Gartners diagram er som et moteshow for de i teknologibransjen. Ved å se på den kan du på forhånd finne ut hvilke ord som er mest hypet denne sesongen og hva du vil høre på alle kommende konferanser.

Vi har tydet hva som ligger bak de vakre ordene i denne grafen, slik at du også kan snakke språket.

Til å begynne med, bare noen få ord om hva slags graf dette er. Hvert år i august slipper konsulentbyrået Gartner en rapport – Gartner Hype Curve. På russisk er dette en "hype-kurve", eller, enklere, hype. For 30 år siden sang rappere fra gruppen Public Enemy: «Ikke tro på hypen». Tro det eller ei, det er et personlig spørsmål, men det er i det minste verdt å kjenne til disse nøkkelordene hvis du jobber innen teknologifeltet og ønsker å vite globale trender.

Dette er en graf over offentlige forventninger fra en bestemt teknologi. I følge Gartner går teknologien ideelt sett gjennom 5 stadier: teknologilansering, toppen av oppblåste forventninger, skuffelsens dal, opplysningens helling, produktivitetsplatået. Men det hender også at den drukner i "skuffelsens dal" - du kan huske eksempler selv veldig enkelt, ta de samme bitcoins: først traff toppen som "fremtidens penger", gled de raskt ned når manglene ved teknologien ble åpenbare, først og fremst restriksjoner på antall transaksjoner og den enorme mengden elektrisitet som kreves for å generere bitcoins (som allerede medfører miljøproblemer). Og selvfølgelig må vi ikke glemme at Gartners diagram bare er en prognose: her kan du for eksempel lese en detaljert artikkel, hvor de mest slående uoppfylte spådommene sorteres ut.

Så la oss gå gjennom det nye Gartner-diagrammet. Teknologier er delt inn i 5 store tematiske grupper:

1. Avansert AI og Analytics
2. Postklassisk Compute and Comms
3. Sensing og mobilitet
4. Augmented Human
5. Digitale økosystemer

1. Avansert AI og Analytics

I løpet av de siste 10 årene har vi sett den fineste timen med dyp læring. Disse nettverkene er virkelig effektive for sine oppgaver. I 2018 mottok Yann LeCun, Geoffrey Hinton og Yoshua Bengio Turing-prisen for sine oppdagelser – den mest prestisjetunge prisen, analogt med Nobelprisen i informatikk. Så de viktigste trendene i dette området, som er vist på diagrammet:

1.1. Overfør læring

Du trener ikke et nevralt nettverk fra bunnen av, men tar et allerede trent og tilordner det et annet mål. Noen ganger krever dette omskolering av deler av nettverket, men ikke hele nettverket, som er mye raskere. Hvis du for eksempel tar et ferdig nevralt nettverk ResNet50, trent på ImageNet1000-datasettet, vil du få en algoritme som kan klassifisere mange forskjellige objekter i et bilde på et veldig dypt nivå (1000 klasser basert på funksjoner generert av 50 lag av nevralet Nettverk). Men du trenger ikke trene hele nettverket, noe som vil ta måneder.

В nettkurs Samsung "Nevrale nettverk og datasyn", for eksempel, i finalen Kaggle oppgave med klassifiseringen av plater i rene og skitne, demonstreres en tilnærming som på 5 minutter gir deg et dypt nevralt nettverk som er i stand til å skille skitne plater fra rene, bygget i henhold til arkitekturen beskrevet ovenfor. Det opprinnelige nettverket visste ikke hva plater var i det hele tatt, det lærte bare å skille fugler fra hunder (se ImageNet).

Kilde: nettkurs Samsung "nevrale nettverk og datasyn"

For Transfer Learning må du vite hvilke tilnærminger som fungerer og hvilke ferdige grunnleggende arkitekturer som er tilgjengelige. Totalt sett akselererer dette fremveksten av praktiske anvendelser av maskinlæring.

1.2. Generative Adversarial Networks (GAN)

Dette er for de tilfellene hvor det er svært vanskelig for oss å formulere læringsmålet. Jo nærmere oppgaven er det virkelige liv, jo mer forståelig er den for oss («ta med nattbordet»), men desto vanskeligere er det å formulere det som en teknisk oppgave. GAN er bare et forsøk på å redde oss fra dette problemet.

Det er to nettverk som jobber her: det ene er en generator (Generativ), det andre er en diskriminator (Adversarial). Ett nettverk lærer å gjøre nyttig arbeid (klassifisere bilder, gjenkjenne lyder, tegne tegneserier). Og et annet nettverk lærer å lære det nettverket: det har virkelige eksempler, og det lærer å finne en tidligere ukjent kompleks formel for å sammenligne produktene fra den generative delen av nettverket med virkelige objekter (treningssett) basert på virkelig viktige dype egenskaper : antall øyne, nærhet til Miyazakis stil, korrekt engelsk uttale.

Et eksempel på resultatet av et nettverk for å generere anime-karakterer. Kilde

Men det er selvsagt vanskelig å bygge arkitektur der. Det er ikke nok å bare kaste nevroner, de må være forberedt. Og du må studere i flere uker. Mine kolleger ved Samsung Artificial Intelligence Center jobber med GAN-emnet; dette er et av deres sentrale forskningsspørsmål. For eksempel slik utvikling: bruk av generative nettverk for å syntetisere realistiske bilder av mennesker med variable positurer - for eksempel for å lage et virtuelt prøverom, eller for å syntetisere et ansikt, noe som kan redusere mengden informasjon som må lagres eller overføres for å sikre video av høy kvalitet kommunikasjon, kringkasting eller beskyttelse av personopplysninger.

Kilde

1.3. Forklarlig AI

For noen sjeldne oppgaver har fremskritt innen dype arkitekturer plutselig brakt evnene til dype nevrale nettverk nærmere menneskelige evner. Nå står kampen for å øke omfanget av slike oppgaver. For eksempel kan en robotstøvsuger lett skille en katt fra en hund i et front mot møte. Men i de fleste livssituasjoner vil han ikke kunne finne en katt som sover blant lin eller møbler (men som oss, i de fleste tilfeller...).

Hva er årsaken til suksessen til dype nevrale nettverk? De utvikler en representasjon av problemet basert ikke på informasjon "synlig for det blotte øye" (fotopiksler, endringer i lydvolum ...), men på funksjoner oppnådd etter forbehandling av denne informasjonen av flere hundre lag av et nevralt nettverk. Dessverre kan disse relasjonene også være meningsløse, inkonsekvente eller ha spor av ufullkommenhet i det originale datasettet. For eksempel er det et lite dataspill om hva tankeløs bruk av AI i rekruttering kan føre til Survival Of The Best Fit.

Bildemerkingssystemet merket personen som lager mat som en kvinne, selv om personen på bildet faktisk er en mann (Kilde). den la merke til ved Virginia Institute.

For å analysere komplekse og dype relasjoner som vi ofte ikke kan formulere selv, trengs Forklarbare AI-metoder. De organiserer funksjonene til dype nevrale nettverk slik at vi etter trening kan analysere den interne representasjonen nettverket har lært, i stedet for bare å stole på avgjørelsen.

1.4. Edge Analytics / AI

Alt med ordet Edge betyr bokstavelig talt følgende: overføring av deler av algoritmene fra skyen/serveren til sluttenhet/gatewaynivå. En slik algoritme vil fungere raskere og vil ikke kreve en tilkobling til en sentral server for driften. Hvis du er kjent med abstraksjonen av en "tynn klient", så her gjør vi denne klienten litt tykkere.
Dette kan være viktig for tingenes internett. Hvis for eksempel en maskin er overopphetet og trenger kjøling, er det fornuftig å signalisere dette umiddelbart, på anleggsnivå, uten å vente på at dataene skal gå til skyen og derfra til skiftformannen. Eller et annet eksempel: selvkjørende biler kan finne ut av trafikksituasjonen på egenhånd, uten å kontakte en sentral server.

Kilde

Eller et annet eksempel på hvorfor dette er viktig fra et sikkerhetssynspunkt: når du skriver tekster på telefonen din, husker den ordene som er typiske for deg, slik at telefonens tastatur senere enkelt kan spørre deg med dem - dette kalles prediktiv tekstinntasting. Å sende alt du skriver på tastaturet til et datasenter et sted ville være et brudd på personvernet ditt og rett og slett utrygt. Tastaturtrening skjer derfor kun innenfor selve enheten.

1.5. AI Platform as a Service (AI PaaS)

PaaS – Platform-as-a-Service er en forretningsmodell der vi får tilgang til en integrert plattform, inkludert dens skybaserte datalagring og ferdige prosedyrer. På denne måten kan vi frigjøre oss fra infrastrukturoppgaver og konsentrere oss fullt ut om å produsere noe nyttig. Eksempel på PaaS-plattformer for AI-oppgaver: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptiv maskinlæring (Adaptive ML)

Hva om vi lar kunstig intelligens tilpasse seg... Du spør – altså hvordan?.. Tilpasser den seg ikke allerede til oppgaven? Problemet er dette: vi designer møysommelig hvert slikt problem før vi bygger en kunstig intelligensalgoritme for å løse det. De vil svare deg - det viser seg at denne kjeden kan forenkles.

Konvensjonell maskinlæring fungerer etter prinsippet om en åpen sløyfe: du forbereder data, kommer opp med et nevralt nettverk (eller noe), trener, ser deretter på flere indikatorer, og hvis du liker alt, kan du sende det nevrale nettverket til smarttelefoner for å løse brukerproblemer. Men i applikasjoner der det er mye data og dens natur gradvis endrer seg, trengs andre metoder. Slike systemer, som tilpasser seg og lærer seg selv, er organisert i lukkede, selvlærende looper (closed-loop), og de skal fungere problemfritt.

Applikasjoner - dette kan være strømanalyse (Stream Analytics), som mange forretningsmenn tar beslutninger på grunnlag av, eller adaptiv produksjonsstyring. På omfanget av nåværende applikasjoner og gitt de bedre forståtte risikoene for mennesker, er teknikkene som utgjør en løsning på dette problemet samlet under paraplybegrepet Adaptive AI.

Kilde

Når du ser på dette bildet, er det vanskelig å bli kvitt følelsen av å ikke gi futurologer brød - la dem lære en robot å puste...

Postklassisk Compute and Comms

2.1. Femte generasjons mobilkommunikasjon (5G)

Dette er et så interessant emne at vi umiddelbart henviser deg til vår artikkel. Vel, her er en kort oppsummering. 5G, ved å øke frekvensen av dataoverføring, vil gjøre Internett-hastigheten urealistisk rask. Det er vanskeligere for korte bølger å passere gjennom hindringer, så utformingen av nettverk vil være helt annerledes: 500 ganger flere basestasjoner er nødvendig.

Sammen med hastighet vil vi få nye fenomener: sanntidsspill med utvidet virkelighet, utføre komplekse oppgaver (som kirurgi) gjennom telepresence, forebygge ulykker og vanskelige situasjoner på veiene gjennom kommunikasjon mellom maskiner. På et mer prosaisk notat: mobilt Internett vil endelig slutte å slippe under massebegivenheter, for eksempel en kamp på et stadion.

Bildekilde - Reuters, Niantic

2.2. Neste generasjons minne

Her snakker vi om femte generasjon RAM – DDR5. Samsung kunngjorde at DDR2019-baserte produkter vil være tilgjengelige innen utgangen av 5. Det forventes at det nye minnet vil være dobbelt så raskt og dobbelt så romslig samtidig som vi beholder samme formfaktor, det vil si at vi vil kunne få minnepinner med en kapasitet på opptil 32 GB til datamaskinen vår. I fremtiden vil dette være spesielt aktuelt for smarttelefoner (det nye minnet vil være i en lavstrømversjon) og for bærbare datamaskiner (hvor antall DIMM-spor er begrenset). Og maskinlæring krever også store mengder RAM.

2.3. Satellittsystemer med lav bane

Ideen om å erstatte tunge, dyre, kraftige satellitter med en sverm av små og billige er langt fra ny og dukket opp på 90-tallet. Om hva "Elon Musk vil snart distribuere Internett til alle fra satellitt" Nå er det bare de late som ikke har hørt. Det mest kjente selskapet her er Iridium, som gikk konkurs på slutten av 90-tallet, men ble reddet på bekostning av det amerikanske forsvarsdepartementet (ikke å forveksle med iRidium, det russiske smarthussystemet). Elon Musks prosjekt (Starlink) er langt fra det eneste - Richard Branson (OneWeb - 1440 foreslåtte satellitter), Boeing (3000 satellitter), Samsung (4600 satellitter) og andre deltar i satellittløpet.

Hvordan det står til på dette området, hvordan økonomien ser ut der – les inn gjennomgang. Og vi venter på de første testene av disse systemene av de første brukerne, som bør finne sted neste år.

2.4. Nanoskala 3D-utskrift

3D-utskrift, selv om det ikke har kommet inn i livet til hver person (i den formen lovet av en individuell hjemmeplastfabrikk), har likevel for lengst forlatt teknologinisjen for nerder. Du kan dømme ut fra det faktum at hvert skolebarn vet om eksistensen av minst 3D-skulpturerte penner, og mange drømmer om å kjøpe en boks med løpere og en ekstruder for ... "akkurat sånn" (eller allerede har kjøpt den).

Stereolitografi (laser 3D-skrivere) tillater utskrift med individuelle fotoner: nye polymerer utforskes som bare krever to fotoner for å stivne. Dette vil tillate, under ikke-laboratorieforhold, å lage helt nye filtre, monteringer, fjærer, kapillærer, linser og... alternativene dine i kommentarfeltet! Og her er det ikke langt fra fotopolymerisering - bare denne teknologien lar oss "skrive ut" prosessorer og datakretser. I tillegg er dette ikke første året det har vært teknologi for utskrift av grafen 500 nm tredimensjonale strukturer, men uten radikal utvikling.

Kilde

3. Sensing og mobilitet

3.1. Autonom kjøring nivå 4 og 5

For ikke å bli forvirret i terminologien, er det verdt å forstå hvilke nivåer av autonomi som skilles (hentet fra den detaljerte artikler, som vi henviser alle interesserte til):

Nivå 1: Cruisekontroll: hjelper sjåføren i svært begrensede situasjoner (for eksempel å holde bilen i en gitt hastighet etter at sjåføren har tatt foten av pedalen)
Nivå 2: Begrenset styre- og bremsehjelp. Føreren må være klar til å ta kontroll nesten umiddelbart. Hendene hans er på rattet, blikket er rettet mot veien. Dette er noe Tesla og General Motors allerede har.
Nivå 3: Sjåføren trenger ikke lenger å holde øye med veien. Men han må være på vakt og være klar til å ta kontroll. Dette er noe kommersielt tilgjengelige biler ennå ikke har. Alle eksisterende er på nivå 1-2.
Nivå 4: Ekte autopilot, men med restriksjoner: kun turer i et kjent område som er nøye kartlagt og generelt kjent for systemet, og under visse forhold: for eksempel i fravær av snø. Waymo og General Motors har slike prototyper, og de planlegger å lansere dem i flere byer og teste dem i virkelige miljøer. Yandex har testsoner for ubemannede drosjer i Skolkovo og Innopolis: turen foregår under tilsyn av en ingeniør som sitter i passasjersetet; innen utgangen av året planlegger selskapet å utvide sin flåte til 100 ubemannede kjøretøy.
Nivå 5: Helautomatisk kjøring, komplett utskifting av en levende sjåfør. Slike systemer eksisterer ikke, og de vil neppe dukke opp i årene som kommer.

Hvor realistisk er det å se alt dette i overskuelig fremtid? Her vil jeg omdirigere leseren til artikkelen "Hvorfor er det umulig å lansere en robotaxi innen 2020, som Tesla lover". Dette skyldes delvis mangelen på 5G-tilkobling: tilgjengelige 4G-hastigheter er ikke nok. Delvis på grunn av de svært høye kostnadene for autonome biler: de er ennå ikke lønnsomme, forretningsmodellen er uklar. Kort sagt, «alt er komplisert» her, og det er ingen tilfeldighet at Gartner skriver at prognosen for masseimplementeringen av nivå 4 og 5 ikke er tidligere enn om 10 år.

3.2. 3D-sensorkameraer

For åtte år siden skapte Microsofts Kinect-spillkontroller bølger ved å tilby en tilgjengelig og relativt rimelig løsning for 3D-syn. Siden den gang har kroppsøving og dansespill med Kinect opplevd sin korte vekst og nedgang, men 3D-kameraer begynte å bli brukt i industriroboter, ubemannede kjøretøy og mobiltelefoner for ansiktsidentifikasjon. Teknologien er blitt billigere, mer kompakt og mer tilgjengelig.

Samsung S10-telefonen har et Time-of-Flight-kamera som måler avstanden til et objekt for å gjøre fokuseringen enklere. Kilde

Hvis du er interessert i dette emnet, vil vi omdirigere deg til en veldig god detaljert gjennomgang av dybdekameraer: del 1, del 2.

3.3. Droner for levering av liten last (Light Cargo Delivery Drones)

I år skapte Amazon bølger da den viste frem en ny flygende drone på messen som kan bære små belastninger på opptil 2 kg. For en by med sine trafikkork virker dette som en ideell løsning. La oss se hvordan disse dronene presterer i nær fremtid. Kanskje det er verdt å være forsiktig skeptisk her: det er mange problemer, som starter med muligheten for lett tyveri av en drone, og slutter med juridiske restriksjoner på UAV-er. Amazon Prime Air har eksistert i seks år, men er fortsatt i testfasen.

Amazons nye drone, vist denne våren. Det er noe Star Wars over ham. Kilde

I tillegg til Amazon er det andre aktører i dette markedet (det er en detaljert oversikt), men ikke et eneste ferdig produkt: alt er på stadiet av testing og markedsføringskampanjer. Separat er det verdt å merke seg ganske interessant høyt spesialisert medisinsk Prosjekter i Afrika: levering av donert blod i Ghana (14 000 leveranser, Zipline-selskap) og Rwanda (Matternet-selskap).

3.4. Flyvende autonome kjøretøy

Det er vanskelig å si noe sikkert her. Dette vil ifølge Gartner dukke opp tidligst om 10 år. Generelt er det de samme problemene her som i selvkjørende biler, bare de får en ny dimensjon - vertikal. Porsche, Boeing og Uber har kunngjort sine ambisjoner om å bygge en flygende taxi.

3.5. Augmented Reality Cloud (AR Cloud)

En permanent digital kopi av den virkelige verden, som lar deg lage et nytt lag med virkelighet som er felles for alle brukere. I mer tekniske termer snakker vi om å lage en åpen skyplattform der utviklere kan integrere AR-applikasjonene sine. Inntektsmodellen er klar; den er en slags analog av Steam. Ideen har blitt så forankret at noen nå tror at AR uten skyen rett og slett er ubrukelig.

Hvordan dette kan se ut i fremtiden vises i en kort video. Ser ut som en annen episode av Black Mirror:

Du kan også lese på gjennomgå artikkel.

4. Augmented Human

4.1. Følelses-AI

Hvordan måle, simulere og reagere på menneskelige følelser? Noen av kundene her er selskaper som lager stemmeassistenter som Amazon Alexa. De kan virkelig venne seg til hjemmene hvis de lærer å gjenkjenne stemningen: forstå årsaken til brukerens misnøye, og prøve å rette opp situasjonen. Generelt er det mye mer informasjon i konteksten enn i selve meldingen. Og kontekst er ansiktsuttrykk, intonasjon og ikke-verbal oppførsel.

Andre praktiske anvendelser: analyse av følelser under et jobbintervju (basert på videointervjuer), vurdering av reaksjoner på reklamer eller annet videoinnhold (smil, latter), hjelp til læring (for eksempel for uavhengig praksis i kunsten å tale offentlig).

Det er vanskelig å snakke bedre om dette emnet enn forfatteren av en 6-minutters kortfilm Å stjele din følelse. Den vittige og stilige videoen viser hvordan du kan måle følelsene våre for markedsføringsformål, og fra de øyeblikkelige reaksjonene i ansiktet ditt kan du finne ut om du liker pizza, hunder, Kanye West, og til og med hva inntektsnivået og den omtrentlige IQen din er. Ved å besøke filmens nettside ved å bruke lenken over, blir du deltaker i en interaktiv video ved hjelp av det innebygde kameraet på den bærbare datamaskinen. Filmen er allerede vist på flere filmfestivaler.

Kilde

Det er til og med en så interessant studie: hvordan gjenkjenne sarkasme i tekst. Vi tok tweets med hashtaggen #sarcasm og laget et treningssett med 25 000 tweets med sarkasme og 100 000 vanlige tweets om alt under solen. Vi brukte TensorFlow-biblioteket, trente systemet, og her er resultatet:

Kilde

Derfor, nå, hvis du ikke er sikker på om din kollega eller venn - han sa noe til deg seriøst eller sarkastisk, kan du allerede bruke trent nevrale nettverk!

4.2. Økt intelligens

Automatisering av intellektuelt arbeid ved hjelp av maskinlæringsmetoder. Det virker ikke som noe nytt? Men selve formuleringen er viktig her, spesielt siden den sammenfaller i forkortelse med kunstig intelligens. Dette bringer oss tilbake til debatten om "sterk" og "svak" AI.
Sterk AI er den samme kunstige intelligensen fra science fiction-filmer som tilsvarer det menneskelige sinnet og er bevisst seg selv som individ. Dette eksisterer ikke ennå, og det er uklart om det vil eksistere i det hele tatt.

Svak AI er ikke en uavhengig person, men en menneskelig assistent. Han hevder ikke å ha menneskelignende tenkning, men vet rett og slett hvordan han skal løse informasjonsproblemer, for eksempel bestemme hva som vises i et bilde eller oversette tekst.

Kilde

I denne forstand er Augmented Intelligence "svak AI" i sin reneste form, og formuleringen virker vellykket, siden den ikke introduserer forvirring og fristelsen til å se her den samme "sterke AI" som alle drømmer om (eller frykter, hvis vi husker de mange diskusjonene om "opprørsbilene"). Ved å bruke uttrykket Augmented Intelligence blir vi umiddelbart heltene i en annen film: fra science fiction (som Asimovs «I, Robot») befinner vi oss i cyberpunk («augmentations» i denne sjangeren er alle slags implantater som utvider menneskelige evner).

Som sa Erik Brynjolfsson og Andrew McAffee: «I løpet av de neste 10 årene er dette hva som vil skje. AI vil ikke erstatte ledere, men de ledere som bruker AI vil erstatte de som ennå ikke har klart det.»

Eksempler:

• Medisin: Stanford University utviklet algoritme, som takler oppgaven med å gjenkjenne patologier på røntgen thorax i gjennomsnitt like vellykket som de fleste leger
• Utdanning: bistand til elever og lærere, analyse av elevrespons på materialer, konstruksjon av en individuell læringsbane.
• Forretningsanalyse: Forbehandling av data, ifølge statistikk, tar 80 % av en forskers tid, og bare 20 % av selve eksperimentet

4.3. Biochips

Dette er favoritttemaet til alle cyberpunk-filmer og -bøker. Generelt er mikrochipping av kjæledyr ikke en ny praksis. Men nå har disse brikkene begynt å bli implantert i mennesker.

I dette tilfellet er hypen mest sannsynlig forbundet med den oppsiktsvekkende saken i det amerikanske selskapet Three Square Market. Der begynte arbeidsgiveren å tilby å implantere sjetonger under huden mot et gebyr. Brikken lar deg åpne dører, logge inn på datamaskiner, kjøpe snacks fra en salgsautomat - det vil si et slikt universelt ansattkort. Dessuten fungerer en slik brikke nøyaktig som et identifikasjonskort; den har ikke en GPS-modul, så det er umulig å spore noen som bruker den. Og hvis en person vil fjerne brikken fra armen, tar det 5 minutter med hjelp av en lege.

Brikkene blir vanligvis implantert mellom tommel og pekefinger. Kilde

Les mer artikkel om tingenes tilstand med chipping i verden.

4.4. Oppslukende arbeidsområde

"Immersive" er et annet nytt ord som rett og slett ikke har noen flukt. Det er overalt. Oppslukende teater, utstilling, kino. Hva mener du? Fordypning er skapelsen av en oppslukende effekt, når grensen mellom forfatteren og betrakteren, den virtuelle og den virkelige verden går tapt. I forhold til arbeidsplassen betyr dette antagelig å viske ut grensen mellom utøver og initiativtaker og oppmuntre ansatte til å ta en mer aktiv posisjon gjennom omformatering av miljøet rundt seg.

Siden vi nå har smidig, fleksibilitet og tett samarbeid overalt, bør arbeidsplassene være enklest mulig å konfigurere og oppmuntre til gruppearbeid. Økonomien dikterer sine vilkår: Det er flere midlertidig ansatte, kostnadene ved å leie kontorlokaler øker, og i et konkurranseutsatt arbeidsmarked prøver IT-selskaper å øke de ansattes tilfredshet fra jobben ved å skape rekreasjonsområder og andre goder. Og alt dette gjenspeiles i utformingen av arbeidsplasser.

Av rapporten knaus

4.5. Personifisering

Alle vet hva personalisering er i reklame. Dette er når du i dag diskuterer med en kollega at luften i rommet er noe tørr, og du bør kjøpe en luftfukter til kontoret, og dagen etter ser du en annonse på det sosiale nettverket ditt - "kjøp en luftfukter" (en virkelig hendelse som skjedde med meg).

Kilde

Personalisering, som definert av Gartner, er et svar på de økende bekymringene til brukere om bruken av deres personlige data til reklameformål. Målet er å utvikle en tilnærming der vi får vist reklame som er relevant for konteksten vi befinner oss i, og ikke for oss personlig. For eksempel vår plassering, type enhet, tid på dagen, værforhold - dette er noe som ikke krenker våre personlige data, og vi føler ikke den ubehagelige følelsen av å bli "overvåket".

Les om forskjellen mellom disse to konseptene gjennomgang Andrew Frank blogger på Gartners nettside. Det er en så subtil forskjell og så like ord at du, uten å vite forskjellen, risikerer å krangle i lang tid med samtalepartneren din, uten å mistenke at begge deler har rett (og dette er også en reell hendelse som skjedde med forfatter).

4.6. Bioteknologi – dyrket eller kunstig vev

Dette er først og fremst ideen om å dyrke kunstig kjøtt. Samtidig er flere team rundt om i verden opptatt med å utvikle laboratoriet "Meat 2.0" - det forventes at det vil bli billigere enn vanlig, og hurtigmat og deretter supermarkeder vil bytte til det. Investorer i denne teknologien inkluderer Bill Gates, Sergey Brin, Richard Branson og andre.

Kilde

Grunner til at alle er så interessert i kunstig kjøtt:

1. Global oppvarming: metanutslipp fra gårder. Dette er 18 % av det globale volumet av gasser som påvirker klimaet.
2. Befolkningsvekst. Etterspørselen etter kjøtt vokser, og det vil ikke være mulig å mate alle med naturlig kjøtt – det er rett og slett dyrt.
3. Mangel på plass. 70 % av Amazonas-skogene er allerede hogd ned for beite.
4. Etiske vurderinger. Det er de som dette er viktig for. Dyrerettighetsorganisasjonen PETA har allerede tilbudt en premie på 1 million dollar til forskeren som bringer kunstig kyllingkjøtt til markedet.

Å erstatte ekte kjøtt med soya er en delvis løsning, fordi folk kan sette pris på forskjellen i smak og konsistens, og neppe gir opp biff til fordel for soya. Så du trenger ekte, økologisk dyrket kjøtt. Nå er dessverre kunstig kjøtt for dyrt: fra $12 per kilo. Dette skyldes den komplekse tekniske prosessen med å dyrke slikt kjøtt. Les om det hele artikkel.

Hvis vi snakker om andre tilfeller av vevsvekst - allerede i medisin - så er emnet med kunstige organer interessant: for eksempel et "plaster" for hjertemuskelen, skrevet ut en spesiell 3D-printer. Kjent historie som et kunstig dyrket musehjerte, men generelt er alt fortsatt innenfor rammen av kliniske studier. Så vi kommer neppe til å se Frankenstein i årene som kommer.

Her er Gartner veldig forsiktige i sine estimater, og har tilsynelatende i tankene hans mislykkede spådom fra 2015 om at i 2019 ville 10 % av befolkningen i utviklede land ha et 3D-printet medisinsk utstyrsimplantat. Derfor betyr det at tiden for å nå et produktivitetsplatå er minst 10 år.

5. Digitale økosystemer

5.1. Desentralisert web

Dette konseptet er nært knyttet til navnet på oppfinneren av nettet, Turing Award-vinneren Sir Tim Burners-Lee. For ham var etikkspørsmål i informatikk alltid viktige og den kollektive essensen av Internett var viktig: Han la grunnlaget for hypertekst og var overbevist om at nettverket skulle fungere som et nett, og ikke som et hierarki. Dette var tilfellet på et tidlig stadium av nettverksutviklingen. Etter hvert som Internett vokste, ble imidlertid strukturen sentralisert av en rekke årsaker. Det viste seg at tilgang til nettverket for et helt land enkelt kunne blokkeres ved hjelp av bare noen få tilbydere. Og brukerdata har blitt en kraft- og inntektskilde for internettselskaper.

"Internett er allerede desentralisert," sier Burners-Lee. "Problemet er at én søkemotor, ett stort sosialt nettverk, én mikrobloggplattform dominerer. Vi har ikke teknologiske problemer, men vi har sosiale.»

I hans åpent brev For 30-årsjubileet for World Wide Web, skisserte skaperen av nettet tre hovedproblemer med Internett:

1. Målrettet skade som statsstøttet hacking, kriminalitet og trakassering på nettet
2. Selve utformingen av systemet, som, til skade for brukeren, skaper grunnlaget for slike mekanismer som: økonomiske insentiver for clickbait og viral spredning av falsk informasjon
3. Utilsiktede konsekvenser av systemdesign som fører til konflikt og redusert kvalitet på nettdiskusjon

Og Tim Berners-Lee har allerede et svar på hvilke prinsipper "Internet of a Healthy Person" kan være basert på, blottet for problem nummer 2: "For mange brukere er annonseinntekter den eneste modellen for å samhandle med Internett. Selv om folk er redde for hva som skjer med dataene deres, er de villige til å gjøre en avtale med markedsføringsmaskinen for muligheten til å motta innhold gratis. Se for deg en verden hvor det er enkelt og hyggelig for begge parter å betale for varer og tjenester.» Blant alternativene for hvordan dette kan ordnes: Musikere kan selge opptakene sine uten mellomledd i form av iTunes, og nyhetssider kan bruke et system med mikrobetalinger for å lese én artikkel, i stedet for å tjene penger på reklame.

Som en eksperimentell prototype for dette nye Internett, lanserte Tim Berners-Lee SOLID-prosjektet, hvis essens er at du lagrer dataene dine i en "pod" - en informasjonsbutikk, og kan gi disse dataene til tredjepartsapplikasjoner. Men i prinsippet er du selv herre over dataene dine. Alt dette er nært knyttet til konseptet med peer-to-peer-nettverk, det vil si at datamaskinen din ikke bare ber om tjenester, men også gir dem, for ikke å stole på en server som den eneste kanalen.

Kilde

5.2. Desentraliserte autonome organisasjoner

Det er en organisasjon som er styrt av regler skrevet ned i form av et dataprogram. Dens finansielle aktiviteter er basert på blokkjeden. Hensikten med å opprette slike organisasjoner er å eliminere staten fra rollen som mellommann og skape et felles pålitelig miljø for motparter, som ikke eies av noen individuelt, men eies av alle sammen. Det vil si, i teorien bør dette, hvis ideen slår rot, avskaffe notarius publicus og andre vanlige verifikasjonsinstitusjoner.

Det mest kjente eksemplet på en slik organisasjon var den venture-fokuserte The DAO, som samlet inn 2016 millioner dollar i 150, hvorav 50 dollar umiddelbart ble stjålet gjennom et juridisk hull i reglene. Et vanskelig dilemma oppsto umiddelbart: enten rulle tilbake og returnere pengene, eller innrømme at uttaket av penger var lovlig, fordi det på ingen måte brøt med plattformens regler. Som et resultat, for å returnere penger til investorer, måtte skaperne ødelegge DAO, omskrive blokkjeden og bryte dets grunnleggende prinsipp - uforanderlighet.

Tegneserie om Ethereum (til venstre) og The DAO (til høyre). Kilde

Hele denne historien har ødelagt ryktet til selve ideen om DAO. Det prosjektet ble laget på grunnlag av Ethereum-kryptovalutaen, versjon Ether 2.0 er ventet neste år - kanskje vil forfatterne (inkludert den berømte Vitalik Buterin) ta hensyn til feilene og vise noe nytt. Det er sannsynligvis derfor Gartner satte DAO på upline.

5.3.Syntetiske data

For å trene nevrale nettverk er det nødvendig med store mengder data. Å merke data manuelt er en enorm oppgave som bare kan gjøres av et menneske. Derfor er det mulig å lage kunstige datasett. For eksempel de samme samlingene av menneskelige ansikter på nettstedet https://generated.photos. De er laget ved hjelp av GAN - algoritmene som allerede var nevnt ovenfor.

Disse ansiktene tilhører ikke mennesker. Kilde

Den store fordelen med slike data er at det ikke er noen juridiske vanskeligheter med å bruke dem: det er ingen som skal gi samtykke til behandling av personopplysninger.

5.4.Digital ops

Suffikset "Ops" har blitt utrolig fasjonabelt siden DevOps slo rot i talen vår. Nå om hva DigitalOps er – det er bare en generalisering av DevOps, DesignOps, MarketingOps... Er du lei deg ennå? Kort fortalt er det en overføring av DevOps-tilnærmingen fra programvareområdet til alle andre aspekter av virksomheten – markedsføring, design, etc.

Kilde

Ideen med DevOps var å fjerne barrierer mellom selve utviklingen og Operations (forretningsprosesser), gjennom å lage felles team, der det er programmerere, testere, sikkerhetsspesialister og administratorer; implementering av visse praksiser: kontinuerlig integrasjon, infrastruktur som kode, reduksjon og styrking av tilbakemeldingskjeder. Målet var å fremskynde produktets time to market. Hvis du trodde dette var likt Agile, hadde du rett. Overfør nå mentalt denne tilnærmingen fra feltet programvareutvikling til utvikling generelt - og du forstår hva DigitalOps er.

5.5. Kunnskapsgrafer

En programvaremåte for å modellere et kunnskapsområde, inkludert bruk av maskinlæringsalgoritmer. En kunnskapsgraf bygges på toppen av eksisterende databaser for å koble sammen all informasjon: både strukturert (liste over hendelser eller personer) og ustrukturert (tekst av en artikkel).

Det enkleste eksemplet er kortet som du kan se i Googles søkeresultater. Hvis du leter etter en person eller institusjon, vil du se et kort til høyre:


Vær oppmerksom på at "Kommende arrangementer" ikke er en kopi av informasjon fra Google Maps, men en integrasjon av timeplanen med Yandex.Afisha: du kan enkelt se dette hvis du klikker på hendelsene. Det vil si at det er kombinasjonen av flere datakilder sammen.

Hvis du ber om en liste - for eksempel "kjente regissører" - vil du bli vist en karusell:

Bonus for de som leser til slutt

Og nå som vi har avklart for oss selv betydningen av hvert av punktene, kan vi se på det samme bildet, men på russisk:

Del det fritt på sosiale nettverk!

Tatyana Volkova - Forfatter av opplæringsprogrammet for Internet of Things IT-spor ved Samsung Academy, spesialist i programmer for samfunnsansvar ved Samsung Research Center


Kilde: www.habr.com