गार्टनरचा चार्ट टेक उद्योगातील उच्च फॅशन शोसारखा आहे. ते पाहून, आपण या हंगामात कोणते शब्द सर्वात जास्त हायप केले आहेत आणि आपण आगामी सर्व परिषदांमध्ये काय ऐकू शकता हे आधीच शोधू शकता.

या आलेखातील सुंदर शब्दांमागे काय आहे ते आम्ही उलगडले आहे जेणेकरुन तुम्ही भाषा देखील बोलू शकता.

सुरुवातीला, हा कोणत्या प्रकारचा आलेख आहे याबद्दल फक्त काही शब्द. दरवर्षी ऑगस्टमध्ये, सल्लागार एजन्सी गार्टनर एक अहवाल प्रसिद्ध करते - गार्टनर हाइप कर्व्ह. रशियन भाषेत, हा एक "हायप वक्र" किंवा अधिक सोप्या भाषेत, हायप आहे. 30 वर्षांपूर्वी, पब्लिक एनीमी गटातील रॅपर्सने गायले: "प्रसिद्धीवर विश्वास ठेवू नका." यावर विश्वास ठेवा किंवा नाही, हा एक वैयक्तिक प्रश्न आहे, परंतु जर तुम्ही तंत्रज्ञान क्षेत्रात काम करत असाल आणि जागतिक ट्रेंड जाणून घ्यायचे असेल तर किमान हे कीवर्ड जाणून घेणे योग्य आहे.

एका विशिष्ट तंत्रज्ञानाकडून जनतेच्या अपेक्षांचा हा आलेख आहे. गार्टनरच्या मते, आदर्शपणे, तंत्रज्ञान 5 टप्प्यांतून जाते: तंत्रज्ञान प्रक्षेपण, वाढलेल्या अपेक्षांचे शिखर, निराशेची दरी, ज्ञानाचा उतार, उत्पादकतेचे पठार. परंतु असे देखील घडते की ते "निराशेच्या खोऱ्यात" बुडते - आपण स्वतःची उदाहरणे अगदी सहज लक्षात ठेवू शकता, तेच बिटकॉइन्स घेऊ शकता: सुरुवातीला "भविष्यातील पैसा" म्हणून शिखर गाठताना, तंत्रज्ञानाच्या उणीवा लक्षात आल्यावर ते पटकन खाली घसरले. हे स्पष्ट झाले, सर्वप्रथम व्यवहारांची संख्या आणि बिटकॉइन्स (ज्यामध्ये आधीच पर्यावरणीय समस्या आहेत) निर्माण करण्यासाठी लागणारी प्रचंड वीज यावरील निर्बंध. आणि अर्थातच, आपण हे विसरू नये की गार्टनरचा चार्ट फक्त एक अंदाज आहे: येथे, उदाहरणार्थ, आपण तपशीलवार वाचू शकता एक लेख, जेथे सर्वात उल्लेखनीय अपूर्ण अंदाज लावले जातात.

तर, नवीन गार्टनर चार्ट पाहू. तंत्रज्ञान 5 मोठ्या थीमॅटिक गटांमध्ये विभागले गेले आहेत:

1. प्रगत AI आणि Analytics
2. पोस्टक्लासिकल कॉम्प्युट आणि Comms
3. संवेदना आणि गतिशीलता
4. संवर्धित मानव
5. डिजिटल इकोसिस्टम

1. प्रगत AI आणि Analytics

गेल्या 10 वर्षांत आपण सखोल शिक्षणाचा सर्वोत्तम तास पाहिला आहे. हे नेटवर्क त्यांच्या कार्यांच्या श्रेणीसाठी खरोखर प्रभावी आहेत. 2018 मध्ये, Yann LeCun, Geoffrey Hinton आणि Yoshua Bengio यांना त्यांच्या शोधांसाठी ट्युरिंग पुरस्कार मिळाला - संगणक विज्ञानातील नोबेल पारितोषिकाशी साधर्म्य असलेला सर्वात प्रतिष्ठित पुरस्कार. तर, या क्षेत्रातील मुख्य ट्रेंड, जे चार्टवर दर्शविलेले आहेत:

१.१. हस्तांतरण शिक्षण

तुम्ही सुरवातीपासून न्यूरल नेटवर्कला प्रशिक्षित करत नाही, परंतु आधीपासून प्रशिक्षित असलेले नेटवर्क घ्या आणि त्याला वेगळे ध्येय नियुक्त करा. काहीवेळा यासाठी नेटवर्कचा भाग पुन्हा प्रशिक्षित करणे आवश्यक आहे, परंतु संपूर्ण नेटवर्क नाही, जे खूप वेगवान आहे. उदाहरणार्थ, इमेजनेट 50 डेटासेटवर प्रशिक्षित रेडीमेड न्यूरल नेटवर्क ResNet1000 घेतल्यास, तुम्हाला एक अल्गोरिदम मिळेल जो एका प्रतिमेतील अनेक भिन्न वस्तूंचे वर्गीकरण अतिशय खोल पातळीवर करू शकतो (न्यूरलच्या 1000 स्तरांद्वारे व्युत्पन्न केलेल्या वैशिष्ट्यांवर आधारित 50 वर्ग. नेटवर्क). परंतु तुम्हाला ते संपूर्ण नेटवर्क प्रशिक्षित करण्याची गरज नाही, ज्यासाठी महिने लागतील.

В ऑनलाइन कोर्स सॅमसंग "न्यूरल नेटवर्क्स आणि संगणक दृष्टी", उदाहरणार्थ, अंतिम फेरीत कागल कार्य प्लेट्सचे स्वच्छ आणि घाणेरडे असे वर्गीकरण करून, एक दृष्टीकोन दर्शविला जातो की 5 मिनिटांत तुम्हाला एक खोल न्यूरल नेटवर्क मिळेल जे वर वर्णन केलेल्या आर्किटेक्चरनुसार तयार केलेले, स्वच्छ प्लेट्सपासून गलिच्छ प्लेट वेगळे करण्यास सक्षम आहे. मूळ नेटवर्कला प्लेट्स काय आहेत हे माहित नव्हते, ते फक्त कुत्र्यांपासून पक्षी वेगळे करणे शिकले (इमेजनेट पहा).

स्त्रोत: ऑनलाइन कोर्स सॅमसंग "न्यूरल नेटवर्क आणि संगणक दृष्टी"

ट्रान्सफर लर्निंगसाठी तुम्हाला कोणते पध्दत काम करतात आणि कोणते रेडीमेड बेसिक आर्किटेक्चर उपलब्ध आहेत हे जाणून घेणे आवश्यक आहे. एकूणच, हे मशीन लर्निंगच्या व्यावहारिक अनुप्रयोगांच्या उदयास मोठ्या प्रमाणात गती देते.

१.२. जनरेटिव्ह अॅडव्हर्सरियल नेटवर्क्स (GAN)

हे अशा प्रकरणांसाठी आहे जेव्हा आपल्यासाठी शिकण्याचे ध्येय तयार करणे खूप कठीण असते. हे कार्य वास्तविक जीवनाच्या जितके जवळ आहे तितके ते आपल्यासाठी अधिक समजण्यासारखे आहे ("बेडसाइड टेबल आणा"), परंतु तांत्रिक कार्य म्हणून ते तयार करणे अधिक कठीण आहे. GAN हा आपल्याला या समस्येपासून वाचवण्याचा केवळ एक प्रयत्न आहे.

येथे दोन नेटवर्क कार्यरत आहेत: एक जनरेटर (जनरेटिव्ह), दुसरा भेदभाव करणारा (विरोधक). एक नेटवर्क उपयुक्त कार्य करण्यास शिकते (चित्रांचे वर्गीकरण करणे, आवाज ओळखणे, व्यंगचित्रे काढणे). आणि दुसरे नेटवर्क त्या नेटवर्कला शिकवायला शिकते: त्यात वास्तविक उदाहरणे आहेत आणि ते खरोखर महत्त्वाच्या सखोल वैशिष्ट्यांवर आधारित वास्तविक-जगातील वस्तूंशी (प्रशिक्षण संच) नेटवर्कच्या जनरेटिव्ह भागाच्या उत्पादनांची तुलना करण्यासाठी पूर्वीचे अज्ञात जटिल सूत्र शोधणे शिकते. : डोळ्यांची संख्या, मियाझाकीच्या शैलीशी जवळीक, योग्य इंग्रजी उच्चार.

अॅनिम वर्ण व्युत्पन्न करण्यासाठी नेटवर्कच्या परिणामाचे उदाहरण. स्त्रोत

पण, तिथं वास्तू उभारणं अर्थातच अवघड आहे. केवळ न्यूरॉन्स फेकणे पुरेसे नाही, त्यांना तयार करणे आवश्यक आहे. आणि तुम्हाला आठवडे अभ्यास करावा लागेल. सॅमसंग आर्टिफिशियल इंटेलिजन्स सेंटरमधील माझे सहकारी GAN विषयावर काम करत आहेत; हा त्यांच्या प्रमुख संशोधन प्रश्नांपैकी एक आहे. उदाहरणार्थ, यासारखे विकास: व्हेरिएबल पोझ असलेल्या लोकांचे वास्तववादी फोटो संश्लेषित करण्यासाठी जनरेटिव्ह नेटवर्क वापरणे - उदाहरणार्थ, व्हर्च्युअल फिटिंग रूम तयार करणे किंवा चेहरा संश्लेषित करणे, जे उच्च-गुणवत्तेचे व्हिडिओ सुनिश्चित करण्यासाठी संचयित किंवा प्रसारित करणे आवश्यक असलेल्या माहितीचे प्रमाण कमी करू शकते. संप्रेषण, प्रसारण किंवा वैयक्तिक डेटा संरक्षण.

स्त्रोत

१.३. स्पष्टीकरणीय AI

काही दुर्मिळ कार्यांसाठी, सखोल आर्किटेक्चरमधील प्रगतीने अचानक खोल न्यूरल नेटवर्कची क्षमता मानवी क्षमतेच्या जवळ आणली आहे. आता अशा कामांची व्याप्ती वाढवण्याची लढाई सुरू आहे. उदाहरणार्थ, रोबोट व्हॅक्यूम क्लिनर हेड-ऑन मीटिंगमध्ये कुत्र्यापासून मांजर सहजपणे वेगळे करू शकतो. परंतु बहुतेक जीवनातील परिस्थितींमध्ये, तो तागाचे किंवा फर्निचरमध्ये झोपलेली मांजर शोधू शकणार नाही (तथापि, आमच्यासारखे, बहुतेक प्रकरणांमध्ये ...).

डीप न्यूरल नेटवर्क्सच्या यशाचे कारण काय आहे? ते "नग्न डोळ्यांना दिसणार्‍या" माहितीवर (फोटो पिक्सेल, आवाजाच्या आवाजातील बदल...) नसून, न्यूरल नेटवर्कच्या अनेक शेकडो स्तरांद्वारे या माहितीची पूर्व-प्रक्रिया केल्यानंतर मिळालेल्या वैशिष्ट्यांवर आधारित समस्येचे प्रतिनिधित्व विकसित करतात. दुर्दैवाने, हे संबंध निरर्थक, विसंगत असू शकतात किंवा मूळ डेटा सेटमध्ये अपूर्णता असू शकतात. उदाहरणार्थ, भरतीमध्ये AI चा अविचारी वापर काय होऊ शकतो याबद्दल एक छोटा संगणक गेम आहे सर्व्हायव्हल ऑफ द बेस्ट फिट.

प्रतिमा टॅगिंग प्रणालीने स्वयंपाक करणाऱ्या व्यक्तीला स्त्री म्हणून लेबल केले, जरी चित्रातील व्यक्ती प्रत्यक्षात पुरुष आहे (स्त्रोत). ते लक्षात आले व्हर्जिनिया संस्थेत.

जटिल आणि खोल नातेसंबंधांचे विश्लेषण करण्यासाठी जे आपण स्वतः तयार करू शकत नाही, स्पष्टीकरण करण्यायोग्य AI पद्धती आवश्यक आहेत. ते डीप न्यूरल नेटवर्क्सची वैशिष्ट्ये आयोजित करतात जेणेकरून प्रशिक्षणानंतर, आम्ही नेटवर्कच्या निर्णयावर अवलंबून न राहता, नेटवर्कने शिकलेल्या अंतर्गत प्रतिनिधित्वाचे विश्लेषण करू शकतो.

१.४. एज अॅनालिटिक्स / एआय

एज या शब्दाचा अर्थ खालीलप्रमाणे आहे: क्लाउड/सर्व्हरवरून अंतिम डिव्हाइस/गेटवे स्तरावर अल्गोरिदमचा काही भाग हस्तांतरित करणे. असा अल्गोरिदम जलद कार्य करेल आणि त्याच्या ऑपरेशनसाठी मध्यवर्ती सर्व्हरशी कनेक्शनची आवश्यकता नाही. जर तुम्ही “पातळ क्लायंट” च्या अमूर्ततेशी परिचित असाल तर येथे आम्ही हा क्लायंट थोडा जाड करत आहोत.
इंटरनेट ऑफ थिंग्जसाठी हे महत्त्वाचे असू शकते. उदाहरणार्थ, जर एखादे मशीन जास्त गरम झाले असेल आणि त्याला कूलिंगची आवश्यकता असेल तर, प्लांट स्तरावर, डेटा क्लाउडवर जाण्याची आणि तेथून शिफ्ट फोरमनकडे जाण्याची वाट न पाहता हे त्वरित सिग्नल करणे अर्थपूर्ण आहे. किंवा दुसरे उदाहरणः सेल्फ-ड्रायव्हिंग कार केंद्रीय सर्व्हरशी संपर्क न करता स्वतःच रहदारीची परिस्थिती शोधू शकतात.

स्त्रोत

किंवा सुरक्षेच्या दृष्टिकोनातून हे महत्त्वाचे का आहे याचे दुसरे उदाहरण: जेव्हा तुम्ही तुमच्या फोनवर मजकूर टाइप करता, तेव्हा ते तुमच्यासाठी वैशिष्ट्यपूर्ण शब्द लक्षात ठेवतात, जेणेकरून नंतर फोन कीबोर्ड तुम्हाला त्यांच्याशी सोयीस्करपणे सूचित करू शकेल - याला प्रेडिक्टिव म्हणतात. मजकूर इनपुट. तुम्ही तुमच्या कीबोर्डवर टाइप करत असलेली प्रत्येक गोष्ट कुठेतरी डेटा सेंटरला पाठवणे हे तुमच्या गोपनीयतेचे उल्लंघन आणि फक्त असुरक्षित असेल. म्हणून, कीबोर्ड प्रशिक्षण फक्त तुमच्या डिव्हाइसमध्येच होते.

1.5. सेवा म्हणून AI प्लॅटफॉर्म (AI PaaS)

PaaS - Platform-as-a-Service हे एक बिझनेस मॉडेल आहे ज्यामध्ये आम्हाला क्लाउड-आधारित डेटा स्टोरेज आणि तयार प्रक्रियेसह एकात्मिक प्लॅटफॉर्मवर प्रवेश मिळतो. अशाप्रकारे, आम्ही पायाभूत सुविधांच्या कामांपासून स्वतःला मुक्त करू शकतो आणि काहीतरी उपयुक्त उत्पादन करण्यावर पूर्णपणे लक्ष केंद्रित करू शकतो. AI कार्यांसाठी PaaS प्लॅटफॉर्मचे उदाहरण: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI प्लॅटफॉर्म.

१.६. अ‍ॅडॅप्टिव्ह मशीन लर्निंग (अ‍ॅडॅप्टिव्ह एमएल)

जर आपण कृत्रिम बुद्धिमत्तेला जुळवून घेऊ दिले तर काय... तुम्ही विचाराल - म्हणजे, कसे?... ते आधीच कार्याशी जुळवून घेत नाही का? समस्या ही आहे: आम्ही अशा प्रत्येक समस्येचे निराकरण करण्यासाठी कृत्रिम बुद्धिमत्ता अल्गोरिदम तयार करण्यापूर्वी परिश्रमपूर्वक डिझाइन करतो. ते तुम्हाला उत्तर देतील - असे दिसून आले की ही साखळी सरलीकृत केली जाऊ शकते.

पारंपारिक मशीन लर्निंग ओपन-लूपच्या तत्त्वावर कार्य करते: तुम्ही डेटा तयार करता, न्यूरल नेटवर्क (किंवा काहीही), ट्रेन करा, नंतर अनेक निर्देशक पहा आणि तुम्हाला सर्वकाही आवडत असल्यास, तुम्ही स्मार्टफोनवर न्यूरल नेटवर्क पाठवू शकता. - वापरकर्त्याच्या समस्या सोडवा. परंतु ज्या ऍप्लिकेशन्समध्ये भरपूर डेटा आहे आणि त्याचे स्वरूप हळूहळू बदलत आहे, इतर पद्धती आवश्यक आहेत. अशा प्रणाली, ज्या स्वत: ला जुळवून घेतात आणि शिकवतात, बंद, स्वयं-शिक्षण लूप (बंद-लूप) मध्ये आयोजित केल्या जातात आणि त्यांनी सहजतेने कार्य केले पाहिजे.

अॅप्लिकेशन्स - हे स्ट्रीम अॅनालिटिक्स (स्ट्रीम अॅनालिटिक्स) असू शकते, ज्याच्या आधारावर अनेक व्यावसायिक निर्णय घेतात किंवा अनुकूल उत्पादन व्यवस्थापन करतात. सध्याच्या ऍप्लिकेशन्सच्या प्रमाणात आणि मानवांना अधिक चांगल्या प्रकारे समजलेले धोके लक्षात घेता, या समस्येचे निराकरण करणारी तंत्रे सर्व अ‍ॅडॉप्टिव्ह एआय या छत्री संज्ञा अंतर्गत एकत्रित केली जातात.

स्त्रोत

हे चित्र पाहून, भविष्यशास्त्रज्ञांना भाकरी देऊ नका या भावनेपासून मुक्त होणे कठीण आहे - त्यांना रोबोटला श्वास घ्यायला शिकवू द्या...

पोस्टक्लासिकल कॉम्प्युट आणि Comms

२.१. पाचव्या पिढीचे मोबाइल संप्रेषण (2.1G)

हा इतका मनोरंजक विषय आहे की आम्ही तुम्हाला आमच्याकडे त्वरित संदर्भित करतो लेख. बरं, येथे एक संक्षिप्त सारांश आहे. 5G, डेटा ट्रान्समिशनची वारंवारता वाढवून, इंटरनेटचा वेग अवास्तव वेगवान करेल. लहान लहरींना अडथळ्यांमधून जाणे अधिक कठीण आहे, म्हणून नेटवर्कची रचना पूर्णपणे भिन्न असेल: 500 पट अधिक बेस स्टेशन आवश्यक आहेत.

वेगासह, आम्हाला नवीन घटना मिळतील: वाढीव वास्तविकतेसह रिअल-टाइम गेम, टेलिप्रेझन्सद्वारे जटिल कार्ये (जसे की शस्त्रक्रिया) करणे, मशीन्समधील संप्रेषणाद्वारे अपघात आणि रस्त्यांवरील कठीण परिस्थिती टाळणे. अधिक विचित्र टीप: स्टेडियममधील सामना सारख्या सामूहिक कार्यक्रमांदरम्यान मोबाइल इंटरनेट शेवटी थांबेल.

प्रतिमा स्रोत - रॉयटर्स, Niantic

२.२. नेक्स्ट जनरेशन मेमरी

येथे आपण RAM च्या पाचव्या पिढीबद्दल बोलत आहोत - DDR5. सॅमसंगने घोषणा केली की 2019 च्या अखेरीस DDR5-आधारित उत्पादने उपलब्ध होतील. नवीन मेमरी समान फॉर्म फॅक्टर कायम ठेवताना दुप्पट वेगवान आणि दुप्पट क्षमतेची असेल, म्हणजेच आम्हाला आमच्या संगणकासाठी 32GB पर्यंत क्षमतेच्या मेमरी स्टिक्स मिळू शकतील अशी अपेक्षा आहे. भविष्यात, हे विशेषतः स्मार्टफोनसाठी (नवीन मेमरी कमी-पॉवर आवृत्तीमध्ये असेल) आणि लॅपटॉपसाठी (जेथे डीआयएमएम स्लॉटची संख्या मर्यादित आहे) संबंधित असेल. आणि मशीन लर्निंगसाठी देखील मोठ्या प्रमाणात RAM ची आवश्यकता असते.

२.३. लो-अर्थ-ऑर्बिट उपग्रह प्रणाली

जड, महाग, शक्तिशाली उपग्रहांना लहान आणि स्वस्त उपग्रहांनी बदलण्याची कल्पना नवीन नाही आणि 90 च्या दशकात परत आली. कशाबद्दल “एलोन मस्क लवकरच उपग्रहावरून प्रत्येकाला इंटरनेट वितरीत करेल” आता फक्त आळशी ऐकले नाहीत. इथली सर्वात प्रसिद्ध कंपनी इरिडियम आहे, जी 90 च्या दशकाच्या उत्तरार्धात दिवाळखोर झाली होती, परंतु यूएस डिपार्टमेंट ऑफ डिफेन्सच्या खर्चावर वाचली गेली होती (रशियन स्मार्ट होम सिस्टम iRidium सह गोंधळून जाऊ नये). इलॉन मस्कचा प्रकल्प (स्टारलिंक) फक्त एकापासून दूर आहे - रिचर्ड ब्रॅन्सन (वनवेब - 1440 प्रस्तावित उपग्रह), बोईंग (3000 उपग्रह), सॅमसंग (4600 उपग्रह), आणि इतर उपग्रह शर्यतीत भाग घेत आहेत.

या क्षेत्रात गोष्टी कशा उभ्या आहेत, तिथली अर्थव्यवस्था कशी दिसते - मध्ये वाचा पुनरावलोकन. आणि आम्ही पहिल्या वापरकर्त्यांद्वारे या सिस्टमच्या पहिल्या चाचण्यांची वाट पाहत आहोत, ज्या पुढील वर्षी घ्याव्यात.

२.४. नॅनोस्केल 2.4D प्रिंटिंग

थ्रीडी प्रिंटिंग, जरी प्रत्येक व्यक्तीच्या जीवनात प्रवेश केला नसला तरी (स्वतंत्र होम प्लॅस्टिक कारखान्याने वचन दिलेले फॉर्म), तरीही, तंत्रज्ञानाने खूप पूर्वी गिक्ससाठी जागा सोडली आहे. आपण यावरून निर्णय घेऊ शकता की प्रत्येक शाळकरी मुलास किमान 3D शिल्पकलेच्या पेनच्या अस्तित्वाबद्दल माहिती आहे आणि बरेच जण धावपटू आणि एक्सट्रूडरसह बॉक्स खरेदी करण्याचे स्वप्न पाहतात... “असेच” (किंवा ते आधीच विकत घेतलेले आहे).

स्टिरिओलिथोग्राफी (लेझर 3D प्रिंटर) वैयक्तिक फोटॉनसह मुद्रण करण्यास अनुमती देते: नवीन पॉलिमर शोधले जात आहेत ज्यांना घनतेसाठी फक्त दोन फोटॉन आवश्यक आहेत. हे, गैर-प्रयोगशाळा परिस्थितीत, पूर्णपणे नवीन फिल्टर, माउंट्स, स्प्रिंग्स, केशिका, लेन्स आणि... तयार करण्यास अनुमती देईल टिप्पण्यांमध्ये तुमचे पर्याय! आणि येथे ते फोटोपॉलिमरायझेशनपासून दूर नाही - केवळ हे तंत्रज्ञान आम्हाला प्रोसेसर आणि संगणकीय सर्किट "मुद्रित" करण्यास अनुमती देते. शिवाय, हे पहिलेच वर्ष नाही ग्राफीन 500 nm त्रिमितीय संरचना छापण्यासाठी तंत्रज्ञान, परंतु मूलगामी विकासाशिवाय.

स्त्रोत

3. संवेदना आणि गतिशीलता

३.१. स्वायत्त ड्रायव्हिंग स्तर 3.1 आणि 4

शब्दावलीत गोंधळ न होण्यासाठी, स्वायत्ततेचे कोणते स्तर वेगळे केले जातात हे समजून घेणे योग्य आहे (तपशीलवार लेख, ज्यामध्ये आम्ही सर्व स्वारस्यांचा संदर्भ देतो):

स्तर 1: क्रूझ कंट्रोल: ड्रायव्हरला अत्यंत मर्यादित परिस्थितीत मदत करते (उदाहरणार्थ, ड्रायव्हरने पेडलवरून पाय घेतल्यानंतर दिलेल्या वेगाने कार पकडणे)
स्तर 2: मर्यादित सुकाणू आणि ब्रेकिंग सहाय्य. ड्रायव्हर जवळजवळ तात्काळ नियंत्रण ठेवण्यासाठी तयार असणे आवश्यक आहे. त्याचे हात स्टीयरिंग व्हीलवर आहेत, त्याचे डोळे रस्त्यावर आहेत. हे टेस्ला आणि जनरल मोटर्सकडे आधीपासूनच आहे.
स्तर 3: ड्रायव्हरला यापुढे सतत रस्ता पाहावा लागणार नाही. परंतु त्याने सावध राहिले पाहिजे आणि नियंत्रण ठेवण्यास तयार असले पाहिजे. ही अशी गोष्ट आहे जी व्यावसायिकरीत्या उपलब्ध कारमध्ये अद्याप नाही. सध्या अस्तित्वात असलेले सर्व स्तर 1-2 वर आहेत.
लेव्हल 4: खरे ऑटोपायलट, परंतु निर्बंधांसह: केवळ ज्ञात क्षेत्रामध्ये ट्रिप जे काळजीपूर्वक मॅप केलेले आहेत आणि सामान्यत: सिस्टमला ज्ञात आहेत आणि विशिष्ट परिस्थितींमध्ये: उदाहरणार्थ, बर्फाच्या अनुपस्थितीत. वेमो आणि जनरल मोटर्सकडे असे प्रोटोटाइप आहेत आणि ते अनेक शहरांमध्ये लॉन्च करण्याची आणि वास्तविक वातावरणात त्यांची चाचणी घेण्याची त्यांची योजना आहे. यांडेक्समध्ये स्कॉल्कोव्हो आणि इनोपोलिसमध्ये मानवरहित टॅक्सींसाठी चाचणी क्षेत्रे आहेत: प्रवास प्रवाशाच्या सीटवर बसलेल्या अभियंत्याच्या देखरेखीखाली होतो; वर्षाच्या अखेरीस, कंपनीचा ताफा १०० मानवरहित वाहनांपर्यंत वाढवण्याची योजना आहे.
स्तर 5: पूर्ण स्वयंचलित ड्रायव्हिंग, थेट ड्रायव्हरची संपूर्ण बदली. अशा प्रणाली अस्तित्वात नाहीत आणि येत्या काही वर्षांत त्या दिसण्याची शक्यता नाही.

नजीकच्या भविष्यात हे सर्व पाहणे कितपत वास्तववादी आहे? येथे मी वाचकांना लेखाकडे पुनर्निर्देशित करू इच्छितो "टेस्लाने वचन दिल्याप्रमाणे 2020 पर्यंत रोबोटॅक्सी लाँच करणे अशक्य का आहे". हे अंशतः 5G कनेक्टिव्हिटीच्या अभावामुळे आहे: उपलब्ध 4G गती पुरेसे नाहीत. अंशतः स्वायत्त कारच्या उच्च किंमतीमुळे: ते अद्याप फायदेशीर नाहीत, व्यवसाय मॉडेल अस्पष्ट आहे. एका शब्दात, येथे "सर्व काही क्लिष्ट आहे" आणि गार्टनर लिहितात की हा योगायोग नाही की स्तर 4 आणि 5 च्या मोठ्या प्रमाणावर अंमलबजावणीचा अंदाज 10 वर्षांपेक्षा पूर्वीचा नाही.

३.२. 3.2D सेन्सिंग कॅमेरे

आठ वर्षांपूर्वी, मायक्रोसॉफ्टच्या काइनेक्ट गेमिंग कंट्रोलरने 3D व्हिजनसाठी प्रवेशयोग्य आणि तुलनेने स्वस्त समाधान ऑफर करून लहरी तयार केल्या. तेव्हापासून, Kinect सह शारीरिक शिक्षण आणि नृत्य खेळांनी त्यांचा अल्प उदय आणि घट अनुभवला आहे, परंतु 3D कॅमेरे औद्योगिक रोबोट्स, मानवरहित वाहने आणि चेहऱ्याच्या ओळखीसाठी मोबाईल फोनमध्ये वापरले जाऊ लागले. तंत्रज्ञान स्वस्त, अधिक संक्षिप्त आणि अधिक सुलभ झाले आहे.

Samsung S10 फोनमध्ये टाइम-ऑफ-फ्लाइट कॅमेरा आहे जो लक्ष केंद्रित करणे सोपे करण्यासाठी ऑब्जेक्टचे अंतर मोजतो. स्त्रोत

तुम्हाला या विषयात स्वारस्य असल्यास, आम्ही तुम्हाला डेप्थ कॅमेर्‍यांच्या अतिशय चांगल्या तपशीलवार पुनरावलोकनाकडे पुनर्निर्देशित करू: 1, 2.

३.३. लहान कार्गो वितरीत करण्यासाठी ड्रोन (लाइट कार्गो डिलिव्हरी ड्रोन)

या वर्षी, अॅमेझॉनने शोमध्ये एक नवीन फ्लाइंग ड्रोन दाखवला तेव्हा लाटा निर्माण झाल्या, जे 2 किलोपर्यंत लहान भार वाहून नेऊ शकतात. ट्रॅफिक जाम असलेल्या शहरासाठी, हा एक आदर्श उपाय आहे. नजीकच्या भविष्यात हे ड्रोन कसे कार्य करतात ते पाहूया. कदाचित येथे सावधपणे संशयी राहणे योग्य आहे: ड्रोनच्या सहज चोरीच्या शक्यतेपासून सुरुवात करून आणि यूएव्हीवरील कायदेशीर निर्बंधांसह समाप्त होणाऱ्या अनेक समस्या आहेत. अॅमेझॉन प्राइम एअरला जवळपास सहा वर्षे झाली आहेत पण अजूनही चाचणी टप्प्यात आहे.

Amazon चे नवीन ड्रोन, या वसंत ऋतूत दाखवले. त्याच्याबद्दल काहीतरी स्टार वॉर्स आहे. स्त्रोत

ऍमेझॉन व्यतिरिक्त, या मार्केटमध्ये इतर खेळाडू आहेत (तपशीलवार आहे पुनरावलोकन), परंतु एकच तयार झालेले उत्पादन नाही: सर्व काही चाचणी आणि विपणन मोहिमेच्या टप्प्यावर आहे. स्वतंत्रपणे, हे अत्यंत मनोरंजक अत्यंत विशेष वैद्यकीय लक्षात घेण्यासारखे आहे प्रकल्प आफ्रिकेत: घानामध्ये दान केलेल्या रक्ताची डिलिव्हरी (14 डिलिव्हरी, झिपलाइन कंपनी) आणि रवांडा (मॅटरनेट कंपनी).

३.४. उडणारी स्वायत्त वाहने

येथे निश्चितपणे काहीही सांगणे कठीण आहे. गार्टनरच्या मते, हे 10 वर्षांपेक्षा पूर्वीचे दिसणार नाही. सर्वसाधारणपणे, येथे सेल्फ-ड्रायव्हिंग कारमध्ये समान समस्या आहेत, फक्त ते एक नवीन परिमाण प्राप्त करतात - अनुलंब. पोर्श, बोईंग आणि उबर यांनी फ्लाइंग टॅक्सी बनवण्याची आपली महत्त्वाकांक्षा जाहीर केली आहे.

३.५. ऑगमेंटेड रिअॅलिटी क्लाउड (एआर क्लाउड)

वास्तविक जगाची कायमस्वरूपी डिजिटल प्रत, तुम्हाला सर्व वापरकर्त्यांसाठी सामान्य वास्तवाचा नवीन स्तर तयार करण्याची अनुमती देते. अधिक तांत्रिक शब्दात, आम्ही एक ओपन क्लाउड प्लॅटफॉर्म बनवण्याबद्दल बोलत आहोत ज्यामध्ये विकासक त्यांचे एआर ऍप्लिकेशन्स एकत्रित करू शकतात. कमाईचे मॉडेल स्पष्ट आहे; हे स्टीमचे एक प्रकारचे अॅनालॉग आहे. ही कल्पना इतकी रुजली आहे की आता काही लोक असे मानतात की क्लाउडशिवाय AR निरुपयोगी आहे.

भविष्यात हे कसे दिसेल हे एका छोट्या व्हिडिओमध्ये दाखवले आहे. ब्लॅक मिररचा दुसरा भाग दिसतो:

येथे देखील वाचू शकता पुनरावलोकन लेख.

4. संवर्धित मानव

४.१. भावना AI

मानवी भावनांचे मोजमाप, अनुकरण आणि प्रतिसाद कसा द्यावा? येथील काही क्लायंट अशा कंपन्या आहेत ज्या Amazon Alexa सारख्या व्हॉइस असिस्टंट बनवतात. जर त्यांनी मनःस्थिती ओळखण्यास शिकले तर त्यांना खरोखर घरांची सवय होऊ शकते: वापरकर्त्याच्या असंतोषाचे कारण समजून घ्या आणि परिस्थिती सुधारण्याचा प्रयत्न करा. सर्वसाधारणपणे, संदेशापेक्षा संदर्भामध्ये बरीच माहिती असते. आणि संदर्भ म्हणजे चेहर्यावरील भाव, स्वर आणि गैर-मौखिक वर्तन.

इतर व्यावहारिक अनुप्रयोग: नोकरीच्या मुलाखती दरम्यान भावनांचे विश्लेषण (व्हिडिओ मुलाखतींवर आधारित), जाहिराती किंवा इतर व्हिडिओ सामग्रीवरील प्रतिक्रियांचे मूल्यांकन करणे (हसणे, हशा), शिकण्यात मदत (उदाहरणार्थ, सार्वजनिक बोलण्याच्या कलेच्या स्वतंत्र सरावासाठी).

6 मिनिटांच्या लघुपटाच्या लेखकापेक्षा या विषयावर चांगले बोलणे कठीण आहे उर भावना चोरणे. विनोदी आणि स्टायलिश व्हिडिओ दाखवतो की तुम्ही मार्केटिंगच्या उद्देशाने आमच्या भावना कशा मोजू शकता आणि तुमच्या चेहऱ्यावरील क्षणिक प्रतिक्रियांवरून तुम्हाला पिझ्झा, कुत्रे, कान्ये वेस्ट आवडतात की नाही आणि तुमची मिळकत पातळी आणि अंदाजे IQ काय आहे हे शोधा. वरील लिंक वापरून चित्रपटाच्या वेबसाइटला भेट देऊन, तुम्ही तुमच्या लॅपटॉपच्या अंगभूत कॅमेरा वापरून परस्परसंवादी व्हिडिओमध्ये सहभागी होता. हा चित्रपट याआधीही अनेक चित्रपट महोत्सवांमध्ये दाखवण्यात आला आहे.

स्त्रोत

असा एक मनोरंजक अभ्यास देखील आहे: मजकूरातील व्यंग कसे ओळखायचे. आम्ही #sarcasm या हॅशटॅगसह ट्विट केले आणि 25 ट्विट्सचा एक प्रशिक्षण संच तयार केला ज्यात व्यंग्यांसह 000 नियमित ट्विट केले. आम्ही TensorFlow लायब्ररी वापरली, सिस्टमला प्रशिक्षण दिले आणि हा निकाल आहे:

स्त्रोत

म्हणूनच, आता, जर तुम्हाला तुमच्या सहकारी किंवा मित्राबद्दल खात्री नसेल - त्याने तुम्हाला गंभीरपणे किंवा व्यंग्यात्मकपणे काहीतरी सांगितले असेल तर तुम्ही आधीच वापरू शकता प्रशिक्षित न्यूरल नेटवर्क!

४.२. संवर्धित बुद्धिमत्ता

मशीन लर्निंग पद्धती वापरून बौद्धिक कार्याचे ऑटोमेशन. असे वाटेल की काही नवीन नाही? परंतु येथे शब्दरचनाच महत्त्वाची आहे, विशेषत: ते कृत्रिम बुद्धिमत्तेच्या संक्षेपात एकरूप असल्याने. हे आम्हाला “मजबूत” आणि “कमकुवत” AI बद्दलच्या वादात परत आणते.
सशक्त AI ही विज्ञान कल्पित चित्रपटांमधील तीच कृत्रिम बुद्धिमत्ता आहे जी पूर्णपणे मानवी मनाशी समतुल्य आहे आणि एक व्यक्ती म्हणून स्वतःची जाणीव आहे. हे अद्याप अस्तित्वात नाही आणि ते अस्तित्वात असेल की नाही हे स्पष्ट नाही.

कमकुवत AI स्वतंत्र व्यक्ती नसून मानवी सहाय्यक आहे. तो मनुष्यासारखी विचारसरणी असल्याचा दावा करत नाही, परंतु माहितीच्या समस्या कशा सोडवायच्या हे फक्त माहीत आहे, उदाहरणार्थ, चित्रात काय दर्शविले आहे ते निर्धारित करा किंवा मजकूराचे भाषांतर करा.

स्त्रोत

या अर्थाने, संवर्धित बुद्धिमत्ता त्याच्या शुद्ध स्वरूपात "कमकुवत AI" आहे, आणि फॉर्म्युलेशन यशस्वी दिसते, कारण ते गोंधळात टाकत नाही आणि प्रत्येकजण ज्याचे स्वप्न पाहतो तोच "मजबूत एआय" पाहण्याचा मोह होत नाही (किंवा भीती वाटते, जर आपण "बंड कार" बद्दलच्या असंख्य चर्चा आठवा). ऑगमेंटेड इंटेलिजेंस या अभिव्यक्तीचा वापर करून, आम्ही लगेचच दुसर्‍या चित्रपटाचे नायक बनतो: विज्ञान कल्पनेतून (असिमोव्हच्या “आय, रोबोट” सारख्या) आपण स्वतःला सायबरपंकमध्ये शोधतो (या शैलीतील “वृद्धी” हे सर्व प्रकारचे रोपण आहेत जे मानवी क्षमता वाढवतात).

कसे म्हणाला एरिक ब्रायनजॉल्फसन आणि अँड्र्यू मॅकॅफी: “पुढील 10 वर्षांमध्ये, हेच होईल. एआय व्यवस्थापकांना बदलणार नाही, परंतु जे व्यवस्थापक एआय वापरतात त्यांची जागा घेतील ज्यांनी अद्याप ते बनवले नाही.”

उदाहरणे:

• औषध: स्टॅनफोर्ड विद्यापीठ विकसित अल्गोरिदम, जे छातीच्या क्ष-किरणांवर पॅथॉलॉजीज ओळखण्याचे काम बहुतेक डॉक्टरांइतकेच यशस्वीपणे करतात.
• शिक्षण: विद्यार्थी आणि शिक्षकांना मदत, साहित्यावरील विद्यार्थ्यांच्या प्रतिसादांचे विश्लेषण, वैयक्तिक शिक्षण मार्ग तयार करणे.
• व्यवसाय विश्लेषण: आकडेवारीनुसार, डेटा प्रीप्रोसेसिंगसाठी, संशोधकाचा 80% वेळ लागतो आणि केवळ 20% प्रयोग.

४.३. बायोचिप

सर्व सायबरपंक चित्रपट आणि पुस्तकांची ही आवडती थीम आहे. सर्वसाधारणपणे, पाळीव प्राण्यांना मायक्रोचिप करणे ही नवीन प्रथा नाही. पण आता या चिप्स लोकांमध्ये बसवल्या जाऊ लागल्या आहेत.

या प्रकरणात, हाईप बहुधा अमेरिकन कंपनी थ्री स्क्वेअर मार्केटमधील खळबळजनक प्रकरणाशी संबंधित आहे. तेथे, मालकाने फीच्या बदल्यात त्वचेखाली चिप्स रोपण करण्याची ऑफर सुरू केली. चिप आपल्याला दरवाजे उघडण्यास, संगणकात लॉग इन करण्यास, व्हेंडिंग मशीनमधून स्नॅक्स खरेदी करण्यास अनुमती देते - म्हणजेच असे सार्वत्रिक कर्मचारी कार्ड. शिवाय, अशी चिप तंतोतंत ओळखपत्र म्हणून काम करते; त्यात GPS मॉड्यूल नाही, म्हणून ते वापरत असलेल्या कोणालाही ट्रॅक करणे अशक्य आहे. आणि जर एखाद्या व्यक्तीला त्याच्या हातातून चिप काढायची असेल तर डॉक्टरांच्या मदतीने 5 मिनिटे लागतात.

चीप सामान्यतः अंगठा आणि तर्जनी यांच्यामध्ये रोपण केली जाते. स्त्रोत

पुढे वाचा एक लेख जगातील चिपिंगच्या स्थितीबद्दल.

४.४. इमर्सिव वर्कस्पेस

"इमर्सिव्ह" हा आणखी एक नवीन शब्द आहे ज्याची सुटका नाही. हे सर्वत्र आहे. इमर्सिव थिएटर, प्रदर्शन, सिनेमा. तुम्हाला काय म्हणायचे आहे? विसर्जन म्हणजे इमर्सिव्ह इफेक्टची निर्मिती, जेव्हा लेखक आणि दर्शक यांच्यातील सीमारेषा, आभासी आणि वास्तविक जग हरवले जाते. कामाच्या ठिकाणी, शक्यतो, याचा अर्थ कर्ता आणि आरंभकर्ता यांच्यातील रेषा अस्पष्ट करणे आणि कर्मचार्‍यांना त्यांचे वातावरण पुन्हा स्वरूपित करून अधिक सक्रिय स्थान घेण्यास प्रोत्साहित करणे.

आमच्याकडे आता सर्वत्र चपळ, लवचिकता आणि जवळचे सहकार्य असल्याने, कामाची ठिकाणे शक्य तितक्या सहजपणे कॉन्फिगर करता येण्याजोगी असावीत आणि समूह कार्याला प्रोत्साहन दिले पाहिजे. अर्थव्यवस्था त्याच्या अटी ठरवते: अधिक तात्पुरते कर्मचारी आहेत, ऑफिस स्पेस भाड्याने देण्याची किंमत वाढत आहे आणि स्पर्धात्मक श्रमिक बाजारात, आयटी कंपन्या कर्मचार्‍यांचे मनोरंजन क्षेत्र आणि इतर फायदे तयार करून कामातून समाधान वाढवण्याचा प्रयत्न करीत आहेत. आणि हे सर्व कार्यस्थळांच्या डिझाइनमध्ये प्रतिबिंबित होते.

इझ अहवाल नोल

४.५. व्यक्तिमत्व

जाहिरातींमध्ये वैयक्तिकरण म्हणजे काय हे प्रत्येकाला माहीत आहे. आज तुम्ही एका सहकार्‍याशी चर्चा करत आहात की खोलीतील हवा थोडीशी कोरडी आहे आणि तुम्ही ऑफिससाठी ह्युमिडिफायर खरेदी केले पाहिजे आणि दुसऱ्या दिवशी तुम्हाला तुमच्या सोशल नेटवर्कवर एक जाहिरात दिसेल - "एक ह्युमिडिफायर खरेदी करा" (a माझ्यासोबत घडलेली खरी घटना).

स्त्रोत

वैयक्तिकरण, गार्टनरने परिभाषित केल्याप्रमाणे, वापरकर्त्यांच्या त्यांच्या वैयक्तिक डेटाचा जाहिरातींच्या उद्देशाने वापर करण्याच्या वाढत्या चिंतेला दिलेला प्रतिसाद आहे. ध्येय असा दृष्टीकोन विकसित करणे आहे ज्यामध्ये आम्हाला जाहिराती दाखवल्या जातील जी आम्ही स्वतःला शोधतो त्या संदर्भाशी संबंधित आहे आणि वैयक्तिकरित्या आमच्यासाठी नाही. उदाहरणार्थ, आमचे स्थान, डिव्हाइसचा प्रकार, दिवसाची वेळ, हवामानाची परिस्थिती - ही अशी गोष्ट आहे जी आमच्या वैयक्तिक डेटाचे उल्लंघन करत नाही आणि आम्हाला "निरीक्षण" झाल्याची अप्रिय भावना वाटत नाही.

या दोन संकल्पनांमधील फरक वाचा नोंद गार्टनरच्या वेबसाइटवर अँड्र्यू फ्रँक ब्लॉग. इतका सूक्ष्म फरक आणि असे समान शब्द आहेत की आपण, फरक न जाणता, आपल्या संभाषणकर्त्याशी बराच काळ वाद घालण्याचा धोका पत्करतो, सर्वसाधारणपणे दोघेही बरोबर आहेत असा संशय येत नाही (आणि ही देखील एक वास्तविक घटना आहे जी लेखक).

४.६. बायोटेक - सुसंस्कृत किंवा कृत्रिम ऊतक

ही, सर्वप्रथम, कृत्रिम मांस वाढवण्याची कल्पना आहे. त्याच वेळी, जगभरातील अनेक संघ "मीट 2.0" प्रयोगशाळा विकसित करण्यात व्यस्त आहेत - अशी अपेक्षा आहे की ते नेहमीपेक्षा स्वस्त होईल आणि फास्ट फूड आणि नंतर सुपरमार्केट त्यावर स्विच करतील. या तंत्रज्ञानातील गुंतवणूकदारांमध्ये बिल गेट्स, सर्जी ब्रिन, रिचर्ड ब्रॅन्सन आणि इतरांचा समावेश आहे.

स्त्रोत

प्रत्येकाला कृत्रिम मांसामध्ये रस का आहे याची कारणे:

1. ग्लोबल वार्मिंग: शेतातून मिथेन उत्सर्जन. हे वातावरणावर परिणाम करणाऱ्या वायूंच्या जागतिक प्रमाणाच्या 18% आहे.
2. लोकसंख्येची वाढ. मांसाची मागणी वाढत आहे आणि प्रत्येकाला नैसर्गिक मांस खायला देणे शक्य होणार नाही - ते फक्त महाग आहे.
3. जागेचा अभाव. ऍमेझॉनची 70% जंगले कुरणासाठी आधीच कापली गेली आहेत.
4. नैतिक विचार. असे लोक आहेत ज्यांच्यासाठी हे महत्वाचे आहे. प्राणी हक्क संघटना PETA ने आधीच कृत्रिम कोंबडीचे मांस बाजारात आणणाऱ्या शास्त्रज्ञाला $1 दशलक्ष बक्षीस देऊ केले आहे.

वास्तविक मांस सोयाने बदलणे हा एक आंशिक उपाय आहे, कारण लोक चव आणि पोतमधील फरक ओळखू शकतात आणि सोयाच्या बाजूने स्टेक सोडण्याची शक्यता नाही. म्हणून तुम्हाला वास्तविक, सेंद्रिय पद्धतीने पिकवलेले मांस हवे आहे. आता, दुर्दैवाने, कृत्रिम मांस खूप महाग आहे: प्रति किलोग्राम $ 12 पासून. हे असे मांस वाढवण्याच्या जटिल तांत्रिक प्रक्रियेमुळे आहे. त्याबद्दल सर्व वाचा एक लेख.

जर आपण ऊतींच्या वाढीच्या इतर प्रकरणांबद्दल बोललो - आधीच औषधात - तर कृत्रिम अवयवांचा विषय मनोरंजक आहे: उदाहरणार्थ, हृदयाच्या स्नायूसाठी "पॅच", छापलेले एक विशेष 3D प्रिंटर. ज्ञात कथा कृत्रिमरित्या उगवलेल्या माऊसच्या हृदयासारखे, परंतु सर्वसाधारणपणे सर्वकाही अद्याप क्लिनिकल चाचण्यांच्या कक्षेत आहे. त्यामुळे येत्या काही वर्षांत आपल्याला फ्रँकेन्स्टाईन दिसण्याची शक्यता नाही.

येथे गार्टनर त्याच्या अंदाजात खूप सावध आहे, वरवर पाहता 2015 मध्ये 2019 मध्ये विकसित देशांतील 10% लोकसंख्येला 3D प्रिंटेड वैद्यकीय उपकरण इम्प्लांट होईल हे त्याचे अयशस्वी अंदाज लक्षात घेऊन. म्हणून, याचा अर्थ उत्पादकतेच्या पठारावर पोहोचण्यासाठी किमान 10 वर्षांचा कालावधी आहे.

5. डिजिटल इकोसिस्टम

५.१. विकेंद्रित वेब

ही संकल्पना वेबचे संशोधक, ट्युरिंग पुरस्कार विजेते सर टिम बर्नर्स-ली यांच्या नावाशी जवळून जोडलेली आहे. त्याच्यासाठी, संगणक विज्ञानातील नैतिकतेचे प्रश्न नेहमीच महत्त्वाचे होते आणि इंटरनेटचे सामूहिक सार महत्त्वाचे होते: हायपरटेक्स्टचा पाया घालताना, त्याला खात्री होती की नेटवर्कने वेबसारखे काम केले पाहिजे, पदानुक्रमासारखे नाही. नेटवर्क डेव्हलपमेंटच्या सुरुवातीच्या टप्प्यावर ही परिस्थिती होती. तथापि, जसजसे इंटरनेट वाढत गेले, तसतशी त्याची रचना विविध कारणांमुळे केंद्रीकृत झाली. असे दिसून आले की संपूर्ण देशासाठी नेटवर्कमध्ये प्रवेश फक्त काही प्रदात्यांच्या मदतीने सहजपणे अवरोधित केला जाऊ शकतो. आणि वापरकर्ता डेटा इंटरनेट कंपन्यांसाठी शक्ती आणि उत्पन्नाचा स्रोत बनला आहे.

"इंटरनेट आधीच विकेंद्रित आहे," बर्नर्स-ली म्हणतात. “समस्या अशी आहे की एक शोध इंजिन, एक मोठे सोशल नेटवर्क, एक मायक्रोब्लॉगिंग प्लॅटफॉर्म हावी आहे. आमच्याकडे तांत्रिक समस्या नाहीत, परंतु आमच्याकडे सामाजिक समस्या आहेत. ”

त्याच्या खुले पत्र वर्ल्ड वाइड वेबच्या 30 व्या वर्धापन दिनानिमित्त, वेबच्या निर्मात्याने इंटरनेटच्या तीन मुख्य समस्यांचे वर्णन केले:

1. लक्ष्यित हानी जसे की राज्य-प्रायोजित हॅकिंग, गुन्हा आणि ऑनलाइन छळ
2. सिस्टमची रचना, जी वापरकर्त्याच्या हानीसाठी, अशा यंत्रणांसाठी आधार तयार करते: क्लिकबेटसाठी आर्थिक प्रोत्साहन आणि खोट्या माहितीचा व्हायरल प्रसार
3. सिस्टम डिझाइनचे अनपेक्षित परिणाम ज्यामुळे संघर्ष होतो आणि ऑनलाइन चर्चेची गुणवत्ता कमी होते

आणि टिम बर्नर्स-ली कडे आधीच "स्वस्थ व्यक्तीचे इंटरनेट" कोणत्या तत्त्वांवर आधारित असू शकते याचे उत्तर आहे, समस्या क्रमांक 2 शिवाय: "बर्‍याच वापरकर्त्यांसाठी, इंटरनेटशी संवाद साधण्यासाठी जाहिरातींचे उत्पन्न हे एकमेव मॉडेल राहिले आहे. जरी लोकांना त्यांच्या डेटाचे काय होईल याबद्दल भीती वाटत असली तरीही, ते विनामूल्य सामग्री प्राप्त करण्याच्या संधीसाठी विपणन मशीनशी करार करण्यास तयार आहेत. अशा जगाची कल्पना करा जिथे वस्तू आणि सेवांसाठी पैसे देणे दोन्ही पक्षांसाठी सोपे आणि आनंददायक असेल. हे कसे व्यवस्थित केले जाऊ शकते या पर्यायांपैकी: संगीतकार त्यांचे रेकॉर्डिंग आयट्यून्सच्या रूपात मध्यस्थांशिवाय विकू शकतात आणि बातम्या साइट्स जाहिरातींमधून पैसे कमविण्याऐवजी एक लेख वाचण्यासाठी मायक्रोपेमेंटची प्रणाली वापरू शकतात.

या नवीन इंटरनेटसाठी प्रायोगिक प्रोटोटाइप म्हणून, टिम बर्नर्स-ली यांनी सॉलिड प्रोजेक्ट लाँच केला, ज्याचा सार असा आहे की तुम्ही तुमचा डेटा “पॉड” - माहिती स्टोअरमध्ये संग्रहित करू शकता आणि हा डेटा तृतीय-पक्ष अनुप्रयोगांना प्रदान करू शकता. परंतु तत्वतः, आपण स्वतःच आपल्या डेटाचे स्वामी आहात. हे सर्व पीअर-टू-पीअर नेटवर्कच्या संकल्पनेशी जवळून संबंधित आहे, म्हणजे, तुमचा संगणक केवळ सेवांची विनंती करत नाही, तर त्या पुरवतो, जेणेकरून केवळ चॅनेल म्हणून एका सर्व्हरवर अवलंबून राहू नये.

स्त्रोत

५.२. विकेंद्रित स्वायत्त संस्था

ही एक संस्था आहे जी संगणक प्रोग्रामच्या स्वरूपात लिहिलेल्या नियमांद्वारे नियंत्रित केली जाते. त्याची आर्थिक क्रियाकलाप ब्लॉकचेनवर आधारित आहेत. अशा संघटना निर्माण करण्याचा उद्देश मध्यस्थांच्या भूमिकेतून राज्य काढून टाकणे आणि प्रतिपक्षांसाठी एक समान विश्वासार्ह वातावरण तयार करणे आहे, जे वैयक्तिकरित्या कोणाच्याही मालकीचे नाही, परंतु सर्वांच्या मालकीचे आहे. म्हणजेच, सिद्धांतानुसार, जर ही कल्पना मूळ धरली तर, नोटरी आणि इतर नेहमीच्या सत्यापन संस्था रद्द केल्या पाहिजेत.

अशा संस्थेचे सर्वात प्रसिद्ध उदाहरण म्हणजे उपक्रम-केंद्रित द DAO, ज्याने 2016 मध्ये $150 दशलक्ष जमा केले, त्यापैकी $50 नियमांच्या कायदेशीर छिद्रातून त्वरित चोरीला गेले. एक कठीण पेचप्रसंग ताबडतोब उद्भवला: एकतर परत रोल करा आणि पैसे परत करा किंवा कबूल करा की पैसे काढणे कायदेशीर आहे, कारण ते कोणत्याही प्रकारे प्लॅटफॉर्मच्या नियमांचे उल्लंघन करत नाही. परिणामी, गुंतवणूकदारांना पैसे परत करण्यासाठी, निर्मात्यांना DAO नष्ट करावे लागले, ब्लॉकचेनचे पुनर्लेखन केले आणि त्याच्या मूलभूत तत्त्वाचे उल्लंघन केले - अपरिवर्तनीयता.

इथरियम (डावीकडे) आणि डीएओ (उजवीकडे) बद्दल कॉमिक. स्त्रोत

या संपूर्ण कथेने DAO च्या कल्पनेची प्रतिष्ठा नष्ट केली आहे. तो प्रकल्प इथरियम क्रिप्टोकरन्सीच्या आधारे तयार केला गेला होता, पुढील वर्षी इथर 2.0 आवृत्ती अपेक्षित आहे - कदाचित लेखक (प्रसिद्ध विटालिक बुटेरिनसह) त्रुटी लक्षात घेतील आणि काहीतरी नवीन दाखवतील. म्हणूनच कदाचित गार्टनरने DAO ला upline वर ठेवले.

5.3.सिंथेटिक्स डेटा

न्यूरल नेटवर्क प्रशिक्षित करण्यासाठी, मोठ्या प्रमाणात डेटा आवश्यक आहे. डेटा मॅन्युअली लेबल करणे हे एक मोठे काम आहे जे केवळ मनुष्यच करू शकतो. त्यामुळे, कृत्रिम डेटा संच तयार करणे शक्य आहे. उदाहरणार्थ, साइटवरील मानवी चेहऱ्यांचे समान संग्रह https://generated.photos. ते GAN वापरून तयार केले आहेत - वर नमूद केलेले अल्गोरिदम.

हे चेहरे लोकांचे नाहीत. स्त्रोत

अशा डेटाचा मोठा फायदा असा आहे की तो वापरण्यात कोणतीही कायदेशीर अडचण नाही: वैयक्तिक डेटाच्या प्रक्रियेस संमती देणारे कोणीही नाही.

5.4.डिजिटल ऑप्स

DevOps आमच्या भाषणात रुजल्यापासून “Ops” हा प्रत्यय अविश्वसनीयपणे फॅशनेबल झाला आहे. आता DigitalOps म्हणजे काय - हे फक्त DevOps, DesignOps, MarketingOps चे सामान्यीकरण आहे... तुम्हाला अजून कंटाळा आला आहे का? थोडक्यात, हे सॉफ्टवेअर क्षेत्रातून व्यवसायाच्या इतर सर्व पैलूंमध्ये - मार्केटिंग, डिझाइन इत्यादींमध्ये DevOps दृष्टिकोनाचे हस्तांतरण आहे.

स्त्रोत

DevOps ची कल्पना म्हणजे स्वतः विकास आणि ऑपरेशन्स (व्यवसाय प्रक्रिया) मधील अडथळे दूर करणे, सामान्य कार्यसंघ तयार करणे, जिथे प्रोग्रामर, परीक्षक, सुरक्षा विशेषज्ञ आणि प्रशासक आहेत; काही पद्धतींची अंमलबजावणी: सतत एकत्रीकरण, कोड म्हणून पायाभूत सुविधा, फीडबॅक चेन कमी करणे आणि मजबूत करणे. उत्पादनाची बाजारपेठेत गती वाढवणे हे उद्दिष्ट होते. जर तुम्हाला वाटले की हे चपळसारखे आहे, तर तुम्ही बरोबर आहात. आता मानसिकदृष्ट्या हा दृष्टिकोन सॉफ्टवेअर डेव्हलपमेंटच्या क्षेत्रातून सर्वसाधारणपणे विकासाकडे हस्तांतरित करा - आणि डिजिटलऑप्स म्हणजे काय हे तुम्हाला समजते.

५.५. ज्ञान आलेख

मशीन लर्निंग अल्गोरिदम वापरण्यासह ज्ञान क्षेत्राचे मॉडेल करण्याचा एक सॉफ्टवेअर मार्ग. सर्व माहिती एकत्र जोडण्यासाठी विद्यमान डेटाबेसच्या शीर्षस्थानी ज्ञान आलेख तयार केला जातो: दोन्ही संरचित (इव्हेंट किंवा लोकांची सूची) आणि असंरचित (लेखाचा मजकूर).

सर्वात सोपे उदाहरण म्हणजे कार्ड जे तुम्ही Google शोध परिणामांमध्ये पाहू शकता. तुम्ही एखादी व्यक्ती किंवा संस्था शोधत असल्यास, तुम्हाला उजवीकडे एक कार्ड दिसेल:


कृपया लक्षात घ्या की "आगामी इव्हेंट्स" ही Google नकाशे वरील माहितीची प्रत नाही, परंतु Yandex.Afisha सह शेड्यूलचे एकत्रीकरण आहे: आपण इव्हेंटवर क्लिक केल्यास आपण हे सहजपणे पाहू शकता. म्हणजेच, हे अनेक डेटा स्त्रोतांचे एकत्र संयोजन आहे.

तुम्ही सूची मागितल्यास - उदाहरणार्थ, "प्रसिद्ध दिग्दर्शक" - तुम्हाला कॅरोसेल दाखवले जाईल:

जे शेवटपर्यंत वाचतात त्यांच्यासाठी बोनस

आणि आता आम्ही प्रत्येक बिंदूचा अर्थ स्वतःसाठी स्पष्ट केला आहे, आम्ही समान चित्र पाहू शकतो, परंतु रशियनमध्ये:

सामाजिक नेटवर्कवर मुक्तपणे सामायिक करा!

तात्याना वोल्कोवा - सॅमसंग अकादमीमधील इंटरनेट ऑफ थिंग्ज आयटी ट्रॅकसाठी प्रशिक्षण कार्यक्रमाची लेखिका, सॅमसंग रिसर्च सेंटरमधील कॉर्पोरेट सामाजिक जबाबदारी कार्यक्रमातील तज्ञ


स्त्रोत: www.habr.com