Gartnerjev grafikon je kot revija visoke mode za tiste v tehnološki industriji. Z ogledom lahko že vnaprej ugotovite, katere besede so najbolj razglašene v tej sezoni in kaj boste slišali na vseh prihajajočih konferencah.

Razvozlali smo, kaj se skriva za čudovitimi besedami v tem grafu, da lahko tudi vi govorite jezik.

Za začetek le nekaj besed o tem, kakšen graf je to. Vsako leto avgusta svetovalna agencija Gartner izda poročilo – Gartner Hype Curve. V ruščini je to "hype curve" ali, preprosteje, hype. Pred 30 leti so reperji iz skupine Public Enemy zapeli: "Ne verjemi hype." Verjeli ali ne, to je osebno vprašanje, vendar je vredno poznati vsaj te ključne besede, če delate na tehnološkem področju in želite poznati svetovne trende.

To je graf pričakovanj javnosti od določene tehnologije. Po Gartnerju gre v idealnem primeru tehnologija skozi 5 stopenj: lansiranje tehnologije, vrh napihnjenih pričakovanj, dolina razočaranja, strmina razsvetljenja, plato produktivnosti. Zgodi pa se tudi, da se utopi v »dolini razočaranja« - primerov se lahko zelo enostavno spomnite sami, vzemite iste bitcoine: sprva so dosegli vrhunec kot »denar prihodnosti«, ko so pomanjkljivosti tehnologije hitro zdrsnili navzdol postale očitne, najprej omejitve števila transakcij in enormne količine električne energije, potrebne za generiranje bitcoinov (kar že prinaša okoljske probleme). In seveda ne smemo pozabiti, da je Gartnerjev grafikon le napoved: tukaj lahko na primer preberete podrobno статью, kjer so razvrščene najbolj udarne neuresničene napovedi.

Torej, poglejmo nov Gartnerjev grafikon. Tehnologije so razdeljene v 5 velikih tematskih skupin:

1. Napredna umetna inteligenca in analitika
2. Postklasično računalništvo in komuniciranje
3. Zaznavanje in mobilnost
4. Razširjeni človek
5. Digitalni ekosistemi

1. Napredna umetna inteligenca in analitika

V zadnjih 10 letih smo bili priča najboljši uri poglobljenega učenja. Ta omrežja so resnično učinkovita za svoj obseg nalog. Leta 2018 so Yann LeCun, Geoffrey Hinton in Yoshua Bengio za svoja odkritja prejeli Turingovo nagrado – najprestižnejšo nagrado, ki je podobna Nobelovi nagradi za računalništvo. Torej, glavni trendi na tem področju, ki so prikazani na grafikonu:

1.1. Prenos učenja

Nevronske mreže ne trenirate iz nič, ampak vzamete že naučeno in ji dodelite drugačen cilj. Včasih to zahteva prekvalificiranje dela omrežja, ne pa celotnega omrežja, kar je veliko hitreje. Na primer, če vzamete že pripravljeno nevronsko mrežo ResNet50, usposobljeno na naboru podatkov ImageNet1000, boste dobili algoritem, ki lahko razvrsti veliko različnih predmetov na sliki na zelo globoki ravni (1000 razredov na podlagi funkcij, ki jih ustvari 50 plasti nevronske omrežje). Vendar vam ni treba usposobiti celotne mreže, kar bi trajalo mesece.

В spletni tečaj Samsung "Nevronske mreže in računalniški vid", na primer v finalu Naloga Kaggle z razvrščanjem krožnikov na čiste in umazane je prikazan pristop, ki vam v 5 minutah da na razpolago globoko nevronsko mrežo, ki je sposobna razlikovati umazane krožnike od čistih, zgrajeno po zgoraj opisani arhitekturi. Prvotno omrežje sploh ni vedelo, kaj so tablice, naučilo se je le razlikovati ptice od psov (glej ImageNet).

Vir: spletni tečaj Samsung "Nevronske mreže in računalniški vid"

Za Transfer Learning morate vedeti, kateri pristopi delujejo in katere že pripravljene osnovne arhitekture so na voljo. Na splošno to močno pospeši nastanek praktičnih aplikacij strojnega učenja.

1.2. Generativna kontradiktorna omrežja (GAN)

To je za tiste primere, ko nam je zelo težko oblikovati učni cilj. Bližje ko je naloga resničnemu življenju, bolj nam je razumljiva (»prinesi nočno omarico«), težje pa jo je oblikovati kot tehnično nalogo. GAN je samo poskus, da nas reši tega problema.

Tukaj delujeta dve omrežji: eno je generator (Generative), drugo je diskriminator (Adversarial). Eno omrežje se nauči opravljati koristno delo (klasificirati slike, prepoznavati zvoke, risati risanke). In drugo omrežje se nauči poučevati to omrežje: ima resnične primere in se nauči poiskati prej neznano kompleksno formulo za primerjavo produktov generativnega dela omrežja z objekti iz resničnega sveta (niz za usposabljanje), ki temelji na resnično pomembnih globinskih značilnostih. : število oči, bližina Miyazakijevega sloga, pravilna angleška izgovorjava.

Primer rezultata mreže za generiranje anime likov. Vir

Je pa tam seveda težko graditi arhitekturo. Ni dovolj, da le vržemo nevrone, treba jih je pripraviti. In učiti se moraš tedne. Moji kolegi v centru za umetno inteligenco Samsung se ukvarjajo s temo GAN; to je eno njihovih ključnih raziskovalnih vprašanj. Na primer takole razvoj: uporaba generativnih omrežij za sintezo realističnih fotografij ljudi s spremenljivimi položaji - na primer za ustvarjanje virtualne garderobe ali za sintezo obraza, kar lahko zmanjša količino informacij, ki jih je treba shraniti ali prenesti, da se zagotovi visokokakovosten video komunikacije, oddajanja ali varstva osebnih podatkov.

Vir

1.3. Razložljiv AI

Za nekatere redke naloge je napredek v globokih arhitekturah nenadoma približal zmogljivosti globokih nevronskih mrež človeškim zmogljivostim. Zdaj poteka boj za povečanje obsega takšnih nalog. Na primer, robotski sesalnik bi zlahka ločil mačko od psa na srečanju. Toda v večini življenjskih situacij ne bo mogel najti mačke, ki spi med perilom ali pohištvom (vendar tako kot mi, v večini primerov ...).

Kaj je razlog za uspeh globokih nevronskih mrež? Razvijejo predstavitev problema, ki ne temelji na informacijah, »vidnih s prostim očesom« (piksli fotografij, spremembe glasnosti zvoka ...), ampak na značilnostih, pridobljenih po predprocesiranju teh informacij s pomočjo več sto plasti nevronske mreže. Na žalost so ta razmerja lahko tudi nesmiselna, nedosledna ali vsebujejo sledove nepopolnosti v izvirnem nizu podatkov. Na primer, obstaja majhna računalniška igra o tem, do česa lahko privede nepremišljena uporaba umetne inteligence pri zaposlovanju Preživetje najboljših.

Sistem za označevanje slik je osebo, ki kuha, označil za žensko, čeprav je oseba na sliki pravzaprav moški (Vir). to zamenjatili na inštitutu v Virginiji.

Za analizo zapletenih in globokih odnosov, ki jih pogosto ne moremo oblikovati sami, so potrebne razložljive metode umetne inteligence. Organizirajo značilnosti globokih nevronskih mrež, tako da lahko po usposabljanju analiziramo notranjo predstavitev, ki se je je mreža naučila, namesto da se preprosto zanašamo na svojo odločitev.

1.4. Edge Analytics / AI

Vse z besedo Edge dobesedno pomeni naslednje: prenos dela algoritmov iz oblaka/strežnika na nivo končne naprave/prehoda. Takšen algoritem bo deloval hitreje in za svoje delovanje ne bo zahteval povezave s centralnim strežnikom. Če ste seznanjeni z abstrakcijo "tankega odjemalca", potem bomo tukaj naredili tega odjemalca nekoliko debelejšega.
To bi lahko bilo pomembno za internet stvari. Na primer, če je stroj pregret in potrebuje hlajenje, je to smiselno sporočiti takoj, na ravni obrata, ne da bi čakali, da gredo podatki v oblak in od tam k delovodji izmene. Ali drug primer: samovozeči avtomobili lahko sami ugotovijo prometno situacijo, ne da bi se obrnili na centralni strežnik.

Vir

Ali pa še en primer, zakaj je to pomembno z varnostnega vidika: ko vtipkate besedila na telefonu, si ta zapomni besede, ki so značilne za vas, tako da vas lahko pozneje tipkovnica telefona priročno pozove, da jih vnesete - temu se reče predvidevanje vnos besedila. Pošiljanje vsega, kar tipkate na tipkovnici, nekam v podatkovni center bi pomenilo kršitev vaše zasebnosti in preprosto nevarno. Zato se usposabljanje za tipkovnico izvaja samo v vaši napravi.

1.5. AI Platforma kot storitev (AI PaaS)

PaaS - Platforma-as-a-Service je poslovni model, v katerem dobimo dostop do integrirane platforme, vključno z njenim shranjevanjem podatkov v oblaku in že pripravljenimi postopki. Tako se lahko osvobodimo infrastrukturnih nalog in se popolnoma osredotočimo na proizvodnjo nečesa uporabnega. Primer platform PaaS za naloge AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Prilagodljivo strojno učenje (Adaptive ML)

Kaj pa, če pustimo umetni inteligenci, da se prilagodi ... Sprašujete - torej, kako?.. Ali se že ne prilagaja nalogi? Težava je naslednja: vsak tak problem skrbno oblikujemo, preden zgradimo algoritem umetne inteligence za njegovo rešitev. Odgovorili vam bodo - izkazalo se je, da je to verigo mogoče poenostaviti.

Konvencionalno strojno učenje deluje po principu odprte zanke: pripraviš podatke, si izmisliš nevronsko mrežo (ali karkoli), treniraš, nato pogledaš več indikatorjev in če ti je vse všeč, lahko nevronsko mrežo pošlješ na pametne telefone. - reševanje uporabniških težav. Toda v aplikacijah, kjer je podatkov veliko in se njihova narava postopoma spreminja, so potrebne druge metode. Takšni sistemi, ki se prilagajajo in učijo sami, so organizirani v zaprte, samoučeče se zanke (closed-loop) in morajo delovati nemoteno.

Aplikacije – to je lahko pretočna analitika (Stream Analytics), na podlagi katere se odloča veliko poslovnežev, ali pa prilagodljivo vodenje proizvodnje. V obsegu trenutnih aplikacij in glede na bolje razumljena tveganja za ljudi so tehnike, ki predstavljajo rešitev tega problema, zbrane pod krovnim izrazom Adaptive AI.

Vir

Ob pogledu na to sliko se je težko znebiti občutka, da futurologom ni kruha - naj naučijo robota dihati ...

Postklasično računalništvo in komuniciranje

2.1. Mobilne komunikacije pete generacije (5G)

To je tako zanimiva tema, da vas takoj napotimo na našo članek. No, tukaj je kratek povzetek. 5G bo s povečanjem frekvence prenosa podatkov povzročil nerealno visoko hitrost interneta. Kratki valovi težje prehajajo skozi ovire, zato bo zasnova omrežij povsem drugačna: potrebnih je 500-krat več baznih postaj.

Skupaj s hitrostjo bomo dobili nove fenomene: igre v realnem času z razširjeno resničnostjo, izvajanje kompleksnih nalog (kot je operacija) prek teleprisotnosti, preprečevanje nesreč in težkih situacij na cestah prek komunikacije med stroji. Bolj prozaično: mobilni internet bo končno prenehal padati med množičnimi dogodki, kot je tekma na stadionu.

Vir slike - Reuters, Niantic

2.2. Pomnilnik naslednje generacije

Tu govorimo o peti generaciji RAM-a – DDR5. Samsung je napovedal, da bodo izdelki, ki temeljijo na DDR2019, na voljo do konca leta 5. Novi pomnilnik bo predvidoma dvakrat hitrejši in dvakrat bolj zmogljiv ob enaki obliki, torej bomo lahko za svoj računalnik dobili pomnilniške ključke s kapaciteto do 32GB. V prihodnosti bo to še posebej aktualno za pametne telefone (novi pomnilnik bo v različici z nizko porabo energije) in za prenosnike (kjer je število rež DIMM omejeno). Poleg tega strojno učenje zahteva velike količine RAM-a.

2.3. Satelitski sistemi v nizki zemeljski orbiti

Zamisel o zamenjavi težkih, dragih, zmogljivih satelitov z rojem majhnih in poceni še zdaleč ni nova in se je pojavila že v 90. letih. O čem "Elon Musk bo kmalu distribuiral internet vsem iz satelita" Zdaj samo leni niso slišali. Najbolj znano podjetje pri nas je Iridium, ki je bankrotiralo v poznih 90-ih, a je bilo rešeno na račun ameriškega ministrstva za obrambo (ne zamenjujte ga z iRidiumom, ruskim sistemom pametnega doma). Projekt Elona Muska (Starlink) še zdaleč ni edini - v satelitski tekmi sodelujejo Richard Branson (OneWeb - 1440 predlaganih satelitov), ​​Boeing (3000 satelitov), ​​Samsung (4600 satelitov) in drugi.

Kako stvari stojijo na tem področju, kakšno je tamkajšnje gospodarstvo – preberite v pregled. In čakamo na prve preizkuse teh sistemov s strani prvih uporabnikov, ki naj bi bili prihodnje leto.

2.4. 3D tiskanje v nanometru

3D-tiskanje, čeprav še ni zašlo v življenje vsakega človeka (v obliki, kot jo obljublja posamezna domača tovarna plastike), je kljub temu že zdavnaj zapustilo tehnološko nišo za geeke. Lahko sodite po tem, da vsak šolar ve za obstoj vsaj 3D izrezljanih peres in mnogi sanjajo o nakupu škatle z vodili in ekstruderjem za ... "kar tako" (ali so ga že kupili).

Stereolitografija (laserski 3D tiskalniki) omogoča tiskanje s posameznimi fotoni: raziskujejo se novi polimeri, ki za strjevanje potrebujejo le dva fotona. To bo omogočilo, da v nelaboratorijskih pogojih ustvarite popolnoma nove filtre, nastavke, vzmeti, kapilare, leče in ... vaše možnosti v komentarjih! In tukaj ni daleč od fotopolimerizacije - samo ta tehnologija nam omogoča "tiskanje" procesorjev in računalniških vezij. Poleg tega to ni prvo leto tehnologija za tiskanje grafenskih 500 nm tridimenzionalnih struktur, vendar brez radikalnega razvoja.

Vir

3. Zaznavanje in mobilnost

3.1. Stopnja avtonomne vožnje 4 in 5

Da ne bi prišlo do zmede v terminologiji, je vredno razumeti, katere stopnje avtonomije se razlikujejo (vzete iz podrobnega Člen, na katerega napotimo vse zainteresirane):

Raven 1: tempomat: pomaga vozniku v zelo omejenih situacijah (na primer, zadrževanje avtomobila pri določeni hitrosti, potem ko voznik umakne nogo s pedala)
Raven 2: omejena pomoč pri krmiljenju in zaviranju. Voznik mora biti skoraj v trenutku pripravljen prevzeti nadzor. Roke ima na volanu, oči so uprte v cesto. To je nekaj, kar Tesla in General Motors že imata.
3. stopnja: vozniku ni več treba nenehno paziti na cesto. Vendar mora ostati pozoren in pripravljen prevzeti nadzor. To je nekaj, česar komercialno dostopni avtomobili še nimajo. Vsi trenutno obstoječi so na ravni 1-2.
Raven 4: Pravi avtopilot, vendar z omejitvami: samo potovanja na znanem območju, ki je skrbno označeno in sistemu splošno znano, in pod določenimi pogoji: na primer, če ni snega. Takšne prototipe imata Waymo in General Motors, ki jih nameravata lansirati v več mestih in jih preizkusiti v realnem okolju. Yandex ima testna območja za brezpilotne taksije v Skolkovu in Innopolisu: potovanje poteka pod nadzorom inženirja, ki sedi na sovoznikovem sedežu; do konca leta namerava podjetje razširiti svojo floto na 100 brezpilotnih vozil.
Stopnja 5: Popolnoma avtomatska vožnja, popolna zamenjava živega voznika. Takšni sistemi ne obstajajo in verjetno se ne bodo pojavili v prihodnjih letih.

Kako realno je videti vse to v doglednem času? Tukaj bi želel bralca preusmeriti na članek "Zakaj je nemogoče lansirati robotaxi do leta 2020, kot obljublja Tesla". To je deloma posledica pomanjkanja povezljivosti 5G: razpoložljive hitrosti 4G niso dovolj. Delno zaradi zelo visokih stroškov avtonomnih avtomobilov: še niso dobičkonosni, poslovni model je nejasen. Z eno besedo, tukaj je "vse zapleteno" in ni naključje, da Gartner piše, da napoved za množično izvajanje ravni 4 in 5 ni prej kot v 10 letih.

3.2. Kamere za zaznavanje 3D

Pred osmimi leti je Microsoftov igralni krmilnik Kinect naredil valove s ponudbo dostopne in razmeroma poceni rešitve za 3D-vizijo. Od takrat so športne vzgoje in plesne igre s Kinectom doživele svoj kratek vzpon in zaton, vendar so se 3D kamere začele uporabljati v industrijskih robotih, vozilih brez posadke in mobilnih telefonih za identifikacijo obraza. Tehnologija je postala cenejša, kompaktnejša in dostopnejša.

Telefon Samsung S10 ima kamero Time-of-Flight, ki meri razdaljo do predmeta za lažje ostrenje. Vir

Če vas ta tema zanima, vas bomo preusmerili na zelo dober podroben pregled globinskih kamer: Del 1, Del 2.

3.3. Droni za dostavo manjšega tovora (Light Cargo Delivery Drones)

Letos je Amazon naredil valove, ko je na sejmu pokazal nov leteči dron, ki lahko prenaša majhne tovore do 2 kg. Za mesto s prometnimi zastoji se zdi to idealna rešitev. Poglejmo, kako bodo ti droni delovali v zelo bližnji prihodnosti. Morda je vredno biti tukaj previdno skeptičen: obstaja veliko težav, začenši z možnostjo enostavne kraje drona in konča z zakonskimi omejitvami za UAV. Amazon Prime Air obstaja že šest let, vendar je še vedno v fazi testiranja.

Amazonov novi dron, prikazan to pomlad. V njem je nekaj Vojne zvezd. Vir

Poleg Amazona so na tem trgu še drugi igralci (podroben je pregled), ne pa niti enega končnega izdelka: vse je v fazi testiranja in marketinških akcij. Ločeno je treba omeniti precej zanimivo visoko specializirano medicinsko Projekti v Afriki: dostava darovane krvi v Gani (14 dostav, podjetje Zipline) in Ruandi (podjetje Matternet).

3.4. Leteča avtonomna vozila

Tukaj je težko reči kaj določnega. Po mnenju Gartnerja se bo to pojavilo šele čez 10 let. Na splošno so tukaj enake težave kot pri samovozečih avtomobilih, le da dobijo novo dimenzijo - vertikalno. Porsche, Boeing in Uber so objavili svoje ambicije za izdelavo letečega taksija.

3.5. Oblak razširjene resničnosti (AR Cloud)

Trajna digitalna kopija resničnega sveta, ki vam omogoča ustvarjanje nove plasti resničnosti, ki je skupna vsem uporabnikom. V bolj tehničnem smislu govorimo o izdelavi odprte platforme v oblaku, v katero bi lahko razvijalci integrirali svoje aplikacije AR. Model monetizacije je jasen, je nekakšen analog Steama. Ideja je postala tako zasidrana, da nekateri zdaj verjamejo, da je AR brez oblaka preprosto neuporaben.

Kako bi to lahko izgledalo v prihodnosti, prikazuje kratek video. Izgleda kot še ena epizoda Black Mirrorja:

Preberete lahko tudi na pregledni članek.

4. Razširjeni človek

4.1. Emotion AI

Kako izmeriti, simulirati in se odzvati na človeška čustva? Nekatere od strank tukaj so podjetja, ki izdelujejo glasovne pomočnike, kot je Amazon Alexa. Na domove se lahko resnično navadijo, če se naučijo prepoznati razpoloženje: razumejo razlog za nezadovoljstvo uporabnika in poskušajo popraviti situacijo. Na splošno je v kontekstu veliko več informacij kot v samem sporočilu. In kontekst je obrazna mimika, intonacija in neverbalno vedenje.

Ostale praktične uporabe: analiza čustev med razgovorom za službo (na podlagi video intervjujev), ocenjevanje odzivov na reklame ali druge video vsebine (nasmehi, smeh), pomoč pri učenju (npr. za samostojno vadbo umetnosti javnega nastopanja).

O tej temi je težko govoriti bolje kot avtor 6-minutnega kratkega filma Kraja vašega občutka. Duhovit in eleganten video prikazuje, kako lahko v marketinške namene merite naša čustva in iz trenutnih reakcij svojega obraza ugotovite, ali imate radi pico, pse, Kanyeja Westa in celo, kakšna sta vaša višina dohodka in približen IQ. Če z zgornjo povezavo obiščete spletno stran filma, postanete udeleženec interaktivnega videa z uporabo vgrajene kamere vašega prenosnika. Film je bil prikazan že na več filmskih festivalih.

Vir

Obstaja celo tako zanimiva študija: kako prepoznati sarkazem v besedilu. Vzeli smo tvite s hashtagom #sarcasm in naredili nabor za usposabljanje 25 tvitov s sarkazmom in 000 navadnih tvitov o vsem pod soncem. Uporabili smo knjižnico TensorFlow, usposobili sistem in tukaj je rezultat:

Vir

Zato zdaj, če niste prepričani o svojem sodelavcu ali prijatelju - vam je nekaj rekel resno ali sarkastično, lahko že uporabite usposobljeno nevronsko mrežo!

4.2. Razširjena inteligenca

Avtomatizacija intelektualnega dela z uporabo metod strojnega učenja. Zdi se, da ni nič novega? Toda pri tem je pomembno samo besedilo, še posebej, ker v okrajšavi sovpada z umetno inteligenco. To nas pripelje nazaj k razpravi o "močni" in "šibki" AI.
Strong AI je ista umetna inteligenca iz znanstvenofantastičnih filmov, ki je popolnoma enakovredna človeškemu umu in se zaveda sebe kot posameznika. Tega še ni in ni jasno, ali sploh bo.

Šibka AI ni neodvisna oseba, ampak človeški pomočnik. Ne trdi, da ima človeško razmišljanje, ampak preprosto ve, kako rešiti informacijske probleme, na primer določiti, kaj je prikazano na sliki, ali prevesti besedilo.

Vir

V tem smislu je razširjena inteligenca »šibka AI« v najčistejši obliki in zdi se, da je formulacija uspešna, saj ne vnaša zmede in skušnjave, da bi tukaj videli isto »močno AI«, o kateri vsi sanjajo (ali se bojijo, če se spomnimo številnih razprav o "uporniških avtomobilih"). Z izrazom Augmented Intelligence takoj postanemo junaki drugega filma: iz znanstvene fantastike (kot Asimovljev "I, Robot") se znajdemo v cyberpunku ("povečanja" v tem žanru so vse vrste vsadkov, ki širijo človeške zmožnosti).

Kot je rekel Erik Brynjolfsson in Andrew McAffee: »V naslednjih 10 letih se bo to zgodilo. Umetna inteligenca ne bo nadomestila menedžerjev, bodo pa tisti menedžerji, ki uporabljajo umetno inteligenco, nadomestili tiste, ki še niso uspeli.”

Primeri:

• Medicina: Razvita univerza Stanford algoritem, ki se z nalogo prepoznavanja patologij na RTG prsnega koša v povprečju spopada tako uspešno kot večina zdravnikov.
• Izobraževanje: pomoč študentom in učiteljem, analiza odzivov študentov na gradivo, izgradnja individualne učne poti.
• Poslovna analitika: predobdelava podatkov po statističnih podatkih vzame raziskovalcu 80 % časa in samo 20 % samega eksperimenta

4.3. Biočipi

To je najljubša tema vseh kiberpunk filmov in knjig. Na splošno mikročipiranje hišnih ljubljenčkov ni nova praksa. Toda zdaj so te čipe začeli vgrajevati v ljudi.

V tem primeru je hype najverjetneje povezan s senzacionalnim primerom v ameriškem podjetju Three Square Market. Tam je delodajalec začel ponujati vsaditev čipov pod kožo v zameno za plačilo. Čip omogoča odpiranje vrat, prijavo v računalnike, nakup prigrizkov iz avtomata – torej taka univerzalna kartica zaposlenih. Poleg tega takšen čip služi ravno kot identifikacijska kartica, nima GPS modula, zato je nemogoče izslediti kogarkoli, ki ga uporablja. In če človek želi odstraniti čip iz roke, traja 5 minut s pomočjo zdravnika.

Čipi se običajno vsadijo med palec in kazalec. Vir

Preberi več статью o stanju čipiranja v svetu.

4.4. Izjemen delovni prostor

»Immersive« je še ena nova beseda, ki ji preprosto ni mogoče ubežati. Povsod je. Poglobljeno gledališče, razstava, kino. kaj misliš Potopitev je ustvarjanje imerzivnega učinka, ko se izgubi meja med avtorjem in gledalcem, virtualnim in realnim svetom. V zvezi z delovnim mestom to predvidoma pomeni brisanje meje med izvajalcem in pobudnikom ter spodbujanje zaposlenih k aktivnejši poziciji s preoblikovanjem okolja okoli sebe.

Ker imamo zdaj Agile, prilagodljivost in tesno sodelovanje povsod, bi morala biti delovna mesta kar se da preprosto konfigurirana in bi morala spodbujati skupinsko delo. Gospodarstvo narekuje svoje pogoje: več je zaposlenih za določen čas, dražijo se najemnine pisarniških prostorov, na konkurenčnem trgu dela pa si IT-podjetja prizadevajo povečati zadovoljstvo zaposlenih z ustvarjanjem rekreacijskih površin in drugih ugodnosti. In vse to se odraža v oblikovanju delovnih mest.

Od poročilo grič

4.5. Personifikacija

Vsi vedo, kaj je personalizacija v oglaševanju. To je, ko danes s kolegom razpravljate o tem, da je zrak v sobi nekoliko suh in bi morali kupiti vlažilec zraka za pisarno, naslednji dan pa vidite oglas na vašem socialnem omrežju - "kupite vlažilec" (a resničen dogodek, ki se mi je zgodil).

Vir

Personalizacija, kot jo definira Gartner, je odgovor na vse večjo zaskrbljenost uporabnikov glede uporabe njihovih osebnih podatkov v oglaševalske namene. Cilj je razviti pristop, pri katerem se nam prikazuje oglaševanje, ki je relevantno za kontekst, v katerem se nahajamo, in ne za nas osebno. Na primer, naša lokacija, vrsta naprave, čas dneva, vremenske razmere - to je nekaj, kar ne krši naših osebnih podatkov in ne čutimo neprijetnega občutka, da smo "nadzorovani".

Preberite o razliki med tema pojmoma Opomba Andrew Frank piše blog na Gartnerjevem spletnem mestu. Obstaja tako subtilna razlika in tako podobne besede, da vi, ne da bi vedeli za razliko, tvegate, da se boste dolgo časa prepirali s svojim sogovornikom, ne da bi vedeli, da imata na splošno oba prav (in to je tudi resničen incident, ki se je zgodil avtor).

4.6. Biotehnologija – gojena ali umetna tkiva

To je najprej ideja o gojenju umetnega mesa. Hkrati se več ekip po vsem svetu ukvarja z razvojem laboratorija "Meso 2.0" - pričakuje se, da bo postal cenejši kot običajno, nanj pa bodo prešli hitra prehrana in nato supermarketi. Vlagatelji v to tehnologijo so Bill Gates, Sergey Brin, Richard Branson in drugi.

Vir

Razlogi, zakaj se vsi tako zanimajo za umetno meso:

1. Globalno segrevanje: emisije metana s kmetij. To je 18 % svetovne količine plinov, ki vplivajo na podnebje.
2. Rast prebivalstva. Povpraševanje po mesu narašča in z naravnim mesom ne bo mogoče nahraniti vseh - preprosto je drago.
3. Pomanjkanje prostora. 70 % amazonskih gozdov je že posekanih za pašnike.
4. Etični vidiki. So tisti, ki jim je to pomembno. Organizacija za pravice živali PETA je že ponudila milijon dolarjev nagrade znanstveniku, ki bo na trg prinesel umetno piščančje meso.

Zamenjava pravega mesa s sojo je delna rešitev, saj ljudje znajo ceniti razliko v okusu in teksturi in se verjetno ne bodo odpovedali zrezkom v korist soje. Potrebujete torej pravo, organsko pridelano meso. Zdaj je na žalost umetno meso predrago: od 12 dolarjev za kilogram. To je posledica zapletenega tehničnega postopka gojenja takšnega mesa. Preberite o vsem статью.

Če govorimo o drugih primerih rasti tkiva - že v medicini -, potem je zanimiva tema z umetnimi organi: na primer "obliž" za srčno mišico, natisnjen poseben 3D tiskalnik. Znano Zgodbe kot umetno vzgojeno mišje srce, a na splošno je vse še v okviru kliničnih raziskav. Frankensteina torej verjetno ne bomo videli v prihodnjih letih.

Pri tem je Gartner zelo previden pri svojih ocenah, očitno ob upoštevanju njegove neuspele napovedi iz leta 2015, da bo leta 2019 imelo 10 % prebivalstva v razvitih državah vsadek s 3D tiskano medicinsko napravo. To pomeni, da je čas za doseganje platoja produktivnosti vsaj 10 let.

5. Digitalni ekosistemi

5.1. Decentraliziran splet

Ta koncept je tesno povezan z imenom izumitelja spleta, dobitnika Turingove nagrade sira Tima Burners-Leeja. Zanj so bila vedno pomembna vprašanja etike v računalništvu in pomembno je bilo kolektivno bistvo interneta: ko je postavljal temelje hiperbesedila, je bil prepričan, da mora omrežje delovati kot splet in ne kot hierarhija. Tako je bilo v zgodnji fazi razvoja omrežja. Ko pa je internet rasel, je njegova struktura iz različnih razlogov postala centralizirana. Izkazalo se je, da je dostop do omrežja za celotno državo mogoče enostavno blokirati s pomočjo le nekaj ponudnikov. In uporabniški podatki so postali vir moči in dohodka za internetna podjetja.

»Internet je že decentraliziran,« pravi Burners-Lee. »Problem je v tem, da prevladuje en iskalnik, eno veliko družbeno omrežje, ena platforma za mikroblogiranje. Nimamo tehnoloških težav, imamo pa socialne.«

V njegovem odprto pismo Za 30. obletnico svetovnega spleta je ustvarjalec spleta orisal tri glavne probleme interneta:

1. Ciljna škoda, kot je državno sponzorirano vdiranje, kriminal in spletno nadlegovanje
2. Sama zasnova sistema, ki na škodo uporabnika ustvarja podlago za mehanizme kot so: finančne spodbude za vabo za klike in virusno širjenje lažnih informacij.
3. Nenamerne posledice zasnove sistema, ki vodijo v konflikt in zmanjšano kakovost spletne razprave

In Tim Berners-Lee že ima odgovor, na kakšnih načelih bi lahko temeljil »Internet zdravega človeka«, brez problema številka 2: »Za mnoge uporabnike prihodki od oglaševanja ostajajo edini model za interakcijo z internetom. Tudi če so ljudje prestrašeni glede tega, kaj se zgodi z njihovimi podatki, so pripravljeni skleniti dogovor z marketinškim strojem za možnost prejemanja vsebine brezplačno. Predstavljajte si svet, v katerem je plačevanje blaga in storitev enostavno in prijetno za obe strani.” Med možnostmi, kako bi to lahko uredili: glasbeniki lahko prodajajo svoje posnetke brez posrednikov v obliki iTunes, novičarske strani pa lahko uporabljajo sistem mikroplačil za branje enega članka, namesto da služijo z oglaševanjem.

Kot poskusni prototip tega novega interneta je Tim Berners-Lee zagnal projekt SOLID, katerega bistvo je, da svoje podatke shranjujete v “pod” - informacijsko shrambo in jih lahko posredujete aplikacijam tretjih oseb. Toda načeloma ste sami gospodar svojih podatkov. Vse to je tesno povezano s konceptom omrežij enakovrednih, to pomeni, da vaš računalnik ne samo zahteva storitve, ampak jih tudi zagotavlja, da se ne zanašate na en strežnik kot edini kanal.

Vir

5.2. Decentralizirane avtonomne organizacije

Je organizacija, ki se ravna po pravilih, zapisanih v obliki računalniškega programa. Njegove finančne dejavnosti temeljijo na blockchainu. Namen oblikovanja tovrstnih organizacij je izločiti državo iz vloge posrednika in ustvariti skupno zaupanja vredno okolje za nasprotne stranke, ki ni v lasti nikogar posebej, ampak v lasti vseh skupaj. Se pravi, teoretično bi to moralo, če se bo ideja uveljavila, ukiniti notarje in druge običajne overitvene institucije.

Najbolj znan primer takšne organizacije je bil The DAO, osredotočen na podvig, ki je leta 2016 zbral 150 milijonov dolarjev, od katerih je bilo 50 dolarjev takoj ukradenih skozi pravno luknjo v pravilih. Takoj se je pojavila težka dilema: ali se vrniti in vrniti denar ali pa priznati, da je bil dvig denarja zakonit, saj nikakor ni kršil pravil platforme. Posledično so morali ustvarjalci, da bi vrnili denar vlagateljem, uničiti The DAO, prepisati verigo blokov in kršiti njeno osnovno načelo - nespremenljivost.

Strip o Ethereumu (levo) in DAO (desno). Vir

Vsa ta zgodba je uničila ugled same ideje o DAO. Ta projekt je bil narejen na osnovi kriptovalute Ethereum, različico Ether 2.0 pričakujemo prihodnje leto - morda bodo avtorji (vključno s slavnim Vitalikom Buterinom) upoštevali napake in pokazali kaj novega. Verjetno je zato Gartner postavil DAO na navzgornjo povezavo.

5.3.Sintetični podatki

Za usposabljanje nevronskih mrež so potrebne velike količine podatkov. Ročno označevanje podatkov je velika naloga, ki jo lahko opravi le človek. Zato je mogoče ustvariti umetne nize podatkov. Na primer, enake zbirke človeških obrazov na spletnem mestu https://generated.photos. Ustvarjeni so z uporabo GAN - algoritmov, ki so bili že omenjeni.

Ti obrazi ne pripadajo ljudem. Vir

Velika prednost takšnih podatkov je, da pri njihovi uporabi ni pravnih težav: nihče ne daje soglasja za obdelavo osebnih podatkov.

5.4.Digitalne operacije

Pripona »Ops« je postala neverjetno modna, odkar se je DevOps uveljavil v našem govoru. Zdaj pa o tem, kaj je DigitalOps – je le posplošitev DevOps, DesignOps, MarketingOps ... Vam je že dolgčas? Skratka, gre za prenos DevOps pristopa s področja programske opreme na vse ostale vidike poslovanja – trženje, dizajn itd.

Vir

Ideja DevOps je bila odstraniti ovire med samim razvojem in operacijami (poslovni procesi), z ustvarjanjem skupnih ekip, kjer so programerji, preizkuševalci, strokovnjaki za varnost in administratorji; implementacija določenih praks: kontinuirana integracija, infrastruktura kot koda, zmanjšanje in krepitev povratnih verig. Cilj je bil pospešiti čas prihoda izdelka na trg. Če ste mislili, da je to podobno Agileu, ste imeli prav. Zdaj miselno prenesite ta pristop s področja razvoja programske opreme na razvoj na splošno - in razumeli boste, kaj je DigitalOps.

5.5. Grafi znanja

Programski način za modeliranje področja znanja, vključno z uporabo algoritmov strojnega učenja. Graf znanja je zgrajen na podlagi obstoječih baz podatkov, da poveže vse informacije: tako strukturirane (seznam dogodkov ali ljudi) kot nestrukturirane (besedilo članka).

Najenostavnejši primer je kartica, ki jo lahko vidite v Googlovih rezultatih iskanja. Če iščete osebo ali ustanovo, boste na desni videli kartico:


Upoštevajte, da »Prihajajoči dogodki« niso kopija informacij iz Google Zemljevidov, temveč integracija urnika z Yandex.Afisha: to lahko preprosto vidite, če kliknete dogodke. To pomeni, da je kombinacija več virov podatkov skupaj.

Če zahtevate seznam - na primer "znani režiserji" - se vam bo prikazal vrtiljak:

Bonus za tiste, ki preberete do konca

In zdaj, ko smo sami razjasnili pomen vsake od točk, si lahko ogledamo isto sliko, vendar v ruščini:

Prosto delite na družbenih omrežjih!

Tatjana Volkova - avtorica izobraževalnega programa za IT smer interneta stvari na akademiji Samsung, specialistka za programe družbene odgovornosti podjetij v raziskovalnem centru Samsung


Vir: www.habr.com