గార్ట్నర్ చార్ట్ 2019: అన్ని బజ్వర్డ్లు దేనికి సంబంధించినవి?
గార్ట్నర్ యొక్క చార్ట్ టెక్ పరిశ్రమలో ఉన్నవారికి అధిక ఫ్యాషన్ షో లాంటిది. దీన్ని చూడటం ద్వారా, ఈ సీజన్లో ఏ పదాలు ఎక్కువగా ప్రచారంలో ఉన్నాయి మరియు రాబోయే అన్ని సమావేశాలలో మీరు ఏమి వింటారు అని మీరు ముందుగానే తెలుసుకోవచ్చు.
మేము ఈ గ్రాఫ్లోని అందమైన పదాల వెనుక ఉన్నవాటిని అర్థంచేసుకున్నాము కాబట్టి మీరు కూడా భాషను మాట్లాడగలరు.
ప్రారంభించడానికి, ఇది ఎలాంటి గ్రాఫ్ అనే దాని గురించి కొన్ని పదాలు. ప్రతి సంవత్సరం ఆగస్టులో, కన్సల్టింగ్ ఏజెన్సీ గార్ట్నర్ ఒక నివేదికను విడుదల చేస్తుంది - గార్ట్నర్ హైప్ కర్వ్. రష్యన్ భాషలో, ఇది "హైప్ కర్వ్" లేదా, మరింత సరళంగా, హైప్. 30 సంవత్సరాల క్రితం, పబ్లిక్ ఎనిమీ సమూహం నుండి రాపర్లు పాడారు: "హైప్ను నమ్మవద్దు." నమ్మండి లేదా కాదు, ఇది వ్యక్తిగత ప్రశ్న, కానీ మీరు సాంకేతిక రంగంలో పని చేసి ప్రపంచ పోకడలను తెలుసుకోవాలనుకుంటే కనీసం ఈ కీలకపదాలను తెలుసుకోవడం విలువైనదే.
ఇది నిర్దిష్ట సాంకేతికత నుండి ప్రజల అంచనాల గ్రాఫ్. గార్ట్నర్ ప్రకారం, ఆదర్శవంతంగా, సాంకేతికత 5 దశల గుండా వెళుతుంది: సాంకేతికత ప్రారంభం, పెరిగిన అంచనాల శిఖరం, నిరాశ యొక్క లోయ, జ్ఞానోదయం యొక్క వాలు, ఉత్పాదకత యొక్క పీఠభూమి. కానీ అది “నిరాశ యొక్క లోయ” లో మునిగిపోతుంది - మీరు ఉదాహరణలను మీరే చాలా సులభంగా గుర్తుంచుకోవచ్చు, అదే బిట్కాయిన్లను తీసుకోవచ్చు: ప్రారంభంలో “భవిష్యత్తు యొక్క డబ్బు” అని శిఖరాన్ని తాకి, సాంకేతికత యొక్క లోపాలను ఎదుర్కొన్నప్పుడు అవి త్వరగా జారిపోతాయి. బిట్కాయిన్లను ఉత్పత్తి చేయడానికి అవసరమైన లావాదేవీల సంఖ్య మరియు అపారమైన విద్యుత్పై మొదట పరిమితులు స్పష్టంగా కనిపించాయి (ఇది ఇప్పటికే పర్యావరణ సమస్యలను కలిగిస్తుంది). మరియు వాస్తవానికి, గార్ట్నర్ యొక్క చార్ట్ కేవలం సూచన మాత్రమే అని మనం మరచిపోకూడదు: ఇక్కడ, ఉదాహరణకు, మీరు వివరంగా చదవవచ్చు వ్యాసం, ఇక్కడ చాలా అద్భుతమైన నెరవేరని అంచనాలు క్రమబద్ధీకరించబడతాయి.
కాబట్టి, కొత్త గార్ట్నర్ చార్ట్ని చూద్దాం. సాంకేతికతలు 5 పెద్ద నేపథ్య సమూహాలుగా విభజించబడ్డాయి:
అధునాతన AI మరియు Analytics
పోస్ట్ క్లాసికల్ కంప్యూట్ మరియు కామ్స్
సెన్సింగ్ మరియు మొబిలిటీ
ఆగ్మెంటెడ్ హ్యూమన్
డిజిటల్ పర్యావరణ వ్యవస్థలు
1. అధునాతన AI మరియు Analytics
గత 10 సంవత్సరాలలో మేము లోతైన అభ్యాసం యొక్క అత్యుత్తమ గంటను చూశాము. ఈ నెట్వర్క్లు వారి విధుల పరిధికి నిజంగా ప్రభావవంతంగా ఉంటాయి. 2018లో, యాన్ లెకున్, జియోఫ్రీ హింటన్ మరియు యోషువా బెంగియో వారి ఆవిష్కరణలకు ట్యూరింగ్ అవార్డును అందుకున్నారు - కంప్యూటర్ సైన్స్లో నోబెల్ బహుమతికి సమానమైన అత్యంత ప్రతిష్టాత్మక అవార్డు. కాబట్టి, ఈ ప్రాంతంలోని ప్రధాన పోకడలు, ఇవి చార్ట్లో చూపబడ్డాయి:
1.1 బదిలీ అభ్యాసం
మీరు మొదటి నుండి న్యూరల్ నెట్వర్క్కు శిక్షణ ఇవ్వరు, కానీ ఇప్పటికే శిక్షణ పొందిన దాన్ని తీసుకొని దానికి వేరే లక్ష్యాన్ని కేటాయించండి. కొన్నిసార్లు దీనికి నెట్వర్క్లో కొంత భాగాన్ని తిరిగి శిక్షణ ఇవ్వవలసి ఉంటుంది, కానీ మొత్తం నెట్వర్క్ కాదు, ఇది చాలా వేగంగా ఉంటుంది. ఉదాహరణకు, ImageNet50 డేటాసెట్లో శిక్షణ పొందిన రెడీమేడ్ న్యూరల్ నెట్వర్క్ ResNet1000ని తీసుకుంటే, మీరు చిత్రంలో అనేక విభిన్న వస్తువులను చాలా లోతైన స్థాయిలో వర్గీకరించగల అల్గారిథమ్ను పొందుతారు (న్యూరల్ యొక్క 1000 లేయర్ల ద్వారా రూపొందించబడిన లక్షణాల ఆధారంగా 50 తరగతులు నెట్వర్క్). కానీ మీరు మొత్తం నెట్వర్క్కు శిక్షణ ఇవ్వాల్సిన అవసరం లేదు, దీనికి నెలల సమయం పడుతుంది.
В ఆన్లైన్ కోర్సు Samsung "న్యూరల్ నెట్వర్క్లు మరియు కంప్యూటర్ విజన్", ఉదాహరణకు, ఫైనల్లో కాగ్లే టాస్క్ ప్లేట్లను శుభ్రంగా మరియు మురికిగా వర్గీకరించడంతో, పైన వివరించిన వాస్తుశిల్పం ప్రకారం నిర్మించబడిన శుభ్రమైన వాటి నుండి మురికి ప్లేట్లను వేరు చేయగల లోతైన న్యూరల్ నెట్వర్క్ను 5 నిమిషాల్లో మీకు అందజేస్తుందని ఒక విధానం ప్రదర్శించబడుతుంది. అసలు నెట్వర్క్కు ప్లేట్లు అంటే ఏమిటో తెలియదు, అది కుక్కల నుండి పక్షులను వేరు చేయడం మాత్రమే నేర్చుకుంది (ఇమేజ్నెట్ చూడండి).
మూలం: ఆన్లైన్ కోర్సు శామ్సంగ్ "న్యూరల్ నెట్వర్క్లు మరియు కంప్యూటర్ విజన్"
ట్రాన్స్ఫర్ లెర్నింగ్ కోసం మీరు ఏ విధానాలు పని చేస్తాయి మరియు ఏ రెడీమేడ్ బేసిక్ ఆర్కిటెక్చర్లు అందుబాటులో ఉన్నాయో తెలుసుకోవాలి. మొత్తంమీద, ఇది మెషీన్ లెర్నింగ్ యొక్క ఆచరణాత్మక అనువర్తనాల ఆవిర్భావాన్ని బాగా వేగవంతం చేస్తుంది.
1.2 ఉత్పాదక వ్యతిరేక నెట్వర్క్లు (GAN)
అభ్యాస లక్ష్యాన్ని రూపొందించడం మాకు చాలా కష్టంగా ఉన్న సందర్భాలలో ఇది. పని నిజ జీవితానికి దగ్గరగా ఉంటుంది, ఇది మనకు మరింత అర్థమయ్యేలా ఉంటుంది ("పడక పట్టికను తీసుకురండి"), కానీ దానిని సాంకేతిక పనిగా రూపొందించడం చాలా కష్టం. GAN అనేది ఈ సమస్య నుండి మనల్ని రక్షించే ప్రయత్నం మాత్రమే.
ఇక్కడ రెండు నెట్వర్క్లు పని చేస్తున్నాయి: ఒకటి జనరేటర్ (జనరేటివ్), మరొకటి వివక్షత (అడ్వర్సరియల్). ఒక నెట్వర్క్ ఉపయోగకరమైన పనిని నేర్చుకుంటుంది (చిత్రాలను వర్గీకరించండి, శబ్దాలను గుర్తించండి, కార్టూన్లు గీయండి). మరియు మరొక నెట్వర్క్ ఆ నెట్వర్క్ను నేర్పడం నేర్చుకుంటుంది: దీనికి నిజమైన ఉదాహరణలు ఉన్నాయి మరియు నిజంగా ముఖ్యమైన లోతైన లక్షణాల ఆధారంగా నెట్వర్క్ యొక్క ఉత్పాదక భాగం యొక్క ఉత్పత్తులను వాస్తవ-ప్రపంచ వస్తువులతో (శిక్షణ సెట్) పోల్చడానికి గతంలో తెలియని సంక్లిష్ట సూత్రాన్ని కనుగొనడం నేర్చుకుంటుంది. : కళ్ల సంఖ్య, మియాజాకి శైలికి సామీప్యత, సరైన ఆంగ్ల ఉచ్చారణ.
యానిమే క్యారెక్టర్లను రూపొందించడానికి నెట్వర్క్ ఫలితం యొక్క ఉదాహరణ. మూలం
కానీ, వాస్తవానికి, అక్కడ నిర్మాణాన్ని నిర్మించడం కష్టం. న్యూరాన్లను విసిరితే సరిపోదు, వాటిని సిద్ధం చేయాలి. మరియు మీరు వారాలపాటు చదువుకోవాలి. Samsung ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ సెంటర్లోని నా సహోద్యోగులు GAN అంశంపై పని చేస్తున్నారు; ఇది వారి కీలక పరిశోధన ప్రశ్నలలో ఒకటి. ఉదాహరణకు, ఇలా అభివృద్ధి: వేరియబుల్ భంగిమలతో వ్యక్తుల వాస్తవిక ఫోటోలను సంశ్లేషణ చేయడానికి ఉత్పాదక నెట్వర్క్లను ఉపయోగించడం - ఉదాహరణకు, వర్చువల్ ఫిట్టింగ్ గదిని సృష్టించడం లేదా ముఖాన్ని సంశ్లేషణ చేయడం, ఇది అధిక-నాణ్యత వీడియోని నిర్ధారించడానికి నిల్వ చేయవలసిన లేదా ప్రసారం చేయవలసిన సమాచారాన్ని తగ్గిస్తుంది. కమ్యూనికేషన్, ప్రసారం లేదా వ్యక్తిగత డేటా రక్షణ.
కొన్ని అరుదైన పనుల కోసం, లోతైన నిర్మాణాలలో పురోగతి అకస్మాత్తుగా లోతైన న్యూరల్ నెట్వర్క్ల సామర్థ్యాలను మానవ సామర్థ్యాలకు దగ్గరగా తీసుకువచ్చింది. ఇప్పుడు అలాంటి టాస్క్ల పరిధిని పెంచే యుద్ధం జరుగుతోంది. ఉదాహరణకు, ఒక రోబోట్ వాక్యూమ్ క్లీనర్ తలపై జరిగే సమావేశంలో పిల్లిని కుక్క నుండి సులభంగా గుర్తించగలదు. కానీ చాలా జీవిత పరిస్థితులలో, అతను నార లేదా ఫర్నిచర్ మధ్య నిద్రిస్తున్న పిల్లిని కనుగొనలేడు (అయితే, మనలాగే, చాలా సందర్భాలలో ...).
డీప్ న్యూరల్ నెట్వర్క్ల విజయానికి కారణం ఏమిటి? వారు "నగ్న కంటికి కనిపించే" సమాచారం (ఫోటో పిక్సెల్లు, సౌండ్ వాల్యూమ్లో మార్పులు...) ఆధారంగా కాకుండా, న్యూరల్ నెట్వర్క్లోని అనేక వందల పొరల ద్వారా ఈ సమాచారాన్ని ముందుగా ప్రాసెస్ చేసిన తర్వాత పొందిన లక్షణాల ఆధారంగా సమస్య యొక్క ప్రాతినిధ్యాన్ని అభివృద్ధి చేస్తారు. దురదృష్టవశాత్తూ, ఈ సంబంధాలు అర్థరహితంగా, అస్థిరంగా ఉండవచ్చు లేదా అసలైన డేటా సెట్లోని లోపాల జాడలను కలిగి ఉండవచ్చు. ఉదాహరణకు, రిక్రూటింగ్లో AI యొక్క ఆలోచనారహిత ఉపయోగం దేనికి దారితీస్తుందనే దాని గురించి ఒక చిన్న కంప్యూటర్ గేమ్ ఉంది సర్వైవల్ ఆఫ్ ది బెస్ట్ ఫిట్.
చిత్రం ట్యాగింగ్ వ్యవస్థ వంట చేస్తున్న వ్యక్తిని స్త్రీగా లేబుల్ చేసింది, చిత్రంలో ఉన్న వ్యక్తి నిజానికి పురుషుడు (మూలం) అది గమనించారు వర్జీనియా ఇన్స్టిట్యూట్లో.
మనం తరచుగా రూపొందించుకోలేని సంక్లిష్టమైన మరియు లోతైన సంబంధాలను విశ్లేషించడానికి, వివరించదగిన AI పద్ధతులు అవసరం. వారు లోతైన న్యూరల్ నెట్వర్క్ల లక్షణాలను నిర్వహిస్తారు, తద్వారా శిక్షణ తర్వాత, నెట్వర్క్ దాని నిర్ణయంపై ఆధారపడకుండా, నేర్చుకున్న అంతర్గత ప్రాతినిధ్యాన్ని మనం విశ్లేషించవచ్చు.
1.4 ఎడ్జ్ అనలిటిక్స్ / AI
ఎడ్జ్ అనే పదంతో ఉన్న ప్రతిదానికి అక్షరాలా కింది అర్థం: క్లౌడ్/సర్వర్ నుండి తుది పరికరం/గేట్వే స్థాయికి అల్గారిథమ్లలో కొంత భాగాన్ని బదిలీ చేయడం. అటువంటి అల్గోరిథం వేగంగా పని చేస్తుంది మరియు దాని ఆపరేషన్ కోసం సెంట్రల్ సర్వర్కు కనెక్షన్ అవసరం లేదు. మీకు “సన్నని క్లయింట్” యొక్క సంగ్రహణ గురించి తెలిసి ఉంటే, ఇక్కడ మేము ఈ క్లయింట్ను కొంచెం మందంగా చేస్తున్నాము.
ఇంటర్నెట్ ఆఫ్ థింగ్స్ కోసం ఇది ముఖ్యమైనది కావచ్చు. ఉదాహరణకు, ఒక యంత్రం వేడెక్కినట్లయితే మరియు శీతలీకరణ అవసరమైతే, డేటా క్లౌడ్కి మరియు అక్కడి నుండి షిఫ్ట్ ఫోర్మాన్కు వెళ్లే వరకు వేచి ఉండకుండా ప్లాంట్ స్థాయిలో తక్షణమే సిగ్నల్ ఇవ్వడం అర్ధమే. లేదా మరొక ఉదాహరణ: సెల్ఫ్ డ్రైవింగ్ కార్లు సెంట్రల్ సర్వర్ని సంప్రదించకుండానే ట్రాఫిక్ పరిస్థితిని స్వయంగా గుర్తించగలవు.
లేదా భద్రతా దృక్కోణం నుండి ఇది ఎందుకు ముఖ్యమైనది అనేదానికి మరొక ఉదాహరణ: మీరు మీ ఫోన్లో టెక్స్ట్లను టైప్ చేసినప్పుడు, అది మీకు విలక్షణమైన పదాలను గుర్తుంచుకుంటుంది, తద్వారా ఫోన్ కీబోర్డ్ సౌకర్యవంతంగా మిమ్మల్ని ప్రాంప్ట్ చేస్తుంది - దీనిని ప్రిడిక్టివ్ అంటారు. టెక్స్ట్ ఇన్పుట్. మీరు మీ కీబోర్డ్లో టైప్ చేసిన ప్రతిదాన్ని ఎక్కడో ఉన్న డేటా సెంటర్కు పంపడం మీ గోప్యతను ఉల్లంఘించడమే కాకుండా సురక్షితం కాదు. అందువల్ల, కీబోర్డ్ శిక్షణ మీ పరికరంలోనే జరుగుతుంది.
1.5 AI ప్లాట్ఫాం ఒక సేవగా (AI PaaS)
PaaS - ప్లాట్ఫారమ్-యాజ్-ఎ-సర్వీస్ అనేది క్లౌడ్-ఆధారిత డేటా నిల్వ మరియు రెడీమేడ్ ప్రొసీజర్లతో సహా ఇంటిగ్రేటెడ్ ప్లాట్ఫారమ్కు యాక్సెస్ పొందే వ్యాపార నమూనా. ఈ విధంగా, మనం అవస్థాపన పనుల నుండి విముక్తి పొందవచ్చు మరియు ఉపయోగకరమైనదాన్ని ఉత్పత్తి చేయడంపై పూర్తిగా దృష్టి పెట్టవచ్చు. AI టాస్క్ల కోసం PaaS ప్లాట్ఫారమ్ల ఉదాహరణ: IBM క్లౌడ్, Microsoft Azure, Amazon మెషిన్ లెర్నింగ్, Google AI ప్లాట్ఫారమ్.
1.6 అడాప్టివ్ మెషిన్ లెర్నింగ్ (అడాప్టివ్ ML)
మనం కృత్రిమ మేధస్సును అడాప్ట్ చేసుకుంటే ఎలా ఉంటుంది... మీరు అడగండి - అంటే ఎలా?.. ఇది ఇప్పటికే పనికి అనుగుణంగా లేదా? సమస్య ఇది: మేము అటువంటి ప్రతి సమస్యను పరిష్కరించడానికి కృత్రిమ మేధస్సు అల్గారిథమ్ను రూపొందించడానికి ముందు చాలా శ్రమతో డిజైన్ చేస్తాము. వారు మీకు సమాధానం ఇస్తారు - ఈ గొలుసును సరళీకృతం చేయవచ్చని తేలింది.
సాంప్రదాయిక యంత్ర అభ్యాసం ఓపెన్-లూప్ సూత్రంపై పనిచేస్తుంది: మీరు డేటాను సిద్ధం చేయండి, న్యూరల్ నెట్వర్క్ (లేదా ఏదైనా), రైలుతో ముందుకు రండి, ఆపై అనేక సూచికలను చూడండి మరియు మీకు ప్రతిదీ నచ్చితే, మీరు న్యూరల్ నెట్వర్క్ను స్మార్ట్ఫోన్లకు పంపవచ్చు. - వినియోగదారు సమస్యలను పరిష్కరించండి. కానీ చాలా డేటా ఉన్న అప్లికేషన్లలో మరియు దాని స్వభావం క్రమంగా మారుతుంది, ఇతర పద్ధతులు అవసరం. తమను తాము స్వీకరించే మరియు బోధించే ఇటువంటి వ్యవస్థలు మూసివేయబడిన, స్వీయ-అభ్యాస లూప్లుగా (క్లోజ్డ్-లూప్) నిర్వహించబడతాయి మరియు అవి సజావుగా పని చేయాలి.
అప్లికేషన్లు - ఇది స్ట్రీమ్ అనలిటిక్స్ (స్ట్రీమ్ అనలిటిక్స్) కావచ్చు, దీని ఆధారంగా చాలా మంది వ్యాపారవేత్తలు నిర్ణయాలు తీసుకుంటారు లేదా అనుకూల ఉత్పత్తి నిర్వహణ. ప్రస్తుత అనువర్తనాల స్కేల్లో మరియు మానవులకు బాగా అర్థం చేసుకున్న నష్టాలను అందించినప్పుడు, ఈ సమస్యకు పరిష్కారంగా ఉండే సాంకేతికతలు అన్నీ అడాప్టివ్ AI అనే గొడుగు పదం క్రింద సేకరించబడతాయి.
ఈ చిత్రాన్ని చూస్తే, ఫ్యూచరాలజిస్టులకు రొట్టెలు తినిపించవద్దు అనే భావనను వదిలించుకోవడం చాలా కష్టం - వారు రోబోట్కు ఊపిరి పీల్చుకోనివ్వండి...
పోస్ట్ క్లాసికల్ కంప్యూట్ మరియు కామ్స్
2.1 ఐదవ తరం మొబైల్ కమ్యూనికేషన్స్ (5G)
ఇది చాలా ఆసక్తికరమైన అంశం, మేము మిమ్మల్ని వెంటనే మా వద్దకు సూచిస్తాము వ్యాసం. సరే, ఇక్కడ ఒక చిన్న సారాంశం ఉంది. 5G, డేటా ట్రాన్స్మిషన్ యొక్క ఫ్రీక్వెన్సీని పెంచడం ద్వారా, ఇంటర్నెట్ వేగాన్ని అవాస్తవంగా వేగవంతం చేస్తుంది. చిన్న తరంగాలు అడ్డంకుల గుండా వెళ్ళడం చాలా కష్టం, కాబట్టి నెట్వర్క్ల రూపకల్పన పూర్తిగా భిన్నంగా ఉంటుంది: 500 రెట్లు ఎక్కువ బేస్ స్టేషన్లు అవసరం.
వేగంతో పాటు, మేము కొత్త దృగ్విషయాలను పొందుతాము: ఆగ్మెంటెడ్ రియాలిటీతో రియల్ టైమ్ గేమ్లు, టెలిప్రెసెన్స్ ద్వారా సంక్లిష్టమైన పనులను (శస్త్రచికిత్స వంటివి) చేయడం, మెషీన్ల మధ్య కమ్యూనికేషన్ ద్వారా రోడ్లపై ప్రమాదాలు మరియు క్లిష్ట పరిస్థితులను నివారించడం. మరింత వివరంగా చెప్పాలంటే: స్టేడియంలో మ్యాచ్ వంటి సామూహిక ఈవెంట్ల సమయంలో మొబైల్ ఇంటర్నెట్ ఆగిపోతుంది.
చిత్ర మూలం - రాయిటర్స్, నియాంటిక్
2.2 నెక్స్ట్-జనరేషన్ మెమరీ
ఇక్కడ మేము RAM యొక్క ఐదవ తరం గురించి మాట్లాడుతున్నాము - DDR5. DDR2019 ఆధారిత ఉత్పత్తులు 5 చివరి నాటికి అందుబాటులో ఉంటాయని Samsung ప్రకటించింది. అదే ఫారమ్ ఫ్యాక్టర్ను కొనసాగించేటప్పుడు కొత్త మెమరీ రెండు రెట్లు వేగంగా మరియు రెండు రెట్లు కెపాసియస్గా ఉంటుందని అంచనా వేయబడింది, అంటే మన కంప్యూటర్కు 32GB వరకు కెపాసిటీ ఉన్న మెమరీ స్టిక్లను పొందగలుగుతాము. భవిష్యత్తులో, ఇది స్మార్ట్ఫోన్లకు (కొత్త మెమరీ తక్కువ-పవర్ వెర్షన్లో ఉంటుంది) మరియు ల్యాప్టాప్లకు (ఇక్కడ DIMM స్లాట్ల సంఖ్య పరిమితంగా ఉంటుంది) ప్రత్యేకించి సంబంధితంగా ఉంటుంది. మరియు మెషిన్ లెర్నింగ్కు కూడా పెద్ద మొత్తంలో RAM అవసరం.
2.3 లో-ఎర్త్-ఆర్బిట్ శాటిలైట్ సిస్టమ్స్
భారీ, ఖరీదైన, శక్తివంతమైన ఉపగ్రహాలను చిన్న మరియు చౌకైన వాటితో భర్తీ చేయాలనే ఆలోచన కొత్తది కాదు మరియు 90 లలో తిరిగి కనిపించింది. దేని గురించి "ఎలోన్ మస్క్ త్వరలో ఉపగ్రహం ద్వారా అందరికీ ఇంటర్నెట్ని పంపిణీ చేయనున్నారు" ఇప్పుడు సోమరిపోతులు మాత్రమే వినలేదు. ఇక్కడ అత్యంత ప్రసిద్ధ సంస్థ ఇరిడియం, ఇది 90ల చివరలో దివాళా తీసింది, అయితే US డిపార్ట్మెంట్ ఆఫ్ డిఫెన్స్ (రష్యన్ స్మార్ట్ హోమ్ సిస్టమ్ అయిన iRidiumతో గందరగోళం చెందకూడదు) ఖర్చుతో సేవ్ చేయబడింది. ఎలోన్ మస్క్ ప్రాజెక్ట్ (స్టార్లింక్) ఒకే ఒక్కదానికి దూరంగా ఉంది - రిచర్డ్ బ్రాన్సన్ (వన్వెబ్ - 1440 ప్రతిపాదిత ఉపగ్రహాలు), బోయింగ్ (3000 ఉపగ్రహాలు), శామ్సంగ్ (4600 ఉపగ్రహాలు) మరియు ఇతరులు ఉపగ్రహ రేసులో పాల్గొంటున్నారు.
ఈ ప్రాంతంలో పరిస్థితులు ఎలా ఉన్నాయి, అక్కడ ఆర్థిక వ్యవస్థ ఎలా ఉంది - చదవండి సమీక్ష. మరియు మేము మొదటి వినియోగదారులచే ఈ సిస్టమ్ల యొక్క మొదటి పరీక్షల కోసం ఎదురు చూస్తున్నాము, ఇది వచ్చే ఏడాది జరగాలి.
2.4 నానోస్కేల్ 3D ప్రింటింగ్
3D ప్రింటింగ్, ఇది ప్రతి వ్యక్తి జీవితంలోకి ప్రవేశించనప్పటికీ (వ్యక్తిగత గృహ ప్లాస్టిక్ ఫ్యాక్టరీ ద్వారా వాగ్దానం చేసిన రూపంలో), అయినప్పటికీ చాలా కాలం క్రితం గీక్స్ కోసం సాంకేతిక సముచిత స్థానాన్ని వదిలివేసింది. ప్రతి పాఠశాల విద్యార్థికి కనీసం 3D చెక్కిన పెన్నుల ఉనికి గురించి తెలుసు అనే వాస్తవం ద్వారా మీరు తీర్పు చెప్పవచ్చు మరియు రన్నర్లు మరియు ఎక్స్ట్రూడర్తో ఒక పెట్టెను కొనుగోలు చేయాలని చాలా మంది కలలు కంటారు ... "అలాగే" (లేదా ఇప్పటికే కొనుగోలు చేసారు).
స్టీరియోలిథోగ్రఫీ (లేజర్ 3D ప్రింటర్లు) వ్యక్తిగత ఫోటాన్లతో ప్రింటింగ్ను అనుమతిస్తుంది: కొత్త పాలిమర్లు అన్వేషించబడుతున్నాయి, ఇవి కేవలం రెండు ఫోటాన్లు పటిష్టం కావడానికి మాత్రమే అవసరం. ఇది ప్రయోగశాల కాని పరిస్థితుల్లో, పూర్తిగా కొత్త ఫిల్టర్లు, మౌంట్లు, స్ప్రింగ్లు, కేశనాళికలు, లెన్స్లు మరియు... వ్యాఖ్యలలో మీ ఎంపికలను సృష్టించడానికి అనుమతిస్తుంది! మరియు ఇక్కడ ఇది ఫోటోపాలిమరైజేషన్ నుండి చాలా దూరంలో లేదు - ఈ సాంకేతికత మాత్రమే ప్రాసెసర్లు మరియు కంప్యూటింగ్ సర్క్యూట్లను “ప్రింట్” చేయడానికి అనుమతిస్తుంది. అదనంగా, ఇది మొదటి సంవత్సరం కాదు గ్రాఫేన్ 500 nm త్రిమితీయ నిర్మాణాలను ముద్రించే సాంకేతికత, కానీ రాడికల్ అభివృద్ధి లేకుండా.
పరిభాషలో గందరగోళం చెందకుండా ఉండటానికి, స్వయంప్రతిపత్తి యొక్క ఏ స్థాయిలు వేరు చేయబడతాయో అర్థం చేసుకోవడం విలువ (వివరమైన వాటి నుండి తీసుకోబడింది వ్యాసాలు, మేము ఆసక్తి ఉన్న వారందరినీ సూచిస్తాము):
స్థాయి 1: క్రూయిజ్ కంట్రోల్: చాలా పరిమిత పరిస్థితుల్లో డ్రైవర్కు సహాయం చేస్తుంది (ఉదాహరణకు, డ్రైవర్ పెడల్ నుండి కాలు తీసిన తర్వాత ఇచ్చిన వేగంతో కారును పట్టుకోవడం)
స్థాయి 2: పరిమిత స్టీరింగ్ మరియు బ్రేకింగ్ సహాయం. డ్రైవర్ దాదాపు తక్షణమే నియంత్రణ తీసుకోవడానికి సిద్ధంగా ఉండాలి. అతని చేతులు స్టీరింగ్ వీల్పై ఉన్నాయి, అతని కళ్ళు రహదారి వైపు మళ్ళించబడ్డాయి. ఇది టెస్లా మరియు జనరల్ మోటార్స్ ఇప్పటికే కలిగి ఉంది.
స్థాయి 3: డ్రైవర్ ఇకపై నిరంతరం రహదారిని చూడవలసిన అవసరం లేదు. కానీ అతను అప్రమత్తంగా ఉండాలి మరియు నియంత్రణ తీసుకోవడానికి సిద్ధంగా ఉండాలి. వాణిజ్యపరంగా అందుబాటులో ఉన్న కార్లలో ఇది ఇంకా లేదు. ప్రస్తుతం ఉన్నవన్నీ లెవల్ 1-2లో ఉన్నాయి.
స్థాయి 4: నిజమైన ఆటోపైలట్, కానీ పరిమితులతో: జాగ్రత్తగా మ్యాప్ చేయబడిన మరియు సాధారణంగా సిస్టమ్కు తెలిసిన మరియు నిర్దిష్ట పరిస్థితులలో తెలిసిన ప్రాంతంలో మాత్రమే పర్యటనలు: ఉదాహరణకు, మంచు లేనప్పుడు. వేమో మరియు జనరల్ మోటార్స్ ఇటువంటి నమూనాలను కలిగి ఉన్నాయి మరియు వాటిని అనేక నగరాల్లో ప్రారంభించి, వాటిని వాస్తవ వాతావరణంలో పరీక్షించాలని యోచిస్తున్నారు. Yandex Skolkovo మరియు Innopolisలో మానవరహిత టాక్సీల కోసం పరీక్షా మండలాలను కలిగి ఉంది: ప్రయాణీకుల సీటులో కూర్చున్న ఇంజనీర్ పర్యవేక్షణలో యాత్ర జరుగుతుంది; సంవత్సరం చివరి నాటికి, కంపెనీ తన విమానాలను 100 మానవరహిత వాహనాలకు విస్తరించాలని యోచిస్తోంది.
స్థాయి 5: పూర్తి ఆటోమేటిక్ డ్రైవింగ్, లైవ్ డ్రైవర్ను పూర్తిగా భర్తీ చేయడం. ఇటువంటి వ్యవస్థలు ఉనికిలో లేవు మరియు రాబోయే సంవత్సరాల్లో అవి కనిపించవు.
భవిష్యత్తులో ఇవన్నీ చూడటం ఎంత వాస్తవికమైనది? ఇక్కడ నేను పాఠకులను కథనానికి దారి మళ్లించాలనుకుంటున్నాను "టెస్లా వాగ్దానం చేసినట్లుగా 2020 నాటికి రోబోటాక్సీని ప్రారంభించడం ఎందుకు అసాధ్యం". దీనికి పాక్షికంగా 5G కనెక్టివిటీ లేకపోవడమే కారణం: అందుబాటులో ఉన్న 4G వేగం సరిపోదు. పాక్షికంగా స్వయంప్రతిపత్తమైన కార్ల యొక్క అధిక ధర కారణంగా: అవి ఇంకా లాభదాయకంగా లేవు, వ్యాపార నమూనా అస్పష్టంగా ఉంది. ఒక్క మాటలో చెప్పాలంటే, ఇక్కడ "ప్రతిదీ క్లిష్టంగా ఉంది" మరియు 4 మరియు 5 స్థాయిల యొక్క భారీ అమలు కోసం సూచన 10 సంవత్సరాల కంటే ముందుగా లేదని గార్ట్నర్ రాయడం యాదృచ్చికం కాదు.
3.2 3D సెన్సింగ్ కెమెరాలు
ఎనిమిది సంవత్సరాల క్రితం, మైక్రోసాఫ్ట్ యొక్క Kinect గేమింగ్ కంట్రోలర్ 3D దృష్టికి అందుబాటులో ఉండే మరియు సాపేక్షంగా చవకైన పరిష్కారాన్ని అందించడం ద్వారా తరంగాలను సృష్టించింది. అప్పటి నుండి, Kinectతో శారీరక విద్య మరియు నృత్య ఆటలు వాటి స్వల్ప పెరుగుదల మరియు క్షీణతను చవిచూశాయి, అయితే 3D కెమెరాలు పారిశ్రామిక రోబోలు, మానవరహిత వాహనాలు మరియు ముఖ గుర్తింపు కోసం మొబైల్ ఫోన్లలో ఉపయోగించడం ప్రారంభించాయి. సాంకేతికత చౌకగా, మరింత కాంపాక్ట్ మరియు మరింత అందుబాటులోకి వచ్చింది.
Samsung S10 ఫోన్లో టైమ్-ఆఫ్-ఫ్లైట్ కెమెరా ఉంది, ఇది ఫోకస్ చేయడం సులభం చేయడానికి వస్తువుకు దూరాన్ని కొలుస్తుంది. మూలం
మీరు ఈ అంశంపై ఆసక్తి కలిగి ఉంటే, మేము మిమ్మల్ని డెప్త్ కెమెరాల గురించి చాలా మంచి వివరణాత్మక సమీక్షకు మళ్లిస్తాము: 1 వ భాగము, 2 వ భాగము.
3.3 చిన్న కార్గో డెలివరీ కోసం డ్రోన్లు (లైట్ కార్గో డెలివరీ డ్రోన్స్)
ఈ సంవత్సరం, అమెజాన్ ప్రదర్శనలో 2 కిలోల వరకు చిన్న లోడ్లను మోయగల కొత్త ఫ్లయింగ్ డ్రోన్ను ప్రదర్శించినప్పుడు అలలు సృష్టించింది. ట్రాఫిక్ జామ్లు ఉన్న నగరానికి, ఇది సరైన పరిష్కారంగా కనిపిస్తుంది. మరి సమీప భవిష్యత్తులో ఈ డ్రోన్లు ఎలా పనిచేస్తాయో చూద్దాం. బహుశా ఇక్కడ జాగ్రత్తగా సందేహాస్పదంగా ఉండటం విలువైనదే: డ్రోన్ను సులభంగా దొంగిలించే అవకాశంతో ప్రారంభించి, UAVలపై చట్టపరమైన పరిమితులతో ముగిసే వరకు చాలా సమస్యలు ఉన్నాయి. అమెజాన్ ప్రైమ్ ఎయిర్ ఆరేళ్లుగా ఉంది కానీ ఇప్పటికీ టెస్టింగ్ దశలోనే ఉంది.
Amazon యొక్క కొత్త డ్రోన్, ఈ వసంతకాలంలో చూపబడింది. అతని గురించి ఏదో స్టార్ వార్స్ ఉంది. మూలం
అమెజాన్తో పాటు, ఈ మార్కెట్లో ఇతర ప్లేయర్లు కూడా ఉన్నారు (వివరంగా ఉంది обзор), కానీ ఒక్క తుది ఉత్పత్తి కాదు: ప్రతిదీ పరీక్ష మరియు మార్కెటింగ్ ప్రచారాల దశలో ఉంది. విడిగా, చాలా ఆసక్తికరమైన అత్యంత ప్రత్యేకమైన వైద్యాన్ని గమనించడం విలువ ప్రాజెక్టులు ఆఫ్రికాలో: ఘనా (14 డెలివరీలు, జిప్లైన్ కంపెనీ) మరియు రువాండా (మాటర్నెట్ కంపెనీ)లో దానం చేసిన రక్తాన్ని పంపిణీ చేయడం.
3.4 ఎగిరే అటానమస్ వాహనాలు
ఇక్కడ ఏదైనా ఖచ్చితంగా చెప్పడం కష్టం. గార్ట్నర్ ప్రకారం, ఇది 10 సంవత్సరాల కంటే ముందుగా కనిపించదు. సాధారణంగా, సెల్ఫ్ డ్రైవింగ్ కార్ల మాదిరిగానే ఇక్కడ అన్ని సమస్యలు ఉన్నాయి, అవి మాత్రమే కొత్త కోణాన్ని పొందుతాయి - నిలువు. పోర్స్చే, బోయింగ్ మరియు ఉబెర్ ఎగిరే టాక్సీని నిర్మించాలని తమ ఆశయాలను ప్రకటించాయి.
3.5 ఆగ్మెంటెడ్ రియాలిటీ క్లౌడ్ (AR క్లౌడ్)
వాస్తవ ప్రపంచం యొక్క శాశ్వత డిజిటల్ కాపీ, వినియోగదారులందరికీ సాధారణమైన వాస్తవికత యొక్క కొత్త పొరను సృష్టించడానికి మిమ్మల్ని అనుమతిస్తుంది. మరింత సాంకేతిక పరంగా, డెవలపర్లు తమ AR అప్లికేషన్లను ఏకీకృతం చేయగల ఓపెన్ క్లౌడ్ ప్లాట్ఫారమ్ను రూపొందించడం గురించి మేము మాట్లాడుతున్నాము. మోనటైజేషన్ మోడల్ స్పష్టంగా ఉంది; ఇది ఆవిరి యొక్క ఒక రకమైన అనలాగ్. క్లౌడ్ లేని AR కేవలం పనికిరానిదని కొందరు ఇప్పుడు నమ్మేంతగా ఈ ఆలోచన బలంగా మారింది.
భవిష్యత్తులో ఇది ఎలా ఉంటుందో చిన్న వీడియోలో చూపబడింది. బ్లాక్ మిర్రర్ యొక్క మరొక ఎపిసోడ్ లాగా ఉంది:
మానవ భావోద్వేగాలను కొలవడం, అనుకరించడం మరియు ప్రతిస్పందించడం ఎలా? ఇక్కడ కొన్ని క్లయింట్లు అమెజాన్ అలెక్సా వంటి వాయిస్ అసిస్టెంట్లను తయారు చేసే కంపెనీలు. వారు మానసిక స్థితిని గుర్తించడం నేర్చుకుంటే వారు నిజంగా గృహాలకు అలవాటు పడవచ్చు: వినియోగదారు యొక్క అసంతృప్తికి కారణాన్ని అర్థం చేసుకోండి మరియు పరిస్థితిని సరిచేయడానికి ప్రయత్నించండి. సాధారణంగా, సందేశంలో కంటే సందర్భంలో చాలా ఎక్కువ సమాచారం ఉంది. మరియు సందర్భం అనేది ముఖ కవళికలు, స్వరం మరియు అశాబ్దిక ప్రవర్తన.
ఇతర ఆచరణాత్మక అనువర్తనాలు: ఉద్యోగ ఇంటర్వ్యూలో భావోద్వేగాల విశ్లేషణ (వీడియో ఇంటర్వ్యూల ఆధారంగా), వాణిజ్య ప్రకటనలు లేదా ఇతర వీడియో కంటెంట్కు ప్రతిస్పందనలను అంచనా వేయడం (నవ్వులు, నవ్వు), నేర్చుకోవడంలో సహాయం (ఉదాహరణకు, బహిరంగంగా మాట్లాడే కళలో స్వతంత్ర అభ్యాసం కోసం).
6 నిమిషాల షార్ట్ ఫిల్మ్ రచయిత కంటే ఈ అంశంపై బాగా మాట్లాడటం కష్టం ఉర్ అనుభూతిని దొంగిలించడం. చమత్కారమైన మరియు స్టైలిష్ వీడియో మీరు మార్కెటింగ్ ప్రయోజనాల కోసం మా భావోద్వేగాలను ఎలా కొలవగలరో చూపిస్తుంది మరియు మీ ముఖం యొక్క క్షణిక ప్రతిచర్యల నుండి, మీరు పిజ్జా, కుక్కలు, కాన్యే వెస్ట్లను ఇష్టపడుతున్నారా మరియు మీ ఆదాయ స్థాయి మరియు ఉజ్జాయింపు IQ ఏమిటో కూడా కనుగొనండి. పై లింక్ని ఉపయోగించి చలనచిత్ర వెబ్సైట్ని సందర్శించడం ద్వారా, మీరు మీ ల్యాప్టాప్లోని అంతర్నిర్మిత కెమెరాను ఉపయోగించి ఇంటరాక్టివ్ వీడియోలో భాగస్వామి అవుతారు. ఈ సినిమా ఇప్పటికే పలు ఫిల్మ్ ఫెస్టివల్స్లో ప్రదర్శితమైంది.
అటువంటి ఆసక్తికరమైన అధ్యయనం కూడా ఉంది: వచనంలో వ్యంగ్యాన్ని ఎలా గుర్తించాలి. మేము #sarcasm అనే హ్యాష్ట్యాగ్తో ట్వీట్లు చేసాము మరియు వ్యంగ్యంతో 25 ట్వీట్లు మరియు సూర్యుని క్రింద ఉన్న ప్రతిదాని గురించి 000 సాధారణ ట్వీట్ల శిక్షణా సెట్ను చేసాము. మేము TensorFlow లైబ్రరీని ఉపయోగించాము, సిస్టమ్కు శిక్షణ ఇచ్చాము మరియు ఫలితం ఇక్కడ ఉంది:
అందువల్ల, ఇప్పుడు, మీ సహోద్యోగి లేదా స్నేహితుడి గురించి మీకు ఖచ్చితంగా తెలియకపోతే - అతను మీతో తీవ్రంగా లేదా వ్యంగ్యంగా ఏదైనా చెప్పాడు, మీరు ఇప్పటికే ఉపయోగించవచ్చు శిక్షణ పొందిన న్యూరల్ నెట్వర్క్!
4.2 ఆగ్మెంటెడ్ ఇంటెలిజెన్స్
మెషీన్ లెర్నింగ్ పద్ధతులను ఉపయోగించి మేధో పని యొక్క ఆటోమేషన్. ఇది కొత్తేమీ కాదని అనిపిస్తుందా? కానీ పదాలు ఇక్కడ ముఖ్యమైనవి, ప్రత్యేకించి ఇది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్తో సంక్షిప్తంగా సమానంగా ఉంటుంది. ఇది మమ్మల్ని "బలమైన" మరియు "బలహీనమైన" AI గురించి చర్చకు తీసుకువస్తుంది.
బలమైన AI అనేది సైన్స్ ఫిక్షన్ చిత్రాల నుండి వచ్చిన అదే కృత్రిమ మేధస్సు, ఇది మానవ మనస్సుకు పూర్తిగా సమానం మరియు ఒక వ్యక్తిగా తనకు తానుగా తెలుసు. ఇది ఇంకా ఉనికిలో లేదు మరియు ఇది ఉనికిలో ఉంటుందా అనేది అస్పష్టంగా ఉంది.
బలహీనమైన AI స్వతంత్ర వ్యక్తి కాదు, మానవ సహాయకుడు. అతను మానవుని వంటి ఆలోచనను కలిగి ఉన్నాడని చెప్పుకోలేదు, కానీ కేవలం సమాచార సమస్యలను ఎలా పరిష్కరించాలో తెలుసు, ఉదాహరణకు, చిత్రంలో చూపబడిన వాటిని నిర్ణయించడం లేదా వచనాన్ని అనువదించడం.
ఈ కోణంలో, ఆగ్మెంటెడ్ ఇంటెలిజెన్స్ దాని స్వచ్ఛమైన రూపంలో “బలహీనమైన AI”, మరియు సూత్రీకరణ విజయవంతమైంది, ఎందుకంటే ఇది గందరగోళాన్ని మరియు ప్రతి ఒక్కరూ కలలు కనే (లేదా మనం భయపడితే) అదే “బలమైన AI”ని ఇక్కడ చూడాలనే టెంప్టేషన్ను పరిచయం చేయదు. "తిరుగుబాటు కార్లు" గురించి అనేక చర్చలను గుర్తుచేసుకోండి). ఆగ్మెంటెడ్ ఇంటెలిజెన్స్ అనే వ్యక్తీకరణను ఉపయోగించి, మేము వెంటనే మరొక చిత్రానికి హీరోలుగా మారతాము: సైన్స్ ఫిక్షన్ నుండి (అసిమోవ్ యొక్క “నేను, రోబోట్” వంటివి) సైబర్పంక్లో మనల్ని మనం కనుగొంటాము (ఈ తరంలో “అగ్మెంటేషన్స్” అనేది మానవ సామర్థ్యాలను విస్తరించే అన్ని రకాల ఇంప్లాంట్లు).
ఎలా అన్నారు ఎరిక్ బ్రైంజోల్ఫ్సన్ మరియు ఆండ్రూ మెకాఫీ: “రాబోయే 10 సంవత్సరాలలో, ఇదే జరుగుతుంది. AI మేనేజర్లను భర్తీ చేయదు, కానీ AIని ఉపయోగించే మేనేజర్లు ఇంకా తయారు చేయని వారి స్థానంలో ఉంటారు.
ఉదాహరణలు:
మెడిసిన్: స్టాన్ఫోర్డ్ విశ్వవిద్యాలయం అభివృద్ధి చేయబడింది అల్గోరిథం, చాలా మంది వైద్యుల వలె సగటున ఛాతీ ఎక్స్-కిరణాలపై పాథాలజీలను గుర్తించే పనిని ఎవరు ఎదుర్కొంటారు
విద్య: విద్యార్థులు మరియు ఉపాధ్యాయులకు సహాయం, పదార్థాలకు విద్యార్థుల ప్రతిస్పందనల విశ్లేషణ, వ్యక్తిగత అభ్యాస పథం నిర్మాణం.
వ్యాపార విశ్లేషణలు: డేటా ప్రిప్రాసెసింగ్, గణాంకాల ప్రకారం, పరిశోధకుడి సమయం 80% మరియు ప్రయోగంలో 20% మాత్రమే పడుతుంది.
4.3 బయోచిప్లు
ఇది అన్ని సైబర్పంక్ ఫిల్మ్లు మరియు పుస్తకాల యొక్క ఇష్టమైన థీమ్. సాధారణంగా, పెంపుడు జంతువులను మైక్రోచిప్ చేయడం కొత్త పద్ధతి కాదు. కానీ ఇప్పుడు ఈ చిప్లను ప్రజల్లోకి అమర్చడం ప్రారంభించారు.
ఈ సందర్భంలో, హైప్ ఎక్కువగా అమెరికన్ కంపెనీ త్రీ స్క్వేర్ మార్కెట్లో సంచలనాత్మక కేసుతో ముడిపడి ఉంటుంది. అక్కడ, యజమాని రుసుముకి బదులుగా చర్మం కింద చిప్లను అమర్చడం ప్రారంభించాడు. చిప్ మిమ్మల్ని తలుపులు తెరవడానికి, కంప్యూటర్లలోకి లాగిన్ అవ్వడానికి, వెండింగ్ మెషీన్ నుండి స్నాక్స్ కొనడానికి అనుమతిస్తుంది - అంటే, అటువంటి సార్వత్రిక ఉద్యోగి కార్డు. అంతేకాకుండా, అటువంటి చిప్ ఖచ్చితంగా గుర్తింపు కార్డుగా పనిచేస్తుంది; దీనికి GPS మాడ్యూల్ లేదు, కాబట్టి దాన్ని ఉపయోగించే ఎవరినైనా ట్రాక్ చేయడం అసాధ్యం. మరియు ఒక వ్యక్తి తన చేతి నుండి చిప్ని తీసివేయాలనుకుంటే, వైద్యుని సహాయంతో 5 నిమిషాలు పడుతుంది.
చిప్స్ సాధారణంగా బొటనవేలు మరియు చూపుడు వేలు మధ్య అమర్చబడతాయి. మూలం
ఇంకా చదవండి వ్యాసం ప్రపంచంలోని చిప్పింగ్ వ్యవహారాల స్థితి గురించి.
4.4 లీనమయ్యే కార్యస్థలం
"ఇమ్మర్సివ్" అనేది తప్పించుకునే మరొక కొత్త పదం. ఇది ప్రతిచోటా ఉంది. లీనమయ్యే థియేటర్, ఎగ్జిబిషన్, సినిమా. మీ ఉద్దేశ్యం ఏమిటి? ఇమ్మర్షన్ అనేది రచయిత మరియు వీక్షకుడు, వర్చువల్ మరియు వాస్తవ ప్రపంచం మధ్య సరిహద్దును కోల్పోయినప్పుడు లీనమయ్యే ప్రభావం యొక్క సృష్టి. కార్యాలయంలో, బహుశా, దీని అర్థం కర్త మరియు ఇనిషియేటర్ మధ్య రేఖను అస్పష్టం చేయడం మరియు వారి వాతావరణాన్ని రీఫార్మాట్ చేయడం ద్వారా మరింత చురుకైన స్థానం తీసుకోవడానికి ఉద్యోగులను ప్రోత్సహించడం.
మేము ఇప్పుడు ప్రతిచోటా చురుకైన, వశ్యత మరియు సన్నిహిత సహకారాన్ని కలిగి ఉన్నందున, కార్యాలయాలు వీలైనంత సులభంగా కాన్ఫిగర్ చేయబడాలి మరియు సమూహ పనిని ప్రోత్సహించాలి. ఆర్థిక వ్యవస్థ దాని నిబంధనలను నిర్దేశిస్తుంది: ఎక్కువ మంది తాత్కాలిక ఉద్యోగులు ఉన్నారు, కార్యాలయ స్థలాన్ని అద్దెకు తీసుకునే ఖర్చు పెరుగుతోంది మరియు పోటీ లేబర్ మార్కెట్లో, IT కంపెనీలు వినోద ప్రదేశాలు మరియు ఇతర ప్రయోజనాలను సృష్టించడం ద్వారా పని నుండి ఉద్యోగుల సంతృప్తిని పెంచడానికి ప్రయత్నిస్తున్నాయి. మరియు ఇవన్నీ కార్యాలయాల రూపకల్పనలో ప్రతిబింబిస్తాయి.
ప్రకటనల్లో వ్యక్తిగతీకరణ అంటే ఏమిటో అందరికీ తెలుసు. ఈ రోజు మీరు సహోద్యోగితో గదిలో గాలి కొంత పొడిగా ఉందని మరియు మీరు ఆఫీసు కోసం ఒక హ్యూమిడిఫైయర్ని కొనుగోలు చేయాలి మరియు మరుసటి రోజు మీ సోషల్ నెట్వర్క్లో ఒక ప్రకటనను చూస్తారు - “హ్యూమిడిఫైయర్ కొనండి” (a నాకు జరిగిన నిజమైన సంఘటన).
వ్యక్తిగతీకరణ, గార్ట్నర్ నిర్వచించినట్లుగా, ప్రకటనల ప్రయోజనాల కోసం వారి వ్యక్తిగత డేటాను ఉపయోగించడం గురించి వినియోగదారులు పెరుగుతున్న ఆందోళనలకు ప్రతిస్పందన. మనకు వ్యక్తిగతంగా కాకుండా, మనల్ని మనం కనుగొనే సందర్భానికి సంబంధించిన ప్రకటనలను చూపించే విధానాన్ని అభివృద్ధి చేయడమే లక్ష్యం. ఉదాహరణకు, మా స్థానం, పరికరం రకం, రోజు సమయం, వాతావరణ పరిస్థితులు - ఇది మా వ్యక్తిగత డేటాను ఉల్లంఘించని విషయం మరియు “నిఘా” అనే అసహ్యకరమైన అనుభూతిని మేము అనుభవించము.
ఈ రెండు భావనల మధ్య వ్యత్యాసం గురించి చదవండి గమనిక గార్ట్నర్ వెబ్సైట్లో ఆండ్రూ ఫ్రాంక్ బ్లాగులు. చాలా సూక్ష్మమైన వ్యత్యాసం మరియు ఇలాంటి పదాలు ఉన్నాయి, మీరు తేడా తెలియక, మీ సంభాషణకర్తతో ఎక్కువసేపు వాదించే ప్రమాదం ఉంది, సాధారణంగా, రెండూ సరైనవని అనుమానించకుండా (మరియు ఇది కూడా నిజమైన సంఘటన. రచయిత).
4.6 బయోటెక్ - కల్చర్డ్ లేదా ఆర్టిఫిషియల్ టిష్యూ
ఇది మొదటగా, కృత్రిమ మాంసాన్ని పెంచే ఆలోచన. అదే సమయంలో, ప్రపంచవ్యాప్తంగా అనేక బృందాలు ప్రయోగశాల “మీట్ 2.0” ను అభివృద్ధి చేయడంలో బిజీగా ఉన్నాయి - ఇది సాధారణం కంటే చౌకగా మారుతుందని మరియు ఫాస్ట్ ఫుడ్స్ మరియు సూపర్ మార్కెట్లు దీనికి మారుతాయని భావిస్తున్నారు. ఈ సాంకేతికతలో పెట్టుబడిదారులలో బిల్ గేట్స్, సెర్గీ బ్రిన్, రిచర్డ్ బ్రాన్సన్ మరియు ఇతరులు ఉన్నారు.
మూలం
ప్రతి ఒక్కరూ కృత్రిమ మాంసం పట్ల ఆసక్తి చూపడానికి కారణాలు:
గ్లోబల్ వార్మింగ్: పొలాల నుండి మీథేన్ ఉద్గారాలు. వాతావరణాన్ని ప్రభావితం చేసే వాయువుల ప్రపంచ పరిమాణంలో ఇది 18%.
జనాభా పెరుగుదల. మాంసం కోసం డిమాండ్ పెరుగుతోంది మరియు సహజ మాంసంతో అందరికీ ఆహారం ఇవ్వడం సాధ్యం కాదు - ఇది కేవలం ఖరీదైనది.
స్థలం లేకపోవడం. 70% అమెజాన్ అడవులు ఇప్పటికే పచ్చిక కోసం నరికివేయబడ్డాయి.
నైతిక పరిగణనలు. ఇది ముఖ్యమైనది అయిన వారు ఉన్నారు. జంతు హక్కుల సంస్థ పెటా ఇప్పటికే కృత్రిమ కోడి మాంసాన్ని మార్కెట్లోకి తీసుకువచ్చే శాస్త్రవేత్తకు $1 మిలియన్ బహుమతిని ప్రకటించింది.
నిజమైన మాంసాన్ని సోయాతో భర్తీ చేయడం పాక్షిక పరిష్కారం, ఎందుకంటే ప్రజలు రుచి మరియు ఆకృతిలో వ్యత్యాసాన్ని అభినందించగలరు మరియు సోయాకు అనుకూలంగా స్టీక్ను వదులుకునే అవకాశం లేదు. కాబట్టి మీకు నిజమైన, సేంద్రీయంగా పెరిగిన మాంసం అవసరం. ఇప్పుడు, దురదృష్టవశాత్తు, కృత్రిమ మాంసం చాలా ఖరీదైనది: కిలోగ్రాముకు $ 12 నుండి. అటువంటి మాంసాన్ని పెంచే సంక్లిష్ట సాంకేతిక ప్రక్రియ దీనికి కారణం. అవన్నీ చదవండి వ్యాసం.
మేము కణజాల పెరుగుదల ఇతర కేసుల గురించి మాట్లాడినట్లయితే - ఇప్పటికే వైద్యంలో - అప్పుడు కృత్రిమ అవయవాలతో ఉన్న అంశం ఆసక్తికరంగా ఉంటుంది: ఉదాహరణకు, గుండె కండరాలకు "ప్యాచ్", ముద్రించబడింది ఒక ప్రత్యేక 3D ప్రింటర్. తెలిసిన చరిత్రలో కృత్రిమంగా పెరిగిన మౌస్ గుండె వంటిది, కానీ సాధారణంగా ప్రతిదీ ఇప్పటికీ క్లినికల్ ట్రయల్స్ పరిధిలోనే ఉంటుంది. కాబట్టి రాబోయే సంవత్సరాల్లో మనం ఫ్రాంకెన్స్టైయిన్ని చూసే అవకాశం లేదు.
ఇక్కడ గార్ట్నర్ తన అంచనాలలో చాలా జాగ్రత్తగా ఉన్నాడు, 2015లో అభివృద్ధి చెందిన దేశాలలో 2019% మంది జనాభా 10D ప్రింటెడ్ మెడికల్ డివైస్ ఇంప్లాంట్ను కలిగి ఉంటారని 3లో తన విఫలమైన అంచనాను దృష్టిలో ఉంచుకుని స్పష్టంగా ఉన్నాడు. అందువల్ల, ఉత్పాదకత పీఠభూమిని చేరుకోవడానికి కనీసం 10 సంవత్సరాలు సమయం పడుతుంది.
5. డిజిటల్ పర్యావరణ వ్యవస్థలు
5.1 వికేంద్రీకృత వెబ్
ఈ భావన వెబ్ యొక్క ఆవిష్కర్త, ట్యూరింగ్ అవార్డు విజేత సర్ టిమ్ బర్నర్స్-లీ పేరుతో దగ్గరి సంబంధం కలిగి ఉంది. అతనికి, కంప్యూటర్ సైన్స్లో నీతి ప్రశ్నలు ఎల్లప్పుడూ ముఖ్యమైనవి మరియు ఇంటర్నెట్ యొక్క సామూహిక సారాంశం ముఖ్యమైనది: హైపర్టెక్స్ట్ యొక్క పునాదులను వేయడం, నెట్వర్క్ వెబ్ లాగా పని చేయాలని మరియు సోపానక్రమం వలె కాదని అతను ఒప్పించాడు. నెట్వర్క్ అభివృద్ధి ప్రారంభ దశలో ఇది జరిగింది. అయితే, ఇంటర్నెట్ పెరగడంతో, దాని నిర్మాణం వివిధ కారణాల వల్ల కేంద్రీకృతమైంది. కొంతమంది ప్రొవైడర్ల సహాయంతో మొత్తం దేశం కోసం నెట్వర్క్కు యాక్సెస్ సులభంగా బ్లాక్ చేయబడుతుందని తేలింది. మరియు వినియోగదారు డేటా ఇంటర్నెట్ కంపెనీలకు శక్తి మరియు ఆదాయ వనరుగా మారింది.
"ఇంటర్నెట్ ఇప్పటికే వికేంద్రీకరించబడింది," అని బర్నర్స్-లీ చెప్పారు. “సమస్య ఏమిటంటే, ఒక శోధన ఇంజిన్, ఒక పెద్ద సోషల్ నెట్వర్క్, ఒక మైక్రోబ్లాగింగ్ ప్లాట్ఫారమ్ ఆధిపత్యం చెలాయిస్తుంది. మాకు సాంకేతిక సమస్యలు లేవు, కానీ మాకు సామాజిక సమస్యలు ఉన్నాయి.
ఆయన లో బహిరంగ లేఖ వరల్డ్ వైడ్ వెబ్ యొక్క 30వ వార్షికోత్సవం సందర్భంగా, వెబ్ సృష్టికర్త ఇంటర్నెట్ యొక్క మూడు ప్రధాన సమస్యలను వివరించాడు:
రాష్ట్ర ప్రాయోజిత హ్యాకింగ్, నేరం మరియు ఆన్లైన్ వేధింపుల వంటి లక్ష్య హాని
సిస్టమ్ యొక్క రూపకల్పన, వినియోగదారుకు హాని కలిగించే విధంగా, అటువంటి యంత్రాంగాలకు భూమిని సృష్టిస్తుంది: క్లిక్బైట్ కోసం ఆర్థిక ప్రోత్సాహకాలు మరియు తప్పుడు సమాచారం యొక్క వైరల్ వ్యాప్తి
సిస్టమ్ రూపకల్పన యొక్క అనాలోచిత పరిణామాలు సంఘర్షణకు దారితీస్తాయి మరియు ఆన్లైన్ చర్చల నాణ్యతను తగ్గించాయి
మరియు టిమ్ బెర్నర్స్-లీకి ఇప్పటికే “ఆరోగ్యకరమైన వ్యక్తి యొక్క ఇంటర్నెట్” ఏ సూత్రాలపై ఆధారపడి ఉంటుంది అనే దానిపై సమాధానం ఉంది, సమస్య సంఖ్య 2 లేకుండా: “చాలా మంది వినియోగదారులకు, ప్రకటనల ఆదాయం ఇంటర్నెట్తో పరస్పర చర్య చేయడానికి ఏకైక నమూనాగా మిగిలిపోయింది. ప్రజలు తమ డేటాకు ఏమి జరుగుతుందో అని భయపడినప్పటికీ, వారు కంటెంట్ను ఉచితంగా స్వీకరించే అవకాశం కోసం మార్కెటింగ్ మెషీన్తో ఒప్పందం చేసుకోవడానికి సిద్ధంగా ఉన్నారు. వస్తువులు మరియు సేవలకు చెల్లింపులు చేయడం సులభం మరియు రెండు పార్టీలకు ఆనందదాయకంగా ఉండే ప్రపంచాన్ని ఊహించండి. దీన్ని ఎలా ఏర్పాటు చేయాలనే ఎంపికలలో: సంగీతకారులు తమ రికార్డింగ్లను iTunes రూపంలో మధ్యవర్తులు లేకుండా విక్రయించవచ్చు మరియు వార్తల సైట్లు ప్రకటనల నుండి డబ్బు సంపాదించడానికి బదులుగా ఒక కథనాన్ని చదవడానికి మైక్రోపేమెంట్ల వ్యవస్థను ఉపయోగించవచ్చు.
ఈ కొత్త ఇంటర్నెట్ కోసం ప్రయోగాత్మక నమూనాగా, టిమ్ బెర్నర్స్-లీ SOLID ప్రాజెక్ట్ను ప్రారంభించారు, దీని సారాంశం ఏమిటంటే మీరు మీ డేటాను “పాడ్” - సమాచార స్టోర్లో నిల్వ చేస్తారు మరియు ఈ డేటాను మూడవ పక్ష అనువర్తనాలకు అందించగలరు. కానీ సూత్రప్రాయంగా, మీ డేటాకు మీరే మాస్టర్స్. ఇవన్నీ పీర్-టు-పీర్ నెట్వర్క్ల భావనకు దగ్గరి సంబంధం కలిగి ఉంటాయి, అంటే, మీ కంప్యూటర్ సేవలను మాత్రమే అభ్యర్థించడమే కాకుండా, వాటిని కూడా అందిస్తుంది, తద్వారా ఒక సర్వర్పై మాత్రమే ఛానెల్గా ఆధారపడకుండా ఉంటుంది.
ఇది కంప్యూటర్ ప్రోగ్రామ్ రూపంలో వ్రాసిన నియమాల ద్వారా నిర్వహించబడే సంస్థ. దీని ఆర్థిక కార్యకలాపాలు బ్లాక్చెయిన్పై ఆధారపడి ఉంటాయి. అటువంటి సంస్థలను సృష్టించడం యొక్క ఉద్దేశ్యం ఏమిటంటే, రాష్ట్రాన్ని మధ్యవర్తి పాత్ర నుండి తొలగించడం మరియు కౌంటర్పార్టీల కోసం ఒక సాధారణ విశ్వసనీయ వాతావరణాన్ని సృష్టించడం, ఇది వ్యక్తిగతంగా ఎవరికీ స్వంతం కాదు, కానీ ప్రతి ఒక్కరికీ కలిసి ఉంటుంది. అంటే, సిద్ధాంతంలో, ఇది ఆలోచన రూట్ తీసుకుంటే, నోటరీలు మరియు ఇతర సాధారణ ధృవీకరణ సంస్థలను రద్దు చేయాలి.
అటువంటి సంస్థ యొక్క అత్యంత ప్రసిద్ధ ఉదాహరణ వెంచర్-ఫోకస్డ్ ది DAO, ఇది 2016లో $150 మిలియన్లను సేకరించింది, అందులో $50 వెంటనే నిబంధనలలోని చట్టపరమైన రంధ్రం ద్వారా దొంగిలించబడింది. కష్టమైన గందరగోళం వెంటనే తలెత్తింది: డబ్బును వెనక్కి తీసుకొని తిరిగి ఇవ్వండి లేదా డబ్బు ఉపసంహరణ చట్టబద్ధమైనదని అంగీకరించండి, ఎందుకంటే ఇది ప్లాట్ఫారమ్ నియమాలను ఏ విధంగానూ ఉల్లంఘించలేదు. ఫలితంగా, పెట్టుబడిదారులకు డబ్బును తిరిగి ఇవ్వడానికి, సృష్టికర్తలు ది DAOని నాశనం చేయాల్సి వచ్చింది, బ్లాక్చెయిన్ను తిరిగి వ్రాయడం మరియు దాని ప్రాథమిక సూత్రం - మార్పులేనిది.
Ethereum (ఎడమ) మరియు DAO (కుడి) గురించి కామిక్ మూలం
ఈ మొత్తం కథ DAO యొక్క ఆలోచన యొక్క ప్రతిష్టను నాశనం చేసింది. ఆ ప్రాజెక్ట్ Ethereum cryptocurrency ఆధారంగా తయారు చేయబడింది, వెర్షన్ ఈథర్ 2.0 వచ్చే ఏడాది అంచనా వేయబడింది - బహుశా రచయితలు (ప్రసిద్ధ Vitalik Buterin సహా) ఖాతాలోకి లోపాలు పడుతుంది మరియు కొత్త ఏదో చూపుతుంది. అందుకే గార్ట్నర్ DAOని అప్లైన్లో ఉంచారు.
5.3.సింథటిక్స్ డేటా
న్యూరల్ నెట్వర్క్లకు శిక్షణ ఇవ్వడానికి, పెద్ద మొత్తంలో డేటా అవసరం. డేటాను మాన్యువల్గా లేబుల్ చేయడం అనేది మానవుడు మాత్రమే చేయగల భారీ పని. అందువలన, కృత్రిమ డేటా సెట్లను సృష్టించడం సాధ్యమవుతుంది. ఉదాహరణకు, సైట్లోని మానవ ముఖాల యొక్క అదే సేకరణలు https://generated.photos. అవి GAN ఉపయోగించి సృష్టించబడ్డాయి - ఇప్పటికే పైన పేర్కొన్న అల్గోరిథంలు.
అటువంటి డేటా యొక్క పెద్ద ప్రయోజనం ఏమిటంటే దానిని ఉపయోగించడంలో చట్టపరమైన ఇబ్బందులు లేవు: వ్యక్తిగత డేటా ప్రాసెసింగ్కు సమ్మతి ఇవ్వడానికి ఎవరూ లేరు.
5.4.డిజిటల్ ఆప్స్
DevOps మా ప్రసంగంలో రూట్ తీసుకున్నప్పటి నుండి "Ops" ప్రత్యయం చాలా ఫ్యాషన్గా మారింది. ఇప్పుడు DigitalOps అంటే ఏమిటి - ఇది DevOps, DesignOps, MarketingOps యొక్క సాధారణీకరణ మాత్రమే... మీరు ఇంకా విసుగు చెందారా? సంక్షిప్తంగా, ఇది సాఫ్ట్వేర్ ప్రాంతం నుండి వ్యాపారంలోని అన్ని ఇతర అంశాలకు - మార్కెటింగ్, డిజైన్ మొదలైన వాటికి DevOps విధానాన్ని బదిలీ చేయడం.
ప్రోగ్రామర్లు, టెస్టర్లు, భద్రతా నిపుణులు మరియు నిర్వాహకులు ఉన్న సాధారణ బృందాలను సృష్టించడం ద్వారా అభివృద్ధి మరియు కార్యకలాపాల (వ్యాపార ప్రక్రియలు) మధ్య అడ్డంకులను తొలగించడం DevOps యొక్క ఆలోచన; నిర్దిష్ట పద్ధతుల అమలు: నిరంతర ఏకీకరణ, కోడ్గా మౌలిక సదుపాయాలు, అభిప్రాయ గొలుసులను తగ్గించడం మరియు బలోపేతం చేయడం. ఉత్పత్తి మార్కెట్కి వచ్చే సమయాన్ని వేగవంతం చేయడమే లక్ష్యం. ఇది ఎజైల్తో సమానంగా ఉందని మీరు అనుకుంటే, మీరు చెప్పింది నిజమే. ఇప్పుడు ఈ విధానాన్ని సాఫ్ట్వేర్ డెవలప్మెంట్ రంగం నుండి సాధారణంగా అభివృద్ధికి మానసికంగా బదిలీ చేయండి - మరియు మీరు DigitalOps అంటే ఏమిటో అర్థం చేసుకున్నారు.
5.5 నాలెడ్జ్ గ్రాఫ్లు
మెషీన్ లెర్నింగ్ అల్గారిథమ్లను ఉపయోగించడంతో సహా నాలెడ్జ్ ఏరియాని మోడల్ చేయడానికి సాఫ్ట్వేర్ మార్గం. మొత్తం సమాచారాన్ని ఒకదానితో ఒకటి లింక్ చేయడానికి ఇప్పటికే ఉన్న డేటాబేస్ల పైన నాలెడ్జ్ గ్రాఫ్ నిర్మించబడింది: నిర్మాణాత్మక (సంఘటనలు లేదా వ్యక్తుల జాబితా) మరియు నిర్మాణాత్మకం (వ్యాసం యొక్క వచనం).
Google శోధన ఫలితాల్లో మీరు చూడగలిగే కార్డ్కి సులభమైన ఉదాహరణ. మీరు ఒక వ్యక్తి లేదా సంస్థ కోసం వెతుకుతున్నట్లయితే, మీకు కుడివైపున ఒక కార్డ్ కనిపిస్తుంది:
దయచేసి "రాబోయే ఈవెంట్లు" అనేది Google మ్యాప్స్ నుండి సమాచారం యొక్క కాపీ కాదని, Yandex.Afishaతో షెడ్యూల్ యొక్క ఏకీకరణ అని గమనించండి: మీరు ఈవెంట్లపై క్లిక్ చేస్తే మీరు దీన్ని సులభంగా చూడవచ్చు. అంటే, ఇది అనేక డేటా మూలాల కలయిక.
మీరు జాబితా కోసం అడిగితే - ఉదాహరణకు, "ప్రసిద్ధ దర్శకులు" - మీకు రంగులరాట్నం చూపబడుతుంది:
చివరి వరకు చదివిన వారికి బోనస్
ఇప్పుడు మేము ప్రతి పాయింట్ యొక్క అర్ధాన్ని మనకు స్పష్టం చేసాము, మేము అదే చిత్రాన్ని చూడవచ్చు, కానీ రష్యన్ భాషలో:
సోషల్ నెట్వర్క్లలో ఉచితంగా భాగస్వామ్యం చేయండి!
టాట్యానా వోల్కోవా - సామ్సంగ్ అకాడమీలో ఇంటర్నెట్ ఆఫ్ థింగ్స్ ఐటి ట్రాక్ కోసం శిక్షణా కార్యక్రమ రచయిత్రి, శామ్సంగ్ రీసెర్చ్ సెంటర్లో కార్పొరేట్ సామాజిక బాధ్యత కార్యక్రమాలలో నిపుణుడు