Jadwal Gartner bagi mereka yang bekerja di bidang teknologi ibarat sebuah pameran fashion kelas atas. Melihat itu, Anda dapat mengetahui di muka kata-kata mana yang paling hype musim ini dan apa yang akan Anda dengar di semua konferensi mendatang.

Kami telah menguraikan apa yang tersembunyi di balik kata-kata indah pada grafik ini sehingga Anda juga dapat berbicara bahasa ini.





Untuk memulai, hanya beberapa kata, jadwal seperti apa ini. Setiap tahun di bulan Agustus, agensi konsultan Gartner menerbitkan laporan - Kurva Gartner Hype. Di Rusia, ini adalah "kurva sensasi", atau, lebih sederhana, sebuah sensasi. 30 tahun yang lalu, rapper dari grup Public Enemy menyanyikan: "Don't believe the hype." Percaya atau tidak, pertanyaannya bersifat pribadi, tetapi setidaknya ada baiknya mengetahui kata kunci ini jika Anda bekerja di bidang teknologi dan ingin mengetahui tren dunia.

Ini adalah grafik harapan publik dari teknologi tertentu. Menurut Gartner, dalam kasus ideal, teknologi melewati 5 tahap berturut-turut: peluncuran teknologi, puncak harapan tinggi, lembah kekecewaan, kemiringan pendidikan, dataran tinggi produktivitas. Tapi itu juga terjadi bahwa itu tenggelam dalam "lembah kekecewaan" - Anda dapat mengingat contohnya sendiri dengan sangat mudah, ambil bitcoin yang sama: awalnya di puncak sebagai "uang masa depan", mereka dengan cepat bergulir ketika kekurangan teknologi menjadi jelas, pertama-tama kekurangan pembatasan jumlah transaksi dan jumlah besar listrik yang dibutuhkan untuk menghasilkan bitcoin (yang sudah menimbulkan masalah lingkungan). Dan tentu saja, kita tidak boleh lupa bahwa bagan Gartner hanyalah perkiraan: di sini, misalnya, Anda dapat membaca artikel terperinci di mana prediksi yang paling tidak terpenuhi yang paling jelas diselesaikan.

Jadi, mari kita lihat grafik Gartner yang baru. Teknologi dibagi menjadi 5 kelompok tematik besar:

1. AI dan Analisis Lanjut
   
2. Compute dan Comms Postclassical
   
3. Sensorik dan Mobilitas
   
4. Manusia yang diperbesar
   
5. Ekosistem Digital
   

1. AI dan Analisis Lanjut

Selama 10 tahun terakhir, kami telah melihat titik tinggi pembelajaran mendalam (Deep Learning). Jaringan ini sangat efektif untuk tugas mereka. Pada tahun 2018, Jan Lecun, Jeffrey Hinton dan Yoshua Benjio menerima Hadiah Turing karena membukanya, penghargaan paling bergengsi, analog dari Hadiah Nobel dalam ilmu komputer. Jadi, tren utama di area ini, yang ditampilkan pada grafik:

1.1. Transfer Belajar

Anda tidak melatih jaringan saraf dari awal, tetapi ambil yang sudah terlatih dan tetapkan target yang berbeda. Terkadang untuk ini, Anda perlu melatih ulang bagian dari jaringan, tetapi tidak seluruh jaringan, yang jauh lebih cepat. Misalnya, jika Anda mengambil jaringan saraf ResNet50 siap pakai yang dilatih pada dataset ImageNet1000, Anda akan mendapatkan algoritma yang dapat mengklasifikasikan banyak objek yang berbeda dari gambar pada tingkat yang sangat dalam (1000 kelas berdasarkan atribut yang dihasilkan oleh 50 lapisan jaringan saraf). Tetapi Anda tidak perlu melatih seluruh jaringan, yang akan memakan waktu berbulan-bulan.

Dalam kursus online Samsung “Neural Networks and Computer Vision”, misalnya, dalam tugas Kaggle terakhir dengan mengklasifikasikan pelat menjadi bersih dan kotor, sebuah pendekatan ditunjukkan bahwa dalam 5 menit Anda mendapatkan jaringan saraf yang dalam yang dapat membedakan pelat kotor dari yang bersih. dibangun di atas arsitektur di atas. Jaringan asli tidak tahu pelat apa yang secara umum, hanya belajar membedakan burung dari anjing (lihat ImageNet).


Sumber: Kursus Online Samsung “Jaringan Saraf dan Visi Komputer”

Untuk Transfer Learning, Anda perlu tahu pendekatan apa yang berfungsi, apa arsitektur dasar yang sudah jadi. Secara umum, ini sangat mempercepat munculnya aplikasi praktis pembelajaran mesin.

1.2. Generative Adversarial Networks (GAN)

Ini untuk kasus-kasus ketika sangat sulit bagi kita untuk merumuskan tujuan pelatihan. Semakin dekat tugasnya dengan kehidupan nyata, semakin dapat dimengerti bagi kita (“bawa meja samping tempat tidur”), tetapi semakin sulit untuk merumuskannya sebagai tugas teknis. GAN hanyalah upaya untuk menyingkirkan kita dari masalah ini.

Dua jaringan bekerja di sini: satu generator (Generatif), diskriminator lainnya (Adversarial). Satu jaringan belajar untuk melakukan pekerjaan yang bermanfaat (mengklasifikasikan gambar, mengenali suara, menggambar kartun). Dan jaringan lain belajar untuk mempelajari jaringan itu: ia memiliki contoh nyata, dan ia belajar untuk menemukan formula kompleks yang sebelumnya tidak dikenal untuk membandingkan bagian generatif dari jaringan dengan objek dunia nyata (set pelatihan) sesuai dengan tanda-tanda yang sangat penting: jumlah mata, kedekatan dengan gaya Miyazaki, pengucapan bahasa Inggris yang benar.


Contoh hasil jaringan untuk menghasilkan karakter anime. Sumber

Tetapi di sana, tentu saja, sulit untuk membangun arsitektur. Melempar neuron tidak cukup, mereka perlu dipersiapkan. Dan Anda harus belajar selama berminggu-minggu. Rekan-rekan saya di Samsung Center for Artificial Intelligence berurusan dengan topik GAN, dan ini adalah salah satu pertanyaan penelitian utama mereka. Sebagai contoh, inilah perkembangannya : penggunaan jaringan generatif untuk sintesis foto-foto realistis orang dengan pose variabel - misalnya, untuk membuat ruang pas virtual, atau untuk mensintesis wajah, yang dapat mengurangi jumlah informasi yang perlu disimpan atau dikirim untuk memastikan komunikasi, penyiaran atau perlindungan video berkualitas tinggi data pribadi.


Sumber

1.3. AI dijelaskan

Dalam beberapa tugas yang jarang terjadi, kemajuan dalam arsitektur yang dalam tiba-tiba membawa kemampuan jaringan saraf yang dalam menjadi lebih dekat dengan manusia. Sekarang pertempuran adalah untuk memperluas lingkaran tugas-tugas tersebut. Sebagai contoh, robot penyedot debu dapat dengan mudah membedakan kucing dari anjing dalam pertemuan langsung. Tetapi dalam kebanyakan situasi kehidupan ia tidak akan dapat menemukan kucing tidur di antara linen atau furnitur (namun, seperti kita, dalam banyak kasus ...).

Apa alasan keberhasilan jaringan saraf yang dalam? Mereka mengembangkan representasi masalah, bukan berdasarkan pada informasi "kasat mata" (piksel sebuah foto, lompatan dalam volume suara ...), tetapi pada tanda-tanda yang diperoleh setelah memproses informasi ini dengan beberapa ratus lapisan jaringan saraf. Sayangnya, hubungan ini juga bisa menjadi tidak berarti, kontradiktif, atau membawa jejak ketidaksempurnaan dalam kumpulan data asli. Misalnya, tentang apa yang dapat menyebabkan penggunaan AI yang tidak bijaksana dalam merekrut, ada permainan komputer kecil Survival Of The Best Fit .


Sistem untuk menandai gambar disebut orang yang memasak wanita, meskipun gambar sebenarnya adalah pria ( Sumber ). Ini diperhatikan di Virginia Institute.

Metode AI yang dapat dijelaskan diperlukan untuk menganalisis hubungan yang kompleks dan mendalam yang seringkali tidak dapat kita rumuskan sendiri. Mereka mengatur tanda-tanda jaringan saraf yang dalam sehingga setelah pelatihan kita dapat menganalisis representasi internal yang telah dipelajari jaringan, dan tidak hanya mengandalkan solusinya.

1.4. Analisis Periferal / AI (Edge Analytics / AI)

Semuanya, di mana kata Edge berada, secara harfiah berarti yang berikut: mentransfer beberapa algoritma dari cloud / server ke tingkat perangkat akhir / gateway. Algoritma seperti itu akan bekerja lebih cepat dan tidak perlu terhubung ke server pusat untuk pekerjaannya. Jika Anda terbiasa dengan abstraksi "thin client", maka di sini kami sedikit menebalkan klien ini.
Ini bisa penting untuk Internet hal. Misalnya, jika mesin terlalu panas dan perlu didinginkan, masuk akal untuk mengirim sinyal tentang hal ini segera, di tingkat pabrik, tanpa menunggu data untuk pergi ke cloud dan dari sana ke shift master. Atau contoh lain: drone dapat menangani sendiri situasi lalu lintas, tanpa mengakses server pusat.


Sumber

Atau contoh lain mengapa ini penting dari sudut pandang keamanan: ketika Anda mengetik teks pada ponsel Anda, ia mengingat kata-kata yang khas untuk Anda, sehingga keyboard ponsel akan meminta Anda dengan lebih mudah - ini disebut input teks prediktif. Mengirim ke suatu tempat ke pusat data segala sesuatu yang Anda masukkan pada keyboard akan menjadi pelanggaran privasi Anda dan tidak aman. Karena itu, pelatihan keyboard hanya terjadi dalam kerangka perangkat Anda.

1.5. Platform AI sebagai layanan (AI PaaS)

PaaS - Platform-as-a-service adalah model bisnis di mana kami mendapatkan akses ke platform terintegrasi, termasuk penyimpanan data berbasis cloud dan prosedur siap pakai. Dengan demikian, kita dapat membebaskan diri dari tugas-tugas infrastruktur, dan sepenuhnya berkonsentrasi pada produksi sesuatu yang bermanfaat. Contoh platform PaaS untuk tugas AI: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Pembelajaran Mesin Adaptif (ML Adaptif)

Bagaimana jika kami membiarkan kecerdasan buatan beradaptasi ... Anda bertanya - begitulah, bagaimana? .. Lagi pula, apakah itu tidak beradaptasi dengan tugas? Masalahnya adalah ini: kita dengan susah payah mengatur setiap tugas seperti itu sebelum membangun algoritma kecerdasan buatan untuk menyelesaikannya. Mereka akan menjawab Anda - ternyata rantai ini dapat disederhanakan.

Pembelajaran mesin normal bekerja berdasarkan prinsip sistem terbuka (loop terbuka): Anda menyiapkan data, menciptakan jaringan saraf (atau apa pun), melatih, kemudian melihat beberapa indikator, dan jika Anda suka segalanya, Anda dapat mengirim jaringan saraf ke telepon pintar untuk menyelesaikan tugas-tugas pengguna . Tetapi dalam aplikasi di mana ada banyak data dan sifatnya secara bertahap berubah, metode lain diperlukan. Sistem seperti itu, yang mengadaptasi dan melatih diri mereka, berorganisasi dalam sirkuit belajar mandiri yang tertutup (loop tertutup), dan mereka harus bekerja tanpa gagal.

Aplikasi - ini mungkin Stream Analytics, atas dasar di mana banyak pengusaha membuat keputusan, atau manajemen produksi adaptif. Dalam skala aplikasi modern dan dengan mempertimbangkan risiko yang dipahami dengan lebih baik bagi manusia, metode yang menjadi solusi untuk masalah ini, semua metode ini dikumpulkan dengan nama umum AI Adaptif.


Sumber

Melihat gambar ini, sulit untuk menghilangkan perasaan bahwa futurologis tidak memberi makan roti - biarkan robot belajar bernapas ...

Compute dan Comms Postclassical

2.1. Komunikasi Seluler Generasi Kelima (5G)

Ini adalah topik yang menarik sehingga kami segera merujuk ke artikel kami. Nah, ini adalah perasan singkat. 5G dengan meningkatkan frekuensi transfer data akan membuat kecepatan Internet menjadi sangat cepat dan tidak realistis. Gelombang pendek lebih sulit untuk melewati rintangan, sehingga pengaturan jaringan akan sangat berbeda: stasiun pangkalan membutuhkan 500 kali lebih banyak.

Bersama dengan kecepatan, kita akan mendapatkan fenomena baru: game real-time dengan augmented reality, melakukan tugas-tugas kompleks (seperti operasi) melalui telepresence, mencegah kecelakaan dan situasi sulit di jalan melalui komunikasi antar mesin. Dari yang lebih umum: Internet seluler akhirnya akan berhenti jatuh selama acara-acara massa, seperti pertandingan di stadion.


Sumber Gambar - Reuters, Niantic

2.2. Memori Generasi Selanjutnya

Di sini kita berbicara tentang RAM generasi kelima - DDR5. Samsung mengumumkan bahwa pada akhir 2019 akan ada produk berbasis DDR5. Diharapkan memori baru akan dua kali lebih cepat dan dua kali lebih luas dengan pelestarian faktor bentuk, yaitu, kita bisa mendapatkan memory stick dengan kapasitas hingga 32GB untuk komputer kita. Di masa depan, ini akan berlaku terutama untuk smartphone (memori baru akan berada dalam versi berdaya rendah) dan untuk laptop (di mana jumlah slot DIMM terbatas). Dan pembelajaran mesin membutuhkan sejumlah besar RAM.

2.3. Sistem Satelit Orbit Rendah Bumi

Gagasan untuk mengganti satelit yang berat, mahal, dan kuat dengan segerombolan satelit kecil dan murah jauh dari baru dan muncul kembali di tahun 90-an. Tentang fakta bahwa "Elon Mask akan segera mendistribusikan Internet kepada semua orang dari satelit", sekarang hanya yang malas yang belum mendengarnya. Di sini, perusahaan yang paling terkenal adalah Iridium, yang bangkrut pada akhir 90-an, tetapi diselamatkan dengan mengorbankan Departemen Pertahanan AS (jangan bingung dengan iRidium - sistem rumah pintar Rusia). Proyek Elon Mask (Starlink) jauh dari satu-satunya - Richard Branson (OneWeb - 1440 satelit yang dituduhkan), Boeing (3000 satelit), Samsung (4.600 satelit), dan lainnya berpartisipasi dalam perlombaan satelit.

Bagaimana situasi di daerah ini, bagaimana perekonomian terlihat di sana - baca ulasannya . Dan kami sedang menunggu tes pertama dari sistem ini oleh pengguna pertama, yang akan berlangsung tahun depan.

2.4. Pencetakan 3D di skala nano (Pencetakan 3D Skala nano)

Pencetakan 3D, meskipun tidak memasuki kehidupan setiap orang (dalam bentuk yang dijanjikan oleh masing-masing pabrik plastik rumah), bagaimanapun, telah lama meninggalkan ceruk teknologi untuk Geeks. Anda dapat menilai dengan fakta bahwa keberadaan setidaknya pena pahatan 3D diketahui oleh siswa mana pun, dan banyak impian untuk membeli sebuah kotak dengan pelari dan pengekstrusi untuk ... "begitu saja" (atau sudah dibeli).

Stereolithography (printer laser 3D) memungkinkan pencetakan dengan masing-masing foton: polimer baru sedang diselidiki, yang dua fotonnya cukup untuk dipadatkan. Ini akan memungkinkan dalam kondisi non-laboratorium untuk membuat filter, tunggangan, pegas, kapiler, lensa dan ... pilihan Anda sepenuhnya di komentar! Dan di sini tidak jauh dari photopolymerization - hanya teknologi ini memungkinkan Anda untuk "mencetak" prosesor dan sirkuit komputasi. Selain itu, bukan tahun pertama telah ada teknologi untuk mencetak graphene 500-nm struktur tiga dimensi , tetapi tanpa pengembangan radikal.


Sumber

3. Sensori dan mobilitas (Sensing and Mobility)

3.1. Kendaraan tak berawak, level 4 dan 5 (Autonomous Driving Level 4 & 5)

Agar tidak bingung dalam terminologi, ada baiknya untuk memahami tingkat otonomi apa yang dibedakan (diambil dari artikel rinci yang kami referensikan untuk semua orang yang tertarik):

Level 1: Kontrol pelayaran: bantu pengemudi dalam situasi yang sangat terbatas (misalnya, menjaga mobil pada kecepatan tertentu setelah pengemudi melepas kakinya dari pedal)
Level 2: Bantuan terbatas dengan kemudi dan pengereman. Pengemudi harus siap untuk mengambil kendali hampir secara instan. Tangannya berada di setir, pandangannya diarahkan ke jalan. Inilah yang dimiliki Tesla dan General Motors.
Level 3: Pengemudi tidak lagi harus terus-menerus memantau jalan. Tetapi dia harus tetap waspada dan siap untuk mengambil kendali. Ini adalah sesuatu yang tidak tersedia pada mobil yang tersedia. Semua ada saat ini - pada level 1-2.
Level 4: Autopilot sejati, tetapi dengan keterbatasan: hanya melakukan perjalanan di area yang diketahui yang dipetakan dengan hati-hati dan umumnya diketahui oleh sistem, dan dalam kondisi tertentu: misalnya, tanpa adanya salju. Waymo dan General Motors memiliki prototipe seperti itu, dan mereka berencana untuk meluncurkannya di beberapa kota dan mengujinya dalam kehidupan nyata. Yandex memiliki zona uji untuk taksi tak berawak di Skolkovo dan Innopolis: perjalanan berlangsung di bawah pengawasan seorang insinyur yang duduk di kursi penumpang; Pada akhir tahun, perusahaan berencana untuk memperluas armada menjadi 100 kendaraan tak berawak.
Level 5: Mengemudi otomatis penuh, penggantian penuh driver langsung. Sistem seperti itu tidak ada, dan tidak mungkin muncul di tahun-tahun mendatang.

Seberapa realistiskah melihat semua ini di masa mendatang? Di sini saya ingin mengarahkan pembaca ke artikel "Mengapa tidak mungkin untuk meluncurkan Robotaxi pada tahun 2020, seperti yang dijanjikan Tesla . " Ini sebagian karena kurangnya konektivitas 5G: kecepatan 4G yang tersedia tidak cukup. Sebagian dengan biaya mobil otonom yang sangat tinggi: mereka tidak menguntungkan, model bisnis tidak dapat dipahami. Singkatnya, "semuanya rumit" di sini, dan bukan kebetulan bahwa Gartner menulis bahwa perkiraan untuk implementasi massa Level 4 dan 5 tidak lebih awal daripada dalam 10 tahun.

3.2. Kamera 3D Sensing

Delapan tahun yang lalu, pengontrol permainan Microsoft Kinect membuat kebisingan dengan menawarkan solusi yang terjangkau dan relatif murah untuk penglihatan 3D. Sejak itu, pendidikan jasmani dan permainan dansa dengan Kinekt telah mengalami kenaikan dan penurunan singkat mereka, tetapi kamera 3D telah digunakan dalam robot industri, kendaraan tak berawak, dan ponsel untuk mengidentifikasi secara langsung. Teknologi menjadi lebih murah, lebih kompak, dan lebih terjangkau.


Ponsel Samsung S10 memiliki kamera Time-of-Flight yang mengukur jarak ke subjek - untuk mempermudah pemfokusan. Sumber

Jika Anda tertarik dengan topik ini, maka kami akan mengarahkan ke gambaran terperinci yang sangat baik dari kamera kedalaman: bagian 1 , bagian 2 .

3.3. Drone Pengiriman Kargo Kecil (Drone Pengiriman Kargo Ringan)

Tahun ini, Amazon membuat keributan ketika menunjukkan di pameran sebuah drone terbang baru yang mampu membawa beban kecil hingga 2 kg. Untuk kota, dengan kemacetannya, ini sepertinya solusi yang tepat. Mari kita lihat bagaimana drone ini akan membuktikan diri mereka dalam waktu dekat. Mungkin ada baiknya termasuk skeptisisme yang cermat: ada banyak masalah, dimulai dengan kemungkinan pencurian drone yang mudah, dan berakhir dengan pembatasan legislatif pada UAV. Amazon Prime Air telah ada selama enam tahun, tetapi masih dalam tahap pengujian.


Drone baru Amazon terungkap musim semi ini. Ada sesuatu tentang Star Wars di dalamnya. Sumber

Selain Amazon, ada pemain lain di pasar ini (ada ulasan terperinci), tetapi tidak ada satu produk jadi: semuanya ada pada tahap pengujian dan kampanye pemasaran. Secara terpisah, perlu dicatat proyek medis yang sangat khusus sangat menarik di Afrika: pengiriman darah donor di Ghana (14.000 pengiriman, Zipline) dan Rwanda (Matternet).

3.4. Terbang Kendaraan Otonom

Sulit untuk mengatakan sesuatu yang pasti. Menurut Gartner, ini akan muncul paling awal dalam 10 tahun. Secara umum, semua masalah yang sama di sini seperti pada kendaraan tak berawak, hanya mereka memperoleh dimensi baru - vertikal. Porsche, Boeing, Uber menyatakan ambisi mereka untuk membangun taksi terbang.

3.5. Augmented Reality Cloud (AR Cloud)

Salinan digital permanen dari dunia nyata, memungkinkan Anda untuk membuat lapisan realitas baru yang umum bagi semua pengguna. Berbicara dalam bahasa yang lebih teknis, kita berbicara tentang membuat platform cloud terbuka di mana pengembang dapat mengintegrasikan aplikasi AR mereka. Model monetisasi dapat dimengerti, itu adalah semacam analog Steam. Idenya begitu mendarah daging sehingga sekarang beberapa orang percaya bahwa AR tanpa awan sama sekali tidak berguna.

Tampilannya di masa depan diambil dalam video kecil. Sepertinya seri "Cermin Hitam" berikutnya:


Anda juga dapat membaca di artikel ulasan.

4. Manusia Bertambah

4.1. Emosi AI

Bagaimana mengukur, mensimulasikan, dan merespons emosi manusia? Beberapa pelanggan di sini adalah perusahaan yang menghasilkan asisten suara seperti Amazon Alexa. Mereka benar-benar dapat terbiasa dengan rumah jika mereka belajar mengenali suasana hati: memahami alasan ketidakpuasan pengguna, cobalah untuk memperbaiki situasi. Secara umum, ada lebih banyak informasi dalam konteks daripada dalam pesan itu sendiri. Dan konteksnya adalah ekspresi wajah, intonasi, dan perilaku non-verbal.

Dari aplikasi praktis lainnya: analisis emosi selama wawancara kerja (dengan wawancara video), penilaian reaksi terhadap iklan atau konten video lainnya (tersenyum, tertawa), bantuan pendidikan (misalnya, untuk praktik independen dalam seni berbicara di depan umum).

Sulit untuk berbicara lebih baik tentang hal ini daripada penulis pendek 6 menitMencuri Perasaan Anda . Sebuah video yang jenaka dan dibuat dengan penuh gaya menunjukkan bagaimana Anda dapat mengukur emosi kami untuk tujuan pemasaran, dan mencari tahu dari reaksi langsung Anda apakah Anda suka pizza, anjing, Kanye West, dan bahkan apa tingkat pendapatan Anda dan perkiraan IQ. Dengan masuk ke situs web film menggunakan tautan di atas, Anda menjadi anggota video interaktif menggunakan kamera internal laptop Anda. Film ini sudah diputar di beberapa festival film.


Sumber

Bahkan ada studi yang begitu menarik: bagaimana mengenali sarkasme dalam teks. Kami menerima tweet dengan hashtag # sarkasme dan membuat sampel pelatihan 25.000 tweet sarkasme dan 100.000 tweet reguler tentang semua yang ada di dunia. Kami menggunakan perpustakaan TensorFlow, melatih sistem, berikut hasilnya:


Sumber

Jadi sekarang, jika Anda tidak yakin dengan kolega atau teman Anda - dia mengatakan sesuatu dengan serius atau dengan sarkasme - Anda dapat menggunakan jaringan saraf yang sudah terlatih !

4.2. Kecerdasan Bertambah

Otomatisasi pekerjaan intelektual menggunakan metode pembelajaran mesin. Tampaknya tidak ada yang baru? Tapi di sini kata-kata itu sendiri penting, terutama karena kata itu bertepatan dengan singkatan dengan Inteligensi Buatan. Ini merujuk pada polemik tentang AI "kuat" dan "lemah".
AI yang kuat adalah kecerdasan buatan yang sama dari film-film fiksi ilmiah yang sepenuhnya setara dengan pikiran manusia dan mengakui dirinya sebagai manusia. Ini belum ada dan tidak jelas apakah akan ada sama sekali.

AI yang lemah bukan orang yang mandiri, tetapi asisten manusia. Dia tidak berpura-pura berpikir seperti manusia, tetapi hanya tahu bagaimana menyelesaikan masalah informasi, misalnya, menentukan apa yang ditampilkan dalam gambar atau menerjemahkan teks.


Sumber

Dalam pengertian ini, Augmented Intelligence dalam bentuknya yang paling murni adalah "AI lemah", dan kata-katanya tampaknya berhasil, karena tidak membingungkan dan menggoda untuk melihat di sini "AI yang sangat kuat" yang diimpikan oleh semua orang (atau takut, jika Anda mengingat banyak argumen tentang "pemberontakan" mobil "). Menggunakan ungkapan Augmented Intelligence, kami segera menjadi pahlawan film lain: dari fiksi ilmiah (seperti "I, Robot" oleh Asimov) kami jatuh ke cyberpunk (semua jenis implan yang memperluas kemampuan manusia disebut "augmentasi" dalam genre ini).

Seperti kata Eric Brinolfsson dan Andrew MakAffi: "ini adalah apa yang terjadi dalam 10 tahun ke depan. Bukan AI yang akan menggantikan manajer, tetapi manajer yang menggunakan AI akan menggantikan mereka yang belum melakukannya. "

Contoh:

• : , ,
  
• : , , .
  
• -: , , 80% , 20% —
  

4.3. (Biochips)

Ini adalah tema favorit semua film dan buku cyberpunk. Secara umum, menimang hewan peliharaan bukanlah praktik baru. Tapi sekarang keripik ini juga sudah mulai ditanamkan pada orang.

Dalam hal ini, hype kemungkinan besar terkait dengan kasus sensasional di perusahaan Amerika Three Square Market. Di sana, majikan mulai menawarkan keripik untuk ditanamkan di bawah kulit dengan imbalan biaya. Chip ini memungkinkan Anda untuk membuka pintu, masuk ke komputer, membeli makanan ringan di mesin - yaitu, kartu karyawan universal. Selain itu, chip seperti itu berfungsi tepat sebagai kartu identifikasi, tidak memiliki modul GPS, oleh karena itu tidak mungkin untuk melacak siapa pun dengan itu. Dan jika seseorang ingin mengeluarkan chip dari tangannya, dibutuhkan 5 menit dengan bantuan dokter.


Keripik biasanya ditanamkan di antara ibu jari dan telunjuk. Sumber

Baca artikel terperinci tentang seni chiping di dunia.

4.4. Ruang Kerja Immersive

"Immersive" adalah kata baru lain yang tidak punya tujuan. Itu ada di mana-mana. Teater imersif, pameran, bioskop. Apa yang dimaksud Perendaman adalah penciptaan efek pencelupan ketika batas antara penulis dan pemirsa, dunia maya dan dunia nyata hilang. Sehubungan dengan tempat kerja, mungkin, ini berarti mengaburkan batas antara pelaksana dan penggagas dan mendorong karyawan untuk mengambil posisi yang lebih aktif dengan memformat ulang lingkungan mereka.

Karena Agile ada di mana-mana bersama kami sekarang, fleksibilitas dan interaksi yang erat - tempat kerja semudah mungkin dikonfigurasi, harus mendorong kerja kelompok. Ekonomi menentukan kondisinya: ada lebih banyak karyawan sementara, biaya menyewa ruang kantor semakin meningkat, dan dalam kondisi pasar tenaga kerja yang kompetitif, perusahaan IT berusaha meningkatkan kepuasan karyawan dengan menciptakan area rekreasi dan manfaat lainnya. Dan semua ini mempengaruhi desain pekerjaan.


Dari Laporan Knoll

4.5. Personifikasi

Semua orang tahu apa personalisasi dalam periklanan. Ini adalah ketika Anda mendiskusikan hari ini dengan seorang kolega bahwa ada sesuatu yang kering di ruangan itu dan Anda perlu membeli pelembab di kantor, dan hari berikutnya Anda melihat iklan di jejaring sosial Anda - “beli pelembab udara” (kasus nyata yang menimpa saya).


Sumber

Personifikasi, menurut Gartner, adalah tanggapan terhadap kekhawatiran pengguna yang semakin besar tentang penggunaan data pribadi mereka untuk tujuan periklanan. Tujuannya adalah untuk mengembangkan pendekatan di mana kita akan ditampilkan iklan yang sesuai dengan konteks di mana kita berada, dan bukan kepada kita secara pribadi. Misalnya, lokasi kami, jenis perangkat, waktu, kondisi cuaca - ini adalah sesuatu yang tidak melanggar data pribadi kami, dan kami tidak merasakan sensasi "pengawasan" yang tidak menyenangkan.

Tentang perbedaan antara kedua konsep ini, lihat catatan Andrew Frank dalam sebuah blog di situs Gartner. Ada perbedaan yang begitu halus dan kata-kata serupa sehingga Anda, tidak mengetahui perbedaannya, berisiko berdebat dengan teman bicara Anda untuk waktu yang lama, tidak curiga bahwa, secara umum, keduanya benar (dan ini juga merupakan kasus nyata yang terjadi pada penulis).

4.6. Biotech - Kain tiruan (Biotech - Cultured atau Tissue Buatan)

Ini, pertama-tama, gagasan menanam daging buatan. Pada saat yang sama, beberapa tim di seluruh dunia terlibat dalam pengembangan laboratorium Meat 2.0 - diharapkan akan menjadi lebih murah dari biasanya, dan makanan cepat saji dan kemudian supermarket akan beralih ke sana. Di antara investor dalam teknologi ini adalah Bill Gates, Sergey Brin, Richard Branson dan lainnya.


Sumber

Alasan mengapa semua orang sangat tertarik dengan daging buatan:

1. Pemanasan global: emisi metana dari pertanian. Ini adalah 18% dari volume gas global yang mempengaruhi iklim.
   
2. Pertumbuhan populasi. Permintaan akan daging terus meningkat, dan tidak akan berhasil memberi makan semua orang dengan daging alami - harganya cukup mahal.
   
3. Kurang ruang. 70% dari hutan Amazon telah ditebang untuk padang rumput.
   
4. Pertimbangan etis. Ada orang-orang yang menganggap ini penting. Organisasi perlindungan hewan PETA telah menawarkan hadiah $ 1 juta kepada ilmuwan yang akan meluncurkan daging ayam buatan di pasar.
   

Mengganti daging asli dengan kedelai adalah solusi parsial, karena orang juga merasakan perbedaan dalam rasa dan tekstur, dan tidak mungkin menyerah steak dalam mendukung kedelai. Jadi yang dibutuhkan adalah daging asli yang ditanam secara organik. Sayangnya, daging buatan terlalu mahal: dari $ 12 per kilogram. Ini disebabkan oleh proses yang kompleks untuk menanam daging tersebut. Baca tentang semua artikel ini.

Jika kita berbicara tentang kasus-kasus lain pertumbuhan jaringan - yang sudah dalam pengobatan - maka topik dengan organ buatan menarik: misalnya, "tambalan" untuk otot jantung, dicetak dengan printer 3D khusus. Ada cerita yang diketahui seperti jantung tikus yang tumbuh secara buatan, tetapi secara umum, semuanya belum melampaui ruang lingkup uji klinis. Jadi kita tidak akan melihat Frankenstein di tahun-tahun mendatang.

Di sini Gartner sangat berhati-hati dalam perkiraannya, nampaknya mengingat ramalannya yang gagal pada 2015 bahwa pada 2019 10% dari populasi negara-negara maju akan memiliki alat implan medis cetak 3D. Oleh karena itu, ini menunjukkan waktu untuk mencapai puncak produktivitas - setidaknya 10 tahun.

5. Ekosistem Digital

5.1. Web Terdesentralisasi

Konsep ini terkait erat dengan nama penemu web, pemenang Hadiah Turing, Sir Tim Burners-Lee. Baginya, etika dalam ilmu komputer selalu penting dan esensi kolektif Internet penting: meletakkan dasar-dasar hiperteks, ia yakin bahwa jaringan harus bekerja sebagai web, dan bukan sebagai hierarki. Jadi itu pada tahap awal dalam pengembangan jaringan. Namun, dengan pertumbuhan Internet, strukturnya menjadi terpusat karena sejumlah alasan. Ternyata akses jaringan untuk seluruh negara dapat dengan mudah diblokir hanya dengan beberapa penyedia. Dan data pengguna telah menjadi sumber kekuatan dan pendapatan bagi perusahaan internet.

"Internet sudah didesentralisasi," kata Burners-Lee. - Masalahnya adalah bahwa satu mesin pencari, satu jaringan sosial besar, satu platform microblogging mendominasi. Kami tidak memiliki masalah teknologi, tetapi ada masalah sosial. ”

Dalam surat terbuka untuk peringatan 30 tahun World Wide Web, pencipta Web menguraikan tiga masalah utama Internet:

1. Kerusakan yang ditargetkan, seperti serangan peretas yang disponsori negara, kejahatan, dan pelecehan online
   
2. Perangkat sistem, yang merugikan pengguna menciptakan dasar untuk mekanisme seperti: promosi keuangan clickbait dan distribusi viral informasi palsu
   
3. Konsekuensi yang tidak diinginkan dari desain sistem yang mengarah pada konflik dan diskusi online berkualitas rendah
   

Dan Tim Berners-Lee sudah memiliki jawaban tentang prinsip apa yang bisa digunakan oleh “Healthy Man Internet”, tanpa masalah nomor 2: “Bagi banyak pengguna, pendapatan iklan tetap menjadi satu-satunya model untuk berinteraksi dengan web. Bahkan jika orang takut dengan apa yang terjadi dengan data mereka, mereka setuju untuk membuat kesepakatan dengan mesin pemasaran untuk kesempatan menerima konten secara gratis. Bayangkan sebuah dunia di mana pembayaran untuk barang-barang layanan mudah dan menyenangkan bagi kedua belah pihak. " Dari opsi untuk bagaimana hal ini dapat diatur: musisi dapat menjual rekaman mereka tanpa perantara dalam bentuk iTunes, dan situs berita dapat menggunakan sistem pembayaran mikro untuk membaca satu artikel, daripada menghasilkan uang dari iklan.

Sebagai prototipe eksperimental dari Internet baru tersebut, Tim Berners-Lee meluncurkan proyek SOLID, yang intinya adalah Anda menyimpan data Anda di "perapian" - penyimpanan informasi, dan Anda dapat memberikan data ini ke aplikasi pihak ketiga. Tetapi pada prinsipnya, Anda sendiri adalah penguasa data Anda. Semua ini terkait erat dengan konsep jaringan peer-to-peer, yaitu, komputer Anda tidak hanya meminta layanan, tetapi juga menyediakannya agar tidak bergantung pada server tunggal sebagai saluran tunggal.


Sumber

5.2. Organisasi Otonomi Terdesentralisasi

Ini adalah organisasi yang diatur oleh aturan yang direkam dalam bentuk program komputer. Aktivitas keuangannya didasarkan pada blockchain. Tujuan menciptakan organisasi semacam itu adalah untuk menghilangkan negara dari peran perantara dan menciptakan lingkungan tepercaya bersama bagi rekanan, yang tidak dimiliki oleh siapa pun, tetapi semuanya dimiliki bersama. Artinya, secara teori, ini harus, jika ide tersebut mengakar, menghapus notaris dan lembaga verifikasi lain yang akrab.

Contoh paling terkenal dari organisasi semacam itu adalah The DAO, yang berfokus pada bisnis ventura, yang mengumpulkan $ 150 juta pada 2016, di mana 50 di antaranya langsung dicuri melalui "lubang" hukum dalam peraturan. Dilema yang sulit datang segera: entah memutar kembali dan mengembalikan uang, atau mengakui bahwa penarikan uang itu legal, karena sama sekali tidak melanggar aturan platform. Akibatnya, untuk mengembalikan uang kepada investor, pencipta harus menghancurkan The DAO, menulis ulang blockchain dan melanggar prinsip dasarnya - tidak dapat diubah.


Komik tentang Ethereum (kiri) dan The DAO (kanan). Sumber

Seluruh cerita ini telah merusak reputasi ide DAO itu sendiri. Proyek itu dibuat atas dasar cryptocurrency Ethereum, tahun depan versi Ether 2.0 diharapkan - mungkin penulis (termasuk Vitalik Buterin yang terkenal) akan memperhitungkan kesalahan akun dan menunjukkan sesuatu yang baru. Ini mungkin sebabnya Gartner menempatkan DAO pada garis naik.

5.3 Data Sintetis

Untuk melatih jaringan saraf, dibutuhkan sejumlah besar data. Menandai data secara manual adalah pekerjaan besar yang hanya bisa dilakukan oleh manusia. Oleh karena itu, Anda dapat membuat kumpulan data buatan. Misalnya, koleksi wajah manusia yang sama di situs https://generated.photos . Mereka dibuat menggunakan algoritma GAN, yang telah disebutkan di atas.


Orang-orang ini bukan milik orang. Sumber

Nilai tambah yang besar dari data tersebut adalah tidak ada kesulitan hukum dalam menggunakannya: tidak ada seorang pun yang memberikan persetujuan untuk pemrosesan data pribadi.

5.4. Ops Digital

Sufiks "Ops" telah menjadi sangat modis sejak DevOps mengakar dalam pidato kami. Sekarang tentang apa itu DigitalOps - itu hanya generalisasi dari DevOps, DesignOps, MarketingOps ... apakah Anda belum bosan? Singkatnya, ini adalah transfer pendekatan yang diadopsi di DevOps dari industri perangkat lunak ke semua aspek bisnis lainnya - pemasaran, desain, dll.


Sumber

Gagasan DevOps adalah untuk menghilangkan hambatan antara Pengembangan itu sendiri (Operasi) dan Operasi (proses bisnis), melalui penciptaan tim bersama, di mana programmer, penguji, keamanan dan administrator; implementasi praktik-praktik tertentu: integrasi berkelanjutan, infrastruktur sebagai kode, pengurangan dan penguatan rantai umpan balik. Tujuannya adalah untuk mempercepat peluncuran produk di pasaran. Jika Anda berpikir itu seperti Agile, Anda berpikir itu benar. Sekarang secara mental transfer pendekatan ini dari bidang pengembangan perangkat lunak ke pengembangan secara umum - dan Anda memahami apa itu DigitalOps.

5.5. Grafik Pengetahuan

Cara perangkat lunak untuk mensimulasikan bidang pengetahuan, termasuk menggunakan algoritma pembelajaran mesin. Grafik pengetahuan dibangun di atas basis data yang ada untuk menghubungkan semua informasi: terstruktur (daftar acara atau orang) dan tidak terstruktur (teks artikel).

Contoh paling sederhana adalah kartu yang dapat Anda lihat di hasil pencarian Google. Jika Anda mencari semacam orang atau institusi, maka Anda akan melihat kartu di sebelah kanan:


Harap dicatat bahwa "Acara Mendatang" bukan salinan informasi dari peta Google, tetapi integrasi jadwal dengan Yandex.Afishey: Anda dapat dengan mudah melihat ini jika Anda mengklik acara. Artinya, ini merupakan kombinasi dari beberapa sumber data secara bersamaan.

Jika Anda meminta daftar - misalnya, "sutradara terkenal" - mereka akan menunjukkan "korsel" kepada Anda:

Bonus untuk mereka yang telah membaca sampai akhir

Dan sekarang, ketika kami telah menjelaskan bagi diri kami sendiri arti dari masing-masing poin, kita dapat melihat gambar yang sama, tetapi sudah dalam bahasa Rusia:



Bagikan secara gratis di jejaring sosial!


Tatyana Volkova - Penulis Samsung IT Academy Internet of Things melacak kurikulum, spesialis dalam program tanggung jawab sosial perusahaan di Samsung Research Center