از یادگیری ماشینی گرفته تا دوقلوهای دیجیتال، دریایی از امکانات با روندهای رو به رشد (و کاهش) فناوری فن آوری های جدید و در حال تحول به سرعت در حال تغییر روش کار ما هستند و فرصت های خلاقانه ای را برای توسعه دهندگانی ارائه می دهند که برای تمرکز مجدد و یادگیری چیزهای جدید مهم نیستند. در این مقاله، ما به 11 روند جدید فناوری نگاه می کنیم که به گفته کارشناسان می تواند رویه های موجود فناوری اطلاعات را مختل کند و تقاضا برای توسعه دهندگان آینده نگر ایجاد کند.
این فقط مربوط به موفقیت بزرگ بعدی (معروف به چیز بزرگ بعدی) نیست. منبع فرصت های آینده برای توسعه دهندگان در ادغام چندین فناوری پیشرفته نهفته است - هوش مصنوعی (AI)، واقعیت مجازی (VR)، واقعیت افزوده (AR)، اینترنت اشیا (IoT). اینترنت اشیا، IoT) و فناوری های ابری. ... و البته در مسائل امنیتی ناشی از این ادغام. اگر میخواهید جعبه ابزار شخصی خود را گسترش دهید، توصیه میکنیم نگاهی دقیقتر به این فناوریهای محبوب و همچنین نکات ما در مورد چگونگی موفقیت با آنها داشته باشید.
پس از هک شدن دهها میلیون دستگاه متصل در سال 2016، حتی ناظران خارجی متوجه میشوند که دستگاههای IoT محافظت نشده (IoT = اینترنت اشیا) منجر به مشکلات امنیتی وحشتناکی میشوند. در گزارش اخیر، شرکت تحلیلی گارتنر توصیه هایی را برای توسعه دهندگان و تیم های متخصص منتشر کرد. این پیشنهاد می کند که این متخصصان باید از همان ابتدای فرآیند طراحی با یکدیگر همکاری کنند. در این صورت، می توانید تهدیدات را به محض ایجاد آنها از بین ببرید. برای مثال، با دانلود بهروزرسانیهای امنیتی دستگاههای اینترنت اشیا. تقاضا برای کارشناسان امنیت اینترنت اشیا زیاد است، به ویژه کسانی که آسیب پذیری سخت افزار و نرم افزار مورد استفاده دستگاه های متصل به شبکه را درک می کنند. «بردارهای حمله IoT تقریباً مشابه آنهایی هستند که برای هر شبکه توزیع شده مانند رایانه ها یا تلفن های همراه است. ریچارد ویتنی، معاون محصول در استارتآپ Particle میگوید، بنابراین دانش امنیتی در این زمینه مرتبط و مهم خواهد بود. اصول رمزنگاری و احراز هویت را بیاموزید و به چیزهای بزرگی دست خواهید یافت. تام گونسر، بنیانگذار DocuSign و شریک Seven Peaks Ventures، می گوید که شرکت ها اکنون به مهارت های برنامه نویسی سطح پایین برای ریزپردازنده ها نیاز دارند. آنها همچنین به تجربه با فناوری بلوتوث، [ویندوز هویت بنیاد] و فناوریهای طیف گسترده نیاز دارند. آگاهی از آخرین گزینه های امنیتی سیستم عامل لینوکس، به ویژه گزینه های بهینه شده برای minikernel، مانند Qubes OS، نیز قدردانی می شود. مت آبرامز، یکی از شرکای Seven Peaks Ventures، تمرکز تلاش ها را بر درک فرآیندهای تکنولوژیکی و چگونگی نابودی آنها پیشنهاد می کند. به نظر او، دوران رمزنگاری پساکانتومی سریعتر از آنچه انتظار می رفت نزدیک می شود. "متخصصان باید بفهمند که حریم خصوصی و شبکه های متضاد چیست."
در انتظار موج جدیدی از خودروهای بدون راننده، رباتها و لوازم الکترونیکی هوشمند، تقاضا برای مهندسان متبحر هوش مصنوعی با سرعت زیادی در حال افزایش است. نیکولا مورینی-بیانزینو، مدیر اجرایی ارشد و رهبر گروه هوش مصنوعی در Accenture میگوید: «اکنون در نقطه عطف قرار داریم که عمدتاً توسط پیشرفتها در محاسبات فراگیر، خدمات ابری مقرونبهصرفه و ذخیرهسازی اطلاعات تقریباً نامحدود هدایت میشود. هوش مصنوعی در حال حاضر به معنای واقعی کلمه در همه چیز تعبیه شده است. مورینی-بیانچینو تقاضا برای توسعه دهندگان نرم افزار، فناوران و محققان با تجربه در زمینه های [اتوماسیون - تقریبا. ترجمه از زبانی به زبان دیگر، تشخیص گفتار، بینایی کامپیوتری، روباتیک، پردازش متن در زبانهای طبیعی، بازنمایی دانش و استدلال منطقی. غذای هوش مصنوعی داده است، بنابراین نیاز به متخصصان مدیریت داده و محتوا، دانشمندان داده و تحلیلگران نیز بسیار زیاد است. معاون بازاریابی Treasure Data، Kiyoto Tamura، پیشبینی میکند که هوش مصنوعی به زودی از برنامههای کاربردی و پیش پا افتاده به برنامههای بسیار گستردهتر و هیجانانگیزتر حرکت خواهد کرد. پیش از این، وظایف مربوط به هوش مصنوعی چیزی شبیه به این بود: "مسیر تحویل بهینه برای یک بسته ... یا مناسب ترین سایت ها را برای جستجوی جستجو پیدا کنید." اکنون عبارت آنها به موارد زیر نزدیکتر است: "بازی برو در سطح مناسب" ، "ایمن رانندگی کن" و غیره. تامورا کیوتو می گوید: "این عالی است، اما مردم هنوز باید به رایانه بگویند که چه کاری انجام دهد، و هیچ کاری نمی توانید در مورد آن انجام دهید." تاتل، با استناد به یک مطالعه VentureScanner که 910 شرکت هوش مصنوعی را بین مارس تا اکتبر 2016 راه اندازی کردند، با بیش از نیمی از آنها در زمینه یادگیری عمیق/یادگیری ماشینی و علوم داده، زبان های طبیعی، فهرست کرده است. تاتل می گوید: منطقه ای که بیشترین پول در آن سرمایه گذاری شده است، حدود 4.5 میلیارد دلار.» علیرغم افزایش اخیر علاقه به برنامه های کاربردی تعاملی، عدم تقارن بین عرضه و تقاضا در این زمینه وجود دارد. منبع ارزشمندی تا زمانی که دانشگاه و صنعت تعادل را اصلاح کنند.
نوعی هوش مصنوعی، یادگیری ماشینی، میتواند حجم عظیمی از دادهها را برای یافتن سریع الگوها (مانند تشخیص چهره) پردازش کند و بدون نیاز به برنامهنویسی صریح، کارهایی مانند توصیه به پخش فیلمها را انجام دهد. پاتریک اسپدینگ، مدیر ارشد تحقیقات هوش تجاری در Rocket Software، معتقد است که فناوریهای شناختی، همراه با رباتها و یادگیری ماشینی، میتوانند کارایی سازمانهایی را که به دنبال «سیگنال مفید در میان نویز» هستند، بهبود بخشند. اسپادینگ میگوید: «به هر حال، یادگیری ماشینی بر اساس قابلیتهای تجزیه و تحلیل پیشرفته است که قبلاً به عنوان داده کاوی شناخته میشد، که برای محبوبتر شدن فقط به یک پلت فرم مناسب نیاز داشت.» این سؤال مطرح میشود: چگونه میتوان آبرامز از Seven Peaks Ventures را به دست آورد. دوره آنلاین Andrew Ng در مورد یادگیری ماشین در Coursera. کسانی که این دوره را می گذرانند در مسابقات Kaggle بهتر عمل می کنند. نتایج بهتری نسبت به برخی از تمرین کنندگان با سال ها تجربه. هر توسعه دهنده یادگیری ماشینی مدرک علوم کامپیوتر ندارد. "البته مدرک علوم کامپیوتر یا مدرک مهندسی پایه معمولاً به تکنسینها کمک میکند تا در کار خود موفق شوند، چنین متخصصانی میتوانند آزمایشهایی را در مدت زمان طولانی انجام دهند و مدلهای یادگیری ماشین را بهبود بخشند. با این حال، من اغلب دیدهام که شرکتهایی کاندیدایی را بدون پیشزمینه علوم کامپیوتر استخدام میکنند و آنها را به متخصصان یادگیری ماشین تبدیل میکنند.
علم داده یکی دیگر از رشته های مرسوم است که به انواع مهارت های بین رشته ای نیاز دارد و هر صنعتی مختص به خود را دارد. ممکن است برای تبدیل حجم زیادی از داده ها به داده های مفید برای تصمیم گیری های تجاری، تجربه یادگیری ماشین و هوش مصنوعی لازم باشد. اسپادینگ میگوید: «دانشمندان باتجربه داده کالای کمیاب هستند. به نظر من مناطقی که میتوانید فناوریهایی ایجاد کنید که به تصمیمگیری کمک میکنند، مانند رباتهای شناختی و تحلیلهای هدایتشده، زمینههایی با فرصتهای بسیار سودآور هستند.» برای کسانی که میخواهند در این زمینهها کار کنند، دانش کامل احتمالات گری کازانتسف، سرپرست گروه یادگیری ماشینی در بلومبرگ، میگوید تئوری و آمار ریاضی یک نیاز کلیدی است. «مهارتهای مهندسی، مانند توانایی نوشتن کدهای مورد نیاز برای ایجاد یک سیستم، یک مزیت محسوب میشود.» با این حال، با ظهور از ابزارهایی مانند کتابخانه یادگیری ماشینی TensorFlow یا نوتبوکهای Jupyter، این کار بسیار سادهتر شده است. برای تمرین علم داده، مهارتهای پژوهشی خوب مفید است، یعنی توانایی فرمولبندی فرضیهها، آزمایش آنها، مطالعه ادبیات مدرن و نظارت مداوم بر اخبار در منطقه شما." Gunter Ollmann، افسر ارشد امنیتی Vectra، میگوید در حال حاضر بسیاری از شرکتها با دانشمندان داده جدا از طراحان، تیمهای تحقیق و توسعه و توسعهدهندگان رفتار میکنند. با بهبود یادگیری عمیق و ابزارهای یادگیری ماشین و موثرتر شدن دوره های آموزشی در آموزش مهندسین ارشد در مورد چیزهای جدید در علم داده، تمایز بین علم داده و مهندسی نرم افزار به تدریج از بین خواهد رفت. در آینده، تلفیقی از مجموعه مهارت ها و مهارت با هر دو ساز ضروری خواهد بود."
مزایای این روش برای ایجاد یک ابزار حسابداری مالی توزیع شده برای معاملات شامل شفافیت و امنیت است، اگرچه عدم استانداردسازی پذیرش آن را در طیف وسیعی از صنایع کند کرده است. پیتر لوپ، دستیار معاون رئیسجمهور و معمار اصلی فناوری در Infosys، نسبت به این فناوری خوشبین است: «علیرغم این تصور غلط که سالها با فناوری بلاک چین فاصله داریم، ما در حال حاضر در آینده هستیم «امسال شاهد استقرار کامل در خدمات مالی خواهیم بود. ، بیمه و مراقبت های بهداشتی. این سیستم پرداخت ما را در مقیاس بین المللی به طور کامل مختل خواهد کرد." رابرت باردونیاس، یکی از بنیانگذاران و افسر ارشد مالیات IRIS.TV، که تمرکز کارآفرینی این فناوری را تحسین می کند، می گوید سایر فناوری های نوظهور دارای منحنی های یادگیری تندتری هستند. باردونیاس می گوید: "این فناوری ها از روز اول با تمرکز بر برنامه های کاربردی تجاری عملیاتی در حال رشد هستند، بنابراین توسعه دهندگان مجبور نیستند موارد استفاده را تصور کنند - آنها در زمان واقعی ظهور و تکامل می یابند." "همگامی با تحولات و تغییرات جدید چالش برانگیز خواهد بود. چالش برای هر کسی که می خواهد در این زمینه حرفه ای شود. به یاد می آورم که چگونه زمانی مهارت های حرفه ای جزئی مانند خواندن وب سایت ها و مجلات تجاری را توسعه دادم. این آخرین کاری است که می خواستم انجام دهم، اما امروز بخشی اجباری است. آموزش توسعه دهنده ای که مایل است مزیت رقابتی در بازار جهانی به دست آورد و حفظ کند."
همچنین تقاضای روزافزونی برای برنامه هایی وجود دارد که می توانند اتصال بدون وقفه، سوئیچ و کار را در حین حرکت در خانه حفظ کنند. جوزف کارسون از Thycotic میگوید: "نکته مش در دسترس بودن زیاد است: همه عناصر به یکدیگر متصل هستند." برای دستگاه های ردیابی Tile و همچنین برای ارزهای رمزنگاری شده مانند بیت کوین به عنوان ابزار توزیع شده حسابداری مالی." کارشناسان دیگر به یک گلوگاه بالقوه در عدم سازگاری کافی دستگاه اشاره می کنند. درک کولیسون، مدیرعامل Apcera (قبلاً از Cloud Foundry) میگوید: «همه فروشندگان، به روش خود، سعی میکنند با بسته نگهداشتن اکوسیستمهایشان، اگر اصلا وجود دارند، اعتماد مصرفکننده ایجاد کنند. کولیسون میگوید: «فکر میکنم هوش مصنوعی در ابرها، بر روی حجم عظیمی از دادههای همه کاربران آموزش داده میشود.» این الگوریتمها بهطور مداوم مدلهای اجرایی خود را بهروزرسانی میکنند، که بهصورت بیسیم به نقاط پایانی منتقل میشوند و برای بهروزرسانی سیستمافزار در تلفنهای ما استفاده میشوند. ماشینها و دستگاههای خانگی. پردازش دادهها روی سختافزار دستگاههای محلی و آموزش با استفاده از نرمافزار در فضای ابری انجام میشود.»
مدلهای نرمافزاری که به حسگرهای فیزیکی و مجازی متصل هستند، میتوانند برای پیشبینی خرابیهای محصول و خدمات استفاده شوند و به شرکتها اجازه میدهند تا قبل از وقوع خرابی، منابع را برای انجام تعمیرات برنامهریزی و تخصیص دهند. پیشرفتها در یادگیری ماشین و معرفی فناوریهای هوش مصنوعی، هزینههای مدلسازی پیشبینیکنندهای به نام «دوقلوهای دیجیتال» را کاهش میدهد، که امکان افزایش قابل توجه کارایی و کاهش هزینههای عملیاتی را در طول عمر، مثلاً، یک موتور جت یا نیرو فراهم میکند. گیاه. به گفته Matias Woloski، مدیر ارشد فناوری و یکی از بنیانگذاران Auth0، کسبوکارها میتوانند از دوقلوهای دیجیتالی نیز در مرحله مفهومی و طراحی استفاده کنند و شبیهسازیهای محصولات نرمافزاری جدید را با تغییرات گام به گام تا رسیدن به نتیجه رضایتبخش انجام دهند. اطلاعات به دست آمده از دوقلوهای دیجیتال در هنگام ایجاد محصول در نظر گرفته می شود. ولوشسکی میگوید: "چندین سازمان در حال حاضر از دوقلوهای دیجیتال استفاده میکنند. این فناوری عمدتاً در پروژههایی مورد تقاضا است که هزینههای اولیه و در نتیجه قیمت شکست بسیار زیاد است." پل هافمن، مدیر ارشد فناوری SpaceTime Insight میگوید دوقلوهای دیجیتال از یادگیری ماشینی استفاده میکنند تا در پیشبینی خرابیها مؤثرتر از مدلهای تعمیر و نگهداری مبتنی بر شرایط باشند. با استفاده از اینترنت اشیا و سیستمهای یادگیری ماشین، شرکتها میتوانند مطمئن باشند که منابع آنها بهطور تصادفی شکست نخواهند خورد، و اگر شکست بخورند، شرکت میتواند بهترین تصمیم را در زمان واقعی برای بلندمدت بگیرد.
لوازم خانگی، تجهیزات صنعتی، خودروها و هواپیماهای بدون سرنشین به لطف هوش مصنوعی و یادگیری ماشینی هوشمندتر می شوند. شرکت تحقیقاتی گارتنر تخمین می زند که تا سال 2020، 61 میلیون وسیله نقلیه متصل در سال از خطوط تولید خودروسازان خارج خواهند شد. وینس جفز، مدیر استراتژی محصول و بازاریابی در Pegasystems میگوید: «اقتصادهای کل در اینجا در حال رشد هستند. - برای مثال، استارتآپها و شرکتهایی وجود دارند که از قبل تشکیل شدهاند که با هوش مصنوعی سر و کار دارند، که کاملاً در زمینه وسایل نقلیه خودران تثبیت شدهاند. به عنوان مثال، MobileEye شرکتی با 500 میلیون دلار سرمایه است که در دوربین های کوچک قرار داده شده در سرتاسر ماشین تخصص دارد. به همین ترتیب، شرکتهایی وجود دارند که رباتهای فیزیکی میفروشند - برای مثال، SoftBank Robotics در رباتهای نگهبان هتل تخصص دارد. آنها 250 میلیون دلار سرمایه مخاطرهآمیز دارند." وین تامپسون میگوید پیشرفتها در یادگیری عمیق منجر به بهبود بینایی رایانه، پردازش زبان طبیعی و گفتار، و همچنین توانایی ماشینها و نرمافزار برای "تلاش برای پاداش" و به حداکثر رساندن بهرهوری شده است. دانشمند ارشد داده SAS: "نتیجه نسل جدیدی از ماشین ها است که قادر به دیدن جهان، شنیدن و خواندن زبان های طبیعی، برقراری ارتباط با مردم و خودتنظیمی از نظر مکانیکی و رفتاری به روشی کاملا بی سابقه هستند." اگرچه بسیاری از مردم می بینند. اتوماسیون به عنوان یک کابوس، مردم را بیکار می کند، دیگران استدلال می کنند که این فناوری ها به آینده ای روشن تر و انسانی تر منجر می شوند. - اتوماسیون هوشمند یک تهدید نیست، بلکه یک فرصت فوق العاده است. این میتواند ما را از فعالیتهای معمولی رها کند، دریچهای را به روی خلاقیت باز کند و به ما اجازه دهد تا روابط کاری قویتر و سازندهتر ایجاد کنیم."
پس از دههها تبلیغات سرزده، واقعیت مجازی و واقعیت افزوده بالاخره به نقطه عطفی میرسند. و برای کسانی که می خواهند محصولاتی مبتنی بر این فناوری ها توسعه دهند، افق های جدیدی در حال باز شدن است: گسترش احساسات در طول بازی. Anup Nair، معاون و مدیر فنی شرکت Mphasis Digital می گوید: "این فناوری ها هنوز خیلی رایج نیستند، اما در سال های اخیر بسیار بالغ تر شده اند." مزایای بسیار زیاد، هم برای اهداف آموزشی و هم برای به اشتراک گذاری اطلاعات در مورد روش های جراحی پیچیده. ما شاهد طرح هایی برای فعالیت های AR با هدف انجام تجزیه و تحلیل عمیق در مراکز کنترل رسانه های اجتماعی بانک های بزرگ و همچنین در صرافی هایی هستیم که در آن بانک ها ارائه خواهند کرد. فضای بیپایانی برای کارگزاران بورس وجود دارد تا دادهها را تجزیه و تحلیل کنند و همکاری کنند." کریستین ساسو، دانشیار برنامه فارغ التحصیل VR/AR در کالج Cogswell مستقر در سن خوزه، واقعیت افزوده را بزرگترین روند فناوری سال میداند. سسو میگوید: «بهزودی به مشتریان خدمات ارائه میکنیم که نیاز به تعمیر دستگاه تولید شده توسط شرکت دارند. برای مثال، در پروژهای که روی آن کار میکنم، از عینکهای واقعیت افزوده برای برقراری ارتباط با مشاور خدمات مشتری در صورت خراب شدن تلویزیون یا مانیتور استفاده میشود. هنگام صحبت مستقیم با مشتری از طریق رابط واقعیت افزوده، یک نماینده شرکت میتواند با بازرسی بصری یک صفحه نمایش شکسته، بدون نیاز به توضیح مشکل از طریق تلفن یا جستجوی شماره سریال، تمام اطلاعات لازم را به دست آورد." "فناوریهای AR و VR". Vishwa Ranjan، رئیس واقعیت افزوده و مجازی در Infosys می گوید: "در اوایل سال 2017، شاهد خواهیم بود که شرکت های گوشی های هوشمند شروع به توسعه قابلیت های واقعیت افزوده و مجازی، از جمله، خواهند کرد تا زمانی که سخت افزارهای مقرون به صرفه و باکیفیت برای آنها وجود داشته باشد. به عنوان فناوریهای مبتنی بر تشخیص چهره، تشخیص مکان، استفاده از حسگرها و دوربینهای 360 درجه که نقش مهمی در ارتقای فروش دستگاههای AR و VR به خریداران اولیه خواهند داشت.
این مرحله بعدی هوش مصنوعی است! ما ابزارهای بدی را که در حال حاضر برای تعامل با دنیای دیجیتال استفاده می کنیم حذف خواهیم کرد. به گفته کارشناسان، به زودی از ابزارهای کمکی برای چیزی فراتر از سفارش آنلاین کالا و خدمات یا جستجو در اینترنت استفاده خواهیم کرد. آنها به توسعه مغز ما تبدیل خواهند شد. ما دیگر نیازی به به خاطر سپردن اطلاعات زیادی نخواهیم داشت: با کمک ابزارهای فناورانه، منابعی را برای تفکر تحلیلی و انتقادی آزاد خواهیم کرد." اگر علاقه مند به توسعه چنین فناوری های کمکی هستیم، باید به چه نکاتی توجه کنیم؟ گونتر اوهلمان، رئیس امنیت Vectra میگوید: «بزرگترین تقاضا در حال حاضر برای دانش عمیق است. به عنوان مثال، دانش تخصصی در زمینه امنیت اطلاعات (امنیت برنامههای کاربردی وب، پزشکی قانونی شبکه، جداسازی بدافزار). دیوید پارمنتر، دانشمند داده و مدیر ارشد فناوری در Adobe Document Cloud، میگوید که کلید این امر، حتی بیشتر از مدرک علوم کامپیوتر، اشتیاق به ریاضیات و منطق است. خلاقیت، تمایل به یادگیری مداوم، تفکر مشتری محور، انعطاف پذیری در مواجهه با شکست - نتایج یادگیری ماشینی به هیچ وجه محصول نهایی نیست - و مهارت های ارتباطی مهمترین مهارت های نرم برای مهندسان شاغل در این زمینه است. ”
در حالی که هوش مصنوعی احتمالاً متداول ترین فناوری مخرب سال است، مهم ترین روند همگرایی فناوری های نوظهور به سرعت در حال تکامل است. Maarten Ectors Canonical بیش از دوجین فناوری مختلف را فهرست میکند که در صورت ترکیب، بیش از مجموع اجزای خود را به دست میآورند: «ابر، موبایل، اینترنت اشیا، هوش مصنوعی، بلاک چین، واقعیت افزوده، رابطهای صوتی، ارتباطات رادیویی کنترلشده با نرمافزار، چهارمین انقلاب صنعتی [اتوماسیون و ارتباطات داده در صنعت]، رباتیک، محاسبات لبه و خودروهای بدون راننده." پاتریک اسپادینگ، از Rocket Software، میگوید که فناوریهای جداگانه عمدتاً به دلیل نیاز شرکتها به خروج از دادههای خود، مانند هنگام تجزیه و تحلیل ترافیک وبسایت، در حال جمع شدن هستند. او میگوید: «وقتی به رشد منابع دادهای جدید مانند اینترنت اشیا اضافه میکنید، آسان نیست که فقط با حجم اطلاعات موجود برای تصمیمگیری تجاری همراه شوید.» اسپادینگ معتقد است که چشمانداز ادغام فناوریهای شناختی، رباتها و زبانهای ماشین با قابل درکتر شدن افزایش مییابد. او میگوید که نسل جدیدی از بومیان دیجیتال پذیرش این فناوریهای ترکیبی را تسریع میکنند، زیرا آنها انتظار سهولت استفاده، رابطهای بازی مانند و فراگیر شدن واقعیت افزوده و مجازی را دارند.
GO TO FULL VERSION