对于科技行业的人来说，Gartner 的图表就像一场高级时装秀。 通过查看它，您可以提前了解本季哪些词最受炒作，以及您将在所有即将举行的会议上听到什么。
我们已经破译了该图中美丽单词背后的含义，以便您也可以说这种语言。
首先，简单介绍一下这是什么样的图表。 每年30月，咨询机构Gartner都会发布一份报告——Gartner炒作曲线。 在俄语中，这是一条“炒作曲线”，或者更简单地说，炒作。 XNUMX 年前，Public Enemy 乐队的说唱歌手唱道：“不要相信炒作。” 不管你相信与否，这是一个个人问题，但如果你在技术领域工作并想了解全球趋势，那么至少了解这些关键词是值得的。
这是公众对特定技术的期望的图表。 根据 Gartner 的说法，理想情况下，技术会经历 5 个阶段：技术发布、期望膨胀的顶峰、失望的低谷、启迪的斜坡、生产力的平台期。 但它也有可能陷入“失望之谷”——你可以很容易地记住例子，以同样的比特币为例：最初作为“未来的货币”达到顶峰，当技术的缺点出现时，它们很快就滑落了显而易见，首先是对交易数量和生成比特币所需的大量电力的限制（这已经带来了环境问题）。 当然，我们不能忘记 Gartner 的图表只是一个预测：例如，在这里，您可以阅读详细的 ，其中最引人注目的未实现的预测被整理出来。
那么，让我们看一下新的 Gartner 图表。 技术分为 5 大主题组：
- 先进的人工智能和分析
- 后古典计算和通信
- 传感与移动
- 增强人类
- 数字生态系统
1. 先进的人工智能和分析
过去10年，我们见证了深度学习最辉煌的时刻。 这些网络对于其任务范围确实有效。 2018 年，Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio 因其发现而获得了图灵奖，这是最负盛名的奖项，类似于计算机科学领域的诺贝尔奖。 因此，该领域的主要趋势如下图所示：
1.1. 迁移学习
您不需要从头开始训练神经网络，而是采用已经训练好的神经网络并为其分配不同的目标。 有时这需要重新训练部分网络，而不是整个网络，这样速度要快得多。 例如，采用现成的神经网络 ResNet50，在 ImageNet1000 数据集上进行训练，您将获得一种算法，可以在非常深的级别上对图像中的许多不同对象进行分类（基于 1000 层神经网络生成的特征，有 50 个类别）网络）。 但你不必训练整个网络，这需要几个月的时间。
В 以三星“神经网络与计算机视觉”为例，决赛中 通过将盘子分类为干净盘子和脏盘子，我们演示了一种方法，只需 5 分钟，您就可以使用根据上述架构构建的深度神经网络，该网络能够区分脏盘子和干净盘子。 最初的网络根本不知道什么是盘子，它只学会了区分鸟和狗（参见 ImageNet）。
来源： 三星《神经网络和计算机视觉》
对于迁移学习，您需要知道哪些方法有效以及哪些现成的基本架构可用。 总体而言，这极大地加速了机器学习实际应用的出现。
1.2. 生成对抗网络（GAN）
这是针对那些我们很难制定学习目标的情况。 任务越接近现实生活，我们就越容易理解（“带上床头柜”），但将其表述为技术任务就越困难。 GAN 只是试图让我们摆脱这个问题。
这里有两个网络在工作：一个是生成器（Generative），另一个是鉴别器（Adversarial）。 一个网络学习做有用的工作（对图片进行分类、识别声音、画漫画）。 另一个网络学习教导该网络：它有真实的例子，并且它学习找到一个以前未知的复杂公式，用于根据真正重要的深层特征将网络生成部分的乘积与现实世界的对象（训练集）进行比较：眼睛的数量，接近宫崎骏的风格，正确的英语发音。
用于生成动漫角色的网络结果的示例。
但是，当然，在那里建造建筑是很困难的。 仅仅扔出神经元是不够的，它们需要做好准备。 而且你必须学习几周。 我在三星人工智能中心的同事正在研究 GAN 主题；这是他们的关键研究问题之一。 例如，像这样 ：使用生成网络合成具有可变姿势的人物的真实照片——例如，创建虚拟试衣间，或者合成人脸，这可以减少需要存储或传输的信息量，以确保高质量的视频通信、广播或个人数据保护。
1.3. 可解释的人工智能
对于一些罕见的任务，深度架构的进步突然使深度神经网络的能力更接近人类的能力。 现在，扩大此类任务范围的战斗已经打响。 例如，机器人吸尘器可以在正面交锋中轻松区分猫和狗。 但在大多数生活情况下，他将无法找到睡在亚麻布或家具中的猫（但是，像我们一样，在大多数情况下......）。
深度神经网络成功的原因是什么？ 他们开发的问题表示不是基于“肉眼可见”的信息（照片像素、音量变化……），而是基于数百层神经网络对这些信息进行预处理后获得的特征。 不幸的是，这些关系也可能是无意义的、不一致的，或者在原始数据集中带有缺陷的痕迹。 例如，有一个小电脑游戏，讲述在招聘中不加考虑地使用人工智能会导致什么结果 .
图像标签系统将做饭的人标记为女性，尽管图片中的人实际上是男性（）。 它 在弗吉尼亚研究所。
为了分析我们通常无法自己表述的复杂而深刻的关系，需要可解释的人工智能方法。 他们组织深度神经网络的特征，以便在训练后，我们可以分析网络学到的内部表示，而不是简单地依赖其决策。
1.4. 边缘分析/人工智能
带有“边缘”一词的所有内容的字面意思如下：将部分算法从云/服务器传输到终端设备/网关级别。 这种算法运行速度更快，并且不需要连接到中央服务器即可运行。 如果您熟悉“瘦客户端”的抽象，那么在这里我们将这个客户端变得更厚一些。
这对于物联网来说可能很重要。 例如，如果机器过热并且需要冷却，则可以在工厂级别立即发出信号，而无需等待数据传输到云端并从云端传输到值班领班。 或者另一个例子：自动驾驶汽车可以自行计算出交通状况，而无需联系中央服务器。
或者从安全角度来看为什么这很重要的另一个例子：当您在手机上输入文本时，它会记住您的典型单词，以便手机键盘可以方便地提示您这些单词 - 这称为预测文本输入。 将您在键盘上输入的所有内容发送到某个地方的数据中心将侵犯您的隐私，而且根本不安全。 因此，键盘训练仅发生在您的设备本身内。
1.5. 人工智能平台即服务 (AI PaaS)
PaaS - 平台即服务是一种商业模式，我们可以在其中访问集成平台，包括基于云的数据存储和现成的程序。 这样，我们就可以将自己从基础设施任务中解放出来，完全专注于生产有用的东西。 用于 AI 任务的 PaaS 平台示例：IBM Cloud、Microsoft Azure、Amazon Machine Learning、Google AI Platform。
1.6. 自适应机器学习（自适应 ML）
如果我们让人工智能适应……你会问——也就是说，如何适应？……它不是已经适应了任务吗？ 问题是这样的：我们在构建人工智能算法来解决每个此类问题之前都精心设计了它。 他们会回答你——事实证明这个链条可以简化。
传统的机器学习遵循开环原理：您准备数据，提出神经网络（或任何东西），训练，然后查看几个指标，如果您喜欢所有内容，则可以将神经网络发送到智能手机- 解决用户问题。 但在数据量很大且性质逐渐变化的应用中，就需要其他方法。 这种自我适应和自学的系统被组织成封闭的、自学习的循环（闭环），并且它们必须顺利工作。
应用程序 - 这可以是流分析（Stream Analytics），许多商人在此基础上做出决策，也可以是自适应生产管理。 就当前应用的规模而言，考虑到对人类所面临的风险有了更深入的了解，构成该问题解决方案的技术都被归入“自适应人工智能”这一总称之下。
看着这张照片，很难摆脱不给未来学家提供面包的感觉——让他们教机器人呼吸……
后古典计算和通信
2.1. 第五代移动通信（5G）
这是一个非常有趣的话题，我们立即向您推荐我们的 。 嗯，这是一个简短的总结。 5G通过增加数据传输的频率，将使互联网速度快得不切实际。 短波更难穿过障碍物，因此网络的设计将完全不同：需要多500倍的基站。
除了速度之外，我们还将看到新的现象：增强现实的实时游戏、通过远程呈现执行复杂的任务（例如手术）、通过机器之间的通信预防道路上的事故和困难情况。 更平淡地说：移动互联网最终将在大型活动（例如体育场比赛）期间停止掉线。
图片来源 - 路透社、Niantic
2.2. 下一代内存
这里我们谈论的是第五代RAM——DDR5。 三星宣布基于 DDR2019 的产品将于 5 年底上市。 预计新内存的速度将是原来的两倍，容量将是原来的两倍，同时保持相同的外形尺寸，也就是说，我们将能够为我们的计算机获得容量高达 32GB 的内存条。 将来，这对于智能手机（新内存将是低功耗版本）和笔记本电脑（其中 DIMM 插槽数量有限）尤其重要。 而且机器学习也需要大量的 RAM。
2.3. 低地球轨道卫星系统
用大量小型廉价卫星取代笨重、昂贵、强大的卫星的想法远非新鲜事，早在上世纪 90 年代就已出现。 关于什么 现在只有懒人没有听说过。 这里最著名的公司是 Iridium，它在 90 年代末破产，但以美国国防部的代价才得以挽救（不要与俄罗斯智能家居系统 iRidium 混淆）。 埃隆·马斯克的项目（星链）远非唯一——理查德·布兰森（OneWeb - 提议的 1440 颗卫星）、波音（3000 颗卫星）、三星（4600 颗卫星）以及其他公司都参与了卫星竞赛。
该地区的情况如何，那里的经济状况如何 - 阅读 。 我们正在等待第一批用户对这些系统的首次测试，这应该在明年进行。
2.4. 纳米级3D打印
3D打印虽然还没有进入每个人的生活（以个人家庭塑料工厂承诺的形式），但它早已为极客们留下了技术利基。 您可以通过以下事实来判断：每个学童都至少知道 3D 雕刻笔的存在，并且许多人梦想购买一个带有滑道和挤出机的盒子......“就像那样”（或已经购买了）。
立体光刻（激光 3D 打印机）允许使用单个光子进行打印：正在探索只需要两个光子即可固化的新聚合物。 这将允许在非实验室条件下创建全新的滤光片、安装座、弹簧、毛细管、镜头和......您在评论中的选择！ 而这离光聚合并不遥远——只有这项技术才能让我们“打印”处理器和计算电路。 此外，这也不是第一年 ，但没有根本性的发展。
3. 传感与移动
3.1. 自动驾驶 4 级和 5 级
为了不混淆术语，有必要了解区分哪些级别的自治（取自详细的 ，我们提到所有感兴趣的人）：
1级：巡航控制：在非常有限的情况下协助驾驶员（例如，在驾驶员将脚离开踏板后将汽车保持在给定速度）
2 级：转向和制动辅助有限。 驾驶员必须几乎立即准备好接管控制权。 他的双手放在方向盘上，眼睛注视着路面。 这是特斯拉和通用汽车已经拥有的东西。
3 级：驾驶员不再需要一直注视路况。 但他必须保持警惕并做好掌控一切的准备。 这是目前商用车所不具备的。 目前所有现有的都处于 1-2 级。
4 级：真正的自动驾驶仪，但有限制：仅在仔细绘制地图且系统通常已知的已知区域中以及在某些条件下进行行程：例如，在没有雪的情况下。 Waymo 和通用汽车都有这样的原型，他们计划在几个城市推出并在真实环境中进行测试。 Yandex 在斯科尔科沃和伊诺波利斯设有无人驾驶出租车测试区：行程在坐在乘客座位上的工程师的监督下进行； 到今年年底，该公司计划将其车队规模扩大到100辆无人驾驶汽车。
5级：全自动驾驶，完全替代真人驾驶员。 这样的系统并不存在，而且在未来几年也不太可能出现。
在可预见的未来看到这一切有多现实？ 在这里我想将读者重定向到这篇文章 。 部分原因是缺乏 5G 连接：可用的 4G 速度不够。 部分原因是自动驾驶汽车的成本非常高：它们尚未盈利，商业模式尚不清楚。 总之，这里“一切都很复杂”，Gartner 预测 Level 4 和 5 的大规模实施不会早于 10 年，这并非巧合。
3.2. 3D传感相机
八年前，微软的 Kinect 游戏控制器通过提供一种易于使用且相对便宜的 3D 视觉解决方案而引起轰动。 此后，基于Kinect的体育和舞蹈游戏经历了短暂的兴衰，但3D摄像头开始应用于工业机器人、无人驾驶汽车和手机中进行面部识别。 该技术变得更便宜、更紧凑且更容易获得。
三星 S10 手机配备飞行时间摄像头，可以测量到物体的距离，以便更轻松地对焦。
如果您对此主题感兴趣，那么我们会将您重定向到深度相机的非常详细的评论： , .
3.3. 用于运送小型货物的无人机（轻型货物运送无人机）
今年，亚马逊在展会上展示了一款新型飞行无人机，可承载最多 2 公斤的小负载，引起了轰动。 对于一个交通拥堵的城市来说，这似乎是一个理想的解决方案。 让我们看看这些无人机在不久的将来表现如何。 也许这里值得谨慎怀疑：存在很多问题，首先是无人机容易被盗的可能性，最后是对无人机的法律限制。 Amazon Prime Air 已经存在六年了，但仍处于测试阶段。
亚马逊今年春天展示的新型无人机。 他身上有一些星球大战的味道。
除了亚马逊之外，这个市场还有其他参与者（有详细的 ），但不是一个成品：一切都处于测试和营销活动阶段。 另外，值得注意的是非常有趣的高度专业化的医疗 非洲：在加纳（Zipline 公司）和卢旺达（Matternet 公司）运送捐献血液 14 次。
3.4. 飞行自动驾驶汽车
在这里很难说任何明确的事情。 据 Gartner 称，这种情况最迟 10 年内就会出现。 总的来说，这里存在与自动驾驶汽车相同的问题，只是它们获得了一个新的维度——垂直。 保时捷、波音和优步都宣布了制造飞行出租车的雄心。
3.5. 增强现实云（AR云）
现实世界的永久数字副本，允许您创建所有用户共有的新现实层。 用更技术的术语来说，我们正在讨论创建一个开放的云平台，开发人员可以将他们的 AR 应用程序集成到其中。 盈利模式很清晰；它有点像Steam。 这个想法已经变得如此根深蒂固，以至于一些人现在认为没有云的 AR 根本毫无用处。
一段短视频展示了未来的样子。 看起来像黑镜的另一集：
您还可以阅读
4. 增强人类
4.1. 情感人工智能
如何测量、模拟和响应人类情绪？ 这里的一些客户是生产 Amazon Alexa 等语音助手的公司。 如果他们学会识别情绪，他们就能真正习惯家庭：了解用户不满意的原因，并尝试纠正这种情况。 一般来说，上下文中包含的信息比消息本身要多得多。 语境是面部表情、语调和非语言行为。
其他实际应用：工作面试期间的情绪分析（基于视频面试）、评估对广告或其他视频内容的反应（微笑、笑声）、帮助学习（例如，公开演讲艺术的独立练习）。
在这个话题上，很难比 6 分钟短片的作者说得更好了 。 这段诙谐又时尚的视频展示了如何衡量我们的情绪以用于营销目的，从你脸上的瞬间反应，了解你是否喜欢披萨、狗、坎耶·维斯特，甚至你的收入水平和大约智商是多少。 通过使用上面的链接访问电影的网站，您就可以使用笔记本电脑的内置摄像头成为交互式视频的参与者。 这部电影已经在多个电影节上放映。
甚至还有这样一个有趣的研究：如何识别文本中的讽刺。 我们收集了带有 #sarcasm 标签的推文，并制作了一个训练集，其中包含 25 条带有讽刺的推文和 000 条关于阳光下一切的常规推文。 我们使用 TensorFlow 库来训练系统，结果如下：
因此，现在，如果您不确定您的同事或朋友 - 他严肃地或讽刺地对您说了些什么，您已经可以使用 !
4.2. 增强智能
使用机器学习方法实现智力工作的自动化。 看起来似乎没有什么新鲜事？ 但这里的措辞本身很重要，特别是因为它与人工智能的缩写一致。 这让我们回到了关于“强”和“弱”人工智能的争论。
强人工智能与科幻电影中的人工智能一样，完全等同于人类思维，并且能够意识到自己是一个个体。 这还不存在，也不清楚它是否会存在。
弱人工智能不是一个独立的人，而是一个人类助手。 他并不声称拥有类人思维，而只是知道如何解决信息问题，例如确定图片中显示的内容或翻译文本。
从这个意义上说，增强智能是最纯粹形式的“弱人工智能”，而且这个表述似乎是成功的，因为它不会带来混乱和诱惑，让人们在这里看到每个人都梦想（或恐惧）的“强人工智能”，如果我们回想一下关于“叛逆汽车”的无数讨论）。 使用“增强智能”这个表达，我们立即成为另一部电影的英雄：从科幻小说（如阿西莫夫的《我，机器人》）中，我们发现自己处于赛博朋克（这一类型中的“增强”是指扩展人类能力的各种植入物）。
如 Erik Brynjolfsson 和 Andrew McAfee：“未来 10 年，这就是将会发生的事情。 人工智能不会取代管理者，但那些使用人工智能的管理者将取代那些尚未成功的管理者。”
Примеры：
- 医学：斯坦福大学开发 平均而言，他能够像大多数医生一样成功地完成胸部 X 光检查中的病理识别任务
- 教育：为学生和教师提供帮助，分析学生对材料的反应，构建个人学习轨迹。
- 商业分析：据统计，数据预处理占用了研究人员 80% 的时间，而实验本身只占 20%
4.3. 生物芯片
这是所有赛博朋克电影和书籍最喜欢的主题。 一般来说，给宠物植入微芯片并不是什么新鲜事。 但现在这些芯片已经开始被植入人体内。
在这种情况下，炒作很可能与美国公司三方市场的耸人听闻的案例有关。 在那里，雇主开始提出将芯片植入皮下以换取一定的费用。 该芯片可以让你开门、登录电脑、从自动售货机购买零食——也就是这样一张通用的员工卡。 而且，这种芯片正好充当身份证的作用；它没有GPS模块，因此不可能追踪任何使用它的人。 如果一个人想要从手臂上取出芯片，在医生的帮助下需要5分钟。
芯片通常植入拇指和食指之间。
阅读更多 关于世界上切屑的事态。
4.4. 沉浸式工作空间
“沉浸式”是另一个无法回避的新词。 它无处不在。 沉浸式剧院、展览、电影院。 你是什么意思？ 沉浸感是当作者与观看者、虚拟与现实世界之间的界限消失时，创造一种身临其境的效果。 就工作场所而言，这大概意味着模糊执行者和发起者之间的界限，并鼓励员工通过重新格式化周围的环境来采取更积极的立场。
由于我们现在到处都有敏捷、灵活性和密切协作，因此工作场所应尽可能易于配置，并应鼓励团队合作。 经济决定了它的条件：临时员工越来越多，租赁办公空间的成本不断上升，在竞争激烈的劳动力市场上，IT 公司正试图通过创建休闲区和其他福利来提高员工的工作满意度。 而这一切都体现在工作场所的设计中。
的 小丘
4.5. 拟人化
每个人都知道广告中的个性化是什么。 就是今天你和同事讨论房间里的空气有些干燥，要给办公室买个加湿器，第二天你在社交网络上看到一则广告——“买个加湿器”（a发生在我身上的真实事件）。
根据 Gartner 的定义，个性化是对用户对其个人数据用于广告目的日益增长的担忧的回应。 我们的目标是开发一种方法，让我们看到的广告与我们所处的环境相关，而不是与我们个人相关。 例如，我们的位置、设备类型、一天中的时间、天气状况——这些都不会侵犯我们的个人数据，我们不会感受到被“监视”的不愉快感觉。
了解这两个概念之间的区别 Andrew Frank 在 Gartner 网站上发表博客。 如此微妙的差异和如此相似的词语，以至于你在不知道其中差异的情况下，冒着与对话者争论很长时间的风险，而不是怀疑，总的来说，两者都是对的（这也是发生在对方身上的真实事件）作者）。
4.6. 生物技术——培养或人造组织
这首先是种植人造肉的想法。 与此同时，世界各地的几个团队正忙于开发实验室“肉类2.0”——预计它将变得比平时更便宜，快餐和随后的超市将转向它。 这项技术的投资者包括比尔·盖茨、谢尔盖·布林、理查德·布兰森等人。
源
大家对人造肉如此感兴趣的原因：
- 全球变暖：农场的甲烷排放。 这占全球影响气候的气体量的 18%。
- 人口增长。 对肉类的需求不断增长，不可能为每个人提供天然肉类——它的价格非常昂贵。
- 空间不足。 70%的亚马逊森林已经被砍伐为牧场。
- 道德考虑。 对于某些人来说，这很重要。 动物权利组织 PETA 已经向将人造鸡肉推向市场的科学家提供了 1 万美元的奖金。
用大豆代替真正的肉是一个部分解决方案，因为人们可以欣赏到味道和质地的差异，并且不太可能放弃牛排而选择大豆。 所以你需要真正的、有机种植的肉。 不幸的是，现在人造肉太贵了：每公斤 12 美元起。 这是由于种植这种肉的技术过程非常复杂。 阅读全部内容 .
如果我们谈论其他组织生长的案例 - 已经在医学中 - 那么人造器官的话题很有趣：例如，心肌的“补丁”， 特殊的3D打印机。 已知 就像人工种植的老鼠心脏一样，但总的来说一切都还在临床试验的范围之内。 因此，未来几年我们不太可能看到弗兰肯斯坦。
在这里，Gartner 的估计非常谨慎，显然考虑到了他在 2015 年失败的预测，即 2019 年发达国家 10% 的人口将拥有 3D 打印医疗设备植入物。 因此，达到生产力平台期至少需要10年。
5. 数字生态系统
5.1. 去中心化网络
这个概念与网络发明者、图灵奖获得者蒂姆·伯纳斯·李爵士的名字密切相关。 对他来说，计算机科学中的伦理问题始终很重要，互联网的集体本质也很重要：为超文本奠定了基础，他坚信网络应该像网络一样工作，而不是像层次结构一样。 网络发展初期就是这样。 然而，随着互联网的发展，其结构由于各种原因变得中心化。 事实证明，只需少数提供商的帮助，就可以轻松阻止整个国家对网络的访问。 而用户数据已经成为互联网公司的动力和收入来源。
“互联网已经是去中心化的，”伯纳斯-李说。 “问题在于，一个搜索引擎、一个大型社交网络、一个微博平台占据主导地位。 我们没有技术问题，但我们有社会问题。”
在其中 在万维网诞生 30 周年之际，万维网的创建者概述了互联网的三个主要问题：
- 有针对性的伤害，例如国家支持的黑客攻击、犯罪和在线骚扰
- 该系统的设计本身就损害了用户的利益，为以下机制奠定了基础：标题诱饵的经济激励和虚假信息的病毒式传播
- 系统设计的意外后果导致冲突和在线讨论质量下降
蒂姆·伯纳斯·李已经对“健康人的互联网”可以基于什么原则有了答案，排除了第二个问题：“对于许多用户来说，广告收入仍然是与互联网互动的唯一模式。 即使人们担心他们的数据会发生什么，他们也愿意与营销机器达成协议，以获得免费接收内容的机会。 想象一下这样一个世界：双方都可以轻松愉快地购买商品和服务。” 对此的安排方式包括：音乐家可以在没有中介的情况下以 iTunes 的形式出售他们的唱片，新闻网站可以使用小额支付系统来阅读一篇文章，而不是通过广告赚钱。
作为这个新互联网的实验原型，Tim Berners-Lee 推出了 SOLID 项目，其本质就是将你的数据存储在“pod”——信息存储中，并且可以将这些数据提供给第三方应用程序。 但原则上，您自己才是数据的主人。 所有这一切都与点对点网络的概念密切相关，即你的计算机不仅请求服务，而且还提供服务，从而不依赖于一台服务器作为唯一通道。
5.2. 去中心化自治组织
它是一个由以计算机程序形式记录的规则管理的组织。 其金融活动基于区块链。 创建这样的组织的目的是消除国家的中介角色，为交易对手创造一个共同的信任环境，这个环境不属于任何人个人所有，而是由每个人共同拥有。 也就是说，从理论上讲，如果这个想法扎根，这应该废除公证人和其他常见的验证机构。
此类组织最著名的例子是专注于风险投资的 The DAO，该组织在 2016 年筹集了 150 亿美元，其中 50 美元立即通过规则中的法律漏洞被盗。 一个艰难的困境立刻出现了：要么回滚并退回钱，要么承认取款是合法的，因为这根本没有违反平台的规则。 结果，为了将资金返还给投资者，创建者不得不摧毁 The DAO，重写区块链并违反其基本原则——不变性。
关于以太坊（左）和 DAO（右）的漫画。
整个故事毁了 DAO 理念的声誉。 该项目是在以太坊加密货币的基础上完成的，以太坊 2.0 版本预计明年推出——也许作者（包括著名的 Vitalik Buterin）会考虑到这些错误并展示一些新的东西。 这可能就是 Gartner 将 DAO 置于上线的原因。
5.3.合成数据
为了训练神经网络，需要大量数据。 手动标记数据是一项艰巨的任务，只能由人类来完成。 因此，可以创建人工数据集。 例如，网站上相同的人脸集合 。 它们是使用 GAN（上面已经提到的算法）创建的。
这些面孔不属于人。
此类数据的一大优点是使用它不存在法律困难：没有人同意处理个人数据。
5.4.数字化运营
自从 DevOps 在我们的演讲中扎根以来，后缀“Ops”就变得异常时尚。 现在谈谈 DigitalOps 是什么——它只是 DevOps、DesignOps、MarketingOps 的概括……您是否感到无聊？ 简而言之，它是将 DevOps 方法从软件领域转移到业务的所有其他方面 - 营销、设计等。
DevOps 的想法是通过创建公共团队来消除开发本身和运营（业务流程）之间的障碍，其中有程序员、测试人员、安全专家和管理员； 实施某些实践：持续集成、基础设施即代码、减少和加强反馈链。 目标是加快产品的上市时间。 如果您认为这与敏捷类似，那么您是对的。 现在，请在心里将这种方法从软件开发领域转移到一般开发领域 - 您就会明白 DigitalOps 是什么。
5.5. 知识图谱
一种对知识领域进行建模的软件方法，包括使用机器学习算法。 知识图建立在现有数据库之上，将所有信息链接在一起：结构化（事件或人员列表）和非结构化（文章文本）。
最简单的例子就是您可以在 Google 搜索结果中看到的卡片。 如果您正在寻找个人或机构，您会在右侧看到一张卡片：
请注意，“即将举行的活动”不是 Google 地图信息的副本，而是日程表与 Yandex.Afisha 的集成：如果您点击活动，您可以轻松看到这一点。 也就是说，它是多个数据源的组合在一起。
如果您要求一个列表 - 例如“著名导演” - 您将看到一个轮播：
读到最后的人有奖励
现在我们已经弄清楚了每一点的含义，我们可以看同一张图片，但是是俄语的：
在社交网络上免费分享！
Tatyana Volkova - 三星学院物联网 IT 课程培训项目作者、三星研究中心企业社会责任项目专家
来源： habr.com