g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Gartner, 2017'de ortaya çıkan teknoloji olgunluk eğrisini yayınladı: 13 AI teknolojisi, eğrinin zirvesinde

200.000, bu, bugün Xinzhiyuan'ın ulaştığı toplam kullanıcı sayısı. Akıllı evrene yolculuk sırasında, Xinzhiyuan ile seyahat eden her arkadaşınıza teşekkür edin. Dikkatiniz ve desteğiniz "Xinzhiyuan" yıldız gemisinin tükenmez yakıtıdır.

Şekil 12017 Gelişen Teknoloji Olgunluk Eğrisi (Kaynak: Gartner Temmuz 2017)

Öne çıkan trend: her yerde yapay zeka

2017'de Gartner üç trend başlattı: 1. Yaygın yapay zeka (AI); 2. Şeffaf ve sürükleyici deneyim; 3. Dijital platform. Bu üç eğilim altında, dört teknik alan, işletmeler tarafından teknolojik inovasyonun hızlanması ve derinleştirilmesiyle ilgili oldukları ve çalışanlara, müşterilere ve ortaklara nasıl davranılacağı üzerinde önemli bir etkiye sahip oldukları için karar vericilerin öncelikli ilgisini hak ediyor. Bunlar: Blockchain gibi; beyin-bilgisayar arayüzleri gibi yakınsanmış teknolojiler; mal ve hizmet taşıyan ticari dronlar gibi ticari otomasyon teknolojileri; yazılım tanımlı güvenlik gibi güvenlik teknolojileri daha güvenli bir dijital dünya getirecek.

1. Her yerde yapay zeka

Önümüzdeki 10 yıl içinde, yapay zeka, temel olarak mükemmel bilgi işlem gücü, sınırsız veri setleri ve derin sinir ağları alanındaki olağanüstü ilerlemeler nedeniyle teknolojinin en yıkıcı seviyesi olacak. Yapay zekanın "kanadı" ile insanlar, verilere dayalı olarak birçok sorunu hayal gücünün ötesinde çözebilir.

Şirketler bu tema etrafında şu teknolojileri göz önünde bulunduruyor: derin öğrenme, pekiştirmeli öğrenme, genel zeka, otonom sürüş, bilişsel hesaplama, ticari dronlar (dronlar), konuşmalı kullanıcı arayüzleri, kurumsal taksonomi ve ontoloji yönetimi, makine öğrenimi, akıllı mikro Toz, akıllı robot, akıllı alan.

2. Şeffaflık ve sürükleyici deneyim

Teknoloji, insan merkezli olmayı vurgular ve insanlar, şirketler ve nesneler arasındaki şeffaflığı artıracaktır. Teknoloji, işyeri ve ev ortamına daha iyi uyum sağlamak için geliştikçe ve işletmeler ve diğerleri ile etkileşimler yoğunlaştıkça, bu ilişki daha da iç içe geçecektir.

Dikkate alınması gereken temel teknolojiler şunlardır: 4D baskı, artırılmış gerçeklik, beyin-bilgisayar arayüzü, bağlantılı ev, insan vücudu büyütme, nanotüp elektroniği, sanal gerçeklik ve stereo ekran.

3. Dijital Platform

Büyük veri, mükemmel bilgi işlem gücü ve her yerde bulunan teknoloji ekolojisi, gelişen teknolojilerin devrim niteliğindeki sağlam temelini oluşturur. Teknik bir yapıdan ekolojik olarak desteklenen bir dijital platforma bu geçiş, yeni bir iş modelinin temeli olan insanlar ve teknoloji arasında bir köprü haline geldi. Bu canlı ekosistemlerde, şirketler ekolojik platformu aktif olarak anlamalı ve stratejilerini yeniden tanımlamalı, ilgili platform iş modellerini üretmeli, platformun iç ve dış yapısını keşfetmeli ve daha fazla değer üretmek için platforma güvenmelidir.

İzlenmesi gereken temel teknolojiler 5G, dijital ikizler, uç bilgi işlem, blok zinciri, IoT platformları, nöromorfik donanım, kuantum hesaplama, sunucusuz PaaS ve yazılım tanımlı güvenliktir.

Odaklanma: Gelişmekte olan yapay zeka teknolojileri eğrinin zirvesindedir

Birincisi, gelişen yapay zeka teknolojileri bu yılın olgunluk eğrisinde hızla ilerliyor. Bu teknolojiler eğrinin zirvesindedir ve aynı zamanda şeffaf ve sürükleyici deneyimleri destekleyen ve oluşturan anahtar teknolojilerdir. İkincisi, dijital platform teknolojilerinin eğri üzerinde olması ve gelecekteki paradigmayı destekleyen dijital platformların bize geldiğini gösteriyor. Üçüncüsü, kuantum hesaplama ve blok zinciri teknolojisinin önümüzdeki 5-10 yıl içinde dönüştürücü ve dramatik bir etkiye sahip olması bekleniyor.

1. Yeni Teknoloji

2017 gelişen teknoloji olgunluk eğrisinde ilk kez sunulan teknolojileri anlayın ve kurumsal mimarlara (EA) önümüzdeki birkaç yıldaki stratejik teknoloji trendlerinin önde gelen göstergelerini sağlayın.

Aşağıdaki 8 yeni teknoloji, her yerde bulunan yapay zeka, şeffaf ve sürükleyici deneyimler ve dijital platformların üç temasını anlamak için EA ve teknolojik yenilik liderlerini destekleyecektir:

2. Önemli mobil teknoloji

Blockchain kavramı insanlar tarafından kabul ediliyor ve gelecekte endüstrinin iş modelini değiştirecek. Birden fazla endüstride blok zinciri kullanım örnekleri, başlangıç değerini gösterir, ancak daha fazla doğrulama gereklidir. Gelecekte, finansal hizmet endüstrisi, imalat, hükümet, tıp ve eğitim endüstrilerinde blockchain'in daha hızlı tanınmasını ve uygulanmasını göreceğiz.

Yapay zeka donanımındaki büyük gelişmeler, bilgi işlem gücünün minyatürleştirilmesi ve daha pratik derin öğrenme algoritmaları, drone'ları finansal hizmetler, üretim, perakende ve otomotiv endüstrisinde kullanışlı hale getirdi.

Güvenlik satıcıları, güvenlik politikalarının belirlenmesinde esneklik sağlamak için daha fazla politika yönetimini ayrı donanım öğelerinden yazılım tabanlı bir yönetim düzlemine taşımaya devam ediyor. Bu nedenle SDSec, kullanıcının konumu, bilgisi veya iş yükünden bağımsız olarak güvenlik politikalarının uygulanmasına hız ve çeviklik getirir.

Giyilebilir teknolojinin gelişmesiyle birlikte, sıradan durumlarda minyatürleştirme, zeka ve kişiselleştirme giderek daha popüler hale geldi.Uygulamalar, teslim olmadan etkileşim sağlamak için beyin, bakış ve kas takibini birleştiren hibrit teknolojiden yararlanacak. Önümüzdeki beş yıl içinde sanal gerçeklik (VR) donanımının gelişmesiyle birlikte bu teknolojinin daha yeni bir sürümünün de VR başlık tasarımına dahil edilmesi çok muhtemel. Beyin-bilgisayar arayüzü yalnızca önemli ilerleme göstermekle kalmaz, aynı zamanda etkisini dönüştürücü bir şekilde arttırır.

3. Eğri dışı teknoloji

Çoğu durumda, bu teknolojiler artık "ortaya çıkmıyor", ancak yavaş yavaş hayatımıza entegre oluyorlar. Ortaya çıkan teknoloji eğrisini terk eden teknolojiler, sadece diğer yeni teknolojileri vurgulamak içindir. 2016 gelişen teknoloji eğrisinde ortaya çıkan ancak bu yılın gelişen teknoloji eğrisinde görünmeyen teknolojiler şunlardır:

4. Ana akım teknoloji haline gelme zamanı öngörüsü

Gelişen teknolojiler doğaları gereği yıkıcıdır, ancak sağladıkları rekabet avantajları henüz piyasada tam olarak bilinmemekte veya kanıtlanmamıştır. Bununla birlikte, çoğu teknolojinin yüksek üretkenliğe ulaşması 5 ila 10 yıldan fazla sürecektir. Aşağıdaki örnekler, ortaya çıkan önemli teknolojilerin kısa ve uzun vadedeki etkisini göstermektedir.

2 ila 5 yıl içinde ana akım tarafından kabul edilecektir. Her yerde bulunan yapay zeka ve makine öğrenimi gibi etkili olan yeni teknolojiler kapsamlı ve önemli faydalar sağladı ve derin öğrenme ve ticari dronların (dronların) geliştirilmesi, makine öğrenimi algoritmalarının derinlemesine ilerlemesini sağladı.

Aşağıda, 2 ila 5 yıl içinde yaygın uygulamalar için ortaya çıkan teknolojilerin bir listesi verilmiştir:

Ana akım tarafından 5 ila 10 yıl içinde kabul edilir. Teknik araştırmalar, dijital platformların tam olarak çalıştığını gösteriyor. Yazılım tanımlı güvenlik (SDSec), platform devriminin tüm hızıyla devam ettiğini gösterir.SDSec, kullanıcının konumu, bilgileri veya iş yükünden bağımsız olarak güvenlik politikalarının uygulanmasına hız ve çeviklik getirir. Sanal kişisel asistanlar, göze çarpmayan, her yerde bulunan ve bağlama duyarlı danışman tabanlı çözümler sunar.Aynı zamanda, veri blok zinciri, endüstrinin iş modelini değiştirmesi beklenen dağıtılmış defter kavramını genişletecektir.

Aşağıda, 5 ila 10 yıl içinde yaygın uygulamalar için ortaya çıkan teknolojilerin bir listesi verilmiştir:

On yıldan fazla bir süredir ana akım tarafından benimsenmiştir. Kuantum hesaplama, benzeri görülmemiş bir bilgi işlem gücü sağlayacaktır. Genel yapay zeka her yerde olacak ve yapay zeka dış dünya ile entegre edilecek ve şeffaf sürükleyici deneyim ve dijital platformların entegrasyonunda kilit bir faktör haline gelecek.

Aşağıda, 10 yıldan uzun süredir yaygınlaşan yeni teknolojilerin bir listesi verilmiştir:

Şekil 22017'de gelişmekte olan teknolojilerin öncelik matrisi (Kaynak: Gartner Temmuz 2017)

Aşamalı teknik noktalar

1. Yükseliş

Akıllı toz, bir tür robot, mikro elektromekanik sistem (MEMS) veya diğer ekipmandır. Akıllı toz; optik, sıcaklık, basınç titreşimi, manyetik alan ve kimyasal bileşim yoluyla her şeyi algılayabilir. Genellikle radyo frekansı tanımlama (RFID) algılama yoluyla, görevleri gerçekleştirmek için bir alana dağıtılan kablosuz bir bilgisayar ağında çalışırlar. Büyük antenler kullanmadıkları için sistemin ölçüm doğruluğu birkaç milimetreye ulaşabilir.

2017 yılında, akıllı toz ile ilgili araştırmalar hala laboratuvar aşamasında olsa da, hala bazı ilerlemeler var. Örneğin, Güney Kaliforniya Üniversitesi Robotik Araştırma Laboratuvarı (Savunma İleri Araştırma Projeleri Ajansı (DARPA) tarafından finanse edilmektedir) ve JLH Laboratuvarı ve son olarak Stuttgart Üniversitesi, kum parçacıklarının boyutuna benzer yeni bir "akıllı toz" minyatür kamera geliştirmiştir. Bu araştırmanın amacı, zeka, minyatürleştirme, entegrasyon ve enerji yönetimini içeren tozu olabildiğince küçültmektir. Tam bir sensör ve iletişim sistemi bir kübik milimetre pakete entegre edildiğinden, daha önümüzde uzun bir yol var ve akıllı tozun ticari uygulamasını henüz görmedik. Bununla birlikte, ticari bina kontrolü, endüstriyel izleme ve güvenlik için bazı makul küçük parçacıklar kullanılır. Son zamanlarda, Amphenol Advanced Sensors, esas olarak partikül maddeyi ve hava kalitesindeki bozulma derecesini tespit etmek için kullanılan yeni bir akıllı toz sensörünün başarılı bir şekilde geliştirildiğini duyurdu.

Dört boyutlu baskı (4DP) teknolojisi, malzemeleri programlamak ve bunları kimya, elektronik, parçacıklar veya nanomateryallerin uygulanması yoluyla değiştirmek için dinamik yetenekleri (veya işlevleri, öznitelikleri) kullanır. Ek olarak, bu teknolojinin belirli malzemeleri düzenleme, karıştırma ve yerleştirme işlevi vardır.

2017'de 4DP, bazı heyecan verici yeni ve son teknoloji uygulamalara sahip. Harvard ekibi, hücre büyümesini desteklemek için doku mühendisliği iskelelerini yazdırmak ve dönüştürmek için 4DP kullandı; Wake Forest Enstitüsü'ndeki araştırmacılar, canlı hücrelerden oluşan ve insan dokularının yerini alabilecek 3B yazdırılmış yapıları yazdırdı. Zaman değişti. Aynı zamanda, NASA mühendisleri "uzay zinciri postası" yazdırmak için 4DP kullandılar. Singapur Araştırma Merkezi ve Zürih'teki İsviçre Federal Teknoloji Enstitüsü'nün 4DP araştırması, 4D baskılı parçalar ve bunların dayanıklılığı ve 4DP tasarım yük taşıyıcılarını içeren kamu malı haline geldi. Bu teknolojinin yaygınlaşması 10 yıldan fazla sürecektir.

"Güçlü yapay zeka" veya "genel makine zekası" olarak da bilinir. İnsanların öğrenme, akıl yürütme, uyarlama ve anlamada benzer yeteneklerine sahip makinelere "zeka" denir. AGI çok çeşitli kullanım durumları için uygundur. Nispeten zayıf yapay zeka, belirli (dar) kullanım durumlarıyla sınırlıdır. Ancak, AGI şu anda yalnızca bilim kurguda var. 2017 yapay zeka sistemlerinin hiçbiri, insan zekasına eşdeğer genel testi geçemez. Bu, insanın bilişsel yeteneğine yakın bir makine yaratmanın asla mümkün olmayacağı anlamına gelmez, ancak gerekli araştırma ve mühendislik deneylerini tamamlamaktan onlarca yıl uzakta olabiliriz. AGI ("güçlü yapay zeka") genellikle bilişsel bilgi işlem tartışmalarıyla doludur. Zayıf yapay zeka kullanım örnekleri arasında yardımlı sürüş, akıllı danışmanlar, sanal müşteri asistanları ve çeşitli görevlere (varlık yönetimi gibi) odaklanan belirli zeka yer alır; güçlü yapay zeka, insanların yaşamlarına ve iş faaliyetlerine çok büyük ve hatta yıkım getirecektir. Cinsiyetin etkisi.

Derin pekiştirmeli öğrenme, pekiştirmeli öğrenmede derin sinir ağlarının uygulanmasıdır. Takviye öğrenimi, edinme durumları ve eylemleri arasındaki eşleştirme ilişkisini anlayan ve ifade eden bir makine öğrenimi teknolojisidir. Takviyeli öğrenme, üç yıldan fazla bir süredir eğriye girmiştir. 60 yıl önce Richard Bellman tarafından sunulan sezgisel bir dinamik programlama olarak düşünülebilir. 2017'de, derin pekiştirmeli öğrenmenin performansı, bilgisayar oyunları alanında derin pekiştirmeli öğrenmenin büyük başarısı nedeniyle dikkat çekiciydi.Örneğin, alphago (Google DeepMind tarafından geliştirilmiştir), insanların bu alana olan ilgisini artırıyor ve derin pekiştirmeli öğrenmenin sistemizasyonu ve geniş uygulaması için önemli bir itici güç haline geliyor. güç. Takviye öğrenme uygulamalarını destekleyen birkaç açık kaynak çerçevesi vardır (örneğin, Google tensorflow ve bu OpenAI), ancak hemen hemen tüm ticari dijital platformlar şu anda bu özellikten yoksundur. Derin takviyeli öğrenme için çok yüksek beklentilere sahip olmamanız ve gerçekten başka bir çözümünüz yoksa planınıza veya yol haritanıza derin takviyeli öğrenmeyi koymamanız önerilir. Derin takviyeli öğrenme, derinlemesine mesleki bilgiye, tercihen simüle edilmiş veya kontrollü bir ortama sahip olmalıdır, bu ortamda sistem, sonuçta en iyi değerlendirmeyi üreten bir dizi strateji arayabilir. Şu anda, oyunlar için yukarıda bahsedilen derin pekiştirmeli öğrenmeye ek olarak, diğer başarılı derin pekiştirmeli öğrenme türleri nispeten nadirdir.

Nöromorfik hesaplama, nörobiyolojik yapı kavramından etkilenen yarı iletken işlemcilere dayalı hesaplama olarak anlaşılabilir. Nöromorfik çipler, geleneksel işlemcilerden tamamen farklıdır ve genellikle von Neumann olmayan yapılar olan yürütme modüllerini gerektirir. 2017'de sinir sistemi hala çok erken bir prototip aşamasındadır. Hewlett Packard Lab tarafından geliştirilen kafes, sinirsel bilgi işlemeyi hızlandıran bir motor tasarımıdır. Micron'un otomatik işlemcileri, grafik analizi, desen eşleştirme ve veri analizi için son derece yüksek paralellik ve performans sağlamak üzere tasarlanmıştır. Nöromorfik donanımın geliştirilmesinin önünde üç büyük engel vardır: Birincisi, hızlandırılmış bilgi işlem teknolojileri (GPU gibi), silikon tabanlı sinirlerden daha uygun ve programlanması daha kolay bir yapı gerektirir; ikincisi, bilgi kısadır ve programlanmış nöromorfik donanım, yeni yürütme modelleri gerektirir ve Programlama yöntemi; Üçüncüsü ölçeklenebilirlik, çok sayıda nöron ve derin ara bağlantı, yarı iletken üreticilerinin uygulanabilir nöromorfik cihazlar oluşturma yeteneğini zorlayacak.

İnsan vücudu işlevlerini iyileştirme, temel olarak kişinin kendi becerilerini geliştirmek ve normal insan sınırlarının ötesinde performans sağlamak için dışsal araçları kullanır. Güçlendirme örnekleri arasında fiziksel gücün artırılması (örneğin dış iskelet yoluyla), algının iyileştirilmesi (örneğin, işitme cihazları ve cep telefonu uygulama optimizasyonu veya elektrik akımını tespit etmek için mıknatısların yerleştirilmesi), konsantrasyonun iyileştirilmesi (örneğin ilaçlar veya beyin uyarımı yoluyla) zihinsel konsantrasyonun iyileştirilmesi yer alır. derece.

Artan uzmanlaşma ve yetenek seviyesinin rekabetçi talepleri altında, gelecekte daha fazla insan insan işlevlerini geliştirerek kendilerini geliştirmeye çalışacak ve önümüzdeki 20 yıl içinde milyarlarca dolarlık bir pazar tetiklenecektir. Yatırımcılar, artan seçiciliğin eğilimlerine ve fırsatlarına odaklanabilir, doğru kişileri bulabilir ve pazar potansiyeline ulaşabilir. İnsan işlevlerinin geliştirilmesine ilişkin etik tartışmalar ortaya çıkmaktadır.Birleşik Devletler'deki bazı eyaletler, işverenlerin bir istihdam koşulu olarak çip yerleştirmeyi kullanmasını yasaklayan yasaları kabul etmiştir.

5G, yeni nesil 4G hücresel standarttır. Bu şu anda Uluslararası Telekomünikasyon Birliği (ITU), Üçüncü Nesil Ortaklık Projesi (3GPP) ve Avrupa Telekomünikasyon Standartları Enstitüsü (ETSI) tarafından tanınan resmi standarttır. Gartner, 2020 yılına kadar ağ tabanlı mobil iletişim hizmeti sağlayıcılarının (CSP)% 3'ünün 5G ticari ağları başlatacağını tahmin ediyor. 5G, 2018'den 2022'ye kadar, IoT iletişimini, yüksek tanımlı videoyu ve sabit kablosuz erişimi desteklemek için esas olarak uluslararası alanda kullanılacak.

Hizmet işi olmayan PaaS, sunucusuz PaaS olarak adlandırılır. Tüm PaaS, hem IaaS hem de SaaS'ın tasarım prensibini en başından itibaren yansıtmalıdır. Sunucusuz PaaS, gerçek bir bulut tabanlı bulut platformu hizmetini temsil eder. Bir sunucu PaaS teslim modeli üretkenliği ve verimliliği artıracak ve geliştirmeyi basitleştirmeye, işlemleri ölçeklendirmeye ve altyapı maliyetlerini azaltmaya yardımcı olacaktır. Bu, daha tutarlı ve yönetilebilir bir bulut uygulama ortamı yaratacaktır, ancak iş tabanlı çözümler üretmek için planlama uygulamaları ve stratejik ayarlamalar gerektirir. PaaS tasarımı, işleme ve bazı mevcut uygulamalar bazı yeni uygulamalar gerektirir değişiklik.

Dijital ikiz, fiziksel bir nesneye karşılık gelen sanal bir nesnedir. Önemli işlevlerinden biri, dijital ikizin diğer yazılımların / sistemlerin, gerçek nesnelerin bakımını, yükseltmesini, onarımını ve çalışmasını iyileştirmek için gerçek nesneler yerine sanal nesneleriyle doğrudan etkileşime girmesini sağlamasıdır. Dijital ikizlerin temel öğeleri, kontrollü nesnenin modelini, nesnenin verilerini ve nesne ile izlenen nesne arasında benzersiz bire bir yazışma yeteneğini içerir.

Arabalar, binalar ve tüketici ürünleri için, sanal modellere gömülü işlevsel davranış fikri yeni ortaya çıktı: şimdiye kadar,% 1'den azını modelciler takip etti. Yüksek değerli varlık yoğun endüstrilerde (nakliye ve üretim gibi) ve kilit alanlarda (havacılık ve savunma gibi), dijital ikizler nispeten yaygın ve daha karmaşık alanlarda (otomobiller, uçaklar, uzay araçları ve makineler gibi) hala nadirdir. . Gartner, bugüne kadar bu tür karmaşık varlıkların yalnızca% 5'inin modellendiğini tahmin ediyor.

Gartner, basit dijital ikizlerin hızla çoğalacağını tahmin ediyor. Örneğin, tüketici odaklı tüketici elektroniği endüstrilerinde, basit dijital ikiz ürünler tüketici düzeyinde (ses sistemleri, akıllı aydınlatma vb.) Çoğalmaya ve farklılaşmaya başlamıştır. Sıradan müşteriler için, tüketici elektroniği ürünlerini mobil cihazlarda nispeten basit dijital ikizler aracılığıyla uzaktan izleme ve kontrol etme gibi basit elektronik cihazların dijital ikizlerinin deneyimi geliştikçe, dijital ikizler sıradan tüketici grupları tarafından karşılanacaktır. Ve tanınma. Zamanla, giderek daha fazla sayıda üretim işletmesi, ekipman arızalarını önlemek ve ekipman bakım planlarını yürütmek, üretim süreçlerini optimize etmek, ekipman arızalarının tahminini iyileştirmek, operasyonel verimliliği artırmak ve ürünü geliştirmek için daha olgun dijital ikizler kullanacaktır. Geliştirme ve bakım.

Kuantum hesaplama, atom altı parçacıkların kuantum durumuna dayanan klasik olmayan bir hesaplamadır. Bir parçacığın durumu, kübit (kübit) adı verilen tek bir öğeyle temsil edilen bilgiyi temsil eder. Bir kübit, süperpozisyon adı verilen bir özelliği okuyana kadar tüm olası sonuçları aynı anda kaydedebilir. Qubit'ler, dolaşıklık adı verilen diğer kübitlerle de ilişkilendirilebilir. Kuantum bilgisayarlar, sorunları çözmek ve kübitlerde nihai sonucu gözlemlemek (okumak) için bağlantılı kübitleri kullanır.

Kuantum teknolojisine dayalı donanım sıradan değil, daha karmaşık ve son teknoloji. Bugüne kadar, en büyük dolaşıklık gösterimi yaklaşık 17 kübittir ve bu da laboratuvar merakından kaynaklanmaktadır. Yine de çoğu araştırmacı, donanımın temel sorun olmadığına inanıyor. Etkili kuantum hesaplama, kuantum durumunda çalışırken gerçek dünyadaki sorunları çözmek için yeni kuantum algoritmalarının geliştirilmesini gerektirecektir. Araştırmacılar, yeni kuantum algoritmalarını kuantum bilgisayarların belirli tasarım özelliklerine göre optimize etmeye çalışıyorlar. IBM, insanların kuantum bilgi işlem anlayışını geliştirmek amacıyla kısa süre önce harici kuantum platformunu açtı. Bugün, yalnızca 17 kübitle, sistem yalnızca bazı önemsiz sorunları çözebilir, ancak IBM, kübit sayısını artırarak ve hata oranını azaltarak enerji düzeyini genişletmeye devam etmeyi umuyor.

Ortaya çıkan bir başka yöntem de elektronlar yerine iyonları yakalamaktır. İyonların kütlesi elektronlarınkinden binlerce kat daha büyüktür, bu da onları gürültüye karşı daha az duyarlı hale getirir ve daha kolay yönetilmesini sağlar. Kuantum hesaplama, büyük miktarda fon çekmeye devam ediyor ve birçok üniversite ve kurumsal laboratuvar kapsamlı araştırmalar yürütüyor. Üreticinin tavlanmış kuantum bilgisayarı olan D-Wave sistemi, tamamen dolaşık kübitlere güvenmek yerine şu anda 2000 kübit kullanıyor. D dalgası kuantum bilgisayarlarının bir kullanıcısı olan Google, derin öğrenme ve kuantum hesaplamanın kombinasyonunu destekleyeceğine inanıyor. Microsoft'un kuantum yapısı ve bilgi işlem grubu, geleceğe yönelik kuantum algoritmaları ve programlama algoritması yazılım mimarisi geliştiriyor.

Stereoskopik görüntüleme teknolojisi, izleyicinin hareketini izleyen 360 derecelik küresel bir görünüm kullanarak nesneleri üç boyutlu efektler olarak sunar. Çoğu düz 3D ekranın aksine, stereoskopik görüntüleme teknolojisi yüksek derecede yanılsama efekti veya stereoskopik görsel deneyim oluşturabilir ve çok gerçekçi bir stereoskopik etkiye sahip olabilir. Şu anda, stereoskopik görüntüleme teknolojisi laboratuvardan çıkmadı, ancak genellikle "Yıldız Savaşları" filmindeki Prenses Leia'nın fiziksel görüntüsü olarak görülüyor. Ancak fiziksel teşhir, hala zor ama imrenilen bir hedef.

Stereoskopik görüntüleme teknolojisinin ticari uygulaması henüz emekleme aşamasındadır. Şimdiye kadar, pazarlamada üst düzey perakende ortamları için basit uygulamalar devreye alındı. 2B haritaları geliştirmek ve mimari oluşturma için kullanılan bazı özel jeo-uzamsal görüntüleme uygulamaları vardır. Ancak çoğu, 3 boyutlu ekranlar gibi daha ucuz teknolojilerle uygulanabilir. Aynı zamanda, başa takılan ekranların ve ışıklı alan ekranlarının hızlı büyümesi ve sürekli gelişimi, stereoskopik ekranların profesyonel pazar dışında devam eden gelişimini tehdit ediyor. Potansiyel uygulamalar arasında tıbbi görüntüleme, tüketici eğlencesi, oyunlar ve tasarım bulunur, ancak maliyetin büyük ölçüde azaltılması gerekir.

Beyin-bilgisayar arayüzü (BCI), kullanıcıların bir bilgisayar aracılığıyla farklı beyin modellerini yorumlayabildikleri bir kullanıcı arayüzüdür. Veriler ya pasif olarak gözlemlenir ve incelenir ya da uygulamaları veya cihazları kontrol etmek için komutlar olarak kullanılır. Üç yöntem vardır:

Müdahaleci, elektrotlar doğrudan beyne bağlıdır.

Kısmen invaziv, kafatasına nüfuz eder, ancak beyne değmez.

Sinyalleri algılamak için kafatasına invaziv olmayan, ticari olarak satılan şapkalar veya başörtüsü takılır.

İnvaziv olmayan yöntemler, kafatası kütleleri olarak daha yüksek frekanslı sinyalleri kullanamaz ve elektromanyetik dalgaları dağıtamaz. Bu yaklaşımın ana zorluklarından biri, bir dizi komutu yürütmek için yeterince net bir beyin modeli elde etmektir. Günümüzün kontrolü çok düzgün veya sürekli olmasa da, çok boyutlu sanal nesneleri kontrol edebilir, etkileşimli oyunlar oynayabilir ve donanımı kontrol edebilir. Florida Üniversitesi'nin 2016 yılında beyin tarafından kontrol edilen dünyanın ilk drone yarışmasını düzenlediğini ve hizmet robotlarının geliştirilmesi için potansiyel yolu gösterdiğini belirtmek gerekir. Bununla birlikte, düşünmeden tespit etmeye, tespitten uygulamaya, hala bir gecikme sorunu vardır Bu temel sorun, gerçek zamanlı kontrolü bir zorluk haline getirir.

Şu anda, en iyi sinirsel arayüz uzuv onarımı için kullanılıyor ve beyinden sinir sinyalleri çıkarmak için 100 kanal kullanıyor. Savunma İleri Araştırma Projeleri Ajansı (DARPA), önümüzdeki dört yıl içinde sinir mühendisliği sistemlerinin tasarımını bir milyon kanala (NESD) çıkarmak için 60 milyon ABD doları yatırım yapıyor. Nöron yapmak için insan beynine bir santimetreküplük bir cihaz implante edilecek Veriler elektronik olarak iletilir. Eğer öyleyse, bu teknoloji yıkıcı bir dönüşüme uğrayacak ve sadece geniş bir nüanslı arayüz yelpazesine sahip olmayacak, aynı zamanda beynin fiziksel ve psikolojik açıdan anlaşılmasına da yardımcı olacaktır.

Drone kontrolü, müşteri davranışı araştırması gibi yeni kullanım durumları. FACEBOOKun 8 araştırma grubu kısa süre önce F8 Geliştirici Konferansı'nda, kullanıcıların fikir ve hedeflerle dakikada 100 kelime ile etkileşime girmesine olanak tanıyan, müdahaleci olmayan bir projeyi duyurdu.

Konuşmalı Kullanıcı Arabirimi (CUI), kullanıcı ve makinenin sözlü veya yazılı doğal dilde etkileşime girdiği üst düzey bir tasarım modelidir. Bunlar genellikle basit kelimelerden ("dur", "evet" veya "şu an saat kaç" "12:24" gibi) son derece karmaşık etkileşimlere (ceza davalarında tanık ifadesi toplama) kadar değişen, genellikle gayri resmi ve iki yönlü etkileşimlerdir. Ve oldukça karmaşık sonuçlar (kullanıcı için soyut bir resim oluşturmak gibi). Bir tasarım modeli olarak CUI, uygulamaların ve ilgili hizmetlerin uygulanmasına bağlıdır. Tedarikçiler ve açık kaynak faaliyetleri sürekli olarak artmaktadır ve bu da CUI'nin gelişmesine yardımcı olmaktadır. Yeni UI modelinin kontrolünü sarsacak daha fazla onaylanmış CUI ve yeni iş modelleri, uygulamaları ve API'leri kısmen değiştirecek ve tamamlayacaktır.

Akıllı çalışma alanları, fiziksel nesneleri dijitalleştirmek, yeni çalışma yöntemleri sunmak, bilgi paylaşmak ve işbirliği geliştirmek için fiziksel Nesnelerin İnternetini kullanır. Fiziksel ortamın programlanması, çalışanların iş verimliliğini artırmak için akıllı çalışma alanının mobil cihazlar, uygulama yazılımı, dijital çalışma alanı haritaları ve akıllı makinelerle işbirliği yapmasını sağlar. İnsanların çalıştığı her yer akıllı bir çalışma alanı olabilir.

2. Zirve dönemi

Gelişmiş veri madenciliği (eski adıyla akıllı veri madenciliği), ayırt edici özellik, kullanıcıların modeller oluşturmaya veya algoritmalar yazmaya gerek kalmadan korelasyonlar, istisnalar ve genel tahminler gibi ilgili araştırmaları otomatik olarak keşfetmesini, hayal etmesini ve anlatmasını sağlayan yeni nesil BI ve analiz platformudur. Kullanıcılar, görsel arama ve doğal dil yoluyla verileri sorguluyor ve doğal dille oluşturulan sonuç yorumlamasını destekliyor.

Geçtiğimiz beş yılda, vizyona dayalı veri madenciliği, geleneksel iş zekası (BI) ve analitik pazarını altüst etti çünkü bunların kullanımı kolay ve kullanıcılar verilerde yeni içgörüler bulmak için verileri hızla bir araya getirebilir ve hipotezleri görsel olarak keşfedebilirler. Ancak, kullanıcıların kalıpları manuel olarak aramalarına güvenmek, kullanıcıların kendi önyargılı varsayımlarını araştırmasına, önemli sonuçları kaybetmesine ve yanlış veya eksik sonuçlar çıkarmasına neden olabilir, bu da kararları ve sonuçları olumsuz etkileyebilir.

Gelişmiş veri madenciliği, zaman alan keşif ve yanlış tanımlamayı azaltabilir ve daha az ek açıklama üretebilir. Tüm veri kombinasyonlarını manuel olarak test eden bir analist yerine, akıllı görselleştirme ve / veya doğal dil anlatımları ile kullanıcıya yalnızca en önemli ve ilgili sonuçlar sunulur. Verilere paralel olarak bir dizi algoritma uygulanır ve gerçek sonuçlar kullanıcılara açıklanır, böylece veri kaybı ve manuel keşif arasındaki önemli içgörü riskini azaltır ve karşı önlemleri optimize edip iyileştirir.

Uç bilişim, bilgi işlemenin, içerik toplama ve dağıtımın bilgi kaynağına ve havuzuna daha yakın olduğu bir bilgi işlem topolojisini tanımlar. Ağ ağları ve dağıtılmış veri merkezleri konseptinden başlayarak, uç bilişim, yerel ve uzak trafiği sürdürmeye ve ağ merkezinden işlemeye odaklanır. Amaç, gecikmeyi azaltmak, gereksiz trafiği azaltmak ve ilgili eşler arasında ara bağlantı için bir merkez oluşturmanın yanı sıra karmaşık ortam türleri veya hesaplama yükleri için veri iyileştirmektir.

Uç veri merkezinin fiziksel altyapısını oluşturmaya yönelik teknolojilerin çoğu kullanıma hazırdır, ancak topoloji, açık uygulamalar ve ağ mimarisinin yaygın uygulaması yaygın değildir. Edge computing, Nesnelerin İnternetinin fiziksel olarak gerçekleştirilmesinde sinerjik bir rol oynar ve konseptin görünürlüğünü büyük ölçüde iyileştirir. Veri iyileştirme, video sıkıştırma ve analiz gibi uç konumu ve uç işlevine özgü teknolojileri içerecek şekilde sistemi ve ağ yönetimi platformunu genişletme ihtiyacı.

Akıllı bir robot, fiziksel dünyada özerk olarak çalışan, kısa aralıklarla öğrenen, insan denetimini, eğitimi ve gösterimini kabul eden, insan yönetimi altında çalışan elektromekanik bir unsurdur.

Endüstriyel robotlarla (önceden tanımlanmış, değişmeyen görevler) karşılaştırıldığında, akıllı robotların kullanımı şimdiye kadar önemli ölçüde azaltıldı, ancak bunlar pazarda büyük ölçüde teşvik edildi, bu nedenle akıllı robotlar enflasyon beklentilerinin zirvesindedir. Önümüzdeki birkaç yıl içinde, akıllı robotları çevreleyen tanıtım ve beklentiler büyümeye devam edecek. Son birkaç yılda birkaç büyük tedarikçinin çabaları sayesinde, akıllı robotlar gösteriş yapıyor:

Amazon Robotics (eski adıyla Kiva Systems) müşteri siparişlerini tamamlamak için 10.000 robot dağıtmayı planlıyor.

Google, birden çok robotik şirket satın aldı.

Rethink Robotics, insan çalışanlarıyla birlikte çalışabilen Baxter ve Sawyer'ı piyasaya sürdü.

2016 yılında Hilton ve Westin otel odaları gibi bazı otellerde servis robotları kullanmaya başladı.

Akıllı robotlar, varlık merkezli, ürün merkezli ve hizmet merkezli bir sektörde başlangıçtaki iş etkilerini gösterecek. Fiziksel güçleri, iş gücü kapasiteleri, daha yüksek güvenilirlikleri, daha düşük maliyetleri, daha yüksek güvenlikleri ve daha yüksek üretkenlikleri, bu endüstrilerde güçlü bir rekabet gücü gösterir. Tipik ve potansiyel kullanım durumları arasında tıbbi malzeme kullanımı, tehlikeli atık bertarafı, dağıtım ve teslimat, hasta bakımı, doğrudan malzeme işleme, ikmal, ürün montajı, bitmiş ürün işlemleri, ürün seçimi ve paketleme, e-ticaret siparişleri, teslimat, alışveriş yardımı yer alır. , Müşteri hizmetleri, konsiyerj ve tehlikeli maddelerin imhası vb.

Şirketler, IoT terminal türlerini artırmaya, daha iyi avantajlar aramaya ve yeni iş fırsatları ve kar modellerini keşfetmeye kararlıdır. Bu faktörlerin etkileşimi nedeniyle, şirketlerin ilgili olgunluk, ölçek ve ticari değeri elde etmek için sürekli olarak ileri teknolojik kaynakları artırması gerekir. Büyük ölçekli IoT platformları, temel ve gelişmiş IoT çözümlerini ve dijital iş operasyonlarını gerçekleştirebilir. IoT platformu, bulut tabanlı öğelerle (özel veya genel) ve terminaller ve ağ geçitleri arasında dağıtılan yerel yazılımlarla birleşecek hibrit bir şekilde konuşlandırılır.

Gittikçe daha fazla şirket, Nesnelerin İnterneti ve dijital hizmetler aracılığıyla IoT platformlarının tanıtımını genişletti ve tedarikçilerin ve kullanıcıların IoT platformlarına ve hizmetlerine yatırımını teşvik etti. IoT projelerinin dağıtımındaki artış, insanların maliyet beklentileri ve teknolojinin küçümsenmesi (örneğin, ekipman yapılandırması, uçtan-uca çözüm entegrasyonu ve yeterli ağ güvenliği), IoT platformlarını beklenen genişlemenin zirve dönemine yaklaştıran zorluklar ortaya çıkarmaktadır. Tecrübe birikimi sonunda onları ana akım üretkenliğe ve olgunluğa getirecektir. 2017 yılında, birçok büyük üreticinin ikinci nesil ürün pazarını getirdiğini gördük.Genel olarak, satış hacimlerini kanıtlayacak tam bir kanıt yok, ancak pazara yeni girenleri göz önünde bulundurarak, pazarlama hacminin artmaya devam etmesi bekleniyor.

VAS, kullanıcıların veya şirketlerin yalnızca insanlar tarafından yapılabilecek bir dizi görevi tamamlamasına yardımcı olur. VAS, kullanıcılara yardımcı olmak veya görevleri otomatikleştirmek için yapay zeka ve makine öğrenimi (NLP, öngörücü modeller, öneriler ve kişiselleştirme gibi) kullanır. VAS, davranışı izler ve gözlemler, veri modelleri oluşturur ve sürdürür, eylemleri tahmin eder ve önerir. Kullanıcılara hizmet edebilir ve zaman içinde kullanıcılarla ilişkiler kurabilirler. Sanal asistan, kullanıcıya karşılık gelen dönüşüm ile sorumlulukları kullanıcının anlayışından sisteme aktarır.

VA'nın belirli uygulamaları arasında Apple Siri, Google Assistant, Microsoft Cortana, Amazon'un Alexa, kore.ai ve SAP'nin yardımcı pilotu bulunur. Gelecekte, giderek daha fazla görüntü tanıma, davranış ve olay tanıma VAS'ı kullanacak. Sanal asistanlar ayrıca sanal kişisel asistanlara, sanal müşteri asistanlarına ve sanal çalışan asistanlarına da yerleştirilebilir. Kullanıcılar bunlara daha uyumlu hale geldikçe, teknoloji geliştikçe ve çeşitlilik sağladıkça, VA kullanımı da artıyor.

Bağlantılı evin amacı, iletişim ve eğlenceden medikal, güvenlik ve ev otomasyonuna kadar çok sayıda cihaz, sunucu ve uygulama ile ağ bağlantılarını sağlamaktır. Bu sunucular ve uygulamalar, birbiriyle bağlantılı birden çok entegre cihaz, sensör, araç ve platform aracılığıyla bilgi iletir. Durumsal, gerçek zamanlı ve akıllı bilgiler yerel olarak veya bulutta depolanabilir, böylece sunucuya bağlı bireyler veya diğer aile üyeleri evlerini uzaktan veya evde izleyebilir. Medya ve eğlence, ev güvenliği, izleme ve otomasyon, enerji yönetimi ürün ve hizmetleri, sağlık ve fitness, eğitim vb. Bağlı ev için anahtar sözcükler haline gelecektir.

Derin öğrenme, ara değişkenleri daha da keşfedip inceleyerek makine öğrenimini genişletir ve genişletir ve makine öğreniminin bir dalıdır. Üç faktör, derin öğrenmenin ortaya çıkan teknoloji eğrisinin tepesine ulaşmasına neden olmuştur: Biri, daha önce işlenmesi zor olan veriler de dahil olmak üzere büyük miktarda verinin eşi görülmemiş kullanılabilirliği; diğeri, hızla büyüyen veri setlerini idare edebilen algoritmaların iyileştirilmesi ve modellerin optimizasyonudur; Üçüncüsü, derin öğrenme donanım platformunun (on binlerce küme yongasına ve GPU tabanlı donanım mimarisine sahip süper bilgisayar) yükseltilmesidir.

Binlerce tedarikçi, derin öğrenme alanındaki bilgisayarla görme, konuşma sistemleri ve biyoinformatik uygulamaları gibi uygulamaları araştırıyor. Araştırmacılar bu konuda sürekli olarak harika yeni makaleler yayınlıyorlar. Google, Apple, Microsoft, Facebook ve Baidu gibi kurumsal devler, derin öğrenme için araştırma ve geliştirme paylarını artırıyor. Appleın Siri'si, Googleın Google Asistanı, Microsoftun Cortanaı ve Amazonun Alexa'sının hepsinin arkasında derin öğrenme var. Donanım üreticileri, yeni, derin sinir ağı eğitimi yüksek performanslı algoritmaların (derin sinir ağı algoritmaları, DNN'ler) dağıtımını hızlandırıyor. Gelecekte bilimsel veri platformlarında derin öğrenme işlevlerinin elde edilmesi daha kolay hale gelecektir. 2018 yılına kadar veri bilimcilerinin% 80'inin derin öğrenmeyi standart olarak kullanacağı tahmin edilmektedir.

Sürekli olarak iyi sonuçlar elde etmek için derin öğrenmenin uzman sistemler ve ilgili ekipman gerektirdiğini görüyoruz. DNN mimarisi şu anda genel olarak tanınmaktadır. Bununla birlikte, derin öğrenmenin hesaplama kaynakları hazır değildir.Bazı teknolojiler hala nispeten belirsizdir. Tek bir algoritma veya sistem şu anda derin öğrenmenin tüm işleme ihtiyaçlarını karşılayamaz.

Derin öğrenmenin şu anki başarısı, DNN'nin ana değişkenlerinden geçer: görüntü ve konuşma tanımada evrişimli sinir ağları; doğal dil işleme ve çeviride tekrarlayan sinir ağları; ve biyoinformatikte yapay sinir ağlarını otomatik kodlama. Derin öğrenme verilerinin yetenek kapsamında uzun vadeli yatırımların odağı olması tavsiye edilir, çünkü doğru verilerin değeri zamanla artacaktır. Kanunun ve etiğin net olduğu alanlarda, örneğin AB veri koruma düzenlemelerine tabi olduğunuzda DNN'leri kullanmaktan kaçınmanız önerilir. Amerika Birleşik Devletleri'nde, Savunma İleri Araştırma Projeleri Ajansı (DARPA), yapay zekayı açıklamak için bir proje finanse etti, ancak bu birkaç yıl alacak.

Sektör için derin öğrenme, tüm endüstrileri dönüştürme ve alt üst etme potansiyeline sahiptir. Bu potansiyeli gerçekleştirmek isteyenler için zorluk, derin öğrenmede çözülecek doğru problemleri bulmaktır.

DNN'nin potansiyelinin temeli, yüksek boyutlu karmaşık veri parçacıklarını karakterize etme yeteneğidir. DNN, görüntüleri yorumlayarak erken tümörleri teşhis edebilir ve güvenilir sonuçlar verebilir; görme engelli kişilerin görsel yeteneklerini geliştirmeye yardımcı olur; otonom araçlara yardımcı olur; siyah beyaz fotoğrafları renklendirir; fotoğraflardaki öğe eksikliğini giderir; tanımlama ve Belirli bir kişinin sesini vb. Anlayın.

Makine öğrenimi, bir dizi gözlemden belirli bilgi ve kalıpları çıkarmaktır. Üç ana dal vardır: denetimli öğrenme ("etiketli veriler" olarak da bilinir), denetimsiz öğrenme ve pekiştirmeli öğrenme (ne kadar iyi ve ne kadar kötü olduğu göz önüne alındığında Durumun değerlendirilmesi).

Makine öğrenimi, en popüler teknik kavramlardan biridir. Makine öğreniminin bir dalı, derin sinir ağlarını içeren derin öğrenmedir. Eskiden insanların özel alanı olan biliş alanına ayak basması nedeniyle özel ilgi çekmiştir: görüntü tanıma, metin anlama ve konuşma tanıma çok yeteneklidir. Makine öğrenimi, aşağıdaki alanlarda iyileştirmeler sağlayacak ve yeni iş sorunlarını çözecek ve çok sayıda iş ve sosyal senaryo gösterecek: otomasyon, ilaç araştırması, müşteri ilişkileri yönetimi, tedarik zinciri optimizasyonu, tahmini bakım, operasyonel verimlilik, dolandırıcılık önleme ve otonom sürüş. , Kaynak optimizasyonu ve diğer alanlar. Makine öğreniminin etkisi açık veya örtük olabilir. Belirgin etki, makine öğrenimi hizmetlerini aktif olarak kabul etmekten gelir ve gizli etki, makine öğrenimi bileşenleri içerdiklerini bilmeden kullandığınız ürün ve çözümlerden gelir.

Otonom sürüş, aracın bir başlangıç noktasından başlayabileceği ve lidar, radar ve kamera gibi çeşitli araç teknolojileri ve sensörlerinin yanı sıra kontrol sistemleri, yazılım, harita verileri, GPS ve kablosuz iletişim verileri vb. Hedefe otomatik pilot . Sensörlerin, konumlandırma, görüntüleme, rehberlik, yapay zeka (AI), haritalama ve iletişim teknolojilerinin sürekli gelişimi ve ayrıca gelişmiş yazılım ve bulut bilişimin hızlı gelişimi, otonom sürüşü kısa sürede gerçeğe dönüştürüyor.

2017 yılında, otomobil üreticileri ve teknoloji şirketleri tarafından geliştirilen sürücüsüz otomobiller, ana akım medya tarafından lanse edildi ve bu teknoloji için gerçekçi olmayan ve yüksek beklentilere yol açtı. AI

/AIAI5

alphabeta

UAVGNSS

2017