ОБ АЛГОРИТМАХ
Алгоритмы не являются новой концепцией; в своем нынешнем значении слово появилось еще в XIX веке. Математики, инженеры и программисты постоянно улучшают и меняют алгоритмы. Результат работает только в сочетании с надлежащей технологией для реализации.
В 1967 году доктор Эндрю Витерби предложил революционный алгоритм для упаковки и распаковки контента, передаваемого по воздуху. Но технология была признана непрактичной для широкой реализации из-за вычислительных ресурсов тех времен. Это была сильная математика и сильная логика – но компьютеры еще не были способны справиться с требованиями.
Со временем все изменилось. В 1980-х годах индивидуальные процессоры смогли справляться с алгоритмом, и работа Витерби стала потребительским товаром: модемом для персонального компьютера. Его алгоритмы были усовершенствованы, объединены с улучшениями в технологиях процессоров и стали частью одного из самых широко используемых потребительских продуктов в мире. Витерби тоже занялся крупными делами. В 1985 году он стал сооснователем компании-гиганта Qualcomm, занимающейся производством чипсетов для мобильных телефонов.
Облачные вычисления, большие данные и аналитика
Если вы когда-либо видели одну из реклам IBM «Уотсон за работой», то вы видели, как изображаются передовые ниндзя-инновации. Обработка больших данных и использование облака и ИИ позволяет Уотсону не только устанавливать связь, но и учиться и предлагать решения.
Инноваторы-ниндзя разработали облачное вычисление в качестве формы аутсорсинга: оно позволяет нам передать хостинг данных и сервисов от частных лиц, компаний или правительств серверам, которыми управляют компании, специализирующиеся на серверном хостинге. Оно освобождает активы (охлажденное физическое пространство, огромная возможность хранения) и людей (обученные специалисты по IT-серверам и хранению), так что компании могут сфокусироваться на своей основной задаче.
Но облако – это намного больше, чем хранилище файлов. Его реальная перспектива заключается в том, чтобы позволить требовательным компьютерным программам и веб-приложениям использовать источники вычислительных мощностей, подключенные к Интернету, в режиме реального времени. Масштабируемые вычисления уже являются распространенной практикой в сети: компании, которые имеют популярные веб-сайты, могут запустить новые серверы в облаке практически моментально, когда трафик подскакивает, и вывести их из эксплуатации так же быстро. А некоторые компании экспериментируют с «туманными» или «граничными» вычислениями – это системы, которые снимают напряжение с основного центра обработки данных в облаке, обрабатывая часть данных местно, увеличивая тем самым скорость и безопасность.
Так как облачные вычисления позволяют нам собирать большое количество данных, анализ больших данных становится возможным. Большие данные – это попросту огромные количества цифровой информации. Сложные вычисления и алгоритмы больших данных могут быть переданы в серверный банк в облаке и обработаны со скоростью света.
Но магия больших данных происходит, когда вы используете методы анализа для поиска новых подходов. Данные о том, кто, когда, что и как в информации, которую вы обрабатываете, могут ответить на вопрос почему. Например, «Почему некоторые люди с заболеванием умирают от него, а другие – нет?», «Какие перекрестки наиболее опасны и в какое время дня?», «Что покупают люди в киберпонедельники?».
Использование больших данных для предсказательной аналитики – это большая возможность для будущих ниндзя. Например, если управляющая на фабрике хочет понять, как создать лучшую, более безопасную, более продуктивную среду для работников, то ей в первую очередь нужно изучить их физическую среду. Машины на фабрике могут осуществлять сбор дюжин данных каждую минуту – от температуры до вибрации и влажности – и могут отправлять эту информацию назад, в штаб-квартиру производителя станков. Там данные могут сравниваться с данными, полученными от машин с тысяч других фабрик; такой анализ может улучшить эффективность и даже определить, может ли определенное оборудование быть подвержено сбоям. Она также может искать менее очевидные корреляции. Предположим, эта определенная фабрика располагается в Детройте, и так вышло, что на ней работает какое-то количество фанатов футбольного клуба Lions. Менеджер должен отследить продуктивность, сверяясь с расписанием игр национальной футбольной лиги, чтобы определить, влияют ли вечерние воскресные игры Lions на продуктивность сотрудников фабрики в понедельник.
Обратите внимание, будущие ниндзя: самый передовой уровень анализа больших данных включает в себя не только прогнозирование вероятности будущих исходов, но и автоматическое принятие мер на основании этих прогнозов. Предсказательная аналитика требует постоянного цикла обратной связи для повторного улучшения способности прогнозировать. Выявление случаев мошенничества в секторе кредитных карт является отличным примером: если вы когда-либо получали автоматический звонок, оповещающий вас о подозрительных платежах, совершенных с вашего счета, то этот звонок был, вероятнее всего, обусловлен алгоритмом. Этот алгоритм опирается на большие данные, проанализировав не только выработанный вами паттерн платежей, но и паттерны миллионов других клиентов. Сервисы по прослушиванию музыки, как Pandora, являются другим примером – они предлагают идеальную песню в идеальное время благодаря анализу ваших прошлых прослушиваний.
Большие данные, облачные вычисления и анализ представляют собой основу умных городов: прогнозируя транспортные потоки, давая возможность беспилотным автомобилям устанавливать контакт с окружающим миром и друг с другом, отслеживая состояние инфраструктуры для выявления признаков износа. И чтобы действительно использовать мощь этого потока информации, нам нужен ИИ.
ИИ – это одна из самых обсуждаемых тем в мире технологий. Но он скромно работал годами вдали от посторонних глаз в самой элементарной своей форме – узкоспециального ИИ, который специализируется в одной области. В 2011 году Уотсон от IBM продемонстрировал отличный пример ИИ: инженеры обучили ИИ для одной определенной задачи: игры в Jeopardy! Чатботы и технологии распознавания голоса, включая «Сири» от Apple, «Алексу» от Amazon и «Кортану» от Microsoft, являются другими примерами узкоспециального ИИ. Эти сервисы используются для различных целей, но все обусловлено распознаванием голоса.
Когда узкоспециальный ИИ разовьется до общего ИИ, известного также как «ИИ человеческого уровня», эти машины будут способны делать практически все, что может живой человек: например, поддерживать сложные разговоры и понимать особенности языка. Другая тема для подобных размышлений заключается в том, что общий ИИ будет способен «сойти» за человека. У ученых есть различные тесты для распознавания общего ИИ, включая тест Тьюринга (можно ли в ходе разговора принять машину за человека?), тест на должность (могут ли принять машину на работу, которую сейчас выполняют люди?) и кофе-тест (может ли машина зайти к кому-то домой и разобраться, как приготовить кофе – определить местоположение кофемашины, залить в нее воду, найти кофе и налить готовый напиток в кружку?).
