對於科技業的人來說，Gartner 的圖表就像一場高級時裝秀。 透過查看它，您可以提前了解本季哪些詞最受炒作，以及您將在所有即將舉行的會議上聽到什麼。
我們已經破解了該圖中美麗單字背後的含義，以便您也可以說這種語言。
首先，簡單介紹一下這是什麼樣的圖表。 每年30月，諮詢機構Gartner都會發布一份報告－Gartner炒作曲線。 在俄語中，這是一條“炒作曲線”，或者更簡單地說，炒作。 XNUMX 年前，Public Enemy 樂隊的說唱歌手唱道：“不要相信炒作。” 不管你相信與否，這是一個個人問題，但如果你在技術領域工作並且想了解全球趨勢，那麼至少了解這些關鍵字是值得的。
這是公眾對特定技術的期望的圖表。 根據 Gartner 的說法，理想情況下，科技會經歷 5 個階段：技術發布、期望膨脹的頂峰、失望的低谷、啟蒙的斜坡、生產力的平台期。 但它也有可能陷入「失望之谷」——你可以很容易地記住例子，以同樣的比特幣為例：最初作為「未來的貨幣」達到頂峰，當技術的缺點出現時，它們很快就滑落了顯而易見，首先是對交易數量和產生比特幣所需的大量電力的限制（這已經帶來了環境問題）。 當然，我們不能忘記 Gartner 的圖表只是一個預測：例如，在這裡，您可以閱讀詳細的 ，其中最引人注目的未實現的預測被整理出來。
那麼，讓我們來看看新的 Gartner 圖表。 科技分為 5 大主題組：
- 先進的人工智慧和分析
- 後古典計算和通信
- 感測與移動
- 增強人類
- 數位生態系統
1. 先進的人工智慧和分析
過去10年，我們見證了深度學習最輝煌的時刻。 這些網路對於其任務範圍確實有效。 2018 年，Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio 因其發現而獲得了圖靈獎，這是最負盛名的獎項，類似於電腦科學領域的諾貝爾獎。 因此，該領域的主要趨勢如下圖所示：
1.1. 遷移學習
您不需要從頭開始訓練神經網絡，而是採用已經訓練好的神經網絡並為其分配不同的目標。 有時這需要重新訓練部分網絡，而不是整個網絡，這樣速度要快得多。 例如，採用現成的神經網路ResNet50，在ImageNet1000 資料集上進行訓練，您將獲得一種演算法，可以在非常深的層級上對影像中的許多不同物件進行分類（基於1000 層神經網路生成的特徵，有50 個類別）網路）。 但你不必訓練整個網絡，這需要幾個月的時間。
В 以三星「神經網路與電腦視覺」為例，決賽中 透過將盤子分類為乾淨盤子和髒盤子，我們演示了一種方法，只需 5 分鐘，您就可以使用根據上述架構構建的深度神經網絡，該網絡能夠區分髒盤子和乾淨盤子。 最初的網路根本不知道什麼是盤子，它只學會了區分鳥和狗（參見 ImageNet）。
來源： 三星《神經網路與電腦視覺》
對於遷移學習，您需要知道哪些方法有效以及哪些現成的基本架構可用。 總體而言，這大大加速了機器學習實際應用的出現。
1.2. 生成對抗網路（GAN）
這是針對那些我們很難訂定學習目標的情況。 任務越接近現實生活，我們就越容易理解（「帶上床頭櫃」），但將其表述為技術任務就越困難。 GAN 只是試圖讓我們擺脫這個問題。
這裡有兩個網路在運作：一個是生成器（Generative），另一個是鑑別器（Adversarial）。 一個網路學習做有用的工作（對圖片進行分類、辨識聲音、畫漫畫）。 另一個網路學習教導該網路：它有一個真實的例子，並且它學習找到一個以前未知的複雜公式，用於根據真正重要的深層特徵將網路生成部分的乘積與現實世界的物件（訓練集）進行比較：眼睛的數量，接近宮崎駿的風格，正確的英語發音。
用於產生動漫角色的網路結果的範例。
但是，當然，在那裡建造建築是很困難的。 僅僅扔出神經元是不夠的，它們需要做好準備。 而且你必須學習幾週。 我在三星人工智慧中心的同事正在研究 GAN 主題；這是他們的關鍵研究問題之一。 例如，像這樣 ：使用生成網路合成具有可變姿勢的人物的真實照片——例如，創建虛擬試衣間，或合成人臉，這可以減少需要儲存或傳輸的資訊量，以確保高品質的視訊通訊、廣播或個人資料保護。
1.3. 可解釋的人工智慧
對於一些罕見的任務，深度架構的進步突然使深度神經網路的能力更接近人類的能力。 現在，擴大此類任務範圍的戰鬥已經開始。 例如，機器人吸塵器可以在正面交鋒中輕鬆區分貓和狗。 但在大多數生活情況下，他將無法找到睡在亞麻布或家具中的貓（但是，像我們一樣，在大多數情況下...）。
深度神經網路成功的原因是什麼？ 他們開發的問題表示不是基於「肉眼可見」的資訊（照片像素、音量變化…），而是基於數百層神經網路對這些資訊進行預處理後獲得的特徵。 不幸的是，這些關係也可能是無意義的、不一致的，或者在原始資料集中帶有缺陷的痕跡。 例如，有一個小電腦遊戲，講述在招聘中不加考慮地使用人工智慧會導致什麼結果 .
圖像標籤系統將做飯的人標記為女性，儘管圖片中的人實際上是男性（）。 它 在維吉尼亞研究所。
為了分析我們通常無法自己表達的複雜而深刻的關係，需要可解釋的人工智慧方法。 他們組織深度神經網路的特徵，以便在訓練後，我們可以分析網路學到的內部表示，而不是簡單地依賴其決策。
1.4. 邊緣分析/人工智慧
所有帶有“邊緣”一詞的內容的字面意思如下：將部分演算法從雲端/伺服器傳輸到終端設備/網關層級。 這種演算法運行速度更快，並且不需要連接到中央伺服器即可運行。 如果您熟悉「瘦客戶端」的抽象，那麼在這裡我們將這個客戶端變得更厚一些。
這對於物聯網來說可能很重要。 例如，如果機器過熱並且需要冷卻，則可以在工廠層級立即發出訊號，而無需等待資料傳輸到雲端並從雲端傳輸到值班領班。 或另一個例子：自動駕駛汽車可以自行計算出交通狀況，而無需聯繫中央伺服器。
或者從安全角度來看為什麼這很重要的另一個例子：當您在手機上輸入文字時，它會記住您的典型單詞，以便稍後手機鍵盤可以方便地提示您這些單詞 - 這稱為預測文字輸入。 將您在鍵盤上輸入的所有內容發送到某個地方的資料中心將侵犯您的隱私，而且根本不安全。 因此，鍵盤訓練僅發生在您的裝置本身內。
1.5. 人工智慧平台即服務 (AI PaaS)
PaaS - 平台即服務是一種商業模式，我們可以在其中存取整合平台，包括基於雲端的資料儲存和現成的程式。 透過這種方式，我們可以將自己從基礎設施任務中解放出來，完全專注於生產有用的東西。 用於 AI 任務的 PaaS 平台範例：IBM Cloud、Microsoft Azure、Amazon Machine Learning、Google AI Platform。
1.6. 自適應機器學習（自適應 ML）
如果我們讓人工智慧適應……你會問——也就是說，如何適應？……它不是已經適應了任務嗎？ 問題是這樣的：我們在建立人工智慧演算法來解決每個此類問題之前都精心設計了它。 他們會回答你——事實證明這個鏈可以簡化。
傳統的機器學習遵循開環原理：您準備數據，提出神經網路（或任何東西），訓練，然後查看幾個指標，如果您喜歡所有內容，則可以將神經網路發送到智慧型手機解決用戶問題。 但在資料量大且性質逐漸改變的應用中，就需要其他方法。 這種自我適應和自學的系統被組織成封閉的、自學習的循環（閉環），並且它們必須順利工作。
應用程式－這可以是流分析（Stream Analytics），許多商人在此基礎上做出決策，也可以是自適應生產管理。 就目前應用的規模而言，考慮到對人類所面臨的風險有了更深入的了解，構成該問題解決方案的技術都被歸類在「自適應人工智慧」這一總稱之下。
看著這張照片，很難擺脫不給未來學家麵包的感覺——讓他們教機器人呼吸…
後古典計算和通信
2.1. 第五代行動通訊（5G）
這是一個非常有趣的話題，我們立即向您推薦我們的 。 嗯，這是一個簡短的總結。 5G透過增加資料傳輸的頻率，將使網路速度快得不切實際。 短波更難穿過障礙物，因此網路的設計將完全不同：需要多500倍的基地台。
除了速度之外，我們還將看到新的現象：擴增實境的即時遊戲、透過遠端呈現執行複雜的任務（例如手術）、透過機器之間的通訊預防道路上的事故和困難情況。 更平淡地說：行動網路最終將在大型活動（例如體育場比賽）期間停止斷線。
圖片來源 - 路透社、Niantic
2.2. 下一代記憶體
這裡我們談論的是第五代RAM——DDR5。 三星宣布基於 DDR2019 的產品將於 5 年底上市。 預計新記憶體的速度將是原來的兩倍，容量將是原來的兩倍，同時保持相同的外形尺寸，也就是說，我們將能夠為我們的電腦獲得容量高達 32GB 的記憶體。 將來，這對於智慧型手機（新記憶體將是低功耗版本）和筆記型電腦（其中 DIMM 插槽數量有限）尤其重要。 而且機器學習也需要大量的 RAM。
2.3. 低地球軌道衛星系統
用大量小型廉價衛星取代笨重、昂貴、強大的衛星的想法遠非新鮮事，早在 90 年代就已出現。 關於什麼 現在只有懶人沒聽過。 這裡最著名的公司是 Iridium，它在 90 年代末破產，但以美國國防部的代價才得以挽救（不要與俄羅斯智慧家庭系統 iRidium 混淆）。 伊隆馬斯克的計畫（星鏈）遠非唯一——理查德布蘭森（OneWeb - 提議的1440 顆衛星）、波音（3000 顆衛星）、三星（4600 顆衛星）以及其他公司都參與了衛星競賽。
該地區的情況如何，那裡的經濟狀況如何 - 閱讀 。 我們正在等待第一批用戶對這些系統的首次測試，這應該在明年進行。
2.4. 奈米級3D列印
3D列印雖然還沒有進入每個人的生活（以個人家庭塑膠工廠承諾的形式），但它早已為極客們留下了技術利基。 您可以通過以下事實來判斷：每個學童都至少知道3D 雕刻筆的存在，並且許多人夢想購買一個帶有滑道和擠出機的盒子......“就像那樣”（或者已經購買了）。
立體光刻（雷射 3D 列印機）允許使用單個光子進行列印：正在探索只需要兩個光子即可固化的新聚合物。 這將允許在非實驗室條件下創建全新的濾光片、安裝座、彈簧、毛細管、鏡頭和...您在評論中的選擇！ 而這離光聚合並不遙遠——只有這項技術才能讓我們「列印」處理器和計算電路。 此外，這也不是第一年 ，但沒有根本性的發展。
3. 感測與移動
3.1. 自動駕駛 4 級和 5 級
為了不混淆術語，有必要了解區分哪些層級的自主性（取自詳細的 ，我們提到所有有興趣的人）：
1級：巡航控制：在非常有限的情況下協助駕駛員（例如，在駕駛員將腳離開踏板後將汽車保持在給定速度）
等級 2：轉向和煞車輔助有限。 駕駛員必須幾乎立即準備好接管控制權。 他的雙手放在方向盤上，眼睛注視著路面。 這是特斯拉和通用汽車已經擁有的東西。
等級 3：駕駛不再需要一直注視路況。 但他必須保持警覺並做好掌控一切的準備。 這是目前商用車所不具備的。 目前所有現有的都處於 1-2 級。
等級 4：真正的自動駕駛儀，但有限制：僅在仔細繪製地圖且系統通常已知的已知區域中以及在某些條件下進行行程：例如，在沒有雪的情況下。 Waymo 和通用汽車都有這樣的原型，他們計劃在幾個城市推出並在真實環境中進行測試。 Yandex 在斯科爾科沃和伊諾波利斯設有無人駕駛計程車測試區：行程在坐在乘客座位上的工程師的監督下進行； 到今年年底，該公司計劃將車隊規模擴大到100輛無人駕駛汽車。
5級：全自動駕駛，完全取代真人駕駛。 這樣的系統並不存在，而且在未來幾年也不太可能出現。
在可預見的未來看到這一切有多現實？ 在這裡我想將讀者重新導向到這篇文章 。 部分原因是缺乏 5G 連線：可用的 4G 速度不夠。 部分原因是自動駕駛汽車的成本非常高：它們尚未獲利，商業模式尚不清楚。 總而言之，這裡“一切都很複雜”，Gartner 預測 Level 4 和 5 的大規模實施不會早於 10 年，這並非巧合。
3.2. 3D感測相機
八年前，微軟的 Kinect 遊戲控制器透過提供易於使用且相對便宜的 3D 視覺解決方案而引起轟動。 此後，基於Kinect的運動和舞蹈遊戲經歷了短暫的興衰，但3D相機開始應用於工業機器人、無人駕駛汽車和手機中進行臉部辨識。 該技術變得更便宜、更緊湊且更容易獲得。
三星 S10 手機配備飛行時間鏡頭，可以測量到物體的距離，以便更輕鬆地對焦。
如果您對此主題感興趣，那麼我們會將您重定向到深度相機的非常詳細的評論： , .
3.3. 用於運送小型貨物的無人機（輕型貨物運送無人機）
今年，亞馬遜在展會上展示了一款新型飛行無人機，可承載最多 2 公斤的小負載，引起了轟動。 對於一個交通擁擠的城市來說，這似乎是一個理想的解決方案。 讓我們看看這些無人機在不久的將來表現如何。 也許這裡值得謹慎懷疑：存在著許多問題，首先是無人機容易被偷的可能性，最後是無人機的法律限制。 Amazon Prime Air 已經存在六年了，但仍處於測試階段。
亞馬遜今年春天展示的新型態無人機。 他身上有一些星際大戰的味道。
除了亞馬遜之外，這個市場還有其他參與者（有詳細的 ），但不是一個成品：一切都處於測試和行銷活動階段。 另外，值得注意的是非常有趣的高度專業化的醫療 非洲：在加納（Zipline 公司）和盧安達（Matternet 公司）運送捐血 14 次。
3.4. 飛行自動駕駛汽車
在這裡很難說任何明確的事情。 據 Gartner 稱，這種情況最晚 10 年內就會出現。 總的來說，這裡存在著與自動駕駛汽車相同的問題，只是它們獲得了一個新的維度——垂直。 保時捷、波音和優步都宣布了製造飛行出租車的雄心。
3.5. 擴增實境雲（AR雲）
現實世界的永久數位副本，可讓您建立所有使用者共有的新現實層。 用更技術的術語來說，我們正在討論創建一個開放的雲端平台，開發人員可以將他們的 AR 應用程式整合到其中。 獲利模式很清晰；它有點像Steam。 這個想法已經變得如此根深蒂固，以至於有些人現在認為沒有雲端的 AR 根本毫無用處。
一段短片展示了未來的樣子。 看起來像黑鏡的另一集：
您也可以閱讀
4. 增強人類
4.1. 情感人工智慧
如何測量、模擬和回應人類情緒？ 這裡的一些客戶是生產 Amazon Alexa 等語音助理的公司。 如果他們學會辨識情緒，他們就能真正習慣家庭：了解使用者不滿意的原因，並試著糾正這種情況。 一般來說，上下文中包含的資訊比訊息本身多得多。 語境是面部表情、語調和非語言行為。
其他實際應用：工作面試期間的情緒分析（基於視訊面試）、評估對廣告或其他影片內容的反應（微笑、笑聲）、幫助學習（例如，公開演講藝術的獨立練習）。
在這個主題上，很難比 6 分鐘短片的作者說得更好了 。 這段詼諧又時尚的影片展示瞭如何衡量我們的情緒以用於行銷目的，從你臉上的瞬間反應，了解你是否喜歡披薩、狗、Kanye West，甚至你的收入水平和大約智商是多少。 透過使用上面的連結造訪電影的網站，您就可以使用筆記型電腦的內建攝影機成為互動式影片的參與者。 這部電影已經在多個電影節上放映。
甚至還有這樣有趣的研究：如何辨識文本中的諷刺。 我們收集了帶有 #sarcasm 標籤的推文，並製作了一個訓練集，其中包含 25 條帶有諷刺的推文和 000 條關於陽光下一切的常規推文。 我們使用 TensorFlow 庫來訓練系統，結果如下：
因此，現在，如果您不確定您的同事或朋友 - 他嚴肅地或諷刺地對您說了些什麼，您已經可以使用 !
4.2. 增強智能
使用機器學習方法實現智力工作的自動化。 看起來似乎沒有什麼新鮮事？ 但這裡的措詞本身很重要，特別是因為它與人工智慧的縮寫一致。 這讓我們回到了關於「強」和「弱」人工智慧的爭論。
強人工智慧與科幻電影中的人工智慧一樣，完全等同於人類思維，並且能夠意識到自己是一個個體。 這還不存在，也不清楚它是否會存在。
弱人工智慧不是一個獨立的人，而是一個人類助手。 他並不聲稱擁有類人思維，而只是知道如何解決資訊問題，例如確定圖片中顯示的內容或翻譯文字。
從這個意義上說，增強智能是最純粹形式的“弱人工智慧”，而這個表述似乎是成功的，因為它不會帶來混亂和誘惑，讓人們在這裡看到每個人都夢想（或害怕）的「強人工智慧」。如果我們還記得關於「叛逆汽車」的無數討論）。 使用“增強智能”這個表達，我們立即成為另一部電影的英雄：從科幻小說（如阿西莫夫的《我，機器人》）中，我們發現自己處於賽博朋克（這一類型中的“增強」是指擴展人類能力的各種植入物）。
如 Erik Brynjolfsson 和 Andrew McAfee：「未來 10 年，這就是將會發生的事情。 人工智慧不會取代管理者，但那些使用人工智慧的管理者將取代那些尚未成功的管理者。”
Примеры：
- 醫學：史丹佛大學開發 平均而言，他能夠像大多數醫生一樣成功地完成胸部 X 光檢查中的病理識別任務
- 教育：為學生和教師提供協助，分析學生對材料的反應，建構個人學習軌跡。
- 商業分析：根據統計，資料預處理佔用了研究人員 80% 的時間，而實驗本身只佔 20%
4.3. 生物晶片
這是所有賽博龐克電影和書籍最喜歡的主題。 一般來說，給寵物植入晶片並不是什麼新鮮事。 但現在這些晶片已經開始植入人體內。
在這種情況下，炒作很可能與美國公司三方市場的聳人聽聞的案例有關。 在那裡，雇主開始提出將晶片植入皮下以換取一定的費用。 這顆晶片可以讓你開門、登入電腦、從自動販賣機購買零食——也就是這樣一張通用的員工卡。 而且，這種晶片正好充當身分證的作用；它沒有GPS模組，因此不可能追蹤任何使用它的人。 如果一個人想要從手臂上取出晶片，在醫生的幫助下需要5分鐘。
晶片通常植入拇指和食指之間。
閱讀更多 關於世界上切屑的事態。
4.4. 沉浸式工作空間
「沉浸式」是另一個無法迴避的新詞。 它無所不在。 沉浸式劇院、展覽、電影院。 你是什麼意思？ 沉浸感是當作者與觀看者、虛擬與現實世界之間的界線消失時，創造身臨其境的效果。 就工作場所而言，這大概意味著模糊執行者和發起者之間的界限，並鼓勵員工透過重新格式化周圍的環境來採取更積極的立場。
由於我們現在到處都有敏捷、靈活性和密切協作，因此工作場所應盡可能易於配置，並應鼓勵團隊合作。 經濟決定了它的條件：臨時員工越來越多，租賃辦公空間的成本不斷上升，在競爭激烈的勞動力市場上，IT 公司正試圖透過創建休閒區和其他福利來提高員工的工作滿意度。 而這一切都體現在工作場所的設計中。
的 小丘
4.5. 擬人化
每個人都知道廣告中的個人化是什麼。 就是今天你和同事討論房間裡的空氣有些乾燥，要給辦公室買個加濕器，第二天你在社交網絡上看到一則廣告——“買個加濕器”（a發生在我身上的真實事件）。
根據 Gartner 的定義，個人化是對用戶對其個人資料用於廣告目的日益增長的擔憂的回應。 我們的目標是發展一種方法，讓我們看到的廣告與我們所處的環境相關，而不是與我們個人相關。 例如，我們的位置、設備類型、一天中的時間、天氣狀況——這些都不會侵犯我們的個人數據，我們不會感受到被「監視」的不愉快感覺。
了解這兩個概念之間的區別 Andrew Frank 在 Gartner 網站上發表部落格。 如此微妙的差異和如此相似的詞語，以至於你在不知道其中差異的情況下，冒著與對話者爭論很長時間的風險，而不是懷疑，總的來說，兩者都是對的（這也是發生在對方身上的真實事件）作者）。
4.6. 生物技術－培養或人造組織
這首先是種植人造肉的想法。 與此同時，世界各地的幾個團隊正忙於開發實驗室「肉類2.0」——預計它將變得比平常更便宜，快餐和隨後的超市將轉向它。 這項技術的投資者包括比爾蓋茲、謝爾蓋布林、理查布蘭森等人。
源
大家對人造肉如此感興趣的原因：
- 全球暖化：農場的甲烷排放。 這佔全球影響氣候的氣體量的 18%。
- 人口增長。 對肉類的需求不斷增長，不可能為每個人提供天然肉類——它的價格非常昂貴。
- 空間不足。 70%的亞馬遜森林已經被砍伐為牧場。
- 道德考慮。 對某些人來說，這很重要。 動物權利組織 PETA 已經向將人造雞肉推向市場的科學家提供了 1 萬美元的獎金。
用大豆代替真正的肉是一個部分解決方案，因為人們可以欣賞到味道和質地的差異，並且不太可能放棄牛排而選擇大豆。 所以你需要真正的、有機種植的肉。 不幸的是，現在人造肉太貴了：每公斤 12 美元起。 這是由於種植這種肉的技術過程非常複雜。 閱讀全部內容 .
如果我們談論其他組織生長的案例 - 已經在醫學中 - 那麼人造器官的話題很有趣：例如，心肌的“補丁”， 特殊的3D列印機。 已知 就像人工種植的老鼠心臟一樣，但總的來說一切都還在臨床試驗的範圍之內。 因此，未來幾年我們不太可能看到科學怪人。
在這裡，Gartner 的估計非常謹慎，顯然考慮到了他在 2015 年失敗的預測，即 2019 年發達國家 10% 的人口將擁有 3D 列印醫療設備植入物。 因此，要達到生產力平台期至少需要10年。
5.數位生態系統
5.1. 去中心化網絡
這個概念與網路發明家、圖靈獎得主蒂姆·伯納斯·李爵士的名字密切相關。 對他來說，電腦科學中的倫理問題始終很重要，而網路的集體本質也很重要：為超文本奠定了基礎，他堅信網路應該像網路一樣運作，而不是像層次結構一樣。 網路發展初期就是這樣。 然而，隨著互聯網的發展，其結構由於各種原因變得中心化。 事實證明，只需少數提供者的幫助，就可以輕鬆阻止整個國家對網路的存取。 而用戶數據已成為網路公司的動力和收入來源。
「網路已經是去中心化的，」伯納斯-李說。 「問題在於，一個搜尋引擎、一個大型社交網路、一個微博平台佔據主導地位。 我們沒有技術問題，但我們有社會問題。”
在他的 在萬維網誕生 30 週年之際，萬維網的創建者概述了互聯網的三個主要問題：
- 有針對性的傷害，例如國家支持的駭客攻擊、犯罪和網路騷擾
- 該系統的設計本身就損害了用戶的利益，為以下機制奠定了基礎：標題誘餌的經濟誘因和虛假訊息的病毒式傳播
- 系統設計的意外後果導致衝突和線上討論品質下降
提姆·伯納斯·李已經對「健康人的網路」可以基於什麼原則有了答案，排除了第二個問題：「對於許多用戶來說，廣告收入仍然是與網路互動的唯一模式。 即使人們擔心他們的資料會發生什麼，他們也願意與行銷機器達成協議，以獲得免費接收內容的機會。 想像一下這樣一個世界：雙方都可以輕鬆愉快地購買商品和服務。” 對此的安排方式包括：音樂家可以在沒有中介的情況下以 iTunes 的形式出售他們的唱片，新聞網站可以使用小額支付系統來閱讀一篇文章，而不是透過廣告賺錢。
作為這個新互聯網的實驗原型，Tim Berners-Lee 推出了 SOLID 項目，其本質就是將你的數據存儲在「pod」——資訊儲存中，並且可以將這些數據提供給第三方應用程式。 但原則上，您自己才是數據的主人。 這一切都與點對點網路的概念密切相關，即你的電腦不僅要求服務，而且還提供服務，從而不依賴一台伺服器作為唯一通道。
5.2. 去中心化自治組織
它是一個由以電腦程式形式記錄的規則管理的組織。 其金融活動基於區塊鏈。 創造這樣的組織的目的是消除國家的中介角色，為交易對手創造一個共同的信任環境，這個環境不是由任何人單獨擁有，而是由每個人共同擁有。 也就是說，從理論上講，如果這個想法紮根，這應該廢除公證人和其他常見的驗證機構。
這類組織最著名的例子是專注於創投的 The DAO，該組織在 2016 年籌集了 150 億美元，其中 50 美元立即透過規則中的法律漏洞被盜。 一個艱難的困境立刻出現了：要嘛回滾並退回錢，要嘛承認提款是合法的，因為這根本沒有違反平台的規則。 結果，為了將資金返還給投資者，創建者不得不摧毀 The DAO，重寫區塊鏈並違反其基本原則——不變性。
關於以太坊（左）和 DAO（右）的漫畫。
整個故事毀了 DAO 概念的聲譽。 該項目是在以太坊加密貨幣的基礎上完成的，以太坊 2.0 版本預計明年推出——也許作者（包括著名的 Vitalik Buterin）會考慮到這些錯誤並展示一些新的東西。 這可能是 Gartner 將 DAO 置於上線的原因。
5.3.合成數據
為了訓練神經網絡，需要大量資料。 手動標記資料是一項艱鉅的任務，只能由人類來完成。 因此，可以建立人工資料集。 例如，網站上相同的人臉集合 。 它們是使用 GAN（上面已經提到的演算法）創建的。
這些面孔不屬於人。
此類資料的一大優點是使用它不存在法律困難：沒有人同意處理個人資料。
5.4.數位化營運
自從 DevOps 在我們的演講中紮根以來，後綴「Ops」就變得異常時尚。 現在談談 DigitalOps 是什麼——它只是 DevOps、DesignOps、MarketingOps 的概括……您是否感到無聊？ 簡而言之，它是將 DevOps 方法從軟體領域轉移到業務的所有其他方面 - 行銷、設計等。
DevOps 的想法是透過創建公共團隊來消除開發本身和營運（業務流程）之間的障礙，其中有程式設計師、測試人員、安全專家和管理員； 實施某些實踐：持續整合、基礎設施即程式碼、減少和加強回饋鏈。 目標是加快產品的上市時間。 如果您認為這與敏捷類似，那麼您是對的。 現在，請在心裡將這種方法從軟體開發領域轉移到一般開發領域 - 您就會明白 DigitalOps 是什麼。
5.5. 知識圖譜
一種對知識領域進行建模的軟體方法，包括使用機器學習演算法。 知識圖建立在現有資料庫之上，將所有資訊連結在一起：結構化（事件或人員清單）和非結構化（文章文字）。
最簡單的例子就是您可以在 Google 搜尋結果中看到的卡片。 如果您正在尋找個人或機構，您會在右側看到一張卡片：
請注意，「即將舉行的活動」不是 Google 地圖資訊的副本，而是日程表與 Yandex.Afisha 的整合：如果您點擊活動，您可以輕鬆看到這一點。 也就是說，它是多個資料來源的組合在一起。
如果您要求一個清單 - 例如“著名導演” - 您將看到一個輪播：
讀到最後的人有獎勵
現在我們已經弄清楚了每一點的含義，我們可以看同一張圖片，但是是俄語的：
在社群網路上免費分享！
Tatyana Volkova - 三星學院物聯網 IT 課程培訓計畫作者、三星研究中心企業社會責任專案專家
來源： www.habr.com