среда, 30 июня 2021 г.

Об абстрациях в ООП

Взято из следующего материала http://www.smashcompany.com/technology/object-oriented-programming-is-an-expensive-disaster-which-must-end .

Что касается этого стремления к абстракции в ПО, Джоэл Спольски написал пародию о постройке полки для специй.

Я решил купить молоток и попросил у продавца молоток.

"Молоток?" он спросил. «Никто больше не покупает молотки. Они немного старомодны ».

Удивленный таким развитием событий, я спрашиваю его, почему.

«Что ж, проблема с молотками в том, что существует очень много разных видов. Кувалды, гвоздодеры, перфораторы. Что, если вы купили один молоток, а потом поняли, что вам понадобится другой молоток позже? Для следующего задания вам придется купить отдельный молоток. Как оказалось, большинству людей действительно нужен один молоток, способный справиться со всеми видами молотковых задач, с которыми вы можете столкнуться в своей жизни ».

«Хммммм. Что ж, я полагаю, это звучит нормально. Вы можете показать мне, где найти универсальный молот ».

«Нет, мы их больше не продаем. Они довольно устарели ».

"В самом деле? Я думал, вы только что сказали, что Universal Hammer - это волна будущего ».

«Как выясняется, если вы сделаете только один вид молота, способный выполнять те же задачи, что и все эти разные виды молотов, то он не очень хорош ни в одном из них. Забивать гвоздь кувалдой не очень эффективно. А если ты хочешь убить свою бывшую девушку, ничто не заменит ударный молоток ».

"Это правда. Итак, если никто больше не покупает универсальные молотки, и если вы больше не продаете все эти старомодные молотки, какие молотки вы продаете? »

«На самом деле, мы вообще не продаем молотки».

"Так…"

«Согласно нашим исследованиям, людям действительно нужен был не универсальный молоток. Всегда лучше иметь молоток, подходящий для работы. Итак, мы начали продавать молотковые заводы, способные производить любые виды молотков, которые могут быть вам интересны. Все, что вам нужно сделать, это укомплектовать молотковую фабрику рабочими, активировать оборудование, купить сырье, оплатить счета за коммунальные услуги и PRESTO… вы получите * именно тот молоток, который вам нужен, в кратчайшие сроки ».

«Но я действительно не хочу покупать молотковый завод…»

"Это хорошо. Потому что мы их больше не продаем ».

«Но я думал, ты только что сказал…»

«Мы обнаружили, что большинству людей на самом деле не нужна вся молотковая фабрика. Некоторым, например, никогда не понадобится перфоратор. (Может быть, у них никогда не было бывших подружек. Или, может быть, они вместо этого убили их ледорубами.) Так что нет смысла в том, чтобы кто-то покупал молотковый завод, который может производить все виды молотов под солнцем ».

«Да, в этом есть большой смысл».

«Поэтому вместо этого мы начали продавать схематические изображения для молотковых заводов, позволяя нашим клиентам строить свои собственные молотковые заводы, специально спроектированные для производства только тех видов молотков, которые им действительно понадобятся».

«Дай угадаю. Вы их больше не продаете ».

"Неа. Конечно нет. Оказывается, люди не хотят строить целую фабрику только для того, чтобы произвести пару молотов. Предоставьте заводское строительство специалистам по заводскому строительству, я всегда так говорю!! »

«И я бы с тобой согласился».

"Ага. Поэтому мы прекратили продавать эти схемы и начали продавать фабрики по производству молотов. Каждая фабрика по производству молотов строится для вас лучшими специалистами в области фабрики по производству молотов, поэтому вам не нужно беспокоиться обо всех деталях, которые входят в строительство завода. Тем не менее, вы по-прежнему получаете все преимущества наличия собственной индивидуальной молотковой фабрики, производящей собственные индивидуальные молотки в соответствии с вашими индивидуальными конструкциями молотков ».

«Ну, на самом деле это не так ...»

«Я знаю, что ты собираешься сказать !! … И мы их больше не продаем. По какой-то причине не так много людей покупали фабрики по производству молотов, поэтому мы придумали новое решение проблемы ».

"Ага."

«Когда мы отступили и посмотрели на глобальную инфраструктуру инструмента, мы определили, что люди были разочарованы необходимостью управлять и управлять заводом по производству молотов, а также заводом по производству молотов, который он производил. Такие накладные расходы могут стать довольно обременительными, когда вы имеете дело с вероятным сценарием, когда вы также работаете с фабрикой по производству рулеток, фабрикой по производству пил и фабрикой по производству уровней, не говоря уже о холдинговой компании конгломерата по производству пиломатериалов. Когда мы действительно посмотрели на ситуацию, мы определили, что это слишком сложно для того, кто действительно просто хочет построить стойку для специй ».

«Да, без шуток».

«Итак, на этой неделе мы представляем универсальную фабрику по производству инструментов, чтобы все ваши различные фабрики по производству инструментов могли производиться на одной объединенной фабрике. Фабрика-фабрика-фабрика будет производить только те инструментальные фабрики, которые вам действительно нужны, и каждая из этих фабрик-фабрик будет производить одну-единственную фабрику на основе ваших индивидуальных спецификаций инструмента. Окончательный набор инструментов, который появится в результате этого процесса, станет идеальным инструментом для вашего конкретного проекта. У вас будет именно молоток, который вам нужен, и именно та рулетка, которая идеально подходит для вашей задачи, и все это одним нажатием кнопки (хотя вам также, возможно, придется развернуть несколько файлов конфигурации, чтобы все это работало в соответствии с вашими ожиданиями."

«Так у вас нет молотков? Вовсе нет?"

суббота, 26 июня 2021 г.

К построению метрик инвестиционного проекта

Данный материал к вопросу построения шаблонов инвестиционных проектах в системе РРМ (Portfolio and Project Management).

В статьях нашлись интересные схемы систематизации показателей проекта, что важно при построении метрик проекта.

В частности, для технологических проектов аналитика управления технологиями включает в себя показатели планирования, показатели процессов и показатели способности (это один из вариантов перевода слова Talent). Способности можно обозначить также как показатели квалификации персонала.

Показатели успешности выполнения проекта можно разделить на три категории:
  • Планирование.
  • Соблюдение параметров выполнения проекта.
  • Способности.
Каждая категория делится на подкатегории.

Категория "Планирование" делится на подкатегории с соответствующими переменными (входящими):
  • Размер проектной команды.
    • Оптимальный размер команды.
    • Влияние команды на качество и график выполнения проекта.
  • Распределение нагрузки.
    • Количество персонала на каждую задачу.
    • Руководители/архитекторы/разработчики проекта.
  • Многозадачность и степень распараллеливания проекта.
    • Количество задач на человека.
    • Количество одновременно выполняемых задач на человека.
Категория "Соблюдение параметров выполнения проекта" делится на подкатегории с соответствующими переменными (входящими):
  • Документация.
    • Проектная документация, требования и другая документация.
  • Оценка времени.
    • Смета и календарный график проекта.
  • Структурирование задач проекта.
    • Структурирование с точки зрения видения, концепции, задач и подзадач.
Категория "Способности" делится на подкатегории с соответствующими переменными (входящими):
  • Наличие квалификаций.
    • Оптимальное укомплектование персоналом.
  • Сочетание командных навыков.
    • Оптимальное укомплектование навыками и способностями.
  • Сочетание источников и расположения способностей.
    • Количество локаций проектных команд.
    • Количество часовых поясов проектных команд.
    • Состав внутренних и внешних сотрудников.
Внешние (выходные) переменные:
  • Скорость.
  • Соблюдение графика.
  • Качество.
  • Клиентская удовлетворенность.
  • Использование
Графически эти показатели выглядят следующим образом:

    Данная схема взята из статьи McKensey: 
    A new management science for technology product delivery

    Может пригодится и такая стратегическая схема для разработки показателей проекта:




    Данная схема взята со статьи McKensey:
    COVID-19: Implications for business

    вторник, 22 июня 2021 г.

    Тенденции в исследованиях ИИ (2021)

    Закрытый исходный код ИИ


    Код важен для воспроизводимости, подотчетности и прозрачности решений ИИ, и это ключ к развитию ИИ. Исследователями зачастую приводится причина закрытия кода: код смешан с с другими проприетарными исследованиями, и поэтому он не может быть раскрыт в силу отсутствия разрешений на публикацию. Менее 15% всех научных работ по ИИ публикуют полный код, а некоторые - DeepMind и OpenAI - вообще не планируют этого делать, ссылаясь на собственные соображения.

    Консолидация фреймоворков разработки ИИ


    TensorFlow от Google и PyTorch от Facebook - два популярных фреймворка, используемых исследователями, и относительная популярность различных фреймворков обычно отражает тенденции в ландшафте коммерческих приложений. За последние четыре года Facebook приобрел известную популярность, что вытекает из цитирования на конференциях.

    Стоимость обучающих моделей


    Обучение модели обходится дорого. На эти затраты влияют несколько факторов и их влияние все больше увеличивается в последнее время. Например, имеется такая оценка - 1 доллар за 1000 параметров (можно отождествлять это с узлами сети). OpenAI насчитывает 175 миллиардов параметров и, вероятно, обучение будет стоить более 10 миллионов долларов. Для небольших исследовательских групп и компаний такие затраты недосягаемы. Кое-кто в сообществе ИИ позволит крупным технологическим компаниям предварительно обучать и публиковать большие модели, которые могут быть для малых компаний отправной точкой для дальнейшего совершенствования модели.

    Тесты


    Тест General Language Understanding Evaluation (GLUE) - это набор ресурсов для систем понимания естественного языка, позволяющий обучать, оценивать и анализировать модели. Набор включает в себя эталонный тест из девяти задач на понимание языка. Задачи содержат предложения или пары предложений, построенные на существующих наборах данных. Данные охватывают разнообразные текстовые жанры, характериризуемые разной степенью сложности. Имеется набор диагностических данных, предназначенный для оценки и анализа производительности модели для широкого спектра лингвистических явлений, встречающихся в естественном языке.

    Тест оценивает спосообности к пониманию языка в баллах, и базовый балл человека составляет 87. Стоит отметить, что в период с мая 2018 года по август 2020 года балл систем ИИ в обработке естественного языка увеличился с 60 до 90,6.

    Машинное чтение тестов (MRC)


    Машинное чтение (MRC) позволяет системам читать, делать выводы и немедленно давать ответы, просматривая огромные наборы данных. В 2019 году китайская Alibaba превзошла людей по результатам тестирования на наборе данных Microsoft Machine Reading Computing (или сокращенно MS MARCO). Этот тест оценивает способность ИИ использовать естественный язык для ответа на реальные вопросы, задаваемые людьми.

    Обобщение и подведение итогов


    Новая модель ИИ может обобщать научную литературу, в том числе исследования о самом себе. Институт искусственного интеллекта Аллена (AI2) использовал модель в Semantic Scholar, - в системе поиска научных статей на базе ИИ. ИИ предоставил краткое изложение статей по ИИ. Что впечатляет, так это то, что ИИ способен сжимать длинные документы, не теряя точность передачи содержания.

    Для ИИ не  требуется переподготовка


    Обучить роботов выполнять более чем одну задачу сложно, но новая модель ИИ реализует задачу многозадачного обучения, основанную на модели глубокого обучения. В этой модели машины осваивают различные навыки по мере своего развития. Таким образом, такие модели позволяют боту решать новые задачи, не требуя переобучения.

    Графические нейронные сети


    Мы воспринимаем запахи, используя миллионы сенсорных нейронов в нашем мозгу, запахи многогранны, и предсказать, как что-то будет пахнуть, невероятно сложно. Например, как бы вы описали запах апельсина? Сладкий? Яркий? Травяной? Каждый дескриптор уникален. Классифицировать запах сложно, потому что для этого требуется система с обработкой множества меток. Графические нейронные сети (GNN) представляют собой особый тип глубокой нейронной сети, которая работает с графами в качестве входных данных. GNN используются для обнаружения запаха, для прогнозирования запахов на молекулярном уровне, для широкого спектра химических и биологических процессов. Например, исследователи из Института Броуда использовали их для открытия соединений антибиотиков, не обладающих токсическими побочными эффектами.

    Федеративное обучение


    Федеративное обучение - это метод, позволяющий распространить машинное обучение на периферию. Представленная исследователями Google в 2016 году, это новая структура, которая позволяет алгоритмам использовать данные на таких устройствах, как мобильные телефоны и умные часы, без ущерба для конфиденциальности пользователей. Исследования в этой области резко увеличились.

    Модели гауссовских процессов


    Гауссовские процессы являются "золотым" стандартом решения многих реальных задач моделирования, особенно в тех случаях, когда успех модели зависит от ее способности точно отражать прогнозируемую неопределенность. Гауссовские модели становятся более точными благодаря использования их в нейронных сетях.

    Влияние языковой модели GPT-3 обработки естественного языка от OpenAI


    ИИ, генерирующий человекоподобный язык, GPT-3, был выпущен OpenAI в прошлом году. Генератор текста написал сообщения и код в блоге. Он был выставлен в конкурсе на написание эссе вместе со студентами, а анонимные работы оценивались профессорами. GPT-3 в основном получали четверки - столько же, сколько студенты-люди. Но ИИ продемонстрировал сильную антимусульманскую предвзятость. Исследователи из Стэнфордского университета и Университета Макмастера исследовали нейронную сеть и обнаружили, что предвзятость мусульманского насилия проявляется последовательно и творчески во многих случаях использования модели. Это еще один пример того, как предвзятость проникает в автоматизированные системы. Если не работать с этим явлением, то это вызовет проблемы во всем обществе по мере становления ИИ.

    Вокенизация - попытка совместить языковые модели с компьютерным зрением


    Такие модели, как GPT-3, обучаются синтаксису и грамматике, а не творчеству или здравому смыслу. Поэтому исследователи из Университета Северной Каролины в Чапел-Хилл комбинируют языковые модели с компьютерным зрением. Люди учатся многоуровневым, многомерным способом. Новый метод, называемый вокенизацией, экстраполирует данные о языке путем контекстного сопоставления языковых «токенов» или слов с изображениями, тем самым формируя модели, называемые «вокалами». Например, автоматически сгенерированные подписи к изображениям часто не могут определить контекст, которому должна соответствовать подпись. Вокенизация позволит машинам не только распознавать объекты, но и действительно их «видеть».

    Дорисовка или восстановление изображений машиной


    Если компьютерная система имеет доступ к достаточному количеству изображений - скажем, миллионам и миллионам - она ​​может исправлять и заполнять дыры в изображениях. Эта возможность имеет практическое применение для профессиональных фотографов, а также для всех, кто хочет сделать лучшее селфи. Вскоре, если передний план горы окажется не в фокусе или если на вашей коже есть неприглядный изъян, их можно заменить, чтобы получить идеальное изображение. Но тут есть и подводные камни. Например, алгоритмы создания изображений могут неудачно дополнять изображения и не учитывать этические, религиозные или национальные особенности.

    Прогнозирование изменения изображений на основе отдельных изображений


    Системы компьютерного зрения становятся умнее. Нейронные сети могут предсказывать геометрию по одноцветному изображению. В 2019 году команда DeepMind разработала генеративную состязательную сеть (GAN), которая создает видео из изображений. Например: представьте себе фотографию человека, держащего баскетбольный мяч. Основываясь на его позе, лице и других данных на изображении, GAN выясняет, что, вероятно, произошло дальше, и генерирует видеоклип с изображением этого действия. Ранее исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) обучили компьютеры предсказывать, что люди будут делать дальше, используя видеоролики YouTube и телешоу, такие как «Офис» и «Отчаянные домохозяйки». Система CSAIL предсказывает, будут ли два человека обниматься, целоваться, обмениваться рукопожатием или давать пощечину. SinGAN - генеративная схема, которая может манипулировать изображениями и улучшать их, и это дает реалистичную синтетическую фотографию. Это исследование когда-нибудь позволит роботам легче ориентироваться в среде обитания людей и взаимодействовать с нами, людьми, ориентируясь на язык нашего тела. Особенно важными применения - розничная торговля, производство и образование.

    Безмодельные подходы к обучению с подкреплением


    Dreamer - это агент обучения с подкреплением (RL), который использует модель мира для построения протяженных предсказаний. Он может создавать модели из необработанных изображений и параллельно учиться на тысячах предсказанных последовательностей с помощью графического процессора (GPU). Этот новый подход решает долгосрочные задачи, используя воображаемый мир.

    Машинное обучение в реальном времени


    Одна из больших проблем в области искусственного интеллекта - создание машин, которые могут заблаговременно собирать и интерпретировать данные, выявлять закономерности и учитывать контекст и, в конечном итоге, обучаться в реальном времени. Новое исследование машинного обучения в реальном времени (RTML) показывает, что можно использовать непрерывный поток данных и корректировать модели в реальном времени. Это сигнализирует о больших изменениях в том, как перемещаются данные, и в том, как мы получаем информацию. Национальный научный фонд запустил программу грантов в размере 10 миллионов долларов для стимулирования исследований в этой области, хотя все крупные технологические компании также тесно работают над продвижением RTML.

    Автоматизированное машинное обучение (AutoML)


    Некоторые организации хотят отойти от традиционных методов машинного обучения, которые требуют много времени и трудностей и требуют специалистов по данным, специалистов в области искусственного интеллекта и инженеров. Автоматизированное машинное обучение, или AutoML, - это новый подход: процесс, в котором необработанные данные и модели сопоставляются вместе, чтобы выявить наиболее актуальную информацию. Google, Amazon и Microsoft теперь предлагают множество продуктов и услуг AutoML.

    Гибридное зрение человека и компьютера


    ИИ пока не может полноценно функционировать без помощи человека. Системы гибридного интеллекта объединяют людей и системы искусственного интеллекта для достижения большей точности. Исследовательская лаборатория армии США имеет систему, которая использует интерфейс мозг-компьютер, оснащенный технологией компьютерного зрения, и позволяет человеку быстро видеть и сортировать изображения в пределах его прямой видимости. CloudSight, технологическая компания, специализирующаяся на субтитрах к изображениям, работает над гибридной краудсорсинговой системой компьютерного зрения. Исследователи Microsoft предложили Pandora, набор гибридных человеко-машинных методов и инструментов для понимания сбоев системы. Pandora использует наблюдения как человека, так и системы, чтобы объяснить сбои, связанные с входным контентом и системной архитектурой.

    Нейросимволический ИИ


    С 1950-х годов развитие ИИ шло по двум концептуальным направлениям: символическому (машины, использующие базу знаний и правил, представляющих концепции) и несимволическому (машины, использующие необработанные данные для создания своих собственных паттернов и представлений концепций). Классическим ИИ является первым, потому что он более точно отражает то, как мы понимаем человеческое мышление, и первоначальная цель заключалась в том, чтобы научить машины думать, как мы. Исследователи работают над новыми способами сочетания обучения и логики с помощью нейронных сетей, которые будут понимать символы, а не всегда полагаться на людей-программистов для сортировки, пометки и каталогизации данных. Символьные алгоритмы помогут процессу, что в конечном итоге должно привести к созданию надежных систем, для обучения которых не всегда требуется человек.

    Общие алгоритмы обучения с подкреплением


    Исследователи разрабатывают единые алгоритмы, которые могут изучать несколько задач. DeepMind, команда AlphaGo, которая научилась играть в Го на уровне гроссмейстера, разработала новый инновационный алгоритм: AlphaZero. Он способен достигать сверхчеловеческих результатов не только в Го, но и в других играх, включая шахматы и сёги (японские шахматы). Этот алгоритм со знания только правил игры, и в конечном итоге разрабатывает свои собственные стратегии. В январе 2020 года DeepMind опубликовала новое исследование, показывающее, как можно использовать методы обучения с подкреплением для улучшения нашего понимания психического здоровья и мотивации.

    Непрерывное обучение


    В настоящее время методы глубокого обучения помогают системам научиться решать сложные задачи способом, который напоминает используемый людьми метод. Эти задачи по-прежнему специфичны, а не просто победить человека в игре. И они требуют жесткой последовательности действий: сбор данных, определение цели, развертывание алгоритма. Этот процесс требует участия людей и может занять много времени, особенно на ранних этапах, когда требуется обучение с учителем. Непрерывное обучение больше касается автономного и постепенного наращивания и развития навыков ИИ, и исследователи будут продолжать расширять границы возможного в этой области.

    Распространение Франкен-алгоритмов


    Алгоритмы - это просто правила, которые определяют и автоматизируют обработку данных. Они построены с использованием логики «если это, то то», которую компьютер может понять и обработать. Вот простой пример: если IP-адрес читателя веб-сайта находится в Балтиморе, правила разрешают этому читателю свободный доступ к сайту; если IP-адрес находится в Бельгии, то правила сначала показывают экран GDPR с указанием политики конфиденциальности и файлов cookie. Хотя единый алгоритм можно легко описать и развернуть, как и ожидалось, все системы алгоритмов, работающие вместе, иногда могут создавать проблемы. Разработчики не всегда заранее знают, как один алгоритм будет работать вместе с другими алгоритмами. Иногда несколько команд разработчиков работают независимо над разными алгоритмами и наборами данных и видят работу друг друга только после ее развертывания. Это было причиной недавних сбоев на фондовом рынке и нестабильности веб-сайтов электронной коммерции. Это создает проблемы для крупных компаний, таких как Facebook, у которых миллиарды алгоритмов работают вместе в любой момент времени.

    Языки искусственного интеллекта


    Python - ведущий язык с множеством встроенных библиотек и фреймворков. Язык Julia, разработанный Массачусетским технологическим институтом, представляет собой язык с открытым исходным кодом, ориентированный на числовые вычисления. И, конечно же, есть Lisp, созданный прародителем современного ИИ Джоном Маккарти в 1958 году. Сейчас компании начинают создавать и выпускать свои собственные программные пакеты, а также уникальные языки программирования для приложений ИИ. Uber выпустил свой собственный вероятностный язык программирования Pyro, написанный на Python. Это шаг, который сигнализирует о вероятной фрагментации в будущем экосистемы ИИ, в отличие от нынешнего соперничества iOS / Android или длительной войны Mac / PC. Предприятиям будет все труднее и дороже переключаться между фреймворками ИИ и языками.

    Источник: https://futuretodayinstitute.com/trends/

    пятница, 18 июня 2021 г.

    Тенденции развития ИИ (2021)

    Вводная часть - характеристика ИИ


    Искусственный интеллект представляет третью эру вычислений, обычно определяемую как способность машины выполнять когнитивные функции, присущие человеку. К таким функциям относятся восприятие, обучение, рассуждение, решение проблем, контекстное понимание, создание умозаключений и прогнозов, а также проявление творческих способностей.

    Машинное обучение


    Пионер искусственного интеллекта Артур Самуэль популяризировал идею машинного обучения в 1959 году, объяснив, как компьютеры могут учиться без программирования.

    Это означало бы разработку алгоритма, который когда-нибудь сможет извлекать закономерности из наборов данных и использовать их для автоматического прогнозирования и принятия решений в реальном масштабе времени. Потребовалось много лет для воплощения идеи Самуэля, и сегодня машинное обучение является основной движущей силой развития ИИ.

    Машинное обучение использует данные для прогнозирования и выработки рекомендации по достижению поставленных целей. Типы машинного обучения:
    • обучение с учителем (supervised learning),
    • обучение без учителя (unsupervised learning),
    • обучение с подкреплением (reinforcement learning).

    При обучении с учителем люди контролируют, настраивают и корректируют системы во время их обучение на данных и во время работы. Контролируемое обучение используется, когда команда обучения знает, как классифицировать входные данные, знает что должен предсказывать алгоритм.

    При обучении без учителя данные предоставляются алгоритму без определенных выходных параметров. Например, если исследователь не совсем понимает, что делать с большим набором данных, алгоритм может определять закономерности, классифицировать данные и давать рекомендации без участия человека-руководителя.

    При обучении с подкреплением алгоритм учится выполнять задачу, многократно выполняя вычисления, пытаясь достичь поставленной цели.

    Глубокое обучение (Deep Learning)


    Глубокое обучение - относительно новая ветвь машинного обучения. Программисты используют специальные алгоритмы глубокого обучения вместе с огромным массивом данных - обычно это много терабайт текста, изображений, видео, речи и тому подобного. Часто эти системы обучаются самостоятельно, они могут сортировать неструктурированные данные, будь то текст, аудио или видео. С практической точки зрения появление глубокого обучения означает, что все больше и больше человеческих процессов будет автоматизировано, включая программирование.

    Существуют разные типы моделей глубокого обучения. Наиболее распространенные типы включают сверточные нейронные сети, рекуррентные или рекурсивные нейронные сети, нейронные сети-трансформеры, генеративные состязательные сети (GAN).

    В бизнесе сверточная нейронная сеть (CNN) обычно используются для распознавания: аномалий в медицинской визуализации, дефектных продуктов на производственной линии, заражения сельскохозяйственных культур.

    Рекуррентные нейронные сети (RNN) - это многослойные нейронные сети, которые обычно используются для прогнозов. В бизнесе они используются, когда последовательность данных имеет значение, например, для распознавания речи и языкового перевода. RNN используются в цифровых помощниках для создания подписей к изображениям и создания повествовательных отчетов с использованием структурированных данных. 

    Генеративные состязательные сети (GAN) - это системы глубокого обучения, состоящие из двух конкурирующих нейронных сетей - генератора и дискриминатора, которые обучаются на одних и тех же данных. Сети конкурируют друг с другом за выполнение задачи,  что приводит к оптимизации общей производительности. Сети GAN полезны, когда у исследователей недостаточно данных для обучения алгоритмической модели. Они также используются для создания новых синтетических данных. В частности, они используются дл создания дипфейков (deepfakes), которые могут генерировать неотличимые от реальных источников изображения или видео. Они могут генерировать и изменять голоса, лица и даже жесты.

    Трансформер - нейронная сеть, которая изучает, что означают слова, когда они появляются в определенном контексте. Используя «механизм внимания», трансформер смотрит на входную последовательность и на каждом шаге определяет, какие части последовательности важны. На сегодняшний день трансформеры в основном используются при обработке естественного языка или генерации текстов.

    Слабый и сильный ИИ (Weak and Strong AI)


    Есть два вида ИИ: слабый (или «узкий») и сильный (или «общий»). Слабые системы ИИ принимают решения в рамках решения специализированных и узких задач. Такие ситемы уже используются: антиблокировочная система тормозов автомобиля, фильтрация спама, функции автозаполнения в электронной почте, функции обнаружения мошенничества для операций по кредитной карте.

    Общий (сильный) искусственный интеллект (AGI) описывает системы, способные принимать решения за пределами узких специальностей.

    Не существует единого стандарта, который проводил бы различие между слабым и сильным ИИ. Это проблема и для исследователей, занимающихся разработкой ИИ, и для менеджеров, которые должны принимать решения в сфере ИИ. В качестве реальных примеров функционирования общего искусственного интеллекта можно упомянуть заявления от том, что ИИ сам научился играть в шахматы, сёги (японская версия шахмат) и го (настольная игра с абстрактной стратегией) - и все это без вмешательства человека.

    Корпоративные тенденции (2021)

    Расцвет MLOps

    По мере развития машинного обучения и появления новых прикладных бизнес-решений разработчики смещают акцент с создания моделей на их эксплуатацию. В программном обеспечении набор передовых практик, известный как DevOps, основан на инструментах автоматизации и снижения сложности рабочих процессах создания и сопровождения приложения, позволяя разработчикам сосредоточиться на функциях, решаемых приложениями. Подобный подход стал использоваться в машинном обучении. В 2020 году одними из самых быстрорастущих проектов GitHub были MLOps, или проекты, связанные с инструментами, инфраструктурой и операциями машинного обучения. В дальнейшем MLOps будет описывать набор передовых практик, сочетающих машинное обучение, традиционный DevOps и инженерию данных.

    Машинное обучение без кодирования или с небольшим уровнем кодирования

    Машинное обучение находится в процессе перехода. Благодаря тому, что новые платформы позволяют предприятиям использовать создавать мощные системы ИИ не используя навыки и умения программирования, расширяются и сфера применения ИИ, и темпы создания ИИ в различных областях.

    Компании могут превратить свои неуправляемые наборы данных в структурированные наборы, на которых они могут обучать ИИ, создавать и развертывать модели, обладая минимальными навыками в программировании.

    Примеры.
    • Create ML, инструмент Apple, позволяющий пользователям создавать собственные модели, такие как механизмы выработки рекомендаций, системы естественной обработки текста, классификаторы текста.
    • AutoML от Google включает в себя классификацию изображений, обнаружение объектов, перевод и всевозможные инструменты распознавания образов.
    • MakeML позволяет создать приложение для обнаружения объектов. В частности, приложение имеет функцию слежения за теннисными мячами во время матчей или автоматическое изменение цвета объектов (например, цвета платьев) на изображениях. 
    • В 2020 году Amazon запустила конструктор мобильных и веб-приложений без кодирования для Amazon Web Services (AWS). 
    • Microsoft Power Apps - среда разработки приложений с низким уровнем кодирования в Azure.

    Анализ содержимого в масштабах веба

    Благодаря алгоритмам расширенного обработки естественного языка, и на этой базе сбору и классификации данных стал намного проще интеллектуальный анализ больших неструктурированных наборов.

    Специальные алгоритмы, обученные распознавать ключевые слова, могут быстро сортировать, классифицировать и маркировать информацию для обнаружения заданных шаблонов. Например, модель, обученная поиску враждебных высказываний, может обнаруживать злоумышленников в социальных сетях. Другие модели могут использоваться для классификации финансовых преступлений и мошенничества.

    Имитация эмпатии и эмоций

    ИИ может измерять биомаркеры, которые указывают на эмоциональное состояние человека, например, на возбуждение, грусть или головокружение.

    Точно определить человеческие эмоции сложно, но компании с достаточно большим набором данных разрабатывают все более точные модели. 

    API Amazon Rekognition позволяет определять эмоции с помощью распознавания лиц и внешнего вида.
    Replika использует ИИ для оценки голоса и текста и со временем позволяет охарактеризовать пользователя.
    AI Affectiva Human Perception анализирует сложные состояния человека с помощью речевой аналитики, компьютерного зрения и глубокого обучения.

    Например, автомобилестроение использует технологию Affectiva для определения эмоционального состояния водителя, в частности, сонливость или злость, что в режиме реального времени позволяет вносить предложения по улучшению практики его вождения.

    Искусственный эмоциональный интеллект

    Исследовательские группы Loving AI и Hansen Technologies обучают машины безусловной любви, активному слушанию и сочувствию. В будущем машины будут убедительно демонстрировать человеческие эмоции, такие как любовь, счастье, страх и печаль. 

    Возникает вопрос: что такое настоящая эмоция?

    Модель психики человека ("теория разума") говорит о способности воспринимать как свои собственные переживания, так и переживания других людей. Долгое время это считалось уникальной чертой человека и некоторых приматов. 

    Исследователи искусственного интеллекта работают над обучением машин для построения собственных теоретических моделей разума. Эта технология может улучшить существующие приложения ИИ для терапии, такие как WoeBot, чат-бот для клинической терапии. 

    Создавая машины, способные реагировать с сочувствием и заботой, цифровые помощники, такие как Алекса, будут все больше и больше становиться частью семьи. Эта технология может в конечном итоге применяться в больницах, школах и тюрьмах, обеспечивая роботами эмоциональной поддержки для пациентов, студентов и заключенных. По данным организации здравоохранения Cigna, уровень одиночества в США за последние 50 лет удвоился. Два года назад бывший премьер-министр Великобритании Тереза ​​Мэй создала новую должность в кабинете министров, став первым в мире министром одиночества. В нашем все более взаимосвязанном мире люди жалуются, что чувствуют себя все более изолированными.
    Правительства, столкнувшиеся с серьезным кризисом в области психического здоровья, могут обратиться к роботам эмоциональной поддержки для масштабного решения подобных проблем.

    Бессерверные вычисления

    AWS, Alibaba Cloud, Microsoft Azure, Google Cloud и Baidu Cloud развертывают новые предложения и пакеты для разработчиков и стартапов с целью упростить и сделать более доступным вывод идей на рынок в в области искусственного интеллекта. AWS Lambda позволяет запускать приложения или серверные службы без выделения ресурсов сервера и без необходимости администрирования и управления серверами. Архитектура функций Azure поддерживает множество языков программирования, масштабируется по запросу и взимает плату только за активное время вычислений. Хотя некоторые инженеры опасаются, что такие бессерверные системы в итоге потребуют большого контроля.

    ИИ в облаке

    Поставщики ИИ, размещаемого в облаке, организуют экосистемы вокруг искусственного интеллекта и конкурируют за облачные ресурсы с тем чтобы стать надежным поставщиком ИИ, размещенного на удаленных серверах.

    Корпоративные клиенты, уже развернувшие ИИ с помощью некоторого выбранного ими поставщика, будут по прежнему придерживаться решений этого поставщика. К тому, чем больше данных накапливают системы машинного обучения, тем лучше они становятся. Все это усиливает конкуренцию на рынке решении ИИ.

    На Западе лидируют Amazon, Microsoft и Google, за ними следуют такие компании, как Apple, IBM, Salesforce, SAP и Oracle. На азиатских рынках Alibaba и Baidu доминируют в сфере облачных решений искусственного интеллекта. Туда же стремится и производитель телекоммуникационного оборудования и смартфонов Huawei. Это быстрорастущая отрасль с оборотом 250 миллиардов долларов по состоянию на 2020 год.

    ИИ на "кромке"

    Обработка и принятие решений на основе ИИ, которые размещается не в облаке, а как можно ближе к источнику генерации данных - это метод, известный как «периферийные вычисления».
    Интернет вещей и его миллиарды устройств в сочетании с сетями 5G плюс возросшая вычислительная мощность сделали возможным крупномасштабный ИИ, размещаемых на переднем крае.
    Обработка данных непосредственно в устройствах-датчиках будет важна для приложений здравоохранения, автомобилестроения и производства, поскольку это делает решения потенциально более быстрыми, а решения более безопасными. Apple потратила 200 миллионов долларов на приобретение Xnor.ai, стартапа в области искусственного интеллекта из Сиэтла, специализирующегося на программном и аппаратном обеспечении для машинного обучения с низким энергопотреблением. Microsoft предлагает комплексный набор инструментов под названием Azure IoT Edge, который позволяет перемещать рабочие нагрузки ИИ на периферию.

    Расширенные наборы микросхем ИИ

    Современные нейронные сети уже давно требуют огромных вычислительных мощностей, требуют много времени на обучение и полагаются на центры обработки данных и компьютеры, потребляющие сотни киловатт энергии. 

    Все начинает меняться. Введите в поисковой системе "SoC" или «система на кристалле». Крупные технологические компании, включая Huawei, Apple, Microsoft, Facebook, Alphabet, IBM, Nvidia, Intel и Qualcomm, а также стартапы Graphcore, Mythic, Wave Computing, SambaNova Systems и Cerebras Systems, все работают над новой системной архитектурой и предлагающие электронные схемы, выполняющие функции целого устройства и размещенные на одной электронной схемой. Некоторые из "систем на кристалле" проходят предварительную подготовку.

    Короче говоря, это означает, что чипы смогут работать над проектами AI, а это обещает более быструю и безопасную обработку данных. То есть, проекты, которые в противном случае могли бы занять недели, могли быть выполнены за считанные часы. 

    Cerebras построила микросхему AI с 1,2 триллионом транзисторов, 400000 процессорных ядер, 18 гигабайтами SRAM и межсоединениями (крошечными узлами подключения), которые могут перемещать 100 квадриллионов бит в секунду. Это поразительное количество компонентов и мощности. По состоянию на ноябрь 2020 года собственный AI-чип Amazon AWS Inferentia теперь поддерживает внутренние сервисы Alexa, а не чипы, разработанные Nvidia. 

    По данным исследовательской компании Tractica, рынок микросхем искусственного интеллекта увеличится в четыре раза до 6,7 млрд долларов в 2022 году с 1,66 млрд долларов в 2018 году. Маркетинг предварительно обученных чипов ускорит коммерциализацию, дальнейшие исследования и разработки.

    Но если все производители устройств начнут создавать уникальные протоколы, разработчики могут столкнуться со слишком большим количеством различных фреймворков. Ожидается возможная консолидация, в которой всего несколько компаний - с их системами SoC и языками - будут противостоять друг другу.

    Цифровые близнецы

    Цифровые двойники - это виртуальные представления реальных сред, продуктов или активов. Могут создаваться для различных целей. 

    Производители используют цифровых двойников для управления производительностью и эффективностью машин и заводов, в то время как градостроители используют их для моделирования воздействия новых разработок и дорог. Siemens MindSphere поддерживает создание цифровых двойников в ряде отраслей.

    Поскольку системы с низким уровнем кодирования или без кодирования становятся все более распространенными, компании будут иметь возможность создавать и развертывать цифровых двойников для моделирования широкого спектра процессов.

    Обнаружение фейков

    Продемонстрировано, как ИИ можно использовать для составления текста, настолько качественного, что люди не могут сказать, что он написан машиной. 

    Команда OpenAI представила множество резонов, которые демонстрирует проблематичность идентификации человеком тестов, созданных машиной для разного рода текстов: от массового создания непристойных постов в социальных сетях и фальшивых обзоров до подделки документов мировыми лидерами. 

    Оказывается, ИИ также можно использовать для определения того, был ли текст сгенерирован машиной, даже если мы, люди, не можем обнаружить подделку. Это связано с тем, что эссе, написанное ИИ, обычно основывается на статистических закономерностях в тексте и не имеет особых языковых вариаций. 

    Исследователи из лаборатории искусственного интеллекта MIT-IBM Watson и Гарвардского университета разработали программу Giant Language Model Test Room (GLTR), которая ищет слова, которые могут появляться в определенном порядке. Эта технология может использоваться для обнаружения подделок, преднамеренной фальсификации записей, фишинговых кампаний по электронной почте и корпоративного шпионажа.

    Обработка естественного языка для критериев ESG (environmental, social, and governance) устойчивого развития

    Компании переходят к новым критериям устойчивого развития - экологическим, социальным и корпоративным критериям (ESG). ESG - набор стандартов, которые все чаще используются инвесторами для оценки своих инвестиций с точки зрения долгосрочных перспектив развития корпораций.

    Стандарты ESG должны быть строго описаны и количественно определены, но измерение производительности может быть затруднено, поскольку в их формировании задействован ряд нематериальных активов или абстрактных концепций. Обработка естественного языка используется для идентификации, маркировки и сортировки документации из различных источников с целью верификации репутации компании в области ESG.

    Интеллектуальное распознавание символов

    Постоянной проблемой является обучение машин распознаванию различных способов письменного самовыражения. 

    Оптическое распознавание символов (OCR) работает в фиксированных, распознаваемых форматах, таких как дорожные знаки и текст из книги. Но часто OCR недостаточно умен, чтобы распознавать разные шрифты, уникальные обозначения или сложные таблицы, например, используемые всего лишь одной компанией.

    Исследователи обучают системы ИИ распознавать закономерности, даже если они появляются в необычных местах. Например, система AWS Textract теперь распознает как текст, так и контекст, характерный для той или иной компании или того или иного бизнес-подразделения.

    Роботизированная автоматизация процессов

    Роботизированная автоматизация процессов (RPA) может автоматизировать определенные задачи и процессы в офисах и позволить сотрудникам тратить время на более важную работу. Это наиболее распространенная технология искусственного интеллекта, применяемая корпоративными компаниями. 

    Duplex от Google - хороший тому пример; это бот, предназначенный для обычных телефонных звонков. Amazon использует RPA для анализа резюме и определения лучших кандидатов. В банковском деле Blue Prism и Automation Anywhere помогают сотрудникам выполнять повторяющиеся рабочие функции. 

    В конечном итоге RPA будет применяться все шире и повысит производительность труда.

    Массовые системы перевода

    В 2020 году Facebook запустил новую языковую модель ИИ с открытым исходным кодом под названием M2M-100, которая может переводить 100 языков.

    Лаборатория искусственного интеллекта Facebook обучила модель с использованием 7,5 миллиардов пар предложений, автоматически собранных из Интернета. (Удивительно, но Facebook не использовал свои собственные данные для этого проекта.) Языковая модель FastText идентифицировала язык, а модель обучения без учителя сопоставляла предложения по их значению. Целью - улучшить синхронный языковой перевод.

    Прогнозирование сбоев систем и сайтов

    Компьютерное зрение может предвидеть и идентифицировать сбои физических объектов. Высокотехнологичные предприятия, производители авиакомпаний и строительные площадки используют системы распознавания изображений для отслеживания проектов и автоматического предупреждения о проблемах. Это достигается путем сравнения данных из реального мира с данными цифрового двойника.

    Страхование ответственности выводов ИИ

    Кто виноват, когда машины плохо себя ведут? 

    Когда система машинного обучения в беспилотном автомобиле Uber вышла из строя и убила пешехода в Аризоне, компания, вероятно, не была застрахована в рамках традиционной киберстраховки. 

    Поскольку компании спешат создавать и внедрять продукты и процессы ИИ, они должны заранее планировать возникающие риски. Например, что произойдет, если машинное обучение сделает компанию уязвимой для злоумышленников, которые вводят в систему поддельные данные обучения? Что, если ИИ медицинской компании неверно интерпретирует данные и не выявляет рак у определенных пациентов? 

    Проблемы такого рода могут поставить компанию под угрозу судебных исков. Новые модели страхования помогут решить эти проблемы. Андеррайтеры начинают включать ИИ в планы киберстрахования. Специализированные страховые компании, такие как LaPlaya Insurance, теперь предлагают страхование приложений искусственного интеллекта.

    Манипулирование системами ИИ для получения конкурентных преимуществ

    Amazon, Google и Facebook за последние несколько лет подверглись критике за манипулирование своими поисковыми системами с целью определения приоритета вывода результатов, которые являются более прибыльными для их компаний. Например, Google обвиняли в понижении рейтинга веб-сайтов и продвижении новостей от предпочтительных партнеров. В конце 2019 года исследователи обнаружили, что Amazon оптимизировала свой алгоритм поиска, чтобы повысить узнаваемость собственных брендов Amazon. 

    Изменения алгоритмов поиска существенно влияют на то, что видят интернет-пользователи, будь то новости, продукты или реклама. Это привело к продолжающимся антимонопольным искам против компаний.

    Глобальное стремление финансировать ИИ

    Существует глобальная гонка за финансированием исследований ИИ и приобретением стартапов в области ИИ. По данным Национальной ассоциации венчурного капитала, в первом квартале 2020 года 285 американских стартапов в области ИИ привлекли 6,9 миллиарда долларов.
    Инвестиции пошли на убыль, поскольку Covid превратился в глобальную пандемию, но технологические гиганты, включая Apple, Google и Microsoft, по-прежнему приобретают компании ИИ, в то время как нетехнические компании поглощают стартапы ИИ: McDonald's приобрела платформу персонализации Dynamic Yield, а Nike - компанию по управлению запасами Celect и управляемая платформа для покупок Invertex.

    Торговые площадки алгоритмов

    В 2010-х годах крупные технологические компании, стартапы и сообщества разработчиков использовали торговые площадки алгоритмов, чтобы делиться своими работами и продавать их.

    В 2018 году Microsoft заплатила 7,5 млрд долларов за покупку популярной платформы разработки GitHub, позволяющей любому размещать и проверять код, сотрудничать с другими разработчиками и создавать всевозможные проекты. У AWS есть собственная торговая площадка, предлагающая модели и алгоритмы для компьютерного зрения, распознавания речи и текста, а в ее базу продавцов входят Intel, CloudSight и многие другие. (Думайте о AWS Marketplace как об Amazon для алгоритмов и моделей.) 

    Существуют торговые площадки для универсалов, такие как GenesisAI и Algorithmia, где разработчики могут загружать свои приложения и получать оплату за доступ к этип приложениям. 

    Существуют специализированные торговые площадки для конкретных случаев использования программного кода: Nuance AI Marketplace разработала единый API для подключения своих алгоритмов к радиологам в 6500 медицинских учреждениях. Quantiacs позволяет разработчикам создавать алгоритмические торговые системы, и это сопоставляет их алгоритмы с капиталом институциональных инвесторов. Bonseyes - это европейская торговая площадка для покупки и продажи инструментов искусственного интеллекта.

    100-летнее программное обеспечение

    Традиционное программное обеспечение имеет короткий и непредсказуемый срок годности по сравнению с другими инструментами разработки. Это приводит к головной боли и дорогостоящим обновлениям, часто вызывающие простои. В результате компании и правительственные учреждения вынуждены поддерживать свои устаревающие системы одновременно пытаясь идти в ногу с развитием технологий.

    Библиотеки, форматы данных и протоколы могут быстро устареть, создавая уязвимости в критически важных системах. 

    С 2015 года Агентство перспективных оборонных исследовательских проектов (DARPA) финансирует исследования, чтобы сделать программное обеспечение жизнеспособным на протяжении более 100 лет. Эти системы будут использовать ИИ для динамической адаптации к изменениям в окружающей среде и ресурсах. Они требуют нового подхода к проектированию с использованием ИИ для обнаружения и визуализации операций приложения, одновременно взаимодействуя с другими системами.

    Источник: https://futuretodayinstitute.com/trends/

    понедельник, 14 июня 2021 г.

    Будущие тенденции развития ИИ

    Будущие тенденции развития ИИ:
    • Обработка естественного языка - это та область ИИ, которая вызывает большой интерес, инвестиции и рост рынка.
    • Системы, разрабатываемые без кодирования или с низким уровнем кодирования - новые варианты использования ИИ в бизнесе.
    • Приложения от Amazon Web Services, Azure и Google Cloud с низким уровнем кодирования или без кодирования будут доступны для обычных людей, позволяя им создавать и развертывать свои собственные приложения искусственного интеллекта.
    • Идет гонка за использование облачных ИИ как надежного поставщика ИИ, функционирующего на удаленных серверах.
    • Поставщики ИИ не раскрывают свои модели и нежелание поставщиков публиковать свой полный код ведет к меньшей прозрачности и воспроизводимости, а также затрудняет подотчетность решений и выводов моделей.
    • Алгоритмы обработки естественного языка, обычно используемые для текста, слов и предложений, используются для интерпретации и детектирования вирусов.
    • Использование ИИ для создания лекарств.
    • ИИ играет ключевую роль в синтетической биологии, генетике и медицинской визуализации; в прогнозировании распространения болезней и улучшения состояния здоровья пациентов.
    • Использование ИИ и нейронных имплантатов в новых искусственных нервных системах.
    • Тест SuperGLUE, используемый для измерения насколько ИИ эффективно воспроизводит человеческую речь, может быть в ближайшее время превзойдет (вероятно, будет превзойден к концу 2021 года).
    • Исследователи ИИ уходят из академических кругов в корпорации с угрожающей скоростью.
    • Генеративные состязательные сети помогают художникам и музыкантам в новых формах творческого самовыражения.
    • Несколько стран запустят национальные стратегии развития ИИ в 2021 и 2022 годах. Правительства вводят новые ограничения на слияния и поглощения и инвестиционную деятельность и разработки ИИ замыкаются в национальных рамках.
    • Новые меры по регулированию создания и распространения дипфейков будут введены в течение 2021 и 2022 годов.
    • Технические альянсы, которые помогают стимулировать будущие исследования и разработки, также могут бросить вызов существующим геополитическим альянсам.
    • Будущие войны будут вестись кодом, используя данные и алгоритмы в качестве мощного оружия.
    • Новое программное обеспечение может быть жизнеспособным в течение 100 лет, если использовать ИИ для адаптации моделей и ПО в соответствии с темпом и масштабом изменений.

    пятница, 11 июня 2021 г.

    Переоценка портфеля

    Расстановка приорететов портфеля важна в условиях, когда высока потребность в новых стратегических инициативах, а инвестиционные бюджеты ограниченны.

    В рамках портфельного управления предложен метод приоритезации портфеля с нулевом отсчетом (Zero-Based Prioritization). Также возможно использовать название - приоритезация портфеля с нулевой базой.

    Суть этого метода состоит в том, что вначале из портфеля удаляются все инициативы и проекты. Таким образом, портфель в начальной точке пустой. А затем портфель начинает формировать заново по полной процедуре обоснования инициатив и проектов.

    В чем преимущество такого подхода? В том, что теперь руководителям не нужно тратить время объяснения - почему остановили или исключили из портфеля тот или иной проект. Из портфеля сразу исключены все проекты. И теперь, для того чтобы включить проект в портфель, руководителям следует заново обосновать, - почему инициативу или проект следует включить в состав портфеля.

    Есть и недостатки у такого подхода. Приоритезация портфеля с нулевым отсчетом требует значительных затрат: времени, внимания и усилий. Поэтому этот метод приемлем как разовая процедура, после проведения которой используются традиционные методы непрерываного управления портфелем. Но вот когда управлением портфелем потеряет "прозрачность", тогда приоритезация с нулевым отсчетам - оправданный подход, восстанавливающий прозрачность управления портфелем. Это дает возможность эффективно расставить приоритеты инициатив и проектов. 

    Пять шагов к успешной приоритезации портфеля с нулевой базой


    Использование нулевой базы для определения приоритетов портфеля эффективно, но не обязательно безболезненно. Для реализации такого подхода требуется повторно запросить информацию по проектам. И лицам, принимающим решение, требуется выделить время для рассмотрения предложений. 

    Для организации приоритезации портфеля с нулевым отсчетом следует предпринять ряд шагов, структурирующий процесс. Gartner рекомендует руководителям портфелей пять ключевых шагов при определении приоритетов портфеля с нулевой базой.

    1. Определение стейкхолдеров (заинтересованных сторон) и спонсоров проектов


    Данный шаг увязывает портфель с приоритетами бизнеса.

    Следует определить руководителей бизнеса, которые будут спонсировать инициативы "сверху-вниз", и убедиться, что заинтересованные стороны понимают и принимают бюджетные проблемы. Если ключевые лица, принимающие решения, почувствуют, что есть ряд мест, где можно сократить расходы и изменить приоритеты деятельности, то можно рассчитывать на их поддержку при формировании портфеля. Лица, принимающие решения, должны понимать, что инвестиционные запросы приводят к повышению требований к обоснованию проектов, включаемых в портфель.

    2. Структурирование портфеля для определения приоритетов инициатив


    Для анализа проектов с точки зрения приоритета и ценности проектов для бизнеса следует опеределить структуру портфеля, позволяющую грамотно сравнивать проекты. Например, все проекты можно разделить на следующие категории:
    • Директивные или обязательные проекты. Эти проекты нужно делать. Как правило, это проекты для удовлетворения нормативных требований или решения проблем, которая в противном случае привели бы к значительным потерям.
    • Проекты трансформации. Эти проекты создают конкурентное преимущество. Они должны быть прямо связаны со стратегией организации и сосредоточены на создании новых рынков или бизнес-моделей.
    • Проекты дифференциации. Эти проекты создают возможности, которые позволяют организации выделиться на рынке. Убедитесь, что лица, принимающие решения, четко понимают, что относится к этой категории проектов.
    • Проекты роста. Эти проекты направлены на развитие бизнеса в рамках существующих бизнес-моделей.
    • Проекты модернизации или улучшения. Эти проекты обеспечивают операционную или капитальную эффективность. К ним также относятся проекты, предусматривающие техническое обслуживание или повышения эффективности бизнес-процессов.

    3. Очистка портфеля от всех новых запросов и текущих выполняемх проектов


    Не стоит останавливать реализуемые проекты, если на это нет особых соображения. Но также их не стоит включать в новый портфель. Стоит выделить бюджет на текущие исполняемые проекты и тем самым определить - каков будет бюджет на новый формируемый портфель. После того, как будет рассмотрен новый портфель, можно подойти к рассмотрению исполняемых проектов, для того, что понять - может какие проекты стоит приостановить или завершить.

    4. Формирование портфеля по остаточному принципу


    Добавляйте проекты в портфель в зависимости от категории и уровня приоритета, а также определяйте приоритеты согласно категориям. Например, расставьте приоритеты следующим образом:
    • Перенесите в портфель все обязательные проекты и связанные с ними расходы. Убедитесь, что лица, принимающие решения, согласны с причинами, по которым проекты классифицированы как обязательные.
    • Добавьте проекты трансформации, которые имеют высокий приоритет для обеспечения устойчивого успеха.
    • Добавьте проекты дифференциации. Убедитесь, что каждый проект действительно усиливает конкурентное преимущество, а не просто - «это приятно иметь».
    • Добавьте проекты роста. Утверждайте только те приоритеты роста, которые имеют измеримую ценность для бизнеса.
    • Добавьте оставшиеся проекты улучшения, расположив их в соответствие с эффектами проектов.

    5. Завершение или исключение инициатив, не прошедших проверку


    В идеале, на этом этапе вы должны зафиксировать все обязательные действия в портфолио. Таким образом, последний этап принятия решения фокусируется на выборе наиболее прибыльных стратегических проектов или проектов усовершенствования, которые войдут в окончательный утвержденный портфель.

    Разрешите любые споры, дважды проверив правильность классификации всех проектов. В некоторых случаях проекты, которые не попадают в окончательный портфель, могут по-прежнему испытывать сильное давление со стороны своих бизнес-спонсоров, но остерегайтесь попыток перенести расходы из одной области портфеля в другую, так как в этом случае цель сокращения общих расходов становиться все дальше и дальше от решения.

    Оценка проектов с точки зрения долгосрочной перспективы


    В развитие метода приоритезации с нулевой базой можно создать два дополнительных бюджетных сценария:
    • План действий, основанный на сокращении целевого бюджета на 10%. Решите, какие дополнительные проекты нужно сократить, чтобы уложиться в сокращенный бюджет.
    • План с увеличением бюджета на 10%. Определите - какие проекты следует включить в портфель в случае изменения обстоятельств. Это также позволяет понять, какую дополнительную ценность может принести увеличение объемов инвестиций на 10%.

    Источник.


    https://www.gartner.com/smarterwithgartner/use-zero-based-prioritization-to-reevaluate-your-project-portfolio/

    понедельник, 7 июня 2021 г.

    Макросилы, сигналы и тенденции, формирующие облик нашего мира

    Макросилы, формирующие облик нашего мира

    Распределение богатства


    Распределение доходов между домохозяйствами населения, концентрация активов в различных сообществах, способность отдельных лиц изменять свое финансовое положение, разрыв между верхней и нижней распределениями экономики.

    Образование


    Доступность и качество начального, среднего и высшего образования; обучение персонала; профессиональное обучение; программы сертификации; способы, которыми люди учатся, и инструменты, которые они используют; что интересно людям изучать.

    Инфраструктура


    Физические, организационные и цифровые структуры, необходимые для функционирования общества (мосты, электросети, дороги, вышки Wi-Fi, камеры видеонаблюдения), а также способы влияния инфраструктуры города, штата или страны.

    Правительство


    Местные, государственные, национальные и международные органы управления; циклы планирования; выборы органов управления; регулирующие решения.

    Геополитика


    Отношения между лидерами, вооруженными силами и правительствами разных стран, а также риски, с которыми сталкиваются инвесторы, компании и избранные лидеры в ответ на регулирующие, экономические или военные действия.

    Экономика


    Изменения стандартных макроэкономических и микроэкономических факторов.

    Здравоохранение


    Изменения в здоровье и в поведении сообществ в ответ на образ жизни, популярную культуру, болезни, государственное регулирование, войны или конфликты, а также влияение религиозных убеждений.

    Демография


    Рождаемость и смертность, доход, плотность населения, миграция, болезни и другие показатели динамики, изменяюшие сообщества.

    Окружающая среда


    Изменения в природе или в определенных географических областях, включая экстремальные погодные явления, колебания климата, повышение уровня моря, засухи, высокие или низкие температуры и многое другое. А также сельскохозяйственное производство.

    СМИ и телекоммуникации


    Все способы получения и передачи информации и познания мира. К ним относятся социальные сети, новостные организации, цифровые платформы, сервисы потокового видео, игровые и киберспортивные системы, 5G и множество других способов связи.

    Технология


    Технологии не как изолированные источники макроизменений, а системные изменения, охватывающие бизнес, правительство и общество.


    Сигналы, обозначающие возникающие изменения


    Слабые сигналы ...


    • Небольшое нововведение, постепенное развитие или НИОКР, или другое незначительное развитие, которое может расти по мере созревания.
    • Разработка новой технологии, которая еще не вошла в мейнстрим, или новая рыночная стратегия, продукт или услуга, выходящие в неконкурентоспособное пространство.
    • Свидетельство того, что существующая вещь устаревает, или свидетельство появления новой вещи.
    • Недавно обнаруженная проблема или положение дел, которые не оказывают прямого или непосредственного влияния на ваш бизнес.

    Сильные сигналы ...


    • Более крупная инновация, значительная разработка или продвижение НИОКР, или другое назревающее крупное развитие.
    • Новая рыночная технология, стратегия, продукт или услуга, выходящие в конкурентное пространство, за которым другие, вероятно, последуют быстро.
    • Факторы, которые бросают вызов текущим убеждениям или предположениям и имеют импульс для созревания или быстрого роста
    • Очевидные предупреждающие индикаторы

    Тенденции, преопредяющие наше будущее


    Тенденции возникают на пересечении макросил и сигналов. Это новые проявления, представляющие собой столкновения новых разработок. Они неуклонно формируются в течение многих лет. Важно отметить, что они не обязательно следуют линейным путем от маргинальных явлений к мейнстриму.

    Четыре закона технологических тенденций


    1. Тенденции определяются основными силами изменений и нашими основными человеческими потребностями.
    2. Тенденции в силу того, что "наступило им время", они появляются вслед за новыми событиями.
    3. Тенденции в силу совпадения слабых и сильных сигналов во времени.
    4. Тенденции развивающиеся по мере их проявления.

    Тренды и модные веяния - в чем разница


    Иногда бывает сложно провести различие между чем-то модным и подлинной тенденции, которая окажет значительное и долгосрочное влияние на мир и бизнес. Чтобы отделить тенденции от моды, следует проверить на соответствие четырем законам технологических тенденций.

    Модные явления (или причуды) гораздо более преходящи. Они появляются внезапно, захватывают наше внимание и отвлекают нас мощными возможностями - только для того, чтобы сгореть так же быстро, как и появились. Причуды движутся по общему циклу - открытие инсайдеров, тенденции в социальных сетях, хвастовство влиятельными лицами, истерия в СМИ и признание мейнстрима - до тех пор, пока мы не разочаровываемся, потому что эти увлечения никогда не соответствуют нашим более широким ожиданиям.

    четверг, 3 июня 2021 г.

    Похоже, что эра цифровых технологий заканчивается

    Эра цифровых технологий закончилась?

    Что можно сказать о постцифровом мире. Это открытый вопрос - состояние цифровых технологий и связанные с ними пути трансформации.

    "Возможно, мы находимся на пороге новой эры инноваций, и, хотя цифровые технологии будут способствовать развитию, они больше не будут в центре внимания. Будущее будет написано не на цифровом языке единиц и нулей, а на языке атомов, молекул, генов и белков."
    Грег Сателл

    Наука заслуживает такого же внимания, как и технология. Грядущая биологическая революция многомерна и оказывает глубокое влияние на наше благополучие, формируя мир атомов, а не битов. 

    Г-н Сателл поддерживает этот аргумент, ссылаясь на то, как проект «Геном человека» способствовал прогрессу в области генетического секвенирования, который намного опередил то, что произошло на цифровой арене. CRISPR также открыл новую эру синтетической биологии, в которой мы можем перепрограммировать генетический материал в клетках, а революция в науке о материалах позволяет нам делать то же самое с материалами.

    Материаловедение - тихая революция с новой возможностью создавать передовые материалы, которые трансформируют нашу способность создавать и строить все, от более эффективных солнечных панелей до более легких, прочных и экологически чистых строительных материалов.

    Дело не в том, чтобы преуменьшить роль цифровых технологий и важность цифры как фундамента. Достижения, основанные на науке, могут трансформировать общество на уровне, который упускается из виду в большинстве дискуссий о трансформации.

    "Ученые работают над программированием микроорганизмов для создания нового углеродно-нейтрального биотоплива и биоразлагаемых пластиков. Это вполне может произвести революцию в сельском хозяйстве и помочь накормить мир".
    Грег Сателл

    В то время как технологические компании доминируют в списке самых капитализированных  компаний, г-н Сателл утверждает, что информация и связь как сектор составляют лишь 6% ВВП в развитых странах. Другими словами, мы все еще живем в физическом мире, состоящем из атомов. В то время как биологическая революция и революция в материалах не за горами, большинство из них по-прежнему сосредоточено на цифровой революции.

    Таким образом, инновации - это больше, чем просто цифровые технологии. В мире, где наша способность решать значимые проблемы повышается за счет синергетических отношений между наукой и технологиями, инновации ведут к дальнейшему продвижению человеческого развития. 

    Эра цифровых технологий закончилась? Нет. Уходят ли цифровые технологии с переднего края? Да.

    См. также https://frankdiana.net/2021/04/13/is-the-digital-era-over/