കുന്നു. ഇതെല്ലാം ജോലിസ്ഥലങ്ങളുടെ രൂപകൽപ്പനയിൽ പ്രതിഫലിക്കുന്നു.

താഴെ റിപ്പോർട്ട് നോൾ

4.5 വ്യക്തിത്വം

പരസ്യത്തിൽ വ്യക്തിഗതമാക്കൽ എന്താണെന്ന് എല്ലാവർക്കും അറിയാം. മുറിയിലെ വായു അൽപ്പം വരണ്ടതാണെന്നും ഓഫീസിനായി ഒരു ഹ്യുമിഡിഫയർ വാങ്ങണമെന്നും നിങ്ങൾ ഇന്ന് ഒരു സഹപ്രവർത്തകനുമായി ചർച്ച ചെയ്യുമ്പോഴാണ്, അടുത്ത ദിവസം നിങ്ങളുടെ സോഷ്യൽ നെറ്റ്‌വർക്കിൽ ഒരു പരസ്യം കാണുന്നത് - “ഒരു ഹ്യുമിഡിഫയർ വാങ്ങുക” (a എനിക്ക് സംഭവിച്ച യഥാർത്ഥ സംഭവം).

ഉറവിടം

ഗാർട്ട്നർ നിർവചിച്ചിരിക്കുന്നതുപോലെ വ്യക്തിഗതമാക്കൽ, പരസ്യ ആവശ്യങ്ങൾക്കായി അവരുടെ സ്വകാര്യ ഡാറ്റ ഉപയോഗിക്കുന്നതിനെക്കുറിച്ചുള്ള ഉപയോക്താക്കളുടെ വർദ്ധിച്ചുവരുന്ന ആശങ്കകളോടുള്ള പ്രതികരണമാണ്. പരസ്യം കാണിക്കുന്ന ഒരു സമീപനം വികസിപ്പിക്കുക എന്നതാണ് ലക്ഷ്യം, അത് നമ്മൾ കണ്ടെത്തുന്ന സന്ദർഭത്തിന് പ്രസക്തമാണ്, അല്ലാതെ വ്യക്തിപരമായി അല്ല. ഉദാഹരണത്തിന്, ഞങ്ങളുടെ സ്ഥാനം, ഉപകരണത്തിന്റെ തരം, ദിവസത്തിന്റെ സമയം, കാലാവസ്ഥ - ഇത് ഞങ്ങളുടെ സ്വകാര്യ ഡാറ്റ ലംഘിക്കാത്ത ഒന്നാണ്, കൂടാതെ "നിരീക്ഷണ" എന്ന അസുഖകരമായ വികാരം ഞങ്ങൾക്ക് അനുഭവപ്പെടുന്നില്ല.

ഈ രണ്ട് ആശയങ്ങൾ തമ്മിലുള്ള വ്യത്യാസത്തെക്കുറിച്ച് വായിക്കുക കുറിപ്പ് ഗാർട്ട്നറുടെ വെബ്സൈറ്റിൽ ആൻഡ്രൂ ഫ്രാങ്ക് ബ്ലോഗുകൾ. വളരെ സൂക്ഷ്മമായ ഒരു വ്യത്യാസവും സമാനമായ വാക്കുകളും ഉണ്ട്, നിങ്ങൾ വ്യത്യാസം അറിയാതെ, നിങ്ങളുടെ സംഭാഷകനുമായി ദീർഘനേരം തർക്കിക്കാൻ സാധ്യതയുണ്ട്, പൊതുവേ, രണ്ടും ശരിയാണെന്ന് സംശയിക്കരുത് (ഇതും ഒരു യഥാർത്ഥ സംഭവമാണ്. രചയിതാവ്).

4.6 ബയോടെക് - സംസ്ക്കരിച്ച അല്ലെങ്കിൽ കൃത്രിമ ടിഷ്യു

ഇത് ഒന്നാമതായി, കൃത്രിമ മാംസം വളർത്തുന്നതിനുള്ള ആശയമാണ്. അതേസമയം, ലോകമെമ്പാടുമുള്ള നിരവധി ടീമുകൾ "മീറ്റ് 2.0" ലബോറട്ടറി വികസിപ്പിക്കുന്ന തിരക്കിലാണ് - ഇത് സാധാരണയേക്കാൾ വിലകുറഞ്ഞതായിത്തീരുമെന്ന് പ്രതീക്ഷിക്കുന്നു, കൂടാതെ ഫാസ്റ്റ് ഫുഡുകളും സൂപ്പർമാർക്കറ്റുകളും ഇതിലേക്ക് മാറും. ഈ സാങ്കേതികവിദ്യയിലെ നിക്ഷേപകരിൽ ബിൽ ഗേറ്റ്സ്, സെർജി ബ്രിൻ, റിച്ചാർഡ് ബ്രാൻസൺ എന്നിവരും ഉൾപ്പെടുന്നു.

ഉറവിടം

കൃത്രിമ മാംസത്തിൽ എല്ലാവർക്കും താൽപ്പര്യമുള്ളതിന്റെ കാരണങ്ങൾ:

1. ആഗോളതാപനം: ഫാമുകളിൽ നിന്നുള്ള മീഥേൻ ഉദ്‌വമനം. ഇത് കാലാവസ്ഥയെ ബാധിക്കുന്ന ആഗോള വാതകങ്ങളുടെ 18% ആണ്.
2. ജനപെരുപ്പം. മാംസത്തിന്റെ ആവശ്യം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്, മാത്രമല്ല എല്ലാവർക്കും സ്വാഭാവിക മാംസം നൽകാനും കഴിയില്ല - ഇത് ചെലവേറിയതാണ്.
3. സ്ഥലത്തിന്റെ അഭാവം. 70% ആമസോൺ വനങ്ങളും മേച്ചിൽപ്പുറത്തിനായി ഇതിനകം വെട്ടിമാറ്റിക്കഴിഞ്ഞു.
4. ധാർമ്മിക പരിഗണനകൾ. ഇത് പ്രധാനപ്പെട്ടവരുണ്ട്. കൃത്രിമ കോഴിയിറച്ചി വിപണിയിൽ എത്തിക്കുന്ന ശാസ്ത്രജ്ഞന് മൃഗാവകാശ സംഘടനയായ പെറ്റ ഇതിനകം ഒരു മില്യൺ ഡോളർ സമ്മാനം വാഗ്ദാനം ചെയ്തിട്ടുണ്ട്.

യഥാർത്ഥ മാംസം സോയ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നത് ഒരു ഭാഗിക പരിഹാരമാണ്, കാരണം ആളുകൾക്ക് രുചിയിലും ഘടനയിലും ഉള്ള വ്യത്യാസം വിലമതിക്കാൻ കഴിയും, മാത്രമല്ല സോയയ്ക്ക് അനുകൂലമായി സ്റ്റീക്ക് ഉപേക്ഷിക്കാൻ സാധ്യതയില്ല. അതിനാൽ നിങ്ങൾക്ക് യഥാർത്ഥവും ജൈവികവുമായ മാംസം ആവശ്യമാണ്. ഇപ്പോൾ, നിർഭാഗ്യവശാൽ, കൃത്രിമ മാംസം വളരെ ചെലവേറിയതാണ്: കിലോഗ്രാമിന് $ 12 മുതൽ. അത്തരം മാംസം വളർത്തുന്നതിനുള്ള സങ്കീർണ്ണമായ സാങ്കേതിക പ്രക്രിയയാണ് ഇതിന് കാരണം. അതിനെക്കുറിച്ച് എല്ലാം വായിക്കുക ഒരു ലേഖനം.

ടിഷ്യു വളരുന്ന മറ്റ് കേസുകളെക്കുറിച്ച് നമ്മൾ സംസാരിക്കുകയാണെങ്കിൽ - ഇതിനകം വൈദ്യത്തിൽ - കൃത്രിമ അവയവങ്ങളുള്ള വിഷയം രസകരമാണ്: ഉദാഹരണത്തിന്, ഹൃദയപേശികൾക്കുള്ള ഒരു "പാച്ച്", അച്ചടിച്ചത് ഒരു പ്രത്യേക 3D പ്രിന്റർ. അറിയപ്പെടുന്നത് ചരിത്രം കൃത്രിമമായി വളർത്തിയ എലിയുടെ ഹൃദയം പോലെ, എന്നാൽ പൊതുവെ എല്ലാം ഇപ്പോഴും ക്ലിനിക്കൽ പരീക്ഷണങ്ങളുടെ പരിധിയിലാണ്. അതിനാൽ വരും വർഷങ്ങളിൽ ഫ്രാങ്കെൻസ്റ്റീനെ കാണാൻ സാധ്യതയില്ല.

2015-ൽ വികസിത രാജ്യങ്ങളിലെ ജനസംഖ്യയുടെ 2019% പേർക്ക് 10D പ്രിന്റഡ് മെഡിക്കൽ ഉപകരണ ഇംപ്ലാന്റ് ഉണ്ടായിരിക്കുമെന്ന 3 ലെ പരാജയപ്പെട്ട പ്രവചനം കണക്കിലെടുത്ത് ഗാർട്ട്നർ തന്റെ കണക്കുകളിൽ വളരെ ജാഗ്രത പുലർത്തുന്നു. അതിനാൽ, ഉൽപ്പാദനക്ഷമത പീഠഭൂമിയിലെത്താനുള്ള സമയം കുറഞ്ഞത് 10 വർഷമാണ്.

5. ഡിജിറ്റൽ ഇക്കോസിസ്റ്റംസ്

5.1 വികേന്ദ്രീകൃത വെബ്

ഈ ആശയം വെബിന്റെ ഉപജ്ഞാതാവായ ട്യൂറിംഗ് അവാർഡ് ജേതാവായ സർ ടിം ബർണേഴ്‌സ്-ലീയുടെ പേരുമായി അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. അവനെ സംബന്ധിച്ചിടത്തോളം, കമ്പ്യൂട്ടർ സയൻസിലെ ധാർമ്മിക ചോദ്യങ്ങൾ എല്ലായ്പ്പോഴും പ്രധാനമാണ്, ഇൻറർനെറ്റിന്റെ കൂട്ടായ സാരാംശം പ്രധാനമാണ്: ഹൈപ്പർടെക്സ്റ്റിന്റെ അടിത്തറയിട്ടുകൊണ്ട്, നെറ്റ്‌വർക്ക് ഒരു വെബ് പോലെയാണ് പ്രവർത്തിക്കേണ്ടത്, ഒരു ശ്രേണി പോലെയല്ലെന്ന് അദ്ദേഹത്തിന് ബോധ്യപ്പെട്ടു. നെറ്റ്‌വർക്ക് വികസനത്തിന്റെ പ്രാരംഭ ഘട്ടത്തിൽ ഇത് സംഭവിച്ചു. എന്നിരുന്നാലും, ഇന്റർനെറ്റ് വളർന്നപ്പോൾ, അതിന്റെ ഘടന വിവിധ കാരണങ്ങളാൽ കേന്ദ്രീകൃതമായി. കുറച്ച് ദാതാക്കളുടെ സഹായത്തോടെ ഒരു രാജ്യത്തിന് മുഴുവൻ നെറ്റ്‌വർക്കിലേക്കുള്ള ആക്‌സസ് എളുപ്പത്തിൽ തടയാൻ കഴിയുമെന്ന് ഇത് മാറി. ഉപയോക്തൃ ഡാറ്റ ഇന്റർനെറ്റ് കമ്പനികളുടെ ശക്തിയുടെയും വരുമാനത്തിന്റെയും ഉറവിടമായി മാറിയിരിക്കുന്നു.

"ഇന്റർനെറ്റ് ഇതിനകം വികേന്ദ്രീകൃതമാണ്," ബർണേഴ്സ്-ലീ പറയുന്നു. “ഒരു സെർച്ച് എഞ്ചിൻ, ഒരു വലിയ സോഷ്യൽ നെറ്റ്‌വർക്ക്, ഒരു മൈക്രോബ്ലോഗിംഗ് പ്ലാറ്റ്‌ഫോം എന്നിവ ആധിപത്യം പുലർത്തുന്നു എന്നതാണ് പ്രശ്നം. ഞങ്ങൾക്ക് സാങ്കേതിക പ്രശ്‌നങ്ങളില്ല, പക്ഷേ സാമൂഹികമായ പ്രശ്‌നങ്ങളുണ്ട്.

അവനിൽ തുറന്ന കത്ത് വേൾഡ് വൈഡ് വെബിന്റെ 30-ാം വാർഷികത്തോടനുബന്ധിച്ച്, വെബിന്റെ സ്രഷ്ടാവ് ഇന്റർനെറ്റിന്റെ മൂന്ന് പ്രധാന പ്രശ്‌നങ്ങൾ വിശദീകരിച്ചു:

1. സർക്കാർ സ്‌പോൺസേർഡ് ഹാക്കിംഗ്, കുറ്റകൃത്യങ്ങൾ, ഓൺലൈൻ ഉപദ്രവം എന്നിവ പോലുള്ള ടാർഗെറ്റഡ് ഹാനി
2. സിസ്റ്റത്തിന്റെ രൂപകൽപ്പന തന്നെ, ഉപയോക്താവിന് ഹാനികരമായി, അത്തരം സംവിധാനങ്ങൾക്ക് അടിസ്ഥാനം സൃഷ്ടിക്കുന്നു: ക്ലിക്ക്ബെയ്റ്റിനുള്ള സാമ്പത്തിക പ്രോത്സാഹനങ്ങളും തെറ്റായ വിവരങ്ങളുടെ വൈറൽ പ്രചരണവും
3. പൊരുത്തക്കേടിലേക്കും ഓൺലൈൻ ചർച്ചയുടെ ഗുണനിലവാരം കുറയുന്നതിലേക്കും നയിക്കുന്ന സിസ്റ്റം രൂപകല്പനയുടെ ഉദ്ദേശിക്കാത്ത അനന്തരഫലങ്ങൾ

"ആരോഗ്യമുള്ള ഒരു വ്യക്തിയുടെ ഇന്റർനെറ്റ്" ഏത് തത്വങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് എന്നതിന് ടിം ബെർണേഴ്‌സ്-ലീക്ക് ഇതിനകം തന്നെ ഉത്തരം ഉണ്ട്, പ്രശ്ന നമ്പർ 2 ഇല്ലാതെ: "പല ഉപയോക്താക്കൾക്കും, പരസ്യ വരുമാനം ഇന്റർനെറ്റുമായി സംവദിക്കുന്നതിനുള്ള ഒരേയൊരു മാതൃകയായി തുടരുന്നു. തങ്ങളുടെ ഡാറ്റയ്ക്ക് എന്ത് സംഭവിക്കുമെന്ന് ആളുകൾ ഭയപ്പെടുന്നുണ്ടെങ്കിലും, സൗജന്യമായി ഉള്ളടക്കം സ്വീകരിക്കുന്നതിനുള്ള അവസരത്തിനായി മാർക്കറ്റിംഗ് മെഷീനുമായി ഒരു കരാർ ഉണ്ടാക്കാൻ അവർ തയ്യാറാണ്. ചരക്കുകൾക്കും സേവനങ്ങൾക്കുമായി പണം നൽകുന്നത് ഇരുകൂട്ടർക്കും എളുപ്പവും ആസ്വാദ്യകരവുമായ ഒരു ലോകത്തെ സങ്കൽപ്പിക്കുക. ഇത് എങ്ങനെ ക്രമീകരിക്കാം എന്നതിനുള്ള ഓപ്ഷനുകളിൽ: ഐട്യൂൺസ് രൂപത്തിൽ ഇടനിലക്കാരില്ലാതെ സംഗീതജ്ഞർക്ക് അവരുടെ റെക്കോർഡിംഗുകൾ വിൽക്കാൻ കഴിയും, കൂടാതെ വാർത്താ സൈറ്റുകൾക്ക് പരസ്യത്തിൽ നിന്ന് പണം സമ്പാദിക്കുന്നതിന് പകരം ഒരു ലേഖനം വായിക്കുന്നതിന് മൈക്രോ പേയ്‌മെന്റ് സംവിധാനം ഉപയോഗിക്കാം.

ഈ പുതിയ ഇന്റർനെറ്റിന്റെ ഒരു പരീക്ഷണാത്മക പ്രോട്ടോടൈപ്പ് എന്ന നിലയിൽ, ടിം ബെർണേഴ്‌സ്-ലീ സോളിഡ് പ്രോജക്‌റ്റ് സമാരംഭിച്ചു, അതിന്റെ സാരാംശം നിങ്ങൾ നിങ്ങളുടെ ഡാറ്റ ഒരു “പോഡ്” - ഒരു വിവര സ്റ്റോറിൽ സംഭരിക്കുകയും മൂന്നാം കക്ഷി ആപ്ലിക്കേഷനുകൾക്ക് ഈ ഡാറ്റ നൽകുകയും ചെയ്യുന്നു എന്നതാണ്. എന്നാൽ തത്വത്തിൽ, നിങ്ങൾ തന്നെയാണ് നിങ്ങളുടെ ഡാറ്റയുടെ യജമാനന്മാർ. ഇവയെല്ലാം പിയർ-ടു-പിയർ നെറ്റ്‌വർക്കുകളുടെ ആശയവുമായി അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു, അതായത്, നിങ്ങളുടെ കമ്പ്യൂട്ടർ സേവനങ്ങൾ അഭ്യർത്ഥിക്കുക മാത്രമല്ല, അവ നൽകുകയും ചെയ്യുന്നു, അതിനാൽ ഒരു സെർവറിനെ ഒരേയൊരു ചാനലായി ആശ്രയിക്കരുത്.

ഉറവിടം

5.2 വികേന്ദ്രീകൃത സ്വയംഭരണ സ്ഥാപനങ്ങൾ

ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമിന്റെ രൂപത്തിൽ എഴുതിയിരിക്കുന്ന നിയമങ്ങളാൽ നിയന്ത്രിക്കപ്പെടുന്ന ഒരു സ്ഥാപനമാണിത്. അതിന്റെ സാമ്പത്തിക പ്രവർത്തനങ്ങൾ ബ്ലോക്ക്ചെയിൻ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. അത്തരം ഓർഗനൈസേഷനുകൾ സൃഷ്ടിക്കുന്നതിന്റെ ഉദ്ദേശ്യം, ഇടനിലക്കാരന്റെ റോളിൽ നിന്ന് സംസ്ഥാനത്തെ ഒഴിവാക്കുകയും കൌണ്ടർപാർട്ടികൾക്കായി ഒരു പൊതു വിശ്വസനീയമായ അന്തരീക്ഷം സൃഷ്ടിക്കുകയും ചെയ്യുക എന്നതാണ്, അത് വ്യക്തിപരമായി ആരുടെയും ഉടമസ്ഥതയിലല്ല, മറിച്ച് എല്ലാവരുടെയും ഉടമസ്ഥതയിലുള്ളതാണ്. അതായത്, സിദ്ധാന്തത്തിൽ, ഇത് ആശയം വേരൂന്നിയാൽ, നോട്ടറികളെയും മറ്റ് സാധാരണ സ്ഥിരീകരണ സ്ഥാപനങ്ങളെയും നിർത്തലാക്കണം.

2016-ൽ $150 മില്യൺ സമാഹരിച്ച വെഞ്ച്വർ-ഫോക്കസ്ഡ് ദി ഡിഎഒ ആയിരുന്നു ഇത്തരമൊരു ഓർഗനൈസേഷന്റെ ഏറ്റവും പ്രശസ്തമായ ഉദാഹരണം, അതിൽ $50 ഉടൻ തന്നെ നിയമങ്ങളിലെ നിയമപരമായ ദ്വാരത്തിലൂടെ മോഷ്ടിക്കപ്പെട്ടു. ബുദ്ധിമുട്ടുള്ള ഒരു ആശയക്കുഴപ്പം ഉടനടി ഉയർന്നു: ഒന്നുകിൽ പണം മടക്കി തിരികെ നൽകുക, അല്ലെങ്കിൽ പണം പിൻവലിക്കൽ നിയമപരമാണെന്ന് സമ്മതിക്കുക, കാരണം ഇത് ഒരു തരത്തിലും പ്ലാറ്റ്‌ഫോമിന്റെ നിയമങ്ങൾ ലംഘിച്ചിട്ടില്ല. തൽഫലമായി, നിക്ഷേപകർക്ക് പണം തിരികെ നൽകുന്നതിന്, സ്രഷ്‌ടാക്കൾക്ക് ദി ഡി‌എഒയെ നശിപ്പിക്കേണ്ടി വന്നു, ബ്ലോക്ക്ചെയിൻ മാറ്റിയെഴുതുകയും അതിന്റെ അടിസ്ഥാന തത്വം - മാറ്റമില്ലാത്തത് ലംഘിക്കുകയും ചെയ്തു.

Ethereum (ഇടത്), DAO (വലത്) എന്നിവയെക്കുറിച്ചുള്ള കോമിക്. ഉറവിടം

ഈ മുഴുവൻ കഥയും DAO എന്ന ആശയത്തിന്റെ തന്നെ പ്രശസ്തി നശിപ്പിച്ചു. Ethereum ക്രിപ്‌റ്റോകറൻസിയുടെ അടിസ്ഥാനത്തിലാണ് ആ പ്രോജക്റ്റ് നിർമ്മിച്ചത്, പതിപ്പ് Ether 2.0 അടുത്ത വർഷം പ്രതീക്ഷിക്കുന്നു - ഒരുപക്ഷേ രചയിതാക്കൾ (പ്രസിദ്ധമായ Vitalik Buterin ഉൾപ്പെടെ) പിശകുകൾ കണക്കിലെടുക്കുകയും പുതിയ എന്തെങ്കിലും കാണിക്കുകയും ചെയ്യും. അതുകൊണ്ടായിരിക്കാം ഗാർട്ട്‌നർ ഡിഎഒയെ അപ്‌ലൈനിൽ ഉൾപ്പെടുത്തിയത്.

5.3.സിന്തറ്റിക്സ് ഡാറ്റ

ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ പരിശീലിപ്പിക്കുന്നതിന്, വലിയ അളവിലുള്ള ഡാറ്റ ആവശ്യമാണ്. ഡാറ്റ സ്വമേധയാ ലേബൽ ചെയ്യുന്നത് ഒരു മനുഷ്യന് മാത്രം ചെയ്യാൻ കഴിയുന്ന ഒരു വലിയ ജോലിയാണ്. അതിനാൽ, കൃത്രിമ ഡാറ്റാ സെറ്റുകൾ സൃഷ്ടിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, സൈറ്റിലെ മനുഷ്യ മുഖങ്ങളുടെ അതേ ശേഖരങ്ങൾ https://generated.photos. GAN ഉപയോഗിച്ചാണ് അവ സൃഷ്ടിച്ചിരിക്കുന്നത് - മുകളിൽ സൂചിപ്പിച്ച അൽഗോരിതങ്ങൾ.

ഈ മുഖങ്ങൾ മനുഷ്യരുടേതല്ല. ഉറവിടം

അത്തരം ഡാറ്റയുടെ വലിയ നേട്ടം, അത് ഉപയോഗിക്കുന്നതിൽ നിയമപരമായ ബുദ്ധിമുട്ടുകൾ ഇല്ല എന്നതാണ്: വ്യക്തിഗത ഡാറ്റയുടെ പ്രോസസ്സിംഗിന് സമ്മതം നൽകാൻ ആരുമില്ല.

5.4.ഡിജിറ്റൽ ഓപ്‌സ്

DevOps ഞങ്ങളുടെ സംസാരത്തിൽ വേരൂന്നിയതുമുതൽ "Ops" എന്ന പ്രത്യയം അവിശ്വസനീയമാംവിധം ഫാഷനായി മാറിയിരിക്കുന്നു. ഇപ്പോൾ DigitalOps എന്താണെന്നതിനെക്കുറിച്ച് - ഇത് DevOps, DesignOps, MarketingOps എന്നിവയുടെ ഒരു പൊതുവൽക്കരണം മാത്രമാണ്... നിങ്ങൾക്ക് ഇതുവരെ ബോറടിച്ചിട്ടുണ്ടോ? ചുരുക്കത്തിൽ, സോഫ്റ്റ്‌വെയർ ഏരിയയിൽ നിന്ന് ബിസിനസ്സിന്റെ മറ്റെല്ലാ വശങ്ങളിലേക്കും - മാർക്കറ്റിംഗ്, ഡിസൈൻ മുതലായവയിലേക്ക് DevOps സമീപനത്തിന്റെ കൈമാറ്റമാണിത്.

ഉറവിടം

പ്രോഗ്രാമർമാർ, ടെസ്റ്റർമാർ, സുരക്ഷാ വിദഗ്ധർ, അഡ്മിനിസ്ട്രേറ്റർമാർ എന്നിവരുള്ള പൊതുവായ ടീമുകൾ സൃഷ്ടിക്കുന്നതിലൂടെ, വികസനത്തിനും പ്രവർത്തനത്തിനും (ബിസിനസ് പ്രക്രിയകൾ) ഇടയിലുള്ള തടസ്സങ്ങൾ നീക്കം ചെയ്യുക എന്നതായിരുന്നു DevOps-ന്റെ ആശയം. ചില രീതികൾ നടപ്പിലാക്കൽ: തുടർച്ചയായ സംയോജനം, കോഡായി അടിസ്ഥാന സൗകര്യങ്ങൾ, ഫീഡ്ബാക്ക് ശൃംഖലകൾ കുറയ്ക്കലും ശക്തിപ്പെടുത്തലും. ഉൽപ്പന്നത്തിന്റെ വിപണിയിലെ സമയം വേഗത്തിലാക്കുക എന്നതായിരുന്നു ലക്ഷ്യം. ഇത് എജൈലിന് സമാനമാണെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടെങ്കിൽ, നിങ്ങൾ പറഞ്ഞത് ശരിയാണ്. ഇപ്പോൾ ഈ സമീപനം സോഫ്റ്റ്‌വെയർ വികസന മേഖലയിൽ നിന്ന് പൊതുവായി വികസനത്തിലേക്ക് മാറ്റുക - ഡിജിറ്റൽ ഓപ്‌സ് എന്താണെന്ന് നിങ്ങൾ മനസ്സിലാക്കുന്നു.

5.5 വിജ്ഞാന ഗ്രാഫുകൾ

മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിക്കുന്നതുൾപ്പെടെ ഒരു വിജ്ഞാന മേഖലയെ മാതൃകയാക്കാനുള്ള ഒരു സോഫ്റ്റ്‌വെയർ മാർഗം. എല്ലാ വിവരങ്ങളും ഒരുമിച്ച് ബന്ധിപ്പിക്കുന്നതിന് നിലവിലുള്ള ഡാറ്റാബേസുകളുടെ മുകളിൽ ഒരു വിജ്ഞാന ഗ്രാഫ് നിർമ്മിച്ചിരിക്കുന്നു: ഘടനാപരമായ (ഇവന്റുകളുടെ അല്ലെങ്കിൽ ആളുകളുടെ പട്ടിക) കൂടാതെ ഘടനാരഹിതമായ (ഒരു ലേഖനത്തിന്റെ വാചകം).

ഗൂഗിൾ സെർച്ച് ഫലങ്ങളിൽ നിങ്ങൾക്ക് കാണാൻ കഴിയുന്ന കാർഡാണ് ഏറ്റവും ലളിതമായ ഉദാഹരണം. നിങ്ങൾ ഒരു വ്യക്തിയെയോ സ്ഥാപനത്തെയോ തിരയുകയാണെങ്കിൽ, വലതുവശത്ത് നിങ്ങൾ ഒരു കാർഡ് കാണും:


"വരാനിരിക്കുന്ന ഇവന്റുകൾ" എന്നത് Google മാപ്‌സിൽ നിന്നുള്ള വിവരങ്ങളുടെ പകർപ്പല്ല, മറിച്ച് Yandex.Afisha-യുമായുള്ള ഷെഡ്യൂളിന്റെ സംയോജനമാണ്: നിങ്ങൾ ഇവന്റുകളിൽ ക്ലിക്കുചെയ്യുകയാണെങ്കിൽ നിങ്ങൾക്ക് ഇത് എളുപ്പത്തിൽ കാണാൻ കഴിയും. അതായത്, ഇത് നിരവധി ഡാറ്റ ഉറവിടങ്ങളുടെ സംയോജനമാണ്.

നിങ്ങൾ ഒരു ലിസ്റ്റ് ആവശ്യപ്പെടുകയാണെങ്കിൽ - ഉദാഹരണത്തിന്, "പ്രശസ്ത സംവിധായകർ" - നിങ്ങൾക്ക് ഒരു കറൗസൽ കാണിക്കും:

അവസാനം വരെ വായിക്കുന്നവർക്ക് ബോണസ്

ഇപ്പോൾ ഓരോ പോയിന്റിന്റെയും അർത്ഥം ഞങ്ങൾ സ്വയം വ്യക്തമാക്കിയതിനാൽ, നമുക്ക് അതേ ചിത്രം നോക്കാം, പക്ഷേ റഷ്യൻ ഭാഷയിൽ:

സോഷ്യൽ നെറ്റ്‌വർക്കുകളിൽ ഇത് സ്വതന്ത്രമായി പങ്കിടുക!

ടാറ്റിയാന വോൾക്കോവ - സാംസങ് അക്കാദമിയിലെ ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സ് ഐടി ട്രാക്കിനായുള്ള പരിശീലന പരിപാടിയുടെ രചയിതാവ്, സാംസങ് റിസർച്ച് സെന്ററിലെ കോർപ്പറേറ്റ് സോഷ്യൽ റെസ്‌പോൺസിബിലിറ്റി പ്രോഗ്രാമുകളിലെ സ്പെഷ്യലിസ്റ്റ്


അവലംബം: www.habr.com