Постоянно обновляя наши курсы «Аналитика больших данных для руководителей» в соответствии с развитием области Big Data и вызовов современного бизнеса, сегодня мы расскажем про наиболее перспективные технологии с точки зрения исследовательского агентства Gartner, а также рассмотрим их влияние на цифровую трансформацию. Читайте в нашей статье, почему цифровой двойник нужен не только производству, как цифровая трансформация преобразует корпоративную архитектуру, а также при чем тут созидательный искусственный интеллект (ИИ) и доверие алгоритмам.
Хайп-цикл 2020: ТОП-5 новых технологий
Карантинные меры из-за пандемии COVID-19 оказали беспрецедентное влияние на все области человеческой жизни, включая ИТ-сферу. При общем негативном влиянии на мировую экономику, коронавирус выступил драйвером развития технологий удаленного взаимодействия, масштабной обработки и аналитики больших данных, о чем мы писали здесь. Поэтому неудивительно, что эксперты Gartner включили в список самых перспективных технологий 2020 года следующие [1]:
- цифровой двойник, причем речь идет не только о виртуальном образце технологического изделия или целого завода, про которые мы рассказывали в этом материале, а полноценная модель человека, дублирующая или частично заменяющая его даже в физическом мире. Сюда относятся как электронные идентификаторы (гражданские паспорта и так называемые «паспорта здоровья», биометрические характеристики типа уникального слепка лица или радужки глаз), так и индивидуальные трехмерные модели для примерки одежды и аксессуаров. Также в этой группе упоминаются двунаправленные интерфейсы мозг-машина – носимые устройства, которые реализуют двустороннюю связь между человеческим мозгом и компьютером, обеспечивая непрерывный мониторинг человеческой активности и электростимуляцию для изменения состояния людей.
- комбинированная архитектура предприятия, которая обеспечивает гибкость бизнес-модели в стиле Agile за счет модульности, эффективности, постоянного развития и адаптивных инноваций. Ключевую роль в этом играет управление на основе данных (data-driven) с помощью фабрики данных (Data Fabric) – единой и согласованной инфраструктуры, которая обеспечивает беспрепятственный доступ к нужной информации в нужное время благодаря интернету вещей (Internet of Things), а также средствам сбора, хранения и расширенной аналитики Big Data с алгоритмами машинного обучения (Machine Learning) и другими методами ИИ.
- созидательный искусственный интеллект (ИИ), способный динамически меняться для оперативной реакции на новую ситуацию, включая генерацию нового или изменение существующего контента. Например, генеративно-состязательные нейронные сети (GAN, Generative Adversarial Network) для создания изображений с лицами несуществующих людей или технология Deep Fake, используемая злоумышленниками для обмана населения и биометрических систем. Впрочем, это далеко не единственные кейсы генерации нового. Например, подобные инструменты Machine Learning помогают получать уникальные формулы лекарств, писать стихи и музыку.
- доверие алгоритмам, когда технологии, а не люди в лице манипулирующих общественным мнением СМИ и государственных структур, обеспечивают конфиденциальность и безопасность данных, прозрачность событий и происхождение активов, а также идентификацию личности человека и вещей. Средствами реализации этой концепции эксперты Gartner называют блокчейн и «объясняемый ИИ» (Explainable AI) – также один из ТОП-10 трендов 2020 года в области Data&Analytics по мнению исследователей [2]. Ожидается, что этот набор специальных библиотек и пакетов для визуализации данных и интерпретации прогнозов (Yellowbrick, ELI5, MLxtend, LIME и SHAP) поможет точнее описать и интерпретировать модель Machine Learning. При этом будут указаны ее сильные и слабые стороны, спрогнозировано поведение и перечислены потенциальные ошибки, что повысит прозрачность и надежность ИИ-решений, а также снизит нормативные и репутационные риски [3].
- чипы без кремния, чтобы обойти физические ограничения этого материала, продолжая развитие технологий согласно закону Мура. Напомним, он гласит, что количество транзисторов в интегральной схеме удваивается каждые два года. Наиболее перспективными альтернативами привычному кремнию считаются синтетические нити ДНК для хранения данных, и их обработка с помощью ферментов, обеспечивающих необходимую химическую реакцию. Также сюда относятся биоразлагаемые датчики и транзисторы на основе углерода. Пока все эти технологии находятся в зачаточном состоянии и стоят весьма дорого для массового использования, однако, в будущем они станут очень востребованными.
Как обычно, аналитики Gartner сделали прогноз, когда ажиотаж вокруг этих технологий уляжется и они выйдут на плато продуктивности, представив их на своем графике Hype Cycle. Примечательно, что сейчас все они находятся на стадии инициации и пике завышенных ожиданий, однако станут наиболее эффективными через 5-10 лет [1].
Завтра мы продолжим разговор про наиболее перспективные технологии с точки зрения корпоративной цифровизации и рассмотрим тенденции изменения рабочего пространства с учетом эпидемиологической напряженности и тренда на дистанционное взаимодействие. Читайте в нашей следующей статье, что такое Desktop as a Service, как выглядит демократизация технологических услуг и чем отличается BYOD от BYOT. Еще больше интересных примеров практического использования технологий Big Data в реальных проектах цифровизации частного бизнеса или цифровой трансформации государственных и муниципальных предприятий, вы узнаете на нашем обновленном курсе «Аналитика больших данных для руководителей» в лицензированном учебном центре обучения и повышения квалификации разработчиков, менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data в Москве.
Источники
- https://www.gartner.com/smarterwithgartner/5-trends-drive-the-gartner-hype-cycle-for-emerging-technologies-2020
- https://www.gartner.com/smarterwithgartner/gartner-top-10-data-analytics-trends/
- https://chernobrovov.ru/articles/interpretiruj-eto-metod-shap-v-data-science.html
