5 технологични тенденции в близкото десетилетие, за които си струва да знаете (Част 3)
В първата и втората част на публикацията ви запознахме с първите четири, съгласно прогнозите на Gartner, технологични тренда за следващото десетилетие, а именно:
Тренд 1: Сензорни системи и мобилност
Тренд 2: Допълненият човек
Тренд 3: Посткласически изчисления и комуникации
Тренд 4: Цифрови екосистеми
В тази част ще разгледаме последния пети тренд:
Тренд 5: Развитие на изкуствения интелект и системния анализ.
Тренд 5: Развитие на изкуствения интелект (ИИ) и системния анализ
Под развитие и подобрение на системния анализ се подразбира автономно или полуавтономно изследване на контент и данни с използване на сложни инструменти, излизащи извън рамките на традиционните бизнес концепции. Това е резултат на съдаването на нов клас алгоритми и развитието на науката за данните, които откриват нови неподозирани възможности.
Трендът включва в себе си:
Адаптивно машинно обучение – стартовият етап за технологията се очаква да започне в перспектива 5 – 10 години;
Автономен изкуствен интелект – ще достигне „върха на завишените очаквания” в перспектива 2-5 години;
Граничен анализ – ще достигне „върха на завишените очаквания” в перспектива 2-5 години;
ИИ за PaaS (Platform as a Service) – ще достигне „върха на завишените очаквания” в перспектива 5 -10 години;
Трансферно обучение – ще се приближи към „върха на завишените очаквания” в перспектива 5 -10 години;
Генеративно-състезателни мрежи – началният етап за технологията се очаква да започне в перспектива 5 – 10 години;
Използване на графи при анализ – ще се приближи към „пропастта на разочарованието” в перспектива 2-5 години;
Адаптивното машинно обучение предполага, че изкуственият интелект ще следи промените в обкръжаващата го среда, ще се адаптира към нея и ще взема решения, отчитайки нови входящи данни. Участието на човек в този процес не се изисква. Например, група разработчици от Франция и САЩ начело с Жан-Батист Море са научили робот с шест крака да се адаптира при счупване на някой от крайниците му. Хексаподът в снабден с библиотека от 13 000 видове походка в случай на повреда.
Под автономен ИИ се подразбира технология, благодарение на която алгоритмите за изкуствен интелект работят на локално устройство без допълнителни присъединявания. ИИ обработва данните за да вземе решение за по-малко от няколко милисекунди. Пример за това е разблокиране на смартфон с помощта на лицево разпознаване на собственика. По-сложен пример са безпилотните автомобили, когато те се предвижват без участието на човек в управлението.
Граничен анализ е подход при събирането, обработката и анализа на данни, при който изчисленията протичат в датчиците или мрежовите комутатори, без данните да се насочват към централен компютър. Този подход позволява да се съпоставят данни от множество устройства в реално време. Граничният анализ ще може да се използва, например, в производствени процеси за навременно откриване на неизправност или износване на оборудването.
Обясняващ изкуствен интелект представлява система, при която всяко решение взето от машината ще е очевидно за човек. Целта е да се достигне прозрачност в работата на ИИ , за да може всяко действие на машината да бъде проследено и повторено. Такъв подход дава на човек възможност за контрол и помага оперативно да се проследят отклоненията или грешките при вземане на решение. Обясняващият ИИ ще е полезен, например, в медицината при автоматизирана диагностика и даването на заключения.
ИИ за PaaS (Platform as a Service) представлява облачна платформа за разработване и тестиране на програмно осигуряване на база на изкуствен интелект. Пример за това е платформата Einstein, създадена от разработчиците на CRM- системи Salesforce. С нейна помощ могат да се създадат приложения на база изкуствен интелект за разпознаване на изображения и обработка на естествен език.
Трансферно обучение е технология за машинно обучение, при която ИИ, опирайки се на опита си за решаване на задача А, решава задача Б. Невронната мрежа първоначално се обучава на голям обем от данни, а след това на целева база данни. За пример може да се вземе сътрудничеството между производителя на процесори Intel и non-profit организацията Thorn, бореща се против сексуалната експлоатация на непълнолетни. От Intel са взели модел, предварително обучен на 40 милиона фотографии на деца. След това компанията е създала класификатор, за да отделят само изчезналите деца. Системата обработва видеа от сайтове за „ескорт”-услуги за разпознаване на тях непълнолетни в съответствие с обучения модел и класификатора. Така трансферното обучение е помогнало на правоохранителните органи да разкрият повече престъпления и да се открият повече такива деца.
Генеративно-състезателните мрежи са алгоритми за машинно обучение, които работят без учител на база на две невронни мрежи: генератор и дискриминатор. Алгоритъмът на генератора създава модели, а алгоритъмът на дискриминатора определя отнася ли се всеки модел към тренировъчния набор данни или не. Двете невронни мрежи се конкурират една с друга по време на обучението и създават условия за едновременна еволюция. Такъв метод позволява, например, пренасянето на определен стил на дадено изображение към други изображения, а също така да се мащабират изображения – образци.
Методът за анализ с помощта на графи е базиран на теорията на графите, която изучава връзките между обектите в групата. С негова помощ, например може да се определи група потребители, които взаимодействат един с друг в социалните мрежи. Анализът на графите позволява да се определи връзката между потребителите, тоест влиянието на всеки участник върху останалите. Методът помага за предотвратяване на терористични актове или кибератаки, при които връзката между организатора и изпълнителите се осъществява с помощта на социалните мрежи.
Развитието на технологиите на изкуствен интелект с течение на времето ще направи сбора, обработката и анализа на данни далеч по-съвършен. Човеко-часовете от ръчен човешки труд с помощта на ИИ ще се трансформират в секунди и милисекунди работа на машинните алгоритми.
Бъдещето, за което трябва да се подготвим
Еволюцията на сензорните системи, посткласическите изчисления, цифровите екосистеми, технологиите на ИИ и всички останали технологии с всяка изминала година ще автоматизират ръчния труд и постепенно ще ускоряват съкращаването на определени работни места. Именно затова си струва да се проследяват тенденциите в развитието на технологиите в перспектива поне 10 години. Така човек ще има шанс да остане конкурентноспособен и търсен в икономиката на бъдещето, ще може да се адаптира и постепенно да се готви за технологичните промени в следващите десетилетия.
