Графік Гартнера для тих, хто працює у сфері технологій, – все одно, що виставка високої моди. Поглянувши на нього, ви можете заздалегідь дізнатися, які слова найхайповіші цього сезону і що ви почуєте на всіх найближчих конференціях.
Ми розшифрували, що ховається за красивими словами на цьому графіку, щоб ви могли також говорити цією мовою.
Спочатку буквально пару слів, що ж це за графік. Щороку в серпні консалтингове агентство Гартнер випускає звіт – Gartner Hype Curve. Російською це «крива ажіотажу», або, простіше кажучи – хайпа. 30 років тому репери із гурту Public Enemy співали: «Don't believe the hype». Вірити чи ні, питання особисте, але хоча б знати ці ключові слова варто, якщо ви працюєте у сфері технологій та хочете знати світові тренди.
Це графік суспільних очікувань від тієї чи іншої технології. На думку Гартнер, в ідеальному випадку технологія послідовно проходить 5 стадій: запуск технології, пік завищених очікувань, долина розчарування, схил освіти, плато продуктивності. Але буває і так, що вона тоне в «долині розчарування» — приклади можете згадати самі дуже легко, взяти ті самі біткоїни: спочатку потрапивши на пік як «гроші майбутнього», вони швидко скотилися вниз, коли стали очевидні недоліки технології, перш за все обмеження на кількість транзакцій та шалена кількість електроенергії, необхідне на породження біткоїнів (що тягне вже проблеми з екологією). І звичайно, не можна забувати, що графік Гартнера – це лише прогноз: тут, наприклад, можна почитати докладну , де розбираються найяскравіші нездійснені прогнози.
Отже, пробіжимося за новим графіком Гартнера. Технології поділено на 5 великих тематичних груп:
- Просунутий ІІ та аналітика (Advanced AI and Analytics)
- Посткласичні обчислення та комунікації (Postclassical Compute and Comms)
- Сенсорика та мобільність (Sensing and Mobility)
- «Доповнена» людина (Augmented Human)
- Цифрові екосистеми (Digital Ecosystems)
1. Просунутий ІІ та аналітика (Advanced AI and Analytics)
Останні 10 років ми бачимо зоряний час глибокого навчання (Deep Learning). Ці мережі дійсно ефективні для свого кола завдань. У 2018 році Ян Лекун, Джеффрі Хінтон та Йошуа Бенжіо отримали за відкриття в них премію Тьюринга – найпрестижнішу премію, аналог Нобелівки в інформатиці. Отже, основні тренди у цій галузі, які винесені на графік:
1.1. Перенесення навчання (Transfer Learning)
Ви не навчаєте нейронну мережу з нуля, а берете навчену, і призначаєте їй іншу мету. Іноді для цього потрібно перевчити частину мережі, але не всю мережу, що набагато швидше. Наприклад, взявши готову нейронну мережу ResNet50, навчену на датасеті ImageNet1000, ви отримаєте алгоритм, здатний класифікувати зображення дуже багато різних об'єктів на дуже глибокому рівні (1000 класів за ознаками, виробленим 50 шарами нейронної мережі). Але вам не потрібно навчати всю цю мережу, що зайняло б місяці.
В Samsung «Нейронні мережі та комп'ютерний зір», наприклад, у фінальній з класифікацією тарілок на чисті та брудні, демонструється підхід, який за 5 хвилин дає вам у розпорядження глибоку нейронну мережу, здатну відрізняти брудні тарілки від чистих, побудовану за вищеописаною архітектурою. Вихідна мережа не знала, що таке тарілки взагалі, вона лише вчилася відрізняти пташок від собачок (див. ImageNet).
Джерело: Samsung «Нейронні мережі та комп'ютерний зір»
Для Transfer Learning необхідно знати, які підходи працюють, які є готові базові архітектури. Загалом це дуже прискорює появу практичних застосувань машинного навчання.
1.2. Генеративно-змагальні мережі (Generative Adversarial Networks, GAN)
Це для тих випадків, коли нам дуже складно сформулювати мету навчання. Чим ближче завдання до реального життя, тим вона зрозуміліша нам («принеси тумбочку»), але тим складніше її сформулювати як технічне завдання. GAN — саме спроба позбавити нас цієї проблеми.
Тут працюють дві мережі: одна генератор (Generative), інша дискримінатор (Adversarial). Одна мережа вчиться робити корисну роботу (класифікувати картинки, розпізнавати звуки, малювати мультики). А інша мережа вчиться вчити ту мережу: вона має реальні приклади, і вона вчиться знаходити заздалегідь невідому складну формулу для порівняння породжень генеративної частини мережі з об'єктами реального світу (навчальною вибіркою) за справді важливими глибокими ознаками: кількість очей, близькість до стилю Міядзакі, правильність вимови англійської.
Приклад результату роботи мережі породження аніме-персонажів.
Але там, звичайно, складно збудувати архітектуру. Недостатньо просто кинути нейронів, їх треба готувати. І вивчати доводиться тижнями. Темою GAN займаються мої колеги в Центрі штучного інтелекту Samsung, вони мають одне з ключових дослідницьких питань. Наприклад, ось така : використання генеративних мереж для синтезу реалістичних фотографій людей зі змінною позою - наприклад, щоб створити віртуальну примірювальну, або для синтезу особи, що може дозволити знизити кількість інформації, яку потрібно зберігати або передавати для забезпечення якісного відеозв'язку, мовлення або захисту персональних даних.
1.3. Пояснений ІІ (Explainable AI)
У деяких рідкісних задачах прогрес у глибоких архітектурах раптово наблизив можливості глибоких нейромереж до людських. Тепер битва йде за те, щоби коло таких завдань збільшити. Наприклад, робот-пилосос міг би легко відрізнити кішку від собаки під час лобової зустрічі. Але в більшості життєвих ситуацій він буде нездатний знайти кішку, сплячу серед білизни або меблів (втім, як і ми, здебільшого…).
У чому причина успіхів глибоких нейронних мереж? Вони виробляють уявлення завдання, засноване не так на «видимої неозброєним оком» інформації (пікселях фотографії, стрибках гучності звуку…), але в ознаках, отриманих після передобробки цієї інформації кількома сотнями шарів нейронної мережі. На жаль, ці взаємозв'язки можуть бути безглуздими, суперечливими чи нести сліди недосконалості вихідного набору даних. Наприклад, про те, до чого може призвести бездумне застосування AI у рекрутингу, є невелика комп'ютерна гра .
Система для розмітки зображень назвала людину, яка готує, жінкою, хоча на картинці насправді чоловік (). Це в Віргінському інституті.
Щоб аналізувати складні та глибокі взаємозв'язки, які ми часто не можемо самі сформулювати, та потрібні методи Explainable AI. Вони організують ознаки глибоких нейромереж так, щоб після навчання ми могли аналізувати вивчене мережею внутрішнє уявлення, а не просто покладатися на її вирішення.
1.4. Периферійна аналітика / AI (Edge Analytics / AI)
Все, де є слово Edge означає буквально наступне: перенесення частини алгоритмів з хмари/сервера на рівень кінцевого пристрою/шлюзу. Такий алгоритм спрацьовуватиме швидше і не потребуватиме підключення до центрального сервера для своєї роботи. Якщо вам знайома абстракція тонкого клієнта, то тут ми цього клієнта трохи потовщуємо.
Це може бути важливим для Інтернету речей. Наприклад, якщо верстат перегрівся і потребує охолодження, є сенс подати сигнал про це відразу ж, на рівні заводу, не чекаючи, поки дані потраплять у хмару і звідти вже майстру зміни. Або інший приклад: автомобілі-безпілотники можуть розібратися із дорожньою обстановкою самостійно, без звернення до центрального сервера.
Або інший приклад, чому це важливо з погляду безпеки: коли ви на своєму телефоні набираєте тексти, він запам'ятовує типові для вас слова, щоб далі вам клавіатура телефону їх зручно підказувала – це називається передиктивне введення тексту. Відправляти кудись у дата-центр все, що ви вводите на клавіатурі, було б порушенням вашої приватності і просто небезпечно. Тому навчання клавіатури відбувається лише в рамках самого пристрою.
1.5. ІІ-платформа як послуга (AI PaaS)
PaaS – Платформа як послуга – це бізнес-модель, при якій ми отримуємо доступ до інтегрованої платформи, включаючи її хмарне сховище даних та готові процедури. Таким чином, ми можемо звільнити себе від інфраструктурних завдань і повністю сконцентруватися на виробництві чогось корисного. Приклад платформ PaaS для задач ШІ: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.
1.6. Адаптивне машинне навчання (Adaptive ML)
Що, якщо ми дозволимо штучному інтелекту адаптуватись… Ви запитаєте – тобто як?.. Хіба він і так не адаптується до завдання? Проблема ось у чому: кожну таку задачу ми ретельно оформляємо, перш ніж побудувати для її вирішення алгоритм штучного інтелекту. Вам дадуть відповідь – виявляється, можна і цей ланцюжок спростити.
Звичайне машинне навчання працює за принципом відкритої системи (open-loop): ви готуєте дані, вигадуєте нейронну мережу (або будь-що), навчаєте, потім дивіться на кілька показників, і якщо вам все подобається, можна відправити нейромережу в смартфони - вирішувати завдання користувачів . Але в застосуваннях, де даних дуже багато та їх характер поступово змінюється, потрібні інші методи. Такі системи, які адаптуються і навчають самі себе, організують у закриті контури, що самонавчаються (closed-loop), і вони повинні працювати безперебійно.
Застосування це може бути потокова аналітика (Stream Analytics), на підставі якої безліч бізнесменів приймають рішення, або адаптивне управління виробництвом. У масштабі сучасних застосувань і з урахуванням краще розуміти ризики для людей, методи, які складають вирішення цієї проблеми, всі ці методи збираються під загальною назвою Adaptive AI.
Дивлячись на цю картинку, складно позбутися відчуття, що футурологів хлібом не годуй – дай навчити робота дихати.
Посткласичні обчислення та комунікації (Postclassical Compute and Comms)
2.1. Стільниковий зв'язок (5G)
Це настільки цікава тема, що одразу відсилаємо до нашої . Ну а тут коротка вичавка. 5G з допомогою підвищення частоти передачі зробить швидкість Інтернету неможливо швидкої. Коротким хвиль складніше проходити через перешкоди, тому пристрій мереж буде зовсім іншим: базових станцій потрібно в 500 разів більше.
Разом зі швидкістю ми отримаємо нові явища: реалтайм-ігри з доповненою реальністю, виконання складних завдань (таких, як хірургія) через телеприсутність, запобігання аваріям та складним ситуаціям на дорогах через комунікацію між машинами. З більш прозаїчного: нарешті перестане падати мобільний Інтернет під час масових заходів, таких як матч на стадіоні.
Джерело картинки - Reuters, Niantic
2.2. Пам'ять наступного покоління (Next-Generation Memory)
Тут йдеться про п'яте покоління оперативної пам'яті – DDR5. Samsung анонсувала, що до кінця 2019 з'являться продукти на базі DDR5. Очікується, що нова пам'ять буде вдвічі швидша і вдвічі більш ємна зі збереженням форм-фактора, тобто ми зможемо отримати для свого комп'ютера плашки пам'яті з ємністю до 32Гб. У майбутньому це буде особливо актуальним для смартфонів (нова пам'ять буде у версії з низьким енергоспоживанням) і для ноутбуків (де кількість DIMM-слотів обмежена). А ще машинне навчання потребує більших обсягів оперативної пам'яті.
2.3. Низькоорбітальні супутникові системи (Low-Earth-Orbit Satellite Systems)
Ідея заміни важких, дорогих, потужних супутників на рій маленьких та дешевих далеко не нова і з'явилася ще у 90-ті. Про те, що зараз не чув уже тільки лінивий. Тут найвідоміша компанія – це Iridium, яка збанкрутувала наприкінці 90-х, але була врятована за рахунок Міноборони США (не плутати з iRidium – російською системою розумного дому). Проект Ілона Маска (Starlink) далеко не єдиний - у супутниковій гонці беруть участь Річард Бренсон (OneWeb - 1440 передбачуваних супутників), Boeing (3000 супутників), Samsung (4600 супутників) та інші.
Як справи в цій галузі, як там виглядає економіка - читайте в . А ми чекаємо на перші тести цих систем першими користувачами, які мають відбутися вже наступного року.
2.4. 3D-друк у наномасштабах (Nanoscale 3D Printing)
3D друк, хоч і не увійшов у життя кожної людини (у формі, обіцяній індивідуальній домашній пластиковій фабрикі), проте давно вийшов з ніші технологій для гіків. Судити можна з того, що про існування хоча б 3D-скульптурних ручок відомо будь-якому школяру, і багато хто мріє придбати собі коробку з полозами та екструдером для «просто так» (або вже придбали).
Стереолітографія (лазерні 3D принтери) дозволяють друкувати окремими фотонами: досліджуються нові полімери, для затвердіння яких достатньо двох фотонів. Це дозволить у не-лабораторних умовах створювати абсолютно нові фільтри, кріплення, пружини, капіляри, лінзи та… ваші варіанти у коментарях! І тут недалеко до фотополімеризації – лише ця технологія дозволяє «друкувати» процесори та обчислювальні схеми. Крім цього, не перший рік існує але без радикального розвитку.
3. Сенсорика та мобільність (Sensing and Mobility)
3.1. Безпілотні автомобілі, рівень 4 та 5 (Autonomous Driving Level 4 & 5)
Щоб не заплутатися в термінології, варто розібратися в тому, які рівні автономності розрізняють. , до якої ми відсилаємо всіх, хто зацікавився):
Рівень 1: Круїз-контроль: допомога водію в дуже обмежених ситуаціях (наприклад – утримання автомобіля на заданій швидкості після того, як водій зняв ногу з педалі)
Рівень 2: Обмежена допомога з кермуванням та гальмуванням. Водій має бути готовий взяти керування на себе практично миттєво. Його руки знаходяться на кермі, погляд спрямований на дорогу. Це те, що вже є в Tesla та General Motors.
Рівень 3: Водій не повинен постійно стежити за дорогою. Але повинен залишатися напоготові і бути готовим взяти управління на себе. Це те, чого поки немає у автомобілів, що є у продажу. Усі існуючі зараз – лише на рівні 1-2.
Рівень 4: Справжній автопілот, але з обмеженнями: тільки поїздки у відомій області, яка ретельно картографована і загалом відома системі, та за певних умов: наприклад, за відсутності снігу. Такі прототипи є у Waymo та General Motors, і вони планують запускати їх у кількох містах та тестувати у реальній обстановці. «Яндекс» має тестові зони безпілотного таксі в Сколковому та Іннополісі: поїздка відбувається під наглядом інженера, що сидить на місці пасажира; До кінця року компанія планує розширити парк до 100 безпілотних машин.
Рівень 5: Повне автоматичне ведення, повна заміна живого водія. Таких систем не існує, і навряд чи вони з'являться найближчими роками.
Наскільки реалістично все це побачити в найближчий час? Тут хотілося б переадресувати читача до статті . Це частково пов'язано з відсутністю 5G зв'язку: наявних швидкостей 4G недостатньо. Почасти з дуже високою вартістю автономних машин: вони поки що нерентабельні, незрозуміла бізнес-модель. Словом, тут "все складно", і невипадково Гартнер пише, що прогноз масового впровадження рівня 4 і 5 - не раніше, ніж через 10 років.
3.2. Камери із 3D-зором (3D Sensing Cameras)
Вісім років тому ігровий контролер Microsoft Kinect наробив шуму, запропонувавши доступне та порівняно недороге рішення для 3D-зору. З того часу фізкультурно-танцювальні ігри з Кінектом пережили свій недовгий зліт і занепад, натомість 3D-камери стали використовуватися в промислових роботах, безпілотних автомобілях, мобільних телефонах для ідентифікації по обличчю. Технологія стала дешевшою, компактнішою і доступнішою.
У телефоні Samsung S10 стоїть часопрольотна (Time-of-Flight) камера, яка вимірює відстань до об'єкта – для спрощення фокусування.
Якщо вас зацікавила ця тема, переадресуємо до дуже хорошого детального огляду камер глибини: , .
3.3. Дрони для доставки невеликих вантажів (Light Cargo Delivery Drones)
Цього року Amazon наробила шуму, коли показала на виставці новий дрон, що літає, здатний перевозити невеликі вантажі до 2 кг вагою. Для міста, з його пробками, це здається ідеальним рішенням. Подивимося, як ці дрони виявлять себе вже в найближчому майбутньому. Мабуть, тут варто включити обережний скепсис: є безліч проблем, починаючи з можливості легкої крадіжки дрону і закінчуючи законодавчими обмеженнями БПЛА. Amazon Prime Air існує вже шість років, але, як і раніше, знаходиться на етапі тестування.
Новий дрон Amazon, показаний цієї весни. Щось у ньому є від «Зоряних війн».
Крім Amazon, є інші гравці на цьому ринку (є докладний ), але жодного готового продукту: все – на стадії тестування та маркетингових акцій. Окремо варто відзначити досить цікаві вузькоспеціалізовані медичні в Африці: доставка донорської крові в Гані (14 000 доставок, компанія Zipline) та Руанді (компанія Matternet).
3.4. Літаючий автономний транспорт (Flying Autonomous Vehicles)
Тут важко сказати щось певне. На думку Гартнера, це з'явиться не раніше, ніж за 10 років. Загалом, тут все ті ж проблеми, що й у безпілотних автомобілях, тільки вони набувають нового виміру — вертикального. Про свої амбіції побудувати таксі, що літають, заявляють Porsche, Boeing, Uber.
3.5. Хмара доповненої реальності (AR Cloud)
Постійна цифрова копія реального світу, що дозволяє створити новий прошарок реальності, спільний для всіх користувачів. Якщо говорити більш технічною мовою, то мова про те, щоб зробити відкриту хмарну платформу, до якої розробники могли б інтегрувати свої AR-програми. Модель монетизації зрозуміла, це аналог Steam. Ідея настільки вкоренилася, що тепер уже деякі вважають, що AR без хмари просто марно.
Як це може виглядати у майбутньому, намальовано у невеликому ролику. Виглядає як чергова серія «Чорного дзеркала»:
Ще можна почитати в
4. «Доповнена» людина (Augmented Human)
4.1. ІІ для емоцій (Emotion AI)
Як виміряти, симулювати та зреагувати на людські емоції? Одні з клієнтів тут – компанії, які виробляють голосових помічників на кшталт Amazon Alexa. По-справжньому вжитися в будинках вони зможуть, якщо навчаться розпізнавати настрій: зрозуміти причину невдоволення користувача, спробувати виправити ситуацію. Загалом у контексті набагато більше інформації, ніж у самому повідомленні. А контекст – це і вираз обличчя, інтонація, і невербальне поведінка.
З інших практичних застосувань: аналіз емоцій під час співбесіди на роботі (відео-інтерв'ю), оцінювання реакції на рекламні ролики або інший відеоконтент (усмішки, сміх), допомога при навчанні (наприклад, для самостійних практик у мистецтві публічних виступів).
На цю тему складно висловитися краще, ніж автор 6-хвилинної короткометражки . В дотепно і стильно зробленому ролику показано, як можна вимірювати наші емоції в маркетингових цілях, і з нагальних реакцій вашої особи дізнатися: чи любите ви піцу, собак, Каньє Веста, і навіть який ваш рівень доходу та приблизний IQ. Перейшовши на сайт фільму на посилання вище, ви стаєте учасником інтерактивного відео з використанням вбудованої камери вашого ноутбука. Фільм уже був показаний на кількох кінофестивалях.
Є навіть таке цікаве дослідження: як розпізнавати сарказм у тексті. Взяли твіти з хештегом #сарказм і зробили навчальну вибірку з 25 000 твітів з сарказмом і 100 000 звичайних твітів про все у світі. Застосували бібліотеку TensorFlow, навчили систему, ось результат:
Тому тепер, якщо ви не впевнені щодо вашого колеги чи приятеля – сказав він вам щось серйозно чи з сарказмом, ви можете скористатися вже !
4.2. Доповнений інтелект (Augmented Intelligence)
Автоматизація інтелектуальної праці з допомогою методів машинного навчання. Здавалося б, нічого нового? Але тут важливе саме формулювання, тим більше, що воно збігається по абревіатурі з Artificial Intelligence. Це відсилає нас до полеміки про «сильне» і «слабке» ІІ.
Сильний ІІ – це той самий штучний інтелект із фантастичних фільмів, який повністю еквівалентний людському розуму та усвідомлює себе як особистість. Такого ще не існує і незрозуміло, чи існуватиме взагалі.
Слабкий ІІ – це самостійна особистість, а помічник-помічник людини. Він не претендує на людиноподібне мислення, а просто вміє вирішувати інформаційні завдання, наприклад, визначати, що зображено на зображенні або перекладати текст.
У цьому сенсі Augmented Intelligence - це в чистому вигляді "слабкий ІІ", і формулювання видається вдалим, оскільки не вносить плутанини і спокуси побачити тут той "сильний ІІ", про який всі мріють (або бояться, якщо згадати численні міркування про "повстання" машин»). Використовуючи вираз Augmented Intelligence, ми відразу ж стаємо героями іншого фільму: з наукової фантастики (на зразок «Я, робот» Азімова) ми потрапляємо в кіберпанк («аугментаціями» в цьому жанрі називають всілякі імплантанти, що розширюють можливості людини).
Як Ерік Бріньольфссон та Ендрю МакАффі: «За наступні 10 років відбудеться ось що. Не ІІ замінить менеджерів, а ті менеджери, які використовують ІІ, замінять тих, які ще не встигли»
приклади:
- Медицина: Стенфордський університет розробив , який справляється із завданням розпізнавання патологій на рентгені грудної клітки в середньому настільки ж успішно, як і більшість лікарів
- Освіта: допомога учневі та вчителеві, аналіз відгуку учнів на матеріали, побудова індивідуальної траєкторії навчання.
- Бізнес-аналітика: передобробка даних, за статистикою, займає 80% часу дослідника, і лише 20% - сам експеримент
4.3. Біочіпи (Biochips)
Це улюблена тема всіх кіберпанк-фільмів та книг. Взагалі чіпування свійських тварин – практика не нова. Але тепер ці чіпи почали вживляти ще й людям.
В даному випадку хайп, швидше за все, пов'язаний з гучним випадком в американській компанії Three Square Market. Там роботодавець почав пропонувати вживляти під шкіру чіпи за винагороду. Чіп дозволяє відкривати двері, логінитися в комп'ютери, купувати перекушування в автоматі - тобто така універсальна картка співробітника. При цьому такий чіп служить саме як картка ідентифікації, в ньому немає GPS-модуля, тому відстежити нікого по ньому неможливо. А якщо людина хоче видалити чіп із руки, це займає 5 хвилин за допомогою лікаря.
Чіпи зазвичай вживлюються між великим та вказівним пальцем.
Читайте детальну про стан справ із чіпуванням у світі.
4.4. Іммерсивний робочий простір (Immersive Workspace)
"Імерсивний" - ще одне нове слово, від якого просто нікуди подітися. Воно всюди. Іммерсивний театр, виставка, кіно. Що ж мається на увазі? Іммерсивність – це створення ефекту занурення, коли губиться межа між автором та глядачем, віртуальним та реальним світом. Стосовно робочого місця, мабуть, це означає стирання кордону між виконавцем та ініціатором і заохочення співробітників до більш активної позиції через переформатування навколишнього середовища.
Раз у нас усюди тепер Agile, гнучкість, тісна взаємодія – то й робочі місця мають бути максимально легко конфігуровані, повинні заохочувати групову роботу. Економіка диктує свої умови: стає більше тимчасових співробітників, вартість оренди офісних приміщень зростає, а в умовах конкурентного ринку праці в IT компанії намагаються підвищувати задоволення працівників від роботи, створюючи рекреаційні зони та інші переваги. І все це відбивається на дизайні робочих місць.
З Нолл
4.5. Персоніфікація (Personification)
Усі знають, що таке персоналізація в рекламі. Це коли ви сьогодні обговорюєте з колегою, що в приміщенні щось повітря сухувате, і треба купити в офіс зволожувач, а назавтра бачите у себе в соцмережі рекламу - «купіть зволожувач повітря» (реальний випадок, що стався зі мною).
Персоніфікація ж, за визначенням Гартнера – це у відповідь зростаюче занепокоєння користувачів щодо використання їх персональних даних із реклами. Мета – виробити підхід, у якому нам показуватиметься реклама, відповідна контексту, у якому ми, а не особисто. Наприклад, наша локація, тип устрою, час доби, погодні умови – це те, що не порушує наших персональних даних, і ми не відчуваємо неприємного відчуття «стеження».
Про різницю між цими двома поняттями читайте Ендрю Франка у блозі на сайті Гартнера. Тут настільки тонка відмінність і настільки схожі слова, що ви, не знаючи різниці, ризикуєте довго сперечатися з співрозмовником, не підозрюючи, що загалом обидва мають рацію (і це теж реальний випадок, що стався з автором).
4.6. Біотех – Штучні тканини (Biotech – Cultured or Artificial Tissue)
Це насамперед ідея вирощування штучного м'яса. Одночасно кілька команд по всьому світу зайняті розробкою лабораторного «М'яса 2.0» – очікується, що воно стане дешевшим від звичайного, і на нього переключаться фастфуди, а потім і супермаркети. З інвесторів у цю технологію – Білл Гейтс, Сергій Брін, Річард Бренсон та інші.
Джерело
Причини, чому всіх так цікавить штучне м'ясо:
- Глобальне потепління: викид метану із ферм. Це 18% світового обсягу газів, що впливають на клімат.
- Зростання чисельності населення. Потреба в м'ясі зростає, і нагодувати всіх натуральним м'ясом не вийде - воно дороге.
- Нестача місця. 70% лісів Амазонки вже вирубано заради пасовищ.
- Етичні міркування. Є ті, для кого важливо. Зоозахисна організація PETA вже пропонувала приз у 1 мільйон доларів тому вченому, який випустить на ринок штучне куряче м'ясо.
Підміна справжнього м'яса на соєве – це часткове рішення, адже люди добре відчувають різницю у смаку та текстурі, і навряд чи відмовляться від стейку на користь сої. Тож потрібне справжнє, саме органічно вирощене м'ясо. Зараз, на жаль, штучне м'ясо коштує дуже дорого: від 12$ за кілограм. Це пов'язано із складним техпроцесом вирощування такого м'яса. Читайте про все це .
Якщо говорити про інші кейси вирощування тканин – вже в медицині – то цікава тема зі штучними органами: наприклад, «пластир» для серцевого м'яза, спеціальним 3D-принтером. Відомі на зразок вирощеного штучно мишачого серця, але в цілому все поки що не виходить за рамки клінічних випробувань. Тож Франкенштейна найближчими роками ми навряд чи побачимо.
Тут Гартнер дуже обережний в оцінках, мабуть тримаючи в думці своє передбачення 2015 року про те, що в 2019 році 10% населення розвинених країн матимуть 3D-надрукований медичний пристрій-імплантант. Тому й означає час виходу на плато продуктивності – щонайменше 10 років.
5. Цифрові екосистеми (Digital Ecosystems)
5.1. Децентралізований Інтернет (Decentralized Web)
Це поняття тісно пов'язане з ім'ям винахідника Інтернету, лауреатом премії Т'юрінга, сера Тіма Бернерса-Лі. Для нього завжди були важливими питання етики в інформатиці та важлива колективна сутність Інтернету: закладаючи основи гіпертексту, він був переконаний, що мережа має працювати як павутиння, а не як ієрархія. Так було на ранньому етапі розвитку мережі. Проте зі зростанням Інтернету його структура з низки причин стала централізуватися. Виявилося, що доступ до мережі для цілої країни можна легко перекрити лише за допомогою кількох провайдерів. А дані користувачів перетворилися на джерело сили та доходу інтернет-компаній.
«Інтернет уже децентралізований, – каже Бернерс-Лі. — Проблема полягає в тому, що домінує одна пошукова система, одна велика соціальна мережа, одна платформа для мікроблогінгу. Ми не маємо технологічних проблем, але є соціальні».
У своїй до 30-річчя World Wide Web творець Інтернет окреслив три основні проблеми Інтернету:
- Цілеспрямоване заподіяння шкоди, таке як спонсоровані державою хакерські атаки, кримінал та онлайн-харассмент
- Сам пристрій системи, який на шкоду користувачеві створює ґрунт для таких механізмів, як: фінансове заохочення клікбейту та вірусне поширення хибної інформації
- Ненавмисні наслідки дизайну системи, які ведуть до конфліктів та зниження якості онлайн-дискусії
І Тіма Бернерса-Лі вже має відповідь, на яких принципах міг би базуватися «Інтернет здорової людини», позбавлений проблеми номер 2: «Для багатьох користувачів єдиною моделлю взаємодії з вебом залишається дохід з реклами. Навіть якщо люди налякані тим, що відбувається з їхніми даними, вони погоджуються піти на угоду з маркетинговою машиною за можливість отримувати контент безкоштовно. Уявіть собі світ, у якому плата за товари послуги легка та приємна для обох сторін». З варіантів того, як це може бути влаштовано: музиканти можуть продавати свої записи без посередників у вигляді iTunes, а сайти новин — використовувати систему мікроплатежів за читання однієї статті, замість того, щоб заробляти на рекламі.
Як експериментальний прототип такого нового Інтернету, Тім Бернерс-Лі запустив проект SOLID, суть якого в тому, що ви зберігаєте свої дані в «поді» — сховище інформації, і можете надавати ці дані стороннім додаткам. Але, в принципі, ви самі – господарі своїх даних. Все це тісно пов'язане з поняттям пірингових мереж, тобто ваш комп'ютер не тільки запитує сервіси, але й надає їх, щоб не покладатися на один сервер як єдиний канал.
5.2. Децентралізовані автономні організації (Decentralized Autonomous Organizations)
Це організація, яка управляється правилами, записаними як комп'ютерної програми. Її фінансова діяльність відбувається на базі блокчейну. Мета створення таких організацій – усунути державу з ролі посередника та створити загальне довірене середовище для контрагентів, яким не володіє ніхто одноосібно, а володіють усі разом. Тобто теоретично, це має, якщо ідея приживеться, скасувати нотаріусів та інші звичні інститути верифікації.
Найвідомішим прикладом такої організації була орієнтована на венчурний бізнес The DAO, яка у 2016 році зібрала 150 мільйонів доларів, з якої 50 миттєво вкрали через легальну «дірку» у правилах. Тут же настала складна дилема: або відкотити назад і повернути гроші, або визнати, що вилучення грошей було легальним, адже воно аж ніяк не порушувало правил платформи. У результаті, щоб повернути гроші інвесторам, творцям довелося знищити The DAO, переписавши блокчейн і порушивши його основний принцип – незмінність.
Комікс про Ethereum (ліворуч) та The DAO (праворуч).
Вся ця історія зіпсувала репутацію ідеї DAO. Той проект робився на базі криптовалюти Ethereum, наступного року очікується версія Ефір 2.0 – можливо автори (серед яких відомий Віталік Бутерін) врахують помилки та покажуть щось нове. Напевно, тому Gartner і помістив DAO на висхідну лінію.
5.3.Синтетичні дані (Synthetics Data)
Для навчання нейромереж потрібні великі обсяги даних. Розмічати дані вручну - величезна праця, яка може бути виконана тільки людиною. Тому можна створювати штучні набори даних. Наприклад, ті самі колекції людських осіб на сайті . Створюються вони за допомогою GAN – алгоритмів, про які вже було сказано вище.
Ці особи не належать людям.
Великий плюс таких даних – у тому, що не виникає юридичних труднощів у їх використанні: згоду на обробку персональних даних видавати нема кому.
5.4.Digital Ops
Суфікс «Ops» став неймовірно модним з того часу, як у нашій промові прижилося DevOps. Тепер про те, що таке DigitalOps – це просто узагальнення DevOps, DesignOps, MarketingOps… Ви ще не нудьгували? Коротше кажучи, це перенесення підходу, прийнятого в DevOps, зі сфери програмного забезпечення на решту сторін бізнесу – маркетинг, дизайн і т.д.
Ідеєю DevOps було прибрати бар'єри між власне Development (розробкою) та Operations (бізнес-процесами), через створення спільних команд, де і програмісти, і тестувальники, і безпечники, і адміністратори; Використання певних практик: безперервна інтеграція, інфраструктура як код, скорочення та посилення ланцюжків зворотного зв'язку. Мета була – прискорити виведення товару ринку. Якщо ви подумали, що це подібне до Agile, ви правильно подумали. Тепер подумки перенесіть цей підхід зі сфери розробки програмного забезпечення до розробки взагалі – і ви зрозуміли, що таке DigitalOps.
5.5. Графи знань (Knowledge Graphs)
Програмний спосіб моделювати область знань, у тому числі за допомогою алгоритмів машинного навчання. Граф знань будується поверх існуючих баз даних, щоб пов'язати докупи всю інформацію: як структуровану (список подій чи персон), так і неструктуровану (текст статті).
Найпростіший приклад – це та картка, яку ви можете побачити у пошуковій видачі Google. Якщо ви шукаєте якусь персону чи установу, то ви побачите праворуч картку:
Зверніть увагу, що «Майбутні заходи» — це не копія інформації з Google-карток, а інтеграція розкладу з Яндекс.Афіші: ви легко побачите це, якщо натисніть на події. Тобто це об'єднання кількох джерел даних воєдино.
Якщо ви запросите список - наприклад, "відомі режисери" - вам покажуть "карусель":
Бонус для тих, хто дочитав до кінця
І ось тепер, коли ми прояснили для себе значення кожного з пунктів, можемо подивитися на ту саму картинку, але вже російською мовою:
Вільно поділіться їй у соцмережах!
Тетяна Волкова - Автор навчальної програми треку по Інтернету речей IT Академії Samsung, спеціаліст з програм корпоративної соціальної відповідальності Дослідницького центру Samsung
Джерело: habr.com