Jak rozwijać się będą zagadnienia sztucznej inteligencji, uczenia maszynowego czy też wykorzystanie blockchain w najbliższych 12 miesiącach, zdaniem specjalistów Red Hat.

14 stycznia 2020

Sztuczna inteligencja i blockchain to tematy, które często gościły w świecie technologii w ubiegłym roku. Te dwa zagadnienia w znaczącym stopniu zmienią także sposób, w jaki funkcjonują działy IT zarówno w przedsiębiorstwach, jak w i sferze publicznej. Rok 2020 zapowiada się naprawdę ciekawie, a część procesów i stojących za nimi innowacji, na które jeszcze w ubiegłym roku patrzyliśmy zaledwie z ciekawością, w roku 2020 stanie się powszechnie używanymi rozwiązaniami. Specjaliści Red Hat przygotowali prognozę jak rozwijać się będą zagadnienia sztucznej inteligencji czy też wykorzystanie blockchain w najbliższych 12 miesiącach.

Blockchain

W ubiegłym roku miał miejsce szczyt popularności systemów opartych na łańcuchach bloków. Nadszedł czas na rozwiązania rzeczywistych problemów. Oznacza to często zastosowanie łańcucha bloków jako narzędzia, jednej z warstw rozwiązania, a nie samego rozwiązania. Musimy przyjrzeć się konkretnym zaletom tej technologii i właściwie je wykorzystać. Dotyczy to tokenów i ekonomiki ich wymiany, kryptowalut i ich znaczenia z punktu widzenia państwa, a także transferu wartości w sieciach obejmujących heterogenicznych uczestników.

Tokenizacja. Pojęcie to oznacza reprezentowanie zarówno wartości cyfrowych, jak i niecyfrowych w postaci tokenów w łańcuchu bloków, w którym może następować ich wymiana i sprzedaż. Realizacja tej idei umożliwiłaby stworzenie wolnego rynku w zasadzie dowolnego rodzaju dóbr. To obszar, w którym mogą nastąpić poważne inwestycje — branża finansowa jest nim obecnie bardzo zainteresowana.

Wzrost zainteresowania walutami cyfrowymi emitowanymi przez banki centralne. Po ogłoszeniu informacji o planowanym wprowadzeniu przez korporację Facebook kryptowaluty o nazwie Libra nastąpił ponowny wzrost zainteresowania rynkiem kryptowalut. Należy dodać, że władze niektórych krajów poczuły się zaniepokojone tym komunikatem. Efektem tego wydarzenia był także powrót do dyskusji o walutach cyfrowych emitowanych przez banki centralne, ponieważ wiele z nich rozważało w ostatnich latach wprowadzenie takiego środka płatniczego. Niektórzy uważają „FedCoiny” (cyfrową walutę fiducjarną) za kolejny logiczny krok w rozwoju walut państwowych. Zdaniem części ekspertów jest on niezbędny i należy go pilnie wykonać.

Współdziałanie prywatnych łańcuchów bloków udostępnianych za uprzednią zgodą i publicznych łańcuchów bloków udostępnianych wszystkim zainteresowanym. Chyba wszyscy eksperci zajmujący się tym zagadnieniem zgadzają się w jednej kwestii: nie powstanie żaden łańcuch, który byłby nadrzędny wobec pozostałych. Już od pewnego czasu specjaliści intensywnie zastanawiają się, jak uniknąć „poziomych silosów” i zapewnić interakcję między wieloma łańcuchami. Ten trend nasili się w najbliższym czasie, szczególnie w związku z dalszym rozwojem projektów Polkadot i Cosmos. Co ciekawe, ważnym czynnikiem umożliwiającym prace nad współdziałaniem różnych rozwiązań jest podejście open source obecne w środowisku twórców łańcuchów bloków — zarówno jeśli chodzi o kod, jak i kulturę organizacyjną. Możemy zatem spodziewać się, że w przyszłości będzie równolegle funkcjonować wiele publicznych i prywatnych łańcuchów bloków wymieniających między sobą wartość. Taką wizję określa się mianem „Internetu wartości” (ang. Internet of Value).

Łańcuchy bloków jako warstwa zaufania. Kiedy rozmawiamy o łańcuchach bloków, myślimy o nich głównie jako o gotowym rozwiązaniu pewnych problemów, a nie metodzie wspierającej szersze rozwiązanie. W przyszłości pojawi się więcej projektów, w którym technologia blockchain zostanie zastosowana jako jedna z warstw wykorzystywanych przez inne elementy w celu zbudowania zaufania. Widzimy już to w projektach dotyczących samodzielnie zarządzanej cyfrowej tożsamości, takich jak Sovrin oparty na oprogramowaniu Hyperledger Indy. Inne obszary, w których należy oczekiwać zastosowania łańcuchów bloków, to Internet rzeczy i systemy sztucznej inteligencji.

Sztuczna inteligencja (AI) / uczenie maszynowe (ML) i rozwiązania AIOps

1. Nastąpi spadek znaczenia zintegrowanych platform AI

Korzystając z technologii Kubernetes, użytkownicy będą budować platformy związane z analityką danych i sztuczną inteligencją oparte na najlepszych wyspecjalizowanych komponentach. Dzięki projektom takim jak Kubeflow i jego wersji utrzymywanej przez Red Hat, czyli Open Data Hub, technologia Kubernetes stanie się standardem i podstawową platformą AI. Potencjalnym użytkownikom trudniej będzie dostrzec korzyści obecnych na rynku rozwiązań opartych na uproszczonych interfejsach klienta i warstwach obsługi przepływu pracy, korzystających z tych samych pakietów open source. Większe znaczenie zyskają zróżnicowane, specjalistyczne komponenty.

2. Uczenie maszynowe oparte na małych i wielkich zbiorach danych („Small Data ML” i „Big Data ML”) to dwa odrębne wątki

Większość pojawiających się w branży problemów do rozwiązania nadal dotyczy małych zbiorów danych. Głównymi barierami są dostępność oczyszczonych danych, definiowanie problemów i modeli z rozwiązaniami umożliwiającymi podjęcie działań oraz wdrażanie modeli w środowisku produkcyjnym i monitorowanie ich wydajności. Trzeba przy tym pamiętać o konieczności zachowania zgodności z przepisami i wewnętrznymi procedurami; warto także postarać się o to, by wdrażaniem modelu nie musiało zajmować się kolejno wiele zespołów w przedsiębiorstwie. Kontrola wersji danych i modeli będzie dla wielu organizacji poważnym wyzwaniem.
Początkowo stosowane modele uczenia głębokiego wymagały dużych ilości danych niezbędnych do wielokrotnego szkolenia i dostrajania. Modele typu open source operują na znacznie mniejszych, realistycznych zestawach danych, w szczególności dotyczy to zadań rozpoznawania obrazu i języka naturalnego. Dostępne są różne biblioteki, np. fast.ai i spacy. Analizie można poddać więcej zestawów danych, problemy wiążą się tylko z czasem przetwarzania i interpretowalnością.
W większości przypadków stosowane będą techniki niezwiązane z uczeniem głębokim, np. modele liniowe, modele oparte na drzewach decyzyjnych, grupowanie i analiza szeregów czasowych, a także bardziej specjalistyczne narzędzia analityczne, takie jak teoria kolejek i optymalizacja dyskretna.

3. W praktycznych zastosowaniach mechanizmów sztucznej inteligencji ogromne znaczenie będą mieć kwestie zaufania i zarządzania. Należy spodziewać się kolejnych prób objęcia tej dziedziny regulacjami prawnymi; pojawią się także rozwiązania technologiczne do zarządzania zaufanymi modelami.

4. Na rynek wejdą specjalistyczne urządzenia umożliwiające realizację wymagań związanych z wydajnością i efektywnością energetyczną, szczególnie do obsługi systemów wnioskowania.

5. Wzrośnie zainteresowanie rozwiązaniami typu AI Ops / AI Dev (Sec) Ops

Poszerza się zakres zastosowań sztucznej inteligencji w obszarach eksploatacji infrastruktury informatycznej i Dev (Sec) Ops, dlatego należy spodziewać się wzrostu zainteresowania takimi rozwiązaniami w przypadku nowych przedsiębiorstw o dużych możliwościach rynkowych. Uznani producenci dokonują poważnych inwestycji w tej dziedzinie i skoncentrują się na tworzeniu autonomicznych chmur hybrydowych. Podstawowym elementem takich środowisk będzie technologia Kubernetes, ponieważ oferuje odpowiednie możliwości standaryzacji i automatyzacji, zwłaszcza w połączeniu z koncepcją operatorów Kubernetes. Klienci mogą liczyć na wzrost niezawodności, jakości i skalowalności zarówno w środowisku produkcyjnym, jak i w procesach tworzenia i eksploatacji oprogramowania.