Wykres Gartnera dla ludzi pracujących w branży technologicznej to jak pokaz mody haute couture. Patrząc na niego, można z wyprzedzeniem poznać, jakie terminy są w tym sezonie najbardziej na czasie i co usłyszycie na wszystkich nadchodzących konferencjach.
Rozszyfrowaliśmy, co kryje się za pięknymi słowami na tym wykresie, abyście mogli również mówić w tym języku.
Na początek dosłownie kilka słów o tym wykresie. Co roku w sierpniu firma doradcza Gartner publikuje raport – Gartner Hype Curve. Po polsku to „krzywa hype”, czyli mówiąc prościej – hype. 30 lat temu raperzy z grupy Public Enemy śpiewali: „Don’t believe the hype”. Wierzyć lub nie to osobista kwestia, ale przynajmniej warto znać te kluczowe słowa, jeśli pracuje się w obszarze technologii i chce być na bieżąco z globalnymi trendami.
To wykres publicznych oczekiwań wobec danej technologii. Według Gartnera, w idealnym przypadku technologia przechodzi kolejno 5 etapów: wprowadzenie technologii, szczyt wygórowanych oczekiwań, dolina rozczarowania, wzrost zrozumienia, plateau produktywności. Czasami jednak technologia utknie w „dolinie rozczarowania” — możecie łatwo przypomnieć sobie przykłady, takie jak bitcoiny: początkowo osiągając szczyt jako „pieniądze przyszłości”, szybko zjechały w dół, gdy stały się oczywiste ograniczenia technologii, przede wszystkim ograniczenia liczby transakcji i ogromna ilość energii potrzebnej do wydobywania bitcoinów (co prowadzi do problemów ekologicznych). Oczywiście nie można zapominać, że wykres Gartnera to tylko prognoza: tutaj na przykład można przeczytać szczegółową , gdzie omawiane są najbardziej jaskrawe niespełnione przewidywania.
Tak więc, przyjrzyjmy się nowemu wykresowi Gartnera. Technologie podzielone są na 5 dużych grup tematycznych:
- Zaawansowana sztuczna inteligencja i analityka (Advanced AI and Analytics)
- Postklasyczne obliczenia i komunikacja (Postclassical Compute and Comms)
- Czujniki i mobilność (Sensing and Mobility)
- „Wzbogacony” człowiek (Augmented Human)
- Cyfrowe ekosystemy (Digital Ecosystems)
1. Zaawansowana sztuczna inteligencja i analityka (Advanced AI and Analytics)
Ostatnie 10 lat to czas rozkwitu głębokiego uczenia się (Deep Learning). Sieci te są naprawdę skuteczne w swoim zakresie zadań. W 2018 roku Yann LeCun, Geoffrey Hinton i Yoshua Bengio otrzymali Nagrodę Turinga za swoje odkrycia w tej dziedzinie – najbardziej prestiżową nagrodę, odpowiednik "Nobla" w informatyce. Oto główne trendy w tej dziedzinie, które zostały przedstawione na wykresie:
1.1. Transfer Learning
Nie uczysz sieci neuronowej od zera, lecz bierzesz już wytrenowaną i przypisujesz jej inny cel. Czasami trzeba przetrenować część sieci, ale nie całą, co jest znacznie szybsze. Na przykład, korzystając z gotowej sieci neuronowej ResNet50, wytrenowanej na zbiorze danych ImageNet1000, otrzymasz algorytm zdolny do klasyfikowania na podstawie obrazu wielu różnych obiektów na bardzo głębokim poziomie (1000 klas na podstawie cech wypracowanych przez 50 warstw sieci neuronowej). Nie musisz jednak trenować całej sieci, co zajęłoby miesiące.
W Samsung „Sieci neuronowe i widzenie komputerowe”, na przykład, w finale z klasyfikacją talerzy na czyste i brudne, prezentuje podejście, które w ciągu 5 minut daje ci do dyspozycji głęboką sieć neuronową zdolną odróżnić brudne talerze od czystych, zbudowaną według opisanej wyżej architektury. Początkowa sieć nie wiedziała, co to są talerze, uczyła się jedynie odróżniać ptaszki od piesków (zob. ImageNet).
Źródło: Samsung „Sieci neuronowe i widzenie komputerowe”
Aby skorzystać z Transfer Learning, trzeba wiedzieć, jakie podejścia działają, jakie są gotowe podstawowe architektury. Ogólnie, bardzo przyspiesza to wdrażanie praktycznych zastosowań uczenia maszynowego.
1.2. Generatywno-adwersarialne sieci (Generative Adversarial Networks, GAN)
To dla tych przypadków, gdy bardzo trudno jest sformułować cel nauczania. Im bliżej zadanie jest do rzeczywistego życia, tym bardziej je rozumiemy („przynieś szafkę”), ale tym trudniej jest sformułować je jako zadanie techniczne. GAN to właśnie próba uwolnienia nas od tego problemu.
Tut działają dwie sieci: jedna generująca (Generative), druga rozróżniająca (Adversarial). Jedna sieć uczy się wykonywać użyteczne zadania (klasyfikować obrazy, rozpoznawać dźwięki, rysować kreskówki). A druga sieć uczy się, jak nauczyć tę pierwszą: ma rzeczywiste przykłady i uczy się znajdować z góry nieznaną złożoną formułę do porównywania wytworów części generującej z obiektami rzeczywistego świata (zbioru treningowego) na podstawie rzeczywiście istotnych głębokich cech: liczba oczu, bliskość do stylu Miyasaki, poprawność wymowy angielskiego.
Przykład rezultatów pracy sieci przy generowaniu postaci anime.
Jednak tam, oczywiście, trudno jest zbudować architekturę. Nie wystarczy po prostu rzucić neuronami, trzeba je przygotować. I trzeba je uczyć przez tygodnie. Tematem GAN zajmują się moi koledzy z Centrum Sztucznej Inteligencji Samsunga, to jedna z ich kluczowych kwestii badawczych. Na przykład, oto takie : wykorzystanie sieci generujących do syntezowania realistycznych zdjęć ludzi o zmiennej pozycji — na przykład, aby stworzyć wirtualną przymierzalnię, lub do syntezowania twarzy, co może pozwolić na zmniejszenie ilości informacji, które muszą być przechowywane lub przesyłane, aby zapewnić wysoką jakość wideokonferencji, transmisji lub ochrony danych osobowych.
1.3. Wyjaśnialna SI (Explainable AI)
W niektórych rzadkich zadaniach postęp w głębokich architekturach nagle przybliżył możliwości głębokich sieci neuronowych do ludzkich. Teraz walka toczy się o to, aby zwiększyć zakres takich zadań. Na przykład, robot odkurzacz mógłby łatwo odróżnić kota od psa w bezpośrednim spotkaniu. Jednak w większości sytuacji życiowych będzie niezdolny do znalezienia kota śpiącego wśród bielizny lub mebli (jak zresztą my w większości przypadków...).
Co jest przyczyną sukcesu głębokich sieci neuronowych? Tworzą one reprezentację zadania nie na podstawie informacji „niewidocznych gołym okiem” (pikseli zdjęcia, skoków głośności dźwięku...), ale na podstawie cech uzyskanych po przetworzeniu tych informacji przez setki warstw sieci neuronowej. Niestety, te powiązania mogą być również bezsensowne, sprzeczne lub nosić ślady niedoskonałości pierwotnego zbioru danych. Na przykład, istnieje mała gra komputerowa, która pokazuje, do czego może doprowadzić bezmyślne stosowanie AI w rekrutacji. .
System etykietowania obrazów określił osobę gotującą jako kobietę, chociaż na zdjęciu w rzeczywistości był mężczyzna (). To w Instytucie Wirginii.
Aby analizować złożone i głębokie zależności, których często nie potrafimy sami sformułować, potrzebne są metody Explainable AI. Organizują one cechy głębokich sieci neuronowych w taki sposób, abyśmy po ich wytrenowaniu mogli analizować wewnętrzną reprezentację wyuczoną przez sieć, a nie polegać tylko na jej decyzjach.
1.4. Analiza Periferyjna / AI (Edge Analytics / AI)
Wszystko, co zawiera słowo Edge, oznacza dosłownie to: przeniesienie części algorytmów z chmury / serwera na poziom urządzenia końcowego / bramy. Taki algorytm będzie działać szybciej i nie będzie wymagał połączenia z centralnym serwerem do swojej pracy. Jeśli znasz pojęcie „cienkiego klienta”, to tutaj nieco go pogrubiamy.
Może to być ważne dla Internetu rzeczy. Na przykład, jeśli maszyna się przegrzewa i potrzebuje chłodzenia, sensowne jest zgłoszenie tego natychmiast na poziomie zakładu, nie czekając, aż dane dotrą do chmury, a stamtąd do kierownika zmiany. Inny przykład: pojazdy autonomiczne mogą samodzielnie poradzić sobie z ruchem drogowym bez odwoływania się do centralnego serwera.
Inny przykład, dlaczego to ważne z perspektywy bezpieczeństwa: kiedy wpisujesz teksty na swoim telefonie, pamięta typowe dla Ciebie słowa, aby klawiatura telefonu wygodnie je podpowiadała – nazywa się to predyktywnym wprowadzaniem tekstu. Wysyłanie wszystkiego, co wpisujesz na klawiaturze, do centrum danych byłoby naruszeniem prywatności i po prostu niebezpieczne. Dlatego nauka klawiatury odbywa się tylko w ramach Twojego urządzenia.
1.5. Platforma AI jako usługa (AI PaaS)
PaaS – Platforma jako usługa – to model biznesowy, w którym uzyskujemy dostęp do zintegrowanej platformy, w tym jej chmurowego przechowywania danych i gotowych procedur. Dzięki temu możemy uwolnić się od zadań związanych z infrastrukturą i w pełni skupić się na wytwarzaniu czegoś przydatnego. Przykłady platform PaaS dla zadań AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Adaptacyjne uczenie maszynowe (Adaptive ML)
Co by było, gdybyśmy pozwolili sztucznej inteligencji się dostosować… Zapytasz – czyli jak? Czyż nie dostosowuje się do zadania? Problem polega na tym, że każde takie zadanie skrupulatnie przygotowujemy zanim zbudujemy algorytm sztucznej inteligencji do jego rozwiązania. Odpowiedzą Ci – okazuje się, że można uprościć nawet ten proces.
Typowe uczenie maszynowe działa na zasadzie otwartego systemu (open-loop): przygotowujesz dane, wymyślasz sieć neuronową (lub cokolwiek), szkolisz ją, a następnie patrzysz na kilka wskaźników, i jeśli wszystko Ci się podoba, możesz wysłać sieć neuronową do smartfonów – aby rozwiązywała problemy użytkowników. Jednak w zastosowaniach, gdzie danych jest bardzo dużo i ich charakter zmienia się stopniowo, potrzebne są inne metody. Takie systemy, które dostosowują się i uczą same siebie, organizują w zamknięte obwody samouczące się (closed-loop) i muszą działać nieprzerwanie.
Zastosowania — to może być analiza strumieniowa (Stream Analytics), na podstawie której wielu przedsiębiorców podejmuje decyzje, lub adaptacyjne zarządzanie produkcją. W obliczu współczesnych zastosowań i z uwzględnieniem lepiej rozumianych ryzyk dla ludzi, metody, które stanowią rozwiązanie tego problemu, zbierają się pod wspólną nazwą Adaptacyjne AI.
Patrząc na to zdjęcie, trudno pozbyć się wrażenia, że futurolodzy nie mają nic lepszego do roboty niż nauka robotów oddychania...
Postklasyczne obliczenia i komunikacja (Postclassical Compute and Comms)
2.1. Mobilna sieć piątej generacji (5G)
To tak interesujący temat, że od razu odsyłamy do naszej . A tutaj krótki przekaz. 5G, dzięki zwiększonej częstotliwości przesyłu danych, sprawi, że prędkość Internetu będzie niewiarygodna. Krótkim falom trudniej przechodzić przez przeszkody, dlatego budowa sieci będzie całkowicie inna: potrzeba będzie 500 razy więcej stacji bazowych.
Wraz z prędkością otrzymamy nowe zjawiska: gry w czasie rzeczywistym z rozszerzoną rzeczywistością, wykonywanie skomplikowanych zadań (takich jak chirurgia) zdalnie, zapobieganie wypadkom i trudnym sytuacjom na drogach dzięki komunikacji między pojazdami. Z bardziej prozaicznych rzeczy: w końcu przestanie padać mobilny Internet podczas masowych wydarzeń, takich jak mecze na stadionach.
Źródło zdjęcia – Reuters, Niantic
2.2. Pamięć nowej generacji (Next-Generation Memory)
Tutaj mowa o piątej generacji pamięci RAM – DDR5. Samsung ogłosił, że do końca 2019 roku pojawią się produkty oparte na DDR5. Oczekuje się, że nowa pamięć będzie dwa razy szybsza i dwa razy bardziej pojemna, przy zachowaniu formatu, co oznacza, że będziemy mogli uzyskać moduły pamięci o pojemności do 32 GB. W przyszłości będzie to szczególnie ważne dla smartfonów (nowa pamięć będzie dostępna w wersji o niskim zużyciu energii) oraz dla laptopów (gdzie liczba gniazd DIMM jest ograniczona). A ponadto, uczenie maszynowe wymaga dużych ilości pamięci RAM.
2.3. Systemy satelitów niskoorbitalnych (Low-Earth-Orbit Satellite Systems)
Pomysł zastąpienia ciężkich, drogich, potężnych satelitów rojem małych i tanich nie jest nowy i pojawił się już w latach 90. O tym, że teraz nie słyszał już tylko leniwy. Najbardziej znaną firmą jest Iridium, która zbankrutowała pod koniec lat 90., ale została uratowana przez Ministerstwo Obrony USA (nie mylić z iRidium – rosyjskim systemem inteligentnego domu). Projekt Elona Muska (Starlink) to nie jedyny w tej dziedzinie – w wyścigu satelitarnym biorą udział Richard Branson (OneWeb – 1440 planowanych satelitów), Boeing (3000 satelitów), Samsung (4600 satelitów) i inni.
Jak wygląda sytuacja w tej dziedzinie, jak wygląda gospodarka – czytaj w . Czekamy na pierwsze testy tych systemów przez użytkowników, które powinny odbyć się już w przyszłym roku.
2.4. Drukowanie 3D w skali nano (Nanoscale 3D Printing)
Druk 3D, chociaż nie wszedł w życie każdego człowieka (w formie, obiecanej indywidualnymi domowymi fabrykami plastiku), od dawna wyszedł z niszy technologii dla geeków. Można to ocenić po tym, że istnienie przynajmniej 3D-rynku szklarskiego narzędzi jest znane każdemu uczniowi, a wielu marzy o posiadaniu pudełka z prowadnicami i ekstruzorem, aby móc … „po prostu tak” (lub już go nabyły).
Stereolitografia (laserowe drukarki 3D) pozwala na drukowanie pojedynczymi fotonami: badane są nowe polimery, których utwardzenie wymaga jedynie dwóch fotonów. To umożliwi w warunkach nielaboratoryjnych tworzenie zupełnie nowych filtrów, mocowań, sprężyn, kapilar, soczewek i… a co Wy byście dodali w komentarzach! I tutaj wcale nie daleko do fotopolimeryzacji – tylko ta technologia pozwala „drukować” procesory i układy obliczeniowe. Oprócz tego od lat istnieje , ale bez radykalnego rozwoju.
3. Czujniki i mobilność (Sensing and Mobility)
3.1. Pojazdy autonomiczne, poziom 4 i 5 (Autonomous Driving Level 4 & 5)
Aby nie zgubić się w terminologii, warto zrozumieć, jakie poziomy autonomii są rozróżniane (źródło z dokładnym , do którego kierujemy wszystkich zainteresowanych):
Poziom 1: Tempomat: pomoc kierowcy w bardzo ograniczonych sytuacjach (na przykład – utrzymanie samochodu na zadanej prędkości po zdjęciu nogi z pedału)
Poziom 2: Ograniczona pomoc w kierowaniu i hamowaniu. Kierowca musi być gotów do natychmiastowego przejęcia kontroli. Jego ręce są na kole, a wzrok skierowany na drogę. To już istnieje w Tesli i General Motors.
Poziom 3: Kierowca nie musi już nieustannie obserwować drogi. Musi jednak pozostawać czujny i być gotów do przejęcia kontroli. To, czego obecnie brakuje w sprzedawanych samochodach. Wszystkie istniejące obecnie – są na poziomie 1-2.
Poziom 4: Prawdziwy autopilot, ale z ograniczeniami: tylko w znanym obszarze, który jest dokładnie zmapowany i w ogólnym zakresie znany systemowi, oraz w określonych warunkach: na przykład przy braku śniegu. Takie prototypy posiadają Waymo i General Motors, które planują je uruchomić w kilku miastach i testować w rzeczywistych warunkach. „Yandex” ma strefy testowe autonomicznych taksówek w Skolkovo i Innopolis: przejazd odbywa się pod nadzorem inżyniera siedzącego na miejscu pasażera; do końca roku firma planuje rozszerzyć flotę do 100 autonomicznych pojazdów.
Poziom 5: Pełne autonomiczne prowadzenie, całkowita wymiana żywego kierowcy. Takie systemy nie istnieją i raczej nie pojawią się w najbliższych latach.
Na ile realistyczne jest zobaczenie tego w niedalekiej przyszłości? Chciałbym przekierować czytelnika do artykułu . Częściowo związane jest to z brakiem łączności 5G: obecne prędkości 4G są niewystarczające. Częściowo z bardzo wysokimi kosztami autonomicznych pojazdów: obecnie są one nierentowne, brak jest zrozumienia modelu biznesowego. Słowem, sprawy są „skomplikowane”, i nie przypadkiem Gartner pisze, że prognozy masowego wdrożenia Poziomu 4 i 5 – nie wcześniej niż za 10 lat.
3.2. Kamery z widzeniem 3D (3D Sensing Cameras)
Osiem lat temu kontroler gier Microsoft Kinect wywołał duże poruszenie, oferując przystępne i stosunkowo niedrogie rozwiązanie dla widzenia 3D. Od tego czasu gry fizyczno-taneczne z Kinectem przeżyły krótki wzlot i upadek, ale kamery 3D zaczęły być wykorzystywane w robotach przemysłowych, samochodach autonomicznych, telefonach komórkowych do identyfikacji po twarzy. Technologia stała się tańsza, bardziej kompaktowa i dostępna.
W telefonie Samsung S10 znajduje się kamera czasoflotowa (Time-of-Flight), która mierzy odległość do obiektu – w celu uproszczenia ostrości.
Jeśli temat ten Cię interesuje, odsyłamy do bardzo dobrego szczegółowego przeglądu kamer głębi: , .
3.3. Drony do dostarczania niewielkich ładunków (Light Cargo Delivery Drones)
W tym roku Amazon przyciągnęło uwagę, pokazując na targach nowego drona, który może transportować niewielkie ładunki do 2 kg. W mieście, z jego korkami, wydaje się to idealnym rozwiązaniem. Zobaczymy, jak te drony sprawdzą się w najbliższej przyszłości. Można tutaj włączyć ostrożny sceptycyzm: istnieje wiele problemów, począwszy od możliwości łatwej kradzieży drona, po ograniczenia prawne dotyczące UAV. Amazon Prime Air istnieje od sześciu lat, ale nadal jest na etapie testowania.
Nowy dron Amazon, zaprezentowany tej wiosny. Coś w nim jest z „Gwiezdnych wojen”.
Oprócz Amazona, na tym rynku działają również inni gracze (jest szczegółowy ), ale nie ma gotowego produktu: wszystko jest na etapie testów i akcji marketingowych. Warto odnotować dość interesujące, wąsko wyspecjalizowane usługi medyczne w Afryce: dostawa krwi od dawców w Ghanie (14 000 dostaw, firma Zipline) i Rwandzie (firma Matternet).
3.4. Latający autonomiczny transport (Flying Autonomous Vehicles)
Trudno tu coś konkretnego powiedzieć. Zdaniem Gartnera, to pojawi się nie wcześniej niż za 10 lat. W zasadzie mamy tu te same problemy, co w przypadku samochodów bez kierowcy, tylko nabierają one nowego wymiaru — wertykalnego. Porsche, Boeing i Uber ogłaszają swoje ambicje zbudowania latającego taksówki.
3.5. Chmura rozszerzonej rzeczywistości (AR Cloud)
Stała cyfrowa kopia rzeczywistego świata, pozwalająca stworzyć nową warstwę rzeczywistości, wspólną dla wszystkich użytkowników. Mówiąc bardziej technicznym językiem, chodzi o stworzenie otwartej chmurowej platformy, w którą programiści mogliby integrować swoje aplikacje AR. Model monetyzacji jest jasny, to coś w rodzaju Steama. Pomysł jest tak zakorzeniony, że niektórzy już uważają, że AR bez chmury jest zupełnie bezużyteczne.
Jak to może wyglądać w przyszłości, przedstawione jest w krótkim filmie. Wygląda jak kolejny odcinek „Czarnego lustra”:
Można również przeczytać w
4. „Rozszerzony” człowiek (Augmented Human)
4.1. SI dla emocji (Emotion AI)
Jak zmierzyć, symulować i reagować na ludzkie emocje? Jednymi z klientów w tym miejscu są firmy produkujące asystentów głosowych, takich jak Amazon Alexa. Aby naprawdę wniknąć do domów użytkowników, muszą nauczyć się rozpoznawać nastrój: zrozumieć przyczyny niezadowolenia użytkownika i spróbować poprawić sytuację. W rzeczywistości kontekst dostarcza znacznie więcej informacji niż sama wiadomość. A kontekst to zarówno wyraz twarzy, jak i intonacja oraz niewerbalne zachowanie.
Inne praktyczne zastosowania to: analiza emocji podczas rozmowy kwalifikacyjnej (w przypadku wywiadów wideo), ocena reakcji na reklamy lub inny materiał wideo (uśmiechy, śmiech), pomoc w nauczaniu (na przykład w samodzielnych ćwiczeniach w sztuce wystąpień publicznych).
W tej kwestii trudno się wypowiedzieć lepiej niż autor 6-minutowego krótkometrażowego filmu. . W pomysłowym i stylowym klipie pokazano, jak można mierzyć nasze emocje w celach marketingowych, a z chwilowych reakcji na twojej twarzy dowiedzieć się: czy kochasz pizzę, psy, Kanye Westa, a nawet jaki jest twój poziom dochodów i przybliżony IQ. Przechodząc na stronę filmu za pomocą powyższego linku, stajesz się uczestnikiem interaktywnego wideo z użyciem wbudowanej kamery twojego laptopa. Film został już pokazany na kilku festiwalach filmowych.
Jest nawet ciekawe badanie dotyczące tego, jak rozpoznawać sarkazm w tekście. Wzięto tweety z hashtagiem #sarkazm i stworzono zestaw szkoleniowy z 25 000 tweetów z sarkazmem i 100 000 zwykłych tweetów o wszystkim na świecie. Zastosowano bibliotekę TensorFlow, wytrenując system, oto rezultaty:
Dlatego teraz, jeśli nie masz pewności, czy twój kolega lub przyjaciel mówił coś poważnie, czy sarkastycznie – możesz skorzystać z już !
4.2. Uzupełniona inteligencja (Augmented Intelligence)
Automatyzacja pracy intelektualnej za pomocą metod uczenia maszynowego. Wydaje się, że nic nowego? Ale to, co ważne, to samo sformułowanie, zwłaszcza że pokrywa się z akronimem Artificial Intelligence. To odnosi nas do debaty na temat „silnego” i „słabego” AI.
Silny AI to ten rodzaj sztucznej inteligencji z filmów science fiction, który jest całkowicie równoważny ludzkiemu umysłowi i postrzega siebie jako osobowość. Taki jeszcze nie istnieje i nie wiadomo, czy w ogóle kiedykolwiek powstanie.
Słaby AI to nie samodzielna osobowość, a pomocnik-asystent człowieka. Nie pretendsuje do myślenia na poziomie człowieka, a jedynie potrafi rozwiązywać zadania informacyjne, na przykład określać, co jest przedstawione na zdjęciu lub tłumaczyć tekst.
W tym sensie Augmented Intelligence to czysty "słaby AI", a sformułowanie wydaje się udane, ponieważ nie wprowadza zamieszania i pokusy dostrzegania w nim tego samego "silnego AI", o którym wszyscy marzą (lub się boją, jeśli przypomnieć sobie liczne spekulacje na temat "buntu maszyn"). Używając określenia Augmented Intelligence, natychmiast stajemy się bohaterami innego filmu: z science fiction (podobnego do "Ja, robot" Asimova) przechodzimy do cyberpunku (w tym gatunku "augmentacje" oznaczają wszelkiego rodzaju implanty, które rozszerzają możliwości człowieka).
Jak Eric Brynjolfsson i Andrew McAfee: "W ciągu następnych 10 lat zajdzie coś takiego. To nie AI zastąpi menedżerów, ale ci menedżerowie, którzy będą korzystać z AI, zastąpią tych, którzy jeszcze tego nie zrobili".
Przykłady:
- Medycyna: Uniwersytet Stanforda opracował , który radzi sobie z rozpoznawaniem patologii w obrazach rentgenowskich klatki piersiowej średnio tak samo skutecznie, jak większość lekarzy.
- Edukacja: pomoc uczniowi i nauczycielowi, analiza odpowiedzi uczniów na materiały, budowanie indywidualnej ścieżki nauczania.
- Analiza biznesowa: wstępne przetwarzanie danych, według statystyk zajmuje 80% czasu badacza, a tylko 20% to sam eksperyment.
4.3. Biochipy (Biochips)
To ulubiony temat wszystkich filmów i książek cyberpunkowych. Ogólnie chipowanie zwierząt domowych to praktyka nie nowa. Ale teraz te chipy zaczęto implantować także ludziom.
W tym przypadku hype jest prawdopodobnie związany z głośnym przypadkiem w amerykańskiej firmie Three Square Market. Tam pracodawca zaczął oferować wszczepianie chipów pod skórę w zamian za nagrodę. Chip umożliwia otwieranie drzwi, logowanie się do komputerów, zakup przekąsek w automacie – jest to zatem uniwersalna karta pracownika. Przy tym chip pełni rolę karty identyfikacyjnej, nie ma w nim modułu GPS, dlatego nie można nikogo śledzić na jego podstawie. A jeśli ktoś chce usunąć chip z ręki, zajmuje to 5 minut przy pomocy lekarza.
Chipy zazwyczaj wszczepia się między dużym a wskazującym palcem.
Czytaj więcej na temat stanu spraw z chipowaniem na świecie.
4.4. Imersywne miejsce pracy (Immersive Workspace)
„Imersywny” – to kolejne nowe słowo, od którego po prostu nie da się uciec. Jest wszędzie. Imersywny teatr, wystawa, film. Co to właściwie oznacza? Imersywność to stworzenie efektu zanurzenia, gdy zanika granica między autorem a widzem, wirtualnym a rzeczywistym światem. W odniesieniu do miejsca pracy, należy sądzić, że oznacza to zatarcie granicy między wykonawcą a inicjatorem i zachęcanie pracowników do aktywniejszej postawy poprzez przekształcenie otaczającego ich środowiska.
Skoro teraz wszędzie mamy Agile, elastyczność, ścisłą współpracę – to i miejsca pracy powinny być maksymalnie łatwo konfigurowalne, powinny sprzyjać pracy zespołowej. Gospodarka dyktuje swoje zasady: rośnie liczba pracowników tymczasowych, koszt wynajmu powierzchni biurowej rośnie, a w warunkach konkurencyjnego rynku pracy w IT firmy starają się zwiększać satysfakcję pracowników z pracy przez tworzenie stref rekreacyjnych i innych udogodnień. I wszystko to odbija się na designie miejsc pracy.
Z Knoll
4.5. Personalizacja (Personification)
Każdy wie, czym jest personalizacja w reklamie. To wtedy dzisiaj rozmawiasz z kolegą, że w pomieszczeniu jest suche powietrze i trzeba by kupić w biurze nawilżacz, a następnego dnia widzisz na swoich social mediach reklamę – „kup nawilżacz powietrza” (rzeczywisty przypadek, który mi się przydarzył).
Personalizacja, według definicji Gartnera, jest odpowiedzią na rosnące obawy użytkowników dotyczące wykorzystania ich danych osobowych w celach reklamowych. Celem jest opracowanie podejścia, w którym wyświetlana jest reklama odpowiadająca kontekstowi, w jakim się znajdujemy, a nie nam osobiście. Na przykład, nasza lokalizacja, typ urządzenia, pora dnia oraz warunki pogodowe to informacje, które nie naruszają naszych danych osobowych i nie wywołują nieprzyjemnego odczucia "śledzenia".
O różnicy między tymi dwoma pojęciami przeczytasz Andrew Franka w blogu na stronie Gartnera. Tutaj istnieje tak subtelna różnica i tak podobne słowa, że nie znając różnicy, ryzykujesz długą dyskusję z rozmówcą, nie podejrzewając, że obaj mają rację (i to również prawdziwy przypadek, który zdarzył się autorowi).
4.6. Biotechnologia – Sztuczne tkanki (Biotech – Cultured or Artificial Tissue)
To przede wszystkim pomysł hodowli sztucznego mięsa. Równocześnie kilka zespołów na całym świecie pracuje nad laboratorium "Mięsa 2.0" – spodziewa się, że będzie ono tańsze od tradycyjnego, co doprowadzi do jego przyjęcia w fast foodach, a potem w supermarketach. Inwestorzy wspierający tę technologię to Bill Gates, Sergey Brin, Richard Branson i inni.
Źródło
Powody, dla których wszyscy interesują się sztucznym mięsem:
- Globalne ocieplenie: emisja metanu z farm. To 18% światowego poziomu gazów wpływających na klimat.
- Wzrost liczby ludności. Zapotrzebowanie na mięso rośnie, a nakarmienie wszystkich tradycyjnym mięsem nie będzie możliwe – jest po prostu za drogie.
- Brak miejsca. 70% lasów Amazonii zostało już wyciętych w celu utworzenia pastwisk.
- Rozważania etyczne. Dla niektórych jest to ważne. Organizacja pro-zwierzęca PETA już oferowała nagrodę w wysokości 1 miliona dolarów temu naukowcowi, który wprowadzi na rynek sztuczne kurczaki.
Zamiana prawdziwego mięsa na sojowe to częściowe rozwiązanie, ponieważ ludzie dobrze odczuwają różnicę w smaku i teksturze i mało prawdopodobne, że zrezygnują ze steka na rzecz soi. Dlatego potrzebne jest prawdziwe, organicznie hodowane mięso. Obecnie, niestety, sztuczne mięso jest zbyt drogie: od 12$ za kilogram. To związane jest z skomplikowanym procesem technologicznym hodowli takiego mięsa. Przeczytaj o tym wszystkim. .
Mówiąc o innych przypadkach hodowli tkanek — już w medycynie — interesujący jest temat sztucznych organów: na przykład „plaster” dla mięśnia sercowego, specjalnym drukarką 3D. Znane są się różne sztucznie wyhodowane myszki serca, ale ogólnie rzecz biorąc, wszystko pozostaje na etapie badań klinicznych. Tak więc w ciągu najbliższych lat nie zobaczymy Frankensteina.
Tutaj Gartner jest bardzo ostrożny w ocenach, najwyraźniej mając na uwadze swoje nieudane przewidywanie z 2015 roku, jeśli chodzi o to, że w 2019 roku 10% populacji krajów rozwiniętych będzie miało drukowane 3D urządzenie medyczne-implantu. Dlatego też oznacza czas, w którym produktywność osiągnie plateau – nie mniej niż 10 lat.
5. Ekosystemy cyfrowe (Digital Ecosystems)
5.1. Zdecentralizowana Sieć (Decentralized Web)
To pojęcie jest ściśle związane z osobą wynalazcy sieci, laureata nagrody Turinga, sir Tima Berners-Lee. Zawsze były dla niego ważne kwestie etyki w informatyce i społeczna natura Internetu: opracowując podstawy hipertekstu, był przekonany, że sieć powinna działać jak sieć, a nie jak hierarchia. Tak było na wczesnym etapie rozwoju sieci. Jednak wraz z rozwojem Internetu jego struktura z różnych powodów zaczęła się centralizować. Okazało się, że dostęp do sieci dla całego kraju można łatwo zablokować przy pomocy zaledwie kilku dostawców. A dane użytkowników stały się źródłem siły i dochodu dla firm internetowych.
„Internet już jest zdecentralizowany, — mówi Berners-Lee. — Problem polega na tym, że dominuje jedna wyszukiwarka, jedna duża sieć społecznościowa, jedna platforma mikroblogowa. Nie mamy problemów technologicznych, ale są problemy społeczne”.
W swoim z okazji 30-lecia World Wide Web założyciel Sieci określił trzy główne problemy Internetu:
- Celowe wyrządzanie krzywdy, takie jak ataki hakerskie sponsorowane przez państwo, przestępczość i prześladowanie w sieci
- Sam mechanizm systemu, który na szkodę użytkownika tworzy podwaliny pod takie mechanizmy, jak: finansowe nagrody za clickbait i wirusowe rozprzestrzenianie fałszywych informacji
- Niezamierzone skutki projektowania systemu, które prowadzą do konfliktów i obniżenia jakości dyskusji online
Tim Berners-Lee ma już odpowiedź na to, na jakich zasadach mógłby opierać się „Internet zdrowego człowieka”, pozbawiony problemu numer 2: „Dla wielu użytkowników jedynym modelem interakcji z siecią pozostaje dochód z reklamy. Nawet jeśli ludzie są przestraszeni tym, co się dzieje z ich danymi, są gotowi zawrzeć umowę z maszyną marketingową za możliwość korzystania z treści za darmo. Wyobraź sobie świat, w którym opłata za towary i usługi jest łatwa i przyjemna dla obu stron”. Wśród opcjonalnych rozwiązań tego problemu: muzycy mogą sprzedawać swoje nagrania bez pośredników w formie iTunes, a serwisy informacyjne mogą korzystać z systemu mikropłatności za przeczytanie jednego artykułu, zamiast zarabiać na reklamie.
Jako eksperymentalny prototyp nowego Internetu, Tim Berners-Lee uruchomił projekt SOLID, którego istota polega na tym, że przechowujesz swoje dane w „podzie” — przestrzeni do przechowywania informacji, i możesz udostępniać te dane zewnętrznym aplikacjom. W zasadzie to ty sam jesteś właścicielem swoich danych. Wszystko to jest ściśle związane z koncepcją sieci peer-to-peer, w której twój komputer nie tylko korzysta z usług, ale też je udostępnia, aby nie polegać na jednym serwerze jako jedynym kanale.
5.2. Zdecentralizowane autonomiczne organizacje (Decentralized Autonomous Organizations)
To organizacja, która jest zarządzana zgodnie z zasadami zapisanymi w formie programu komputerowego. Jej działalność finansowa odbywa się na podstawie technologii blockchain. Celem tworzenia takich organizacji jest wyeliminowanie państwa z roli pośrednika oraz stworzenie wspólnej, zaufanej przestrzeni dla kontrahentów, która nie jest własnością żadnej osoby, lecz należy do wszystkich. Oznacza to, że w teorii, jeśli pomysł się przyjmie, powinno to zlikwidować notariuszy i inne tradycyjne instytucje weryfikacji.
Najbardziej znanym przykładem takiej organizacji był skoncentrowany na inwestycjach venture The DAO, który w 2016 roku zebrał 150 milionów dolarów, z czego 50 milionów zostało natychmiast skradzionych przez legalne "dziury" w zasadach. Natychmiast pojawił się skomplikowany dylemat: albo cofnąć wszystko i zwrócić pieniądze, albo przyznać, że wypłata pieniędzy była legalna, ponieważ w żaden sposób nie naruszała zasad platformy. Ostatecznie, aby zwrócić pieniądze inwestorom, twórcy musieli zniszczyć The DAO, przepisując blockchain i łamiąc jego podstawową zasadę – niezmienność.
Komiks o Ethereum (z lewej) i The DAO (z prawej).
Cała ta historia zaszkodziła reputacji samej idei DAO. Projekt był oparty na kryptowalucie Ethereum, a w przyszłym roku przewidywana jest wersja Ethereum 2.0 – być może autorzy (wśród nich znany Vitalik Buterin) uwzględnią błędy i zaprezentują coś nowego. Prawdopodobnie dlatego Gartner umieścił DAO na rosnącej krzywej.
5.3. Syntetyczne dane (Synthetics Data)
Aby szkolić sieci neuronowe, potrzebne są duże ilości danych. Ręczne oznaczanie danych to ogromny wysiłek, który może być wykonany tylko przez człowieka. Dlatego można tworzyć sztuczne zbiory danych. Na przykład te same kolekcje ludzkich twarzy na stronie . Tworzone są one przy użyciu GAN – algorytmów, o których wspomniano wcześniej.
Te twarze nie należą do ludzi.
Dużą zaletą takich danych jest to, że nie powstają problemy prawne związane z ich wykorzystaniem: nikt nie może wydawać zgody na przetwarzanie danych osobowych.
5.4. Digital Ops
Sufiks „Ops” stał się niezwykle modny od czasu, gdy w naszym języku zakorzeniło się pojęcie DevOps. Teraz, gdy mówimy o DigitalOps – to po prostu uogólnienie DevOps, DesignOps, MarketingOps… Jeszcze się nie nudzisz? Krótko mówiąc, to przeniesienie podejścia przyjętego w DevOps do wszystkich innych aspektów biznesu – marketingu, designu itd.
Ideą DevOps było usunięcie barier między Development (rozwój) a Operations (procesy biznesowe), poprzez tworzenie zespołów, w których współpracują programiści, testerzy, specjaliści ds. bezpieczeństwa i administratorzy; wdrażanie określonych praktyk: ciągła integracja, infrastruktura jako kod, skracanie i wzmacnianie łańcuchów informacji zwrotnej. Celem było przyspieszenie wprowadzenia produktu na rynek. Jeśli pomyślałeś, że to podobne do Agile, miało to sens. Teraz przenieś to podejście z obszaru rozwoju oprogramowania na ogólnie pojęty rozwój – i zrozumiesz, czym jest DigitalOps.
5.5. Grafy wiedzy (Knowledge Graphs)
Programowy sposób modelowania obszaru wiedzy, również z użyciem algorytmów uczenia maszynowego. Graf wiedzy budowany jest na podstawie istniejących baz danych, aby połączyć wszelkie informacje: zarówno strukturalne (lista wydarzeń lub osób), jak i nieustrukturalne (tekst artykułu).
Najprostszy przykład to karta, którą możesz zobaczyć w wynikach wyszukiwania Google. Jeśli szukasz jakiejś osoby lub instytucji, po prawej stronie zobaczysz kartę:
Zauważ, że „Nadchodzące wydarzenia” to nie jest kopia informacji z map Google, a integracja harmonogramu z Yandex.Afisha: łatwo to zauważysz, gdy klikniesz na wydarzenia. To znaczy, że jest to połączenie kilku źródeł danych w jedną całość.
Jeśli poprosisz o listę – na przykład „znani reżyserzy” – pokażą ci „karuzelę”:
Bonus dla tych, którzy dotarli do końca
I teraz, gdy wyjaśniliśmy sobie znaczenie każdego z punktów, możemy spojrzeć na ten sam obrazek, ale już w języku polskim:
Swobodnie dziel się nim w mediach społecznościowych!
Tatiana Wołkowa – autorka programu nauczania dotyczącego Internetu rzeczy w IT Akademii Samsung, specjalistka ds. programów odpowiedzialności społecznej w Centrum Badawczym Samsung.
Źródło: habr.com
