Gartners diagram är som en high fashion show för dem i teknikbranschen. Genom att titta på den kan du i förväg ta reda på vilka ord som är mest hajpade den här säsongen och vad du kommer att få höra på alla kommande konferenser.

Vi har dechiffrerat vad som ligger bakom de vackra orden i den här grafen så att du kan tala språket också.

Till att börja med, bara några ord om vilken typ av graf detta är. Varje år i augusti släpper konsultbyrån Gartner en rapport – Gartner Hype Curve. På ryska är detta en "hypekurva", eller, enklare, hype. För 30 år sedan sjöng rappare från gruppen Public Enemy: "Tro inte på hypen." Tro det eller ej, det är en personlig fråga, men det är värt att åtminstone känna till dessa nyckelord om du arbetar inom teknikområdet och vill veta globala trender.

Detta är en graf över allmänhetens förväntningar från en viss teknik. Enligt Gartner går tekniken idealiskt igenom 5 steg: teknologilansering, toppen av uppblåsta förväntningar, besvikelsens dal, upplysningens lutning, produktivitetsplatån. Men det händer också att det drunknar i "besvikelsens dal" - du kan själv komma ihåg exempel själv mycket lätt, ta samma bitcoins: när de först nådde toppen som "framtidens pengar", gled de snabbt ner när bristerna i tekniken blev uppenbart, först och främst begränsningar av antalet transaktioner och den enorma mängd el som krävs för att generera bitcoins (vilket redan medför miljöproblem). Och naturligtvis får vi inte glömma att Gartners diagram bara är en prognos: här kan du till exempel läsa en detaljerad Artikel, där de mest slående ouppfyllda förutsägelserna sorteras bort.

Så låt oss gå igenom det nya Gartner-diagrammet. Teknikerna är indelade i 5 stora tematiska grupper:

1. Avancerad AI och Analytics
2. Postclassical Compute and Comms
3. Sensing och rörlighet
4. Augmented Human
5. Digitala ekosystem

1. Avancerad AI och Analytics

Under de senaste 10 åren har vi sett den finaste timmen av djupinlärning. Dessa nätverk är verkligen effektiva för sina uppgifter. 2018 fick Yann LeCun, Geoffrey Hinton och Yoshua Bengio Turing-priset för sina upptäckter – det mest prestigefyllda priset, analogt med Nobelpriset i datavetenskap. Så de viktigaste trenderna inom detta område, som visas på diagrammet:

1.1. Överför lärande

Du tränar inte ett neuralt nätverk från grunden, utan tar ett redan utbildat och tilldelar det ett annat mål. Ibland kräver detta omskolning av en del av nätverket, men inte hela nätverket, vilket är mycket snabbare. Om du till exempel tar ett färdigt neuralt nätverk ResNet50, tränat på ImageNet1000-datauppsättningen, kommer du att få en algoritm som kan klassificera många olika objekt i en bild på en mycket djup nivå (1000 klasser baserade på funktioner som genereras av 50 lager av neuralen nätverk). Men du behöver inte träna hela det nätverket, vilket skulle ta månader.

В onlinekurs Samsung "Neurala nätverk och datorseende", till exempel, i finalen Kaggle uppgift med klassificeringen av plattor i rena och smutsiga, demonstreras ett tillvägagångssätt som på 5 minuter ger dig till ditt förfogande ett djupt neuralt nätverk som kan skilja smutsiga plattor från rena, byggt enligt den arkitektur som beskrivs ovan. Det ursprungliga nätverket visste inte alls vad plattor var, det lärde sig bara att skilja fåglar från hundar (se ImageNet).

Källa: onlinekurs Samsung "Neurala nätverk och datorseende"

För Transfer Learning behöver du veta vilka tillvägagångssätt som fungerar och vilka färdiga basarkitekturer som finns tillgängliga. Sammantaget påskyndar detta avsevärt uppkomsten av praktiska tillämpningar av maskininlärning.

1.2. Generative Adversarial Networks (GAN)

Detta för de fall då det är väldigt svårt för oss att formulera lärandemålet. Ju närmare uppgiften är det verkliga livet, desto mer begriplig är den för oss ("ta med nattduksbordet"), men desto svårare är det att formulera det som en teknisk uppgift. GAN är bara ett försök att rädda oss från detta problem.

Det finns två nätverk som arbetar här: det ena är en generator (Generativ), det andra är en diskriminator (Adversarial). Ett nätverk lär sig att göra användbart arbete (klassificera bilder, känna igen ljud, rita tecknade serier). Och ett annat nätverk lär sig att lära ut det nätverket: det har verkliga exempel, och det lär sig att hitta en tidigare okänd komplex formel för att jämföra produkterna från den generativa delen av nätverket med verkliga objekt (träningsset) baserat på riktigt viktiga djupa egenskaper : antalet ögon, närhet till Miyazakis stil, korrekt engelskt uttal.

Ett exempel på resultatet av ett nätverk för att generera anime-karaktärer. Källa

Men visst är det svårt att bygga arkitektur där. Det räcker inte att bara kasta neuroner, de måste vara förberedda. Och du måste plugga i veckor. Mina kollegor på Samsung Artificial Intelligence Center arbetar med GAN-ämnet; detta är en av deras viktigaste forskningsfrågor. Till exempel så här utveckling: använda generativa nätverk för att syntetisera realistiska foton av människor med varierande poser - till exempel för att skapa ett virtuellt provrum, eller för att syntetisera ett ansikte, vilket kan minska mängden information som behöver lagras eller överföras för att säkerställa högkvalitativ video kommunikation, sändning eller skydd av personuppgifter.

Källa

1.3. Förklarlig AI

För vissa sällsynta uppgifter har framsteg inom djupa arkitekturer plötsligt fört kapaciteten hos djupa neurala nätverk närmare mänskliga förmågor. Nu står striden för att utöka utbudet av sådana uppgifter. Till exempel skulle en robotdammsugare lätt kunna skilja en katt från en hund i ett direkt möte. Men i de flesta livssituationer kommer han inte att kunna hitta en katt som sover bland linne eller möbler (dock som vi, i de flesta fall...).

Vad är anledningen till framgången med djupa neurala nätverk? De utvecklar en representation av problemet baserat inte på information "synlig för blotta ögat" (fotopixlar, förändringar i ljudvolym...), utan på egenskaper som erhålls efter att ha förbehandlat denna information av flera hundra lager i ett neuralt nätverk. Tyvärr kan dessa relationer också vara meningslösa, inkonsekventa eller bära spår av ofullkomligheter i den ursprungliga datamängden. Det finns till exempel ett litet dataspel om vad den tanklösa användningen av AI vid rekrytering kan leda till Survival Of The Best Fit.

Bildtaggningssystemet märkte den som lagar mat som en kvinna, trots att personen på bilden faktiskt är en man (Källa). Det lagt märke till vid Virginia Institute.

För att analysera komplexa och djupa relationer som vi ofta inte själva kan formulera, behövs Explainable AI-metoder. De organiserar funktionerna i djupa neurala nätverk så att vi efter träning kan analysera den interna representationen som nätverket har lärt sig, snarare än att bara förlita oss på dess beslut.

1.4. Edge Analytics / AI

Allt med ordet Edge betyder bokstavligen följande: att överföra en del av algoritmerna från molnet/servern till slutenhets/gatewaynivån. En sådan algoritm kommer att fungera snabbare och kommer inte att kräva en anslutning till en central server för dess drift. Om du är bekant med abstraktionen av en "tunn klient", så här gör vi denna klient lite tjockare.
Detta kan vara viktigt för Internet of Things. Om en maskin till exempel är överhettad och behöver kylas är det vettigt att signalera detta omedelbart, på anläggningsnivå, utan att vänta på att data ska gå till molnet och därifrån till skiftförmannen. Eller ett annat exempel: självkörande bilar kan lista ut trafiksituationen på egen hand, utan att kontakta en central server.

Källa

Eller ett annat exempel på varför detta är viktigt ur säkerhetssynpunkt: när du skriver texter på din telefon kommer den ihåg de ord som är typiska för dig, så att telefonens tangentbord senare bekvämt kan fråga dig med dem - detta kallas prediktivt Textinmatning. Att skicka allt du skriver på tangentbordet till ett datacenter någonstans skulle vara en kränkning av din integritet och helt enkelt osäkert. Därför sker tangentbordsträning endast inom din enhet.

1.5. AI Platform as a Service (AI PaaS)

PaaS – Platform-as-a-Service är en affärsmodell där vi får tillgång till en integrerad plattform, inklusive dess molnbaserade datalagring och färdiga rutiner. På så sätt kan vi frigöra oss från infrastrukturuppgifter och helt koncentrera oss på att producera något användbart. Exempel på PaaS-plattformar för AI-uppgifter: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Adaptiv maskininlärning (Adaptive ML)

Tänk om vi låter artificiell intelligens anpassa sig... Du frågar – alltså hur?.. Anpassar den sig inte redan till uppgiften? Problemet är detta: vi utformar noggrant varje sådant problem innan vi bygger en artificiell intelligensalgoritm för att lösa det. De kommer att svara dig - det visar sig att denna kedja kan förenklas.

Konventionell maskininlärning fungerar enligt principen om en öppen slinga: du förbereder data, kommer med ett neuralt nätverk (eller något), tränar, tittar sedan på flera indikatorer, och om du gillar allt kan du skicka det neurala nätverket till smartphones för att lösa användarproblem. Men i applikationer där det finns mycket data och dess karaktär gradvis förändras, behövs andra metoder. Sådana system, som anpassar sig och lär sig själva, är organiserade i slutna, självlärande loopar (closed-loop), och de måste fungera smidigt.

Applikationer - detta kan vara strömanalys (Stream Analytics), på grundval av vilken många affärsmän fattar beslut, eller adaptiv produktionsstyrning. I skalan av nuvarande applikationer och med tanke på de bättre förstådda riskerna för människor, är teknikerna som utgör en lösning på detta problem samlade under paraplytermen Adaptive AI.

Källa

När man tittar på den här bilden är det svårt att bli av med känslan av att inte mata framtidsforskare med bröd - låt dem lära en robot att andas...

Postclassical Compute and Comms

2.1. Femte generationens mobilkommunikation (5G)

Detta är ett så intressant ämne att vi omedelbart hänvisar dig till vår artikeln. Nåväl, här är en kort sammanfattning. 5G, genom att öka frekvensen av dataöverföring, kommer att göra internethastigheten orealistiskt snabb. Det är svårare för korta vågor att passera genom hinder, så utformningen av nätverk blir helt annorlunda: 500 gånger fler basstationer behövs.

Tillsammans med snabbhet kommer vi att få nya fenomen: realtidsspel med förstärkt verklighet, att utföra komplexa uppgifter (som t.ex. operation) genom telenärvaro, förebygga olyckor och svåra situationer på vägarna genom kommunikation mellan maskiner. På ett mer prosaiskt sätt: mobilt internet kommer äntligen att sluta släppa under massevenemang, som en match på en stadion.

Bildkälla - Reuters, Niantic

2.2. Nästa generations minne

Här pratar vi om den femte generationens RAM – DDR5. Samsung meddelade att DDR2019-baserade produkter kommer att finnas tillgängliga i slutet av 5. Det förväntas att det nya minnet kommer att vara dubbelt så snabbt och dubbelt så rymligt med bibehållen formfaktor, det vill säga att vi kommer att kunna få minnesstickor med en kapacitet på upp till 32GB till vår dator. I framtiden kommer detta att vara särskilt relevant för smartphones (det nya minnet kommer att vara i en lågeffektversion) och för bärbara datorer (där antalet DIMM-platser är begränsat). Och maskininlärning kräver också stora mängder RAM.

2.3. Satellitsystem med låg omloppsbana runt jorden

Idén att ersätta tunga, dyra, kraftfulla satelliter med en svärm av små och billiga är långt ifrån ny och dök upp redan på 90-talet. Om vad "Elon Musk kommer snart att distribuera Internet till alla från satellit" Nu har bara de lata inte hört. Det mest kända företaget här är Iridium, som gick i konkurs i slutet av 90-talet, men som räddades på bekostnad av det amerikanska försvarsdepartementet (inte att förväxla med iRidium, det ryska smarta hemsystemet). Elon Musks projekt (Starlink) är långt ifrån det enda - Richard Branson (OneWeb - 1440 föreslagna satelliter), Boeing (3000 satelliter), Samsung (4600 satelliter) och andra deltar i satellitloppet.

Hur det står till på det här området, hur ekonomin ser ut där – läs in översyn. Och vi väntar på de första testerna av dessa system av de första användarna, som bör äga rum nästa år.

2.4. Nanoskala 3D-utskrift

3D-utskrift, även om det inte har kommit in i varje persons liv (i den form som utlovats av en enskild plastfabrik i hemmet), har ändå för länge sedan lämnat tekniknischen för nördar. Du kan bedöma av det faktum att varje skolbarn vet om förekomsten av åtminstone 3D-skulpterade pennor, och många drömmer om att köpa en låda med löpare och en extruder för ... "bara så" (eller redan har köpt den).

Stereolitografi (laser 3D-skrivare) tillåter utskrift med individuella fotoner: nya polymerer utforskas som bara kräver två fotoner för att stelna. Detta kommer att tillåta, under icke-laboratorieförhållanden, att skapa helt nya filter, fästen, fjädrar, kapillärer, linser och... dina alternativ i kommentarerna! Och här är det inte långt från fotopolymerisation - bara denna teknik tillåter oss att "skriva ut" processorer och datorkretsar. Dessutom är det inte första året det har varit teknologi för utskrift av grafen 500 nm tredimensionella strukturer, men utan radikal utveckling.

Källa

3. Sensing och rörlighet

3.1. Autonom körning nivå 4 & 5

För att inte bli förvirrad i terminologin är det värt att förstå vilka nivåer av autonomi som särskiljs (tagen från den detaljerade Artikel, som vi hänvisar alla intresserade till):

Nivå 1: Farthållare: hjälper föraren i mycket begränsade situationer (till exempel att hålla bilen i en given hastighet efter att föraren tagit foten från pedalen)
Nivå 2: Begränsad styr- och bromsassistans. Föraren måste vara redo att ta kontrollen nästan omedelbart. Hans händer är på ratten, hans blickar är riktade mot vägen. Detta är något som Tesla och General Motors redan har.
Nivå 3: Föraren behöver inte längre hela tiden titta på vägen. Men han måste förbli alert och vara redo att ta kontroll. Detta är något som kommersiellt tillgängliga bilar ännu inte har. Alla för närvarande befintliga är på nivå 1-2.
Nivå 4: Sann autopilot, men med restriktioner: endast resor i ett känt område som är noggrant kartlagt och allmänt känt för systemet, och under vissa förhållanden: till exempel i frånvaro av snö. Waymo och General Motors har sådana prototyper, och de planerar att lansera dem i flera städer och testa dem i verkliga miljöer. Yandex har testzoner för obemannade taxibilar i Skolkovo och Innopolis: resan sker under övervakning av en ingenjör som sitter i passagerarsätet; i slutet av året planerar företaget att utöka sin flotta till 100 obemannade fordon.
Nivå 5: Helautomatisk körning, komplett byte av en strömförande förare. Sådana system finns inte, och de kommer sannolikt inte att dyka upp under de kommande åren.

Hur realistiskt är det att se allt detta inom en överskådlig framtid? Här skulle jag vilja omdirigera läsaren till artikeln "Varför det är omöjligt att lansera en robotaxi till 2020, som Tesla lovar". Detta beror delvis på bristen på 5G-anslutning: tillgängliga 4G-hastigheter räcker inte. Delvis på grund av de mycket höga kostnaderna för autonoma bilar: de är ännu inte lönsamma, affärsmodellen är oklar. Med ett ord, "allt är komplicerat" här, och det är ingen slump att Gartner skriver att prognosen för massimplementeringen av nivåerna 4 och 5 inte är tidigare än om 10 år.

3.2. 3D-avkänningskameror

För åtta år sedan slog Microsofts Kinect-spelkontroller vågor genom att erbjuda en tillgänglig och relativt billig lösning för 3D-vision. Sedan dess har idrotts- och dansspel med Kinect upplevt sin korta uppgång och nedgång, men 3D-kameror började användas i industrirobotar, obemannade fordon och mobiltelefoner för ansiktsidentifiering. Tekniken har blivit billigare, mer kompakt och mer tillgänglig.

Samsung S10-telefonen har en Time-of-Flight-kamera som mäter avståndet till ett objekt för att göra fokus lättare. Källa

Om du är intresserad av detta ämne kommer vi att omdirigera dig till en mycket bra detaljerad recension av djupkameror: Del 1, Del 2.

3.3. Drönare för leverans av liten last (Light Cargo Delivery Drones)

I år slog Amazon vågor när den visade upp en ny flygande drönare på mässan som kan bära små laster på upp till 2 kg. För en stad med sina trafikstockningar verkar detta vara en idealisk lösning. Låt oss se hur dessa drönare presterar inom en mycket nära framtid. Kanske är det värt att vara försiktigt skeptisk här: det finns många problem, som börjar med möjligheten till lätt stöld av en drönare och slutar med lagliga restriktioner för UAV. Amazon Prime Air har funnits i sex år men är fortfarande i testfasen.

Amazons nya drönare, visades i vår. Det är något Star Wars med honom. Källa

Förutom Amazon finns det andra aktörer på denna marknad (det finns en detaljerad översikt), men inte en enda färdig produkt: allt är på stadium av testning och marknadsföringskampanjer. Separat är det värt att notera ganska intressant högspecialiserad medicinsk Projekt i Afrika: leverans av donerat blod i Ghana (14 000 leveranser, Zipline-företag) och Rwanda (Matternetföretag).

3.4. Flygande autonoma fordon

Det är svårt att säga något bestämt här. Enligt Gartner kommer detta att dyka upp tidigast om 10 år. I allmänhet finns det samma problem här som i självkörande bilar, bara de får en ny dimension - vertikal. Porsche, Boeing och Uber har meddelat sina ambitioner att bygga en flygande taxi.

3.5. Augmented Reality Cloud (AR Cloud)

En permanent digital kopia av den verkliga världen, så att du kan skapa ett nytt lager av verklighet som är gemensamt för alla användare. I mer tekniska termer talar vi om att göra en öppen molnplattform där utvecklare kan integrera sina AR-applikationer. Intäktsgenereringsmodellen är tydlig; det är en slags analog till Steam. Idén har blivit så förankrad att vissa nu tror att AR utan molnet helt enkelt är värdelöst.

Hur det här kan se ut i framtiden visas i en kort video. Ser ut som ett annat avsnitt av Black Mirror:

Du kan också läsa på recensionsartikel.

4. Augmented Human

4.1. Emotion AI

Hur mäter, simulerar och svarar man på mänskliga känslor? Några av kunderna här är företag som tillverkar röstassistenter som Amazon Alexa. De kan verkligen vänja sig vid hemmen om de lär sig känna igen stämningen: förstå orsaken till användarens missnöje och försöka rätta till situationen. Generellt sett finns det mycket mer information i sammanhanget än i själva meddelandet. Och sammanhang är ansiktsuttryck, intonation och icke-verbalt beteende.

Andra praktiska tillämpningar: analys av känslor under en anställningsintervju (baserat på videointervjuer), bedömning av reaktioner på reklam eller annat videoinnehåll (leenden, skratt), hjälp med lärande (till exempel för självständig övning i konsten att tala inför publik).

Det är svårt att prata bättre om detta ämne än författaren till en 6-minuters kortfilm Att stjäla din känsla. Den kvicka och snygga videon visar hur du kan mäta våra känslor i marknadsföringssyfte, och från de ögonblickliga reaktionerna i ditt ansikte, ta reda på om du gillar pizza, hundar, Kanye West och till och med vad din inkomstnivå och ungefärliga IQ är. Genom att besöka filmens hemsida via länken ovan blir du deltagare i en interaktiv video med hjälp av den inbyggda kameran på din bärbara dator. Filmen har redan visats på flera filmfestivaler.

Källa

Det finns till och med en sådan intressant studie: hur man känner igen sarkasm i text. Vi tog tweets med hashtaggen #sarcasm och gjorde ett träningsset med 25 000 tweets med sarkasm och 100 000 vanliga tweets om allt under solen. Vi använde TensorFlow-biblioteket, tränade systemet och här är resultatet:

Källa

Därför, nu, om du inte är säker på din kollega eller vän - han sa något till dig allvarligt eller sarkastiskt, kan du redan använda utbildade neurala nätverk!

4.2. Förstärkt intelligens

Automatisering av intellektuellt arbete med hjälp av maskininlärningsmetoder. Det verkar inte som något nytt? Men själva formuleringen är viktig här, särskilt eftersom den sammanfaller i förkortning med artificiell intelligens. Detta för oss tillbaka till debatten om "stark" och "svag" AI.
Stark AI är samma artificiella intelligens från science fiction-filmer som är helt likvärdig med det mänskliga sinnet och är medveten om sig själv som individ. Detta finns inte ännu och det är oklart om det överhuvudtaget kommer att finnas.

Svag AI är inte en oberoende person, utan en mänsklig assistent. Han påstår sig inte ha människoliknande tänkande, utan vet helt enkelt hur man löser informationsproblem, till exempel avgöra vad som visas på en bild eller översätta text.

Källa

I denna mening är Augmented Intelligence "svag AI" i sin renaste form, och formuleringen verkar framgångsrik, eftersom den inte introducerar förvirring och frestelsen att här se samma "starka AI" som alla drömmer om (eller fruktar, om vi minns de många diskussionerna om "upprorsbilarna"). Med hjälp av uttrycket Augmented Intelligence blir vi omedelbart hjältarna i en annan film: från science fiction (som Asimovs "I, Robot") befinner vi oss i cyberpunk ("augmentations" i den här genren är alla typer av implantat som utökar mänskliga förmågor).

hur sa Erik Brynjolfsson och Andrew McAffee: ”Under de kommande 10 åren är det detta som kommer att hända. AI kommer inte att ersätta chefer, men de chefer som använder AI kommer att ersätta dem som ännu inte har gjort det."

Exempel:

• Medicin: Stanford University utvecklat algoritm, som klarar uppgiften att känna igen patologier på lungröntgen i genomsnitt lika framgångsrikt som de flesta läkare
• Utbildning: hjälp till elever och lärare, analys av elevernas svar på material, konstruktion av en individuell inlärningsbana.
• Affärsanalys: förbearbetning av data, enligt statistik, tar 80 % av en forskares tid och bara 20 % av själva experimentet

4.3. Biochips

Detta är favorittemat för alla cyberpunkfilmer och böcker. I allmänhet är mikrochipning av husdjur inte en ny praxis. Men nu har dessa chips börjat implanteras i människor.

I det här fallet är hypen med största sannolikhet förknippad med det sensationella fallet i det amerikanska företaget Three Square Market. Där började arbetsgivaren erbjuda sig att implantera chips under huden mot en avgift. Chipet låter dig öppna dörrar, logga in på datorer, köpa snacks från en varuautomat - det vill säga ett sådant universellt anställdskort. Dessutom fungerar ett sådant chip precis som ett identifikationskort; det har ingen GPS-modul, så det är omöjligt att spåra någon som använder det. Och om en person vill ta bort chipet från sin arm tar det 5 minuter med hjälp av en läkare.

Chipsen implanteras vanligtvis mellan tummen och pekfingret. Källa

Läs mer Artikel om tillståndet med chipping i världen.

4.4. Uppslukande arbetsyta

"Immersive" är ett annat nytt ord som helt enkelt inte har någon flykt. Det finns överallt. Uppslukande teater, utställning, bio. Vad menar du? Fördjupning är skapandet av en uppslukande effekt, när gränsen mellan författaren och betraktaren, den virtuella och den verkliga världen går förlorad. På arbetsplatsen innebär detta förmodligen att gränsen mellan görare och initiativtagare suddas ut och att anställda uppmuntras att ta en mer aktiv position genom att formatera om sin miljö.

Eftersom vi nu har agilt, flexibilitet och nära samarbete överallt, bör arbetsplatser vara så lätta att konfigurera som möjligt och uppmuntra till grupparbete. Ekonomin dikterar sina villkor: det finns fler tillfälligt anställda, kostnaderna för att hyra kontorslokaler stiger och på en konkurrensutsatt arbetsmarknad försöker IT-företag öka medarbetarnas tillfredsställelse från arbetet genom att skapa rekreationsområden och andra förmåner. Och allt detta återspeglas i utformningen av arbetsplatser.

Av rapport kulle

4.5. Personifiering

Alla vet vad personalisering är i reklam. Det är när du idag diskuterar med en kollega att luften i rummet är något torr, och du bör köpa en luftfuktare till kontoret, och nästa dag ser du en annons på ditt sociala nätverk - "köp en luftfuktare" (en verklig händelse som hände mig).

Källa

Personalisering, enligt definitionen av Gartner, är ett svar på användarnas växande oro för användningen av deras personuppgifter för reklamändamål. Målet är att utveckla ett tillvägagångssätt där vi visas reklam som är relevant för det sammanhang vi befinner oss i, och inte för oss personligen. Till exempel vår plats, typ av enhet, tid på dygnet, väderförhållanden - detta är något som inte bryter mot våra personuppgifter och vi känner inte den obehagliga känslan av att bli "övervakad".

Läs om skillnaden mellan dessa två begrepp en anteckning Andrew Frank bloggar på Gartners hemsida. Det finns en så subtil skillnad och så liknande ord att du, utan att veta skillnaden, riskerar att argumentera länge med din samtalspartner, utan att misstänka att båda i allmänhet har rätt (och det här är också en verklig incident som hände med författare).

4.6. Biotech – odlad eller konstgjord vävnad

Detta är först och främst idén om att odla konstgjort kött. Samtidigt är flera team runt om i världen upptagna med att utveckla laboratoriet "Kött 2.0" - det förväntas att det kommer att bli billigare än vanligt, och snabbmat och sedan stormarknader kommer att byta till det. Investerare i denna teknik inkluderar Bill Gates, Sergey Brin, Richard Branson och andra.

Källa

Anledningar till varför alla är så intresserade av konstgjort kött:

1. Global uppvärmning: metanutsläpp från gårdar. Det är 18 % av den globala mängden gaser som påverkar klimatet.
2. Befolkningstillväxt. Efterfrågan på kött växer, och det kommer inte att gå att mata alla med naturligt kött – det är helt enkelt dyrt.
3. Brist på utrymme. 70 % av Amazonas skogar har redan avverkats för betesmark.
4. Etiska betänkligheter. Det finns de för vilka detta är viktigt. Djurrättsorganisationen PETA har redan erbjudit ett pris på 1 miljon dollar till vetenskapsmannen som tar ut konstgjort kycklingkött på marknaden.

Att ersätta riktigt kött med soja är en dellösning, eftersom människor kan uppskatta skillnaden i smak och konsistens och sannolikt inte kommer att ge upp biff till förmån för soja. Så du behöver riktigt, ekologiskt odlat kött. Nu är tyvärr konstgjort kött för dyrt: från 12 dollar per kilogram. Detta beror på den komplexa tekniska processen att odla sådant kött. Läs om det hela Artikel.

Om vi ​​pratar om andra fall av vävnadstillväxt - redan inom medicin - så är ämnet med konstgjorda organ intressant: till exempel ett "plåster" för hjärtmuskeln, tryckt en speciell 3D-skrivare. Känd historia som ett konstgjort odlat mushjärta, men i allmänhet är allt fortfarande inom ramen för kliniska prövningar. Så det är osannolikt att vi kommer att se Frankenstein under de kommande åren.

Här är Gartner mycket försiktig i sina uppskattningar, uppenbarligen med tanke på hans misslyckade förutsägelse från 2015 att 2019 skulle 10 % av befolkningen i utvecklade länder ha ett 3D-utskrivet implantat för medicinsk utrustning. Därför betyder det att tiden för att nå en produktivitetsplatå är minst 10 år.

5. Digitala ekosystem

5.1. Decentraliserad webb

Detta koncept är nära förknippat med namnet på webbens uppfinnare, Turing Award-vinnaren Sir Tim Burners-Lee. För honom var frågor om etik inom datavetenskap alltid viktiga och internets kollektiva väsen viktig: när han lade grunden till hypertext var han övertygad om att nätverket skulle fungera som en webb och inte som en hierarki. Detta var fallet i det tidiga skedet av nätverksutvecklingen. Men allt eftersom Internet växte blev dess struktur centraliserad av olika anledningar. Det visade sig att tillgången till nätverket för ett helt land enkelt kunde blockeras med hjälp av bara några få leverantörer. Och användardata har blivit en källa till makt och inkomst för internetföretag.

"Internet är redan decentraliserat", säger Burners-Lee. "Problemet är att en sökmotor, ett stort socialt nätverk, en mikrobloggplattform dominerar. Vi har inga tekniska problem, men vi har sociala."

I hans öppet brev I samband med 30-årsjubileet av World Wide Web beskrev webbens skapare tre huvudproblem med Internet:

1. Riktad skada som statligt sponsrad hacking, brottslighet och trakasserier online
2. Själva utformningen av systemet, som, till nackdel för användaren, skapar grunden för sådana mekanismer som: ekonomiska incitament för clickbait och viral spridning av falsk information
3. Oavsiktliga konsekvenser av systemdesign som leder till konflikter och minskad kvalitet på onlinediskussion

Och Tim Berners-Lee har redan ett svar på vilka principer "en frisk persons internet" skulle kunna baseras på, utan problem nummer 2: "För många användare är annonsintäkter fortfarande den enda modellen för att interagera med internet. Även om folk är rädda för vad som händer med deras data är de villiga att göra en affär med marknadsföringsmaskinen för möjligheten att få innehåll gratis. Föreställ dig en värld där det är enkelt och roligt att betala för varor och tjänster för båda parter.” Bland alternativen för hur detta skulle kunna ordnas: musiker kan sälja sina inspelningar utan mellanhänder i form av iTunes, och nyhetssajter kan använda ett system med mikrobetalningar för att läsa en artikel, istället för att tjäna pengar på reklam.

Som en experimentell prototyp för detta nya Internet, lanserade Tim Berners-Lee projektet SOLID, vars essens är att du lagrar dina data i en "pod" - en informationsbutik, och kan tillhandahålla denna data till tredjepartsapplikationer. Men i princip är du själv mästare på din data. Allt detta är nära relaterat till begreppet peer-to-peer-nätverk, det vill säga din dator begär inte bara tjänster utan tillhandahåller dem också, för att inte lita på en server som den enda kanalen.

Källa

5.2. Decentraliserade autonoma organisationer

Det är en organisation som styrs av regler nedskrivna i form av ett datorprogram. Dess finansiella aktiviteter är baserade på blockchain. Syftet med att skapa sådana organisationer är att eliminera staten från rollen som mellanhand och skapa en gemensam pålitlig miljö för motparter, som inte ägs av någon enskilt, utan ägs av alla tillsammans. Det vill säga, i teorin bör detta, om idén slår rot, avskaffa notarier och andra vanliga verifieringsinstitutioner.

Det mest kända exemplet på en sådan organisation var venture-fokuserade The DAO, som samlade in 2016 miljoner dollar 150, varav 50 dollar omedelbart stals genom ett lagligt hål i reglerna. Ett svårt dilemma uppstod omedelbart: antingen rulla tillbaka och returnera pengarna, eller erkänn att uttaget av pengar var lagligt, eftersom det inte på något sätt bröt mot reglerna för plattformen. Som ett resultat, för att återbetala pengar till investerare, var skaparna tvungna att förstöra The DAO, skriva om blockkedjan och bryta mot dess grundläggande princip - oföränderlighet.

Serie om Ethereum (vänster) och The DAO (höger). Källa

Hela den här historien har förstört ryktet för själva idén om DAO. Det projektet gjordes på basis av kryptovalutan Ethereum, version Ether 2.0 väntas nästa år – kanske kommer författarna (inklusive den berömda Vitalik Buterin) att ta hänsyn till felen och visa något nytt. Det är förmodligen därför Gartner satte DAO på upline.

5.3. Syntetiska data

För att träna neurala nätverk behövs stora mängder data. Att märka data manuellt är en enorm uppgift som bara kan utföras av en människa. Därför är det möjligt att skapa artificiella datamängder. Till exempel samma samlingar av mänskliga ansikten på sajten https://generated.photos. De skapas med hjälp av GAN - algoritmerna som redan nämndes ovan.

Dessa ansikten tillhör inte människor. Källa

Den stora fördelen med sådana uppgifter är att det inte finns några juridiska svårigheter att använda dem: det finns ingen som ger samtycke till behandling av personuppgifter.

5.4.Digital ops

Suffixet "Ops" har blivit otroligt på modet sedan DevOps slog rot i vårt tal. Nu om vad DigitalOps är – det är bara en generalisering av DevOps, DesignOps, MarketingOps... Har du tråkigt ännu? Kort sagt är det en överföring av DevOps-ansatsen från mjukvaruområdet till alla andra aspekter av verksamheten - marknadsföring, design, etc.

Källa

Tanken med DevOps var att ta bort barriärer mellan själva utvecklingen och Operations (affärsprocesser), genom att skapa gemensamma team, där det finns programmerare, testare, säkerhetsspecialister och administratörer; implementering av vissa metoder: kontinuerlig integration, infrastruktur som kod, minskning och förstärkning av återkopplingskedjor. Målet var att påskynda produktens tid till marknaden. Om du trodde att detta liknade Agile så hade du rätt. Överför nu mentalt detta tillvägagångssätt från området mjukvaruutveckling till utveckling i allmänhet - och du förstår vad DigitalOps är.

5.5. Kunskapsdiagram

Ett mjukvarusätt att modellera ett kunskapsområde, inklusive att använda maskininlärningsalgoritmer. En kunskapsgraf byggs ovanpå befintliga databaser för att länka samman all information: både strukturerad (lista över händelser eller personer) och ostrukturerad (text till en artikel).

Det enklaste exemplet är kortet som du kan se i Googles sökresultat. Om du letar efter en person eller institution ser du ett kort till höger:


Observera att "Kommande evenemang" inte är en kopia av information från Google Maps, utan en integration av schemat med Yandex.Afisha: du kan enkelt se detta om du klickar på händelserna. Det vill säga att det är kombinationen av flera datakällor tillsammans.

Om du ber om en lista - till exempel "berömda regissörer" - visas en karusell:

Bonus för den som läser till slutet

Och nu när vi har klargjort för oss själva innebörden av var och en av punkterna kan vi titta på samma bild, men på ryska:

Dela det fritt på sociala nätverk!

Tatyana Volkova - Författare till utbildningsprogrammet för Internet of Things IT-spår vid Samsung Academy, specialist på program för företagens sociala ansvar vid Samsung Research Center


Källa: will.com