Содержание
Вторая часть доступна по ссылке
Этот пост - обзор цифровых технологий. Его цель - кратко показать и объяснить их суть, ведь со многими из них придется столкнуться с в жизни.
По каждой технологии мы постараемся придерживаться следующей структуры:
суть технологии
преимущества
минусы и ограничения
комментарии и размышления
Также рекомендуем прочитать "Цифровая трансформация. Анализ, тренды, мировой опыт" .
Прежде чем начнем знакомство с технологиями, необходимо ознакомиться и с тем, как принято оценивать каждую отдельную технологию и концепцию, как подходят к этому вопросу в крупных корпорациях. Для отбора перспективных технологий существует концепция TRL (ISO 16290:2013) или УГТ (уровень готовности технологии) по ГОСТ Р 58048—2017. УГТ – это насколько технологически зрелая технология, которую мы хотим внедрять у себя. Так, технология имеет 9 уровней готовности:
УГТ1: Основные принципы технологии изучены и опубликованы;
УГТ2: Концепция технологии и/или ее применения сформулированы;
УГТ3: Критические функции и/или характеристики подтверждены аналитическим и экспериментальным путем;
УГТ4: Компонент и/или макет испытаны в лабораторном окружении;
УГТ5: Компонент и/или макет испытаны в окружении, близком к реальному;
УГТ6: Модель системы/подсистемы или прототип продемонстрированы в окружении, близком к реальному;
УГТ7: Прототип системы продемонстрирован в условиях эксплуатации;
УГТ8: Реальная система завершена и квалифицирована в ходе испытаний и демонстрации;
УГТ9: Реальная система подтверждена путем успешной эксплуатации (достижения цели).
Соответственно, чем критичнее влияние новой технологии на наш технологический процесс и продукт, в том числе цифровой, и чем выше требования к надежности, тем выше должен быть уровень зрелости технологии.
Причина развития IoT — снижение стоимости интернета (за последние 10 лет цена снизилась в 40 раз), стоимости вычислительных мощностей (в 60 раз за тот же промежуток времени) и удешевление датчиков.
По данным Strategy Analytics, в 2018 году количество устройств, подключенных к интернету вещей, достигло 23 млрд штук по всему миру.
Интернет вещей это не только про умный чайник, розетку и так далее. Интернет вещей - генератор Больших Данных, то, с чем потом аналитики данных и дата-саентисты будут работать и формировать гипотезы.
Так, например, интернет вещей позволит развивать предсказательную аналитику и предотвращать аварии или катастрофы на промышленных объектах, регулировать дорожное движение, с учетом плотности потока, готовить рекомендации по повышению эффективности и т.д. Сценарии применения здесь ограничены фантазией.
Главные плюсы - мобильность и генерация данных без участия человека. То есть они будут более "чистыми".
Я считаю, что интернет вещей, в том числе промышленный, одна из тех технологий, которые окажут фундаментальное влияние на все аспекты нашей жизни.
Для организации Интернета Вещей можно использовать различные системы связи. Это могут быть не только мобильные сети или проводная сеть. Все зависит от целей и задач, которые будут решаться с помощью доступа в сеть.
Немного подробнее рассмотрим организацию связи на дальние расстояния.
LPWAN – (Low-power Wide-area Network — «энергоэффективная сеть дальнего радиуса действия») — технология передачи небольшого количества данных на дальние расстояния. Она разработана для распределённых сетей сбора телеметрии, взаимодействия между машинами (М2М). Обеспечивает среду сбора данных с различного оборудования: датчиков, счётчиков и сенсоров
Преимущества LPWAN
Большая дальность передачи радиосигнала, по сравнению с другими беспроводными технологиями, используемыми для телеметрии - GPRS или ZigBee, достигает 10—15 км.
Низкое энергопотребление у конечных устройств, благодаря минимальным затратам энергии на передачу небольшого пакета данных.
Высокая проникающая способность радиосигнала в городской застройке при использовании частот суб-гигагерцового диапазона.
Высокая масштабируемость сети на больших территориях.
Отсутствие необходимости получения частотного разрешения и платы за радиочастотный спектр, вследствие использования нелицензируемых частот (ISM band)
Недостатки LPWAN
Относительно низкая пропускная способность, вследствие использования низкой частоты радиоканала. Варьируется в зависимости от используемой технологии передачи данных на физическом уровне, составляет от нескольких сотен бит/с до нескольких десятков кбит/с.
Задержка передачи данных от датчика до конечного приложения, связанная с временем передачи радиосигнала, может достигать от нескольких секунд до нескольких десятков секунд.
Отсутствие единого стандарта, который определяет физический слой и управление доступом к среде для беспроводных LPWAN-сетей.
2 основных варианта реализации LPWAN сети:
Лицензионный диапазон частот (повышенная мощность, относительно высокая скорость, нет помех)
Безлицензионный диапазон частот (низкая мощность, низкая скорость, ограничение рабочего цикла передатчика, возможны помехи от других игроков)
3 основные технологиями построения LPWAN сетей:
NB-IoT – эволюция сотовой связи;
UNB безлицензионный LPWAN - SigFox в мире и Стриж, ВАВИОТ в России;
LoRa – широкополосный безлицензионный LPWAN.
NB-IoT (Narrow Band Internet of Things) — стандарт сотовой связи для устройств телеметрии с низкими объёмами обмена данными. Предназначен для подключения к цифровым сетям связи широкого спектра автономных устройств. Например, медицинских датчиков, счетчиков потребления ресурсов, устройств умного дома и т. п.
NB-IoT является одним из трех стандартов IoT, разработанных 3GPP для сотовых сетей связи:
eMTC (enhanced Machine-Type Communication) - обладает наибольшей пропускной способностью и разворачивается на оборудовании LTE (4G)
NB-IoT - может быть развернута как на оборудовании сотовых сетей LTE, так и отдельно, в том числе поверх GSM
EC-GSM-IoT - предоставляет наименьшую пропускную способность и разворачивается поверх сетей стандарта GSM.
Достоинства NB-IoT:
гибкое управление энергопотреблением устройств (вплоть до 10 лет в сети от батареи емкостью 5 Вт*ч)
огромная емкость сети (десятки-сотни тысяч подключенных устройств на одну базовую станцию)
низкая стоимость устройств
оптимизированная для улучшения чувствительности модуляция сигнала
Ссылка:
LoRaWAN – открытый протокол связи, который определяет архитектуру системы. Этот протокол предусматривает топологию типа «звезда». LoRaWAN разрабатывался с целью организации связи между недорогими устройствами, которые могут работать от батарей (аккумуляторов).
По данным IoT Analytics на вторую половину 2020 года является наиболее распространённой технологией маломощных глобальных сетей (LPWAN).
Технология LoRa создана для межмашинного (M2M) взаимодействия и представляет собой сочетание особого метода модуляции LoRa и открытого протокола взаимодействия LoRaWAN. Эта технология связи для IoT разработана таким образом, что может обслуживать до 1 млн. устройств в одной сети, давая им автономность до 10 лет от одной батарейки формата AA.
Чтобы обзор был объективным, необходимо рассмотреть и минусы, ограничения.
Самым главным ограничением и препятствием для организаций, желающих внедрить IoT, становятся затраты и сроки реализации проектов. Ещё одним стоп-фактором стала ограниченность экспертных знаний штатных сотрудников.
Из технологических недостатков следует отметить:
энергоснабжение
размеры
калибровка оборудования (достоверность показаний)
зависимость от сети передачи данных
отсутствие единых протоколов и стандартов для передаваемых данных. Соответственно обработка, интеграция и анализ данных могут быть затруднены даже в масштабах одного производства.
уязвимость для атак извне и последующая утечка данных или получение доступа к управлению оборудованием злоумышленниками.
Ссылки:
Цифровая трансформация. Быстрый старт раздел Введение в интернет вещей
Видео:
5G. Одна из самых популярных новостей последних 2-3 лет. Сейчас, в 2021 году, любой флагманский смартфон обязан поддерживать этот стандарт связи. Иначе это уже не флагман. Ведь все из нас слышали, что 5G принесет скачок скорости мобильного интернета и разнесет добро по всей Земле..
Но мне кажется мало кто из Вас знает, что сам стандарт сетей проектировался не с прицелом того, что Вы сможете еще быстрее загружать видео в YouTube или TicTok.
Он создавался для развития цифровых сервисов и его "фишкой" является гибкое комбинирование для каждого абонента сверхнизкой задержки, высокой скорости и надежности канала связи, смотря что именно ему необходимо.
Проще говоря, это история про Интернет Вещей. Не совсем про промышленный интернет вещей, но про умные города, здравоохранение и промышленные предприятия в черте города.
Отличие 5G от 4G/LTE:
- 8 раз лучше энергоэффективность;
- в 10-100 раз больше скорость
- в 100 (!) раз большим количеством абонентов на 1-й базовой станции.
Все те, кто занимается цифровизацией на производствах (да даже просто внедрением АСУ ТП), знают что основная проблема именно связана с датчиками и налаживанием коммуникации и каналов связи. И я надеюсь, что с развитием этой технологии данная проблема будет все менее актуальной.
Кроме того, развитие данной технологии также поможет и внедрению все более совершенных ИТ систем, особенно MES, APS, EAM. Ведь им всем нужна информация с датчиков, без участия человека.
Но есть и неприятный для многих минус. Все это станет стимулом для изменения требований к компетенциям сотрудников. А значит начнутся "оптимизации" орг.-штатной структуры и увеличение социальной напряженности.
Также предлагаю рассмотреть факторы, влияющие на скорость внедрения нового стандарта:
а) Положительные: 1. Наверху уже осознают необходимость двигаться в этом направлении. А значит есть надежда, что это будут продвигать. 2. К 2030 году от 5G ожидают дополнительные 2 трлн рублей доходов в экономику. Это позволяет ожидать того, что и с военными договорятся (об этом ниже), и чиновников будут подгонять. Отрицательные. 1. Бюрократия и низкая квалификация в цифре, особенно в регионах. Несмотря на понимание верхов, мы знаем как умеют наши чиновники на местах и бюрократия убить любую затею. 2. Конфликт с военными. Насколько я помню, частоты для 5G принадлежат Мин. обороны, а они не хотят отдавать их. При этом мы видим, что сейчас в стратегии нашего государства преобладают как раз интересы армии и обороны. 3. Дороговизна цифровизации. Наш бизнес с трудом может себе позволить качественную цифровизацию, как из-за цены оборудования и софта, так и из-за дефицита нужных кадров (плюс много "шарлатанов"). В ближайшее время здесь изменений не предвидится. Те кто могут это себе позволить (корпорации), очень забюрократизированы (попробуйте согласовать доступ в интернет на производственной площадке) + не мотивированы и боятся на местах + банально не готовы. Так что тут можно увидеть и провалы, и банальные распилы, и неэффективные вложения. 4. Новое поколение оборудование априори будет дороже нынешнего, при этом его плотность количества вышек на единицу территории должна быть выше. Но кто это будет финансировать? Люди, с учетом 6-летнего падения реальных доходов, вряд ли готовы платить больше за связь, а операторы не готовы за свой счет вкладываться и ждать, пока цена станет приемлемой для людей и для бизнеса (чтобы он захотел и смог платить за доступ).
Поэтому я думаю что будут планы и программы, но сроки будут двигаться вправо, а содержание бесконечно корректироваться. Будет вялое и локальное развитие, в основном в имиджевых местах или где будет интерес конкретных людей.
В итоге мы имеем: у нас слишком много фундаментальных проблем в "реальном" секторе экономики: низкая квалификация (цифровая и управленческая) персонала от работяги, до ТОПов и чиновников (я не верю, что аналоговый и некомпетентный руководитель сможет развивать цифру), высокая зарегулированность и страхи, сильные позиции "консерваторов" и безопасников, которые не готовы идти на встречу и к диалогу.
По последним предварительным оценкам чиновников, ожидать полномасштабное развертывание 5G городах-миллиониках можно не раньше 2024 года.
Ниже приведена интересная инфографика того, в каких отраслях и для каких целей может потребоваться 5G
Ссылки:
Видео:
Самая интересная технология, которая, при поддержке интернета вещей, 5G и больших данных, принесет революционные изменения в нашу жизнь.
По поводу ИИ до сих пор нет точного понимания - что же это такое, какое определение выбрать, где его границы, есть ли разница между ИИ и искусственным сознанием?
А ведь это уже реальность. Еще в 2019 году ученые МФТИ приблизились к созданию нового типа искусственного интеллекта — аналога человеческого сознания. Это способность не просто отличить один класс предметов от других (по такому принципу работают нейросети), но и ориентироваться в меняющихся условиях, выбирать конкретные решения, моделировать и прогнозировать развитие ситуации. Такое «искусственное сознание» будет незаменимо в системах интеллектуального транспорта и грузоперевозок, когнитивных ассистентах и т.д.
Но это будущее. Что есть сейчас?
Сейчас есть обучаемые нейросети. Искусственная нейронная сеть — это математическая модель, созданная по подобию биологических нейронных сетей, составляющих мозг живых существ. Такие системы учатся выполнять задачи, рассматривая примеры без специального программирования под конкретное применение. Их можно встретить в Яндекс Музыке, автопилотах Теслы, в системах рекомендации для врачей и управленцев
Здесь 2 главных тренда - машинное обучение (ML - machine learning) и его частный случай - глубокое обучение (DL - deep learning)
Нейросети являются подразделом машинного обучения.
Глубокое обучение - это не только обучение с помощью человека, но и самообучение систем. Это использование одновременно различных методик обучения и анализа данных. Погружаться я в это не буду, иначе многие из Вас уснут :)
Всего известно около 30 различных типов нейронных сетей, которые подходят для разных типов задач. Например, сверточные нейронные сети (CNN) обычно используются для задач компьютерного зрения, в то время как рекуррентные нейронные сети (RNN) — для обработки языка. А типичное применение GAN-архитектур — стилизация фотографий, создание дипфейков, генерирование аудиофайлов и прочее.
Ниже приведена визуализация, как же проводят обучение нейросетей
Но давайте перейдем к практике и поделимся с Вами реальным примером того, как можно применять нейросети в бизнесе.
Не так давно, летом 2021 года, к нам обратился один предприниматель из риэлторской сферы. Занимается сдачей недвижимости в аренду, в том числе посуточно. Его цель – увеличение пула сдаваемых квартир и переход из разряда предпринимателя в полноценную организацию. В ближайших планах запуск сайта и мобильного приложения.
Но так сложилось, что я сам был его клиентом. И при нашей встрече увидел очень большую проблему – долгую подготовку договора. На оформление всех реквизитов и подписание договора уходит до 30 минут.
Это и ограничение системы с генерированием потерь, и неудобство для клиента.
Представьте себе сценарий, что Вы хотите с девушкой провести время вместе, но вынуждены ждать полчаса, пока Ваши паспортные данные внесут в договор, Вы все сверите, подпишите.
И сейчас есть лишь 1 вариант исключить это неудобство – запрашивать фото паспорта заранее, и сидеть вручную набивать все данные в шаблон договора.
Что тоже не очень удобно. Это все равно ограничение системы.
Как же можно решить эту проблему с помощью цифровых инструментов, чтобы еще и заложить основу для работы с данными и аналитикой?
Я не буду здесь приводить весь алгоритм размышлений, поэтому приведу сразу выводы, к которым мы пришли:
1. Можно попробовать провести интеграцию с Госуслугами. Чтобы человек авторизовался через учетку Госуслуг. Там паспортные данные выверены. И для последующей аналитики это супер. Но вот беда. Если Вы не государственная компания, то получить доступ к авторизации через данный сервис та еще задача.
2. Подключение нейросети. Клиент присылает фото паспорта - она распознает данные и вносит в шаблон или базу. Далее - либо распечатка готового договора или электронное подписание. И преимущество здесь в том, что все паспорта стандартизированы. Серия и номер всегда одного цвета и одного шрифта, код подразделения тоже, а перечень выдавших подразделений также не очень большой. Обучить такую нейросеть легко и быстро. Справится даже студент в своей дипломной работе. В итоге и бизнес экономит на разработке, и студент получает актуальную дипломную работу. Кроме того, при каждой ошибке нейросеть будет становиться все умнее.
Итог – вместо 30 минут на подписание договора, мы получаем около 5. То есть, при 8-ми часовом рабочем дне 1 человек сможет заключать не 8 договоров (30 минут на заключение и 30 минут на дорогу), а 13-14.
И это при консервативном подходе, без электронного подписания, доступа в квартиру через мобильное приложение и смарт-замки. Но мое мнение, что сразу делать «навороченные» решения не надо. Высока вероятность потратить деньги на то, что не создает ценности и не снижает издержки. Это будет следующий шаг. После того, как клиент получит результат и компетенции.
Также приведем еще 2 применения нейросетей и машинного обучения:
Ограничения в данном направлении мы видим следующие:
Качество и количество данных. Нейросети требовательны к качеству и количеству исходных данных. Но эта проблема решается. Если ранее нейросети необходимо было прослушать несколько часов аудиозаписи, чтобы синтезировать вашу речь, то сейчас достаточно нескольких минут. А для нового поколения потребуется всего несколько секунд. Но тем не менее им всё равно нужно много размеченных и структурированных данных. И любая ошибка влияет на конечное качество обученной модели.
Качество «учителей». Нейросети обучают люди. И здесь очень много ограничений: кто и чему учит, на каких данных, для чего.
Этическая составляющая. Я имею в виду вечный спор, кого сбить автопилоту в безвыходной ситуации: взрослого, ребёнка или пенсионера. Подобных споров бесчисленное множество. Для искусственного интеллекта нет этики, добра и зла.
Так, например, во время испытательной миссии беспилотнику под управление ИИ поставили задачу уничтожить системы ПВО противника. В случае успеха ИИ получил бы очки за прохождение испытания. Финальное решение, будет ли цель уничтожена, должен был принимать оператор БПЛА. После этого во время одной из тренировочных миссий он приказал беспилотнику не уничтожать цель. В итоге ИИ принял решение убить оператора, потому что этот человек мешал ему выполнить свою задачу.
После инцидента ИИ обучили, что убивать оператора неправильно и за такие действия будут сниматься очки. После этого ИИ начал разрушать башню связи, которая используется для связи с дроном, чтобы оператор не мог ему помешать.
Нейросети не могут оценить данные на реальность и логичность
Готовность людей. Нужно ожидать огромного сопротивления людей, чью работу заберут сети.
Страх перед неизвестным. Рано или поздно нейросети станут умнее нас. И люди боятся этого, а значит, будут тормозить развитие и накладывать многочисленные ограничения.
Непредсказуемость. Иногда все идет как задумано, а иногда (даже если нейросеть хорошо справляется со своей задачей) даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей.
Ограничение по виду деятельности. Алгоритмы ИИ хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, ИИ, обученный играть в шахматы, не сможет играть в другую похожую игру, например, шашки. Кроме того, даже глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров. Чтобы эффективно использовать тот же ChatGPT, необходимо изначально быть экспертом в отрасли и формулировать осознанный и четкий запрос, а затем проверить корректность ответа.
Затраты на создание и эксплуатацию. Для создания нейросетей требуется много денег. Согласно отчёту Guosheng Securities, стоимость обучения модели обработки естественного языка GPT-3 составляет около 1,4 миллиона долларов. Для обучения более масштабной модели может потребоваться и вовсе от 2 миллионов долларов. Если взять для примера именно ChatGPT, то только обработки всех запросов от пользователей необходимо более 30 000 графических процессоров NVIDIA A100. На электроэнергию будет уходить около 50 000 долларов ежедневно. Требуется команда и ресурсы (деньги, оборудование) для обеспечения их «жизнедеятельности». Также необходимо учесть затраты на инженеров для сопровождения
Итоги
Машинное обучение идет ко все более низкому порогу вхождения. В будущем это будет как конструктор сайта. И для базового применения не нужны будут специальные знания и навыки.
Создание нейросетей и дата-сайнс уже сейчас развивается по модели "сервис как услуга", например DSaaS - Data Science as a Service.
Знакомство с машинным обучением можно начинать с AUTO ML, его бесплатной версией, или DSaaS с проведением первичного аудита, консалтинга и разметкой данных. При этом даже разметку данных можно получить бесплатно. Все это снижает порог вхождения.
Также будут создаваться отраслевые нейросети. В том числе все активнее будет развиваться направление рекомендательных сетей.
Ссылки:
Искусственный интеллект на Википедии
Машинное обучение на Википедии
Глубокое обучение на Википедии
Что может и чего не может нейросеть: пятиминутный гид для новичков
Видео:
Большие данные (big data) — обозначение структурированных и неструктурированных данных огромных объёмов, обрабатывать которые в ручном режиме невозможно. А также различных инструментов и подходов к работе с ними: как анализировать и использовать для конкретных задач и целей.
Неструктурированные данные — это информация, которая не имеет заранее определённой структуры или не организована в определённом порядке.
Области применения:
Оптимизировать процессы — например, крупные банки используют большие данные, чтобы обучать чат-бота — программу, которая заменит живого сотрудника по простым вопросам и при необходимости переключит на специалиста.
Делать прогнозы — анализируя большие данные о продажах, компании могут предсказать поведение клиентов и покупательский спрос на товары в зависимости от времени года или ситуации в мире.
Строить модели — с помощью анализа данных о прибыли и издержках компания может построить модель для прогнозирования выручки.
Еще практические примеры:
Поставщикам медицинских услуг аналитика больших данных нужна для отслеживания и оптимизации потока пациентов, отслеживания использования оборудования и лекарств, организации информации о пациентах и т. д.
Туристические компании применяют методы анализа больших данных для оптимизации опыта покупок по различным каналам. Они также изучают потребительские предпочтения и желания, находят корреляцию между текущими продажами и последующим просмотром, что позволяет оптимизировать конверсии.
Игровая индустрия использует BigData, чтобы получить информацию о таких вещах, как симпатии, антипатии, отношения пользователей и т. д.
Источники сбора больших Big Data:
социальные (вся деятельность человека, все загруженные фото и отправленные сообщения, звонки);
машинные (генерируются машинами, датчиками и «интернетом вещей»: смартфонов, умных колонок, лампочек и систем умного дома, видеокамер на улицах, метеоспутников);
транзакционные (покупки, переводы денег, поставки товаров и операции с банкоматами);
корпоративные базы данных и архивы
Категории Big Data:
Структурированные данные, имеющие связанную с ними структуру таблиц и отношений. Например, хранящаяся в системе управления базой данных информация, файлы CSV или таблицы Excel.
Полуструктурированные (слабоструктурированные) данные не соответствуют строгой структуре таблиц и отношений, но имеют другие маркеры для отделения семантических (смысловых) элементов и обеспечения иерархической структуры записей и полей. Например, информация в электронных письмах и файлах журналов.
Неструктурированные данные вообще не имеют никакой связанной с ними структуры, либо не организованы в установленном порядке. Обычно это текст на естественном языке, файлы изображений, аудиофайлы и видеофайлы.
Обрабатывают такие данные на основе специальных алгоритмов. Например, MapReduce, модели параллельных вычислений. Модель работает так:
сначала данные фильтруются по условиям, которые задает исследователь, сортируются и распределяются между отдельными компьютерами (узлами);
затем узлы параллельно рассчитывают свои блоки данных и передают результат вычислений на следующую итерацию.
Характеристики больших данных, по разным источникам характеризуются 3-мя или 4-мя правилами (Volume, Velocity, Variety, Veracity):
Volume / Объем: компании могут собирать огромное количество информации, размер которой становится критическим фактором в аналитике.
Velocity / Скорость, с которой генерируется информация. Практически все происходящее вокруг нас (поисковые запросы, социальные сети и т. д.) производит новые данные, многие из которых могут быть использованы в бизнес-решениях.
Variety / Разнообразие: генерируемая информация неоднородна и может быть представлена в различных форматах, вроде видео, текста, таблиц, числовых последовательностей, показаний сенсоров и т. д. Понимание типа больших данных является ключевым фактором для раскрытия их ценности.
Veracity /Достоверность: достоверность относится к качеству анализируемых данных. С высокой степенью достоверности они содержат много записей, которые ценны для анализа и которые вносят значимый вклад в общие результаты. С другой стороны данные с низкой достоверностью содержат высокий процент бессмысленной информации, которая называется шумом.
Техники и методы анализа, применимые к Big data по McKinsey:
Data Mining;
Краудсорсинг;
Смешение и интеграция данных;
Нейронные сети и Машинное обучение
Распознавание образов;
Прогнозная аналитика;
Имитационное моделирование;
Пространственный анализ;
Статистический анализ;
Визуализация аналитических данных.
Технологии для работы:
Но вместо 1000 слов, лучше увидеть визуализацию. Мы покажем не одну
Основное ограничение - качество исходных данных, критическое мышление (а что мы хотим увидеть? Какие боли, для этого делаются онтологические модели), правильный подбор компетенций. Ну и самое главное - люди. Работой с данными занимаются дата-саентисты. И тут есть одна расхожая шутка - 90% дата-саентистов, это дата-сатанисты.
Ссылки:
Большие данные на Вики
Что такое Big data: собрали всё самое важное о больших данных
Big Data от А до Я. Часть 1: Принципы работы с большими данными, парадигма MapReduce
Big data от А до Я. Часть 3: Приемы и стратегии разработки MapReduce-приложений
Big Data от A до Я. Часть 5.1: Hive — SQL-движок над MapReduce
Видео:
Цифровой двойник — это цифровая (виртуальная) модель любых объектов, систем, процессов или людей. Она точно воспроизводит форму и действия оригинала и синхронизирована с ним. Погрешность между работой виртуальной модели и тем, что происходит в реальности, не должна превышать 5%.
Впервые концепцию цифрового двойника описал в 2002 году Майкл Гривс, профессор Мичиганского университета. В своей книге «Происхождение цифровых двойников» он разложил их на три основные части:
Физический продукт в реальном пространстве.
Виртуальный продукт в виртуальном пространстве.
Данные и информация, которые объединяют виртуальный и физический продукт.
Именно цифровой двойник, может быть:
прототипом (DTP) — представлять собой виртуальный аналог реального объекта, который содержит все данные для производства оригинала;
экземпляром (DTI) — содержать данные обо всех характеристиках и эксплуатации физического объекта, включая трехмерную модель, и действует параллельно с оригиналом;
агрегированным двойником (DTA) — вычислительной системой из цифровых двойников и реальных объектов, которыми можно управлять из единого центра и обмениваться данными внутри
Мощный толчок в развитии цифровых двойников произошел благодаря развитию искусственного интеллекта и интернета вещей. Согласно исследованию Gartner Hype Cycle, это произошло в 2015 году. В 2016-м цифровые двойники и сами вошли в Gartner Hype Cycle, а к 2018 году оказались на пике.
В результате технология использует в своей основе и 3D-технологии, в том числе VR или AR, и AI, и IoT одновременно. Она - результат синергии нескольких сложных технологий и фундаментальных наук.
Создать виртуальную копию можно как для конкретной детали, так и для всего завода или производственного процесса. Цифровой двойник может работать на одном из 4-х уровней:
Цифровой двойник компонента. Если работа механизма серьезно зависит от состояния одной детали, можно создать виртуальную копию только для нее. Например, для подшипника на вращающейся части оборудования.
Цифровой двойник актива обеспечивает контроль за состоянием конкретного оборудования, например, двигателя или насоса. При необходимости двойники механизмов могут обмениваться информацией с виртуальными копиями компонентов.
Цифровой двойник системы позволяет контролировать несколько активов, которые работают совместно или выполняют одну и ту же функцию. Например, можно создать цифровую копию завода или одной производственной линии.
Цифровой двойник технологического процесса — двойник высшего уровня, который дает представление обо всем производственном процессе. Он может получать информацию от двойников активов или систем, но уделять больше внимания не работе конкретного оборудования, а процессу в целом.
Какие задачи позволяет решать технология цифрового двойника?
Поскольку цифровой двойник обладает всей информацией об оборудовании, то у компании появляются новые возможности:
1. За счет применения цифрового двойника становится возможным сосредоточить основную долю изменений и затрат на стадии проектирования, что позволяет сократить издержки, возникающие на остальных этапах жизненного цикла.
2. Своевременно узнавать о неполадках. Данные с датчиков обновляются в режиме реального времени. И технические специалисты всегда видят, правильно ли работает оборудование или возникла аномалия, способная привести к сбою либо аварии на производстве.
3. Прогнозировать поломки и износ оборудования. Благодаря данным, полученным от цифрового двойника, можно планировать техническое обслуживание и заранее менять детали, которые предположительно могут выйти из строя.
При этом очень важно не путать виды прогнозирования. В последнее время, работая с рынком различных ИТ-решений заметен тренд смешение понятий предиктивной аналитики и машинного выявления отклонений в работе оборудования.
То есть используя машинное выявление отклонений говорят о внедрении нового, предиктивного подхода к организации обслуживания.
И, с одной стороны, действительно, и там и там работают нейросети. В машинном выявлении аномалий нейросети тоже выявляют отклонения и получается организовать обслуживание до серьезной поломки и заменить только износившийся элемент.
Но давайте внимательнее посмотрим на определение предиктивной аналитики.
Предикативная (или предиктивная, прогнозная) аналитика — это прогнозирование, основанное на исторических данных.
И в разрезе работы с надежностью, для нас это возможность предсказывать отказы оборудования до наступления отклонения. Когда эксплуатационные показатели еще в норме, но уже начинают формироваться тенденции к возникновению отклонения.
Если перевести на совсем бытовой уровень, то выявление аномалий — это когда у Вас начинает изменяться давление и Вас об этом предупреждают, до того, как начнет болеть голова или начнутся проблемы с сердцем.
А предиктивная аналитика — это когда еще все нормально, но у Вас уже изменился режим питания, качество сна или что-то еще, и в организме начинают протекать процессы, которые приведут к росту давления.
И получается основная разница - глубина погружения, наличие компетенций и горизонт предсказания. Выявление аномалий — это краткосрочное предсказание, чтобы не довести до критической ситуации, тут необязательно изучать исторические данные.
А полноценная предиктивная аналитика — это долгосрочное предсказание. У Вас больше времени на принятие решения и выработке мер. Или запланировать закупку нового оборудования, запчастей и вызвать ремонтную бригаду по более низкой цене, или предпринять меры по изменению режимов работы оборудования, и не допустить возникновения отклонений.
4. Оптимизировать работу производства. Со временем цифровой двойник накапливает данные о работе оборудования. Проанализировав их, можно оптимизировать работу предприятия и сократить издержки.
Примеры из жизни:
Компания Tecnomatix создала цифровой двойник производства для PROLIM, которые хотели улучшить процесс комплектации товара. Для начала был создан визуальный двойник производства. Далее, с датчиков сняли данные о скорости движения объектов, количестве рабочих и их работоспособности и многие другие. Вся эта информация позволила создать цифрового двойника, который повторяет все процессы реального объекта.
Tesla создает цифрового двойника для каждого проданного автомобиля. Встроенные в него датчики передают данные на завод, где искусственный интеллект решает, штатно ли работает машина или ей требуется техническое обслуживание. Причем некоторые сбои компания устраняет удаленно, просто обновив ПО автомобиля.
Chevron Corporation использует технологию на нефтяных месторождениях и нефтеперерабатывающих заводах, чтобы предсказывать возможные технические проблемы. Предполагается, что применение цифровых двойников на производстве расширят к 2024 году.
У Сингапура есть цифровой двойник — динамическая трехмерная модель города со всеми объектами: от зданий и мостов до бордюров и деревьев. В виртуальный Сингапур поступают данные с городских датчиков и информация от госучреждений. Положительные эффекты внедрения цифрового двойника города: правительство может прогнозировать действия в случае ЧС, а архитекторы — планировать новые стройки с учетом городской инфраструктуры.
Самым главным ограничением на данный момент я вижу сложность и дороговизну технологии. Создавать эти модели долго и дорого, высок риск ошибок. Нужно сочетание технических знаний об объекте, практического опыта, знаний в моделировании и визуализации, соблюдение стандартов в реальных объектах. Далеко не для всех технических решений это оправдано, да и далеко не каждая компания обладает всеми компетенциями
Пока это новая технология И по тому же циклу Гартнера она должна пройти "долину разочарования". А впоследствии, когда и цифровые компетенции станут более обыденным явлением и нейросети станут более массовыми, мы начнем использовать цифровых двойников в полной мере.
Ссылки:
Видео:
Концепция цифровой трансформации подразумевает активное использование использование облачных технологий, онлайн аналитики и возможностей удаленного управления.
Национальным институтом стандартов и технологий США выделены следующие характеристики, которые характеризирует облака:
Самообслуживание по требованию (self service on demand) — потребитель самостоятельно определяет свои вычислительные потребности: серверное время, скорости доступа и обработки данных, объём хранимых данных - без взаимодействия с представителем поставщика услуг;
Универсальный доступ по сети — услуги доступны потребителям по сети вне зависимости от используемого для доступа устройства;
Объединение ресурсов (resource pooling) — поставщик услуг объединяет ресурсы для обслуживания большого числа потребителей в единый пул/объединение для быстрого перераспределения мощностей между потребителями при изменении спроса на мощности; при этом потребители управляют только основными параметрами услуги (например, объёмом данных, скоростью доступа), но фактическое распределение ресурсов, предоставляемых потребителю, осуществляет поставщик (в некоторых случаях потребители всё-таки могут управлять некоторыми физическими параметрами перераспределения, например, указывать желаемый центр обработки данных из соображений географической близости);
Эластичность — услуги могут быть предоставлены, расширены, сужены в любой момент, без дополнительных издержек на взаимодействие с поставщиком, как правило, в автоматическом режиме;
Учёт потребления — поставщик услуг автоматически исчисляет потреблённые ресурсы на определённом уровне абстракции (например, объём хранимых данных, пропускная способность, количество пользователей, количество транзакций) и на основе этих данных оценивает объём предоставленных потребителям услуг.
Теперь рассмотрим, зачем же внедрять облака? какие преимущества это дает?
Этот подход позволяет:
не "замораживать" финансы вложениями в основные средства и будущие расходы (для ремонта, обновления и модернизации). Это упрощает бух учет и работу с налогами, позволяет направлять ресурсы на развитие;
экономить на ФОТ (ЗП + налоги дорогих специалистов для обслуживания инфраструктуры) и операционке (электричества, аренда помещений и т.д.);
экономить время на запуск и начало использования;
эффективнее использовать вычислительные мощности. Не надо строить "избыточную" сеть, для покрытия нагрузок во время пика, или "страдать" от "тормозов" системы и рисковать "падением" с потерей данных. Это задача "провайдера", и он сделает это качественнее. Плюс включается принцип разделения ответственности, и сохранность данных - его задача.
доступность информации и в офисе, и дома, и в командировках. Это позволяет работать качественнее и более гибко, нанимать людей из других регионов.
Существует множество моделей использования облачных технологий: SaaS, IaaS, PaaS, CaaS, DRaaS, BaaS, DBaaS, MaaS, DaaS, STaaS, NaaS
SaaS (Software as a Service) -программное обеспечение как Услуга
Самая распространенная в мире, пользуются практически все люди, имеющие доступ в интернет.
Клиент получает программные продукты посредством сети интернет. Например, почтовые сервисы mail.ru. Gmail, или облачная версия 1С.
IaaS (Infrastructure as a Service-инфраструктура как Услуга)
Предоставление в аренду вычислительных ресурсов, в виде виртуальной инфраструктуры: серверы, системы хранения данных, виртуальные коммутаторы и маршрутизаторы. Такая ИТ-инфраструктура полноценная копия физической.
PaaS (Platform as a Service-Платформа как Услуга)
Аренда полноценной виртуальной платформы, включающей в себя различные инструменты и сервисы. Такую платформу клиент может настроить под свои нужды, сделав из нее площадку для тестирования ПО или, например, систему для автоматизации системы управления. Сервис пользуется особой популярностью у разработчиков ПО
CaaS (Communications as a Service-Коммуникация как Услуга)
Данная услуга заключается в предоставлении клиентам различных инструментов коммуникации в облаке. Это может быть телефония, сервисы по передаче быстрых сообщений или организации видеосвязи. При этом все необходимое ПО расположено в облаке провайдера.
WaaS (Workplace as a Service - рабочее место как услуга)
В данном случае компания использует облачные вычисления для организации рабочих мест своих сотрудников, настроив и установив все необходимое программное обеспечение, необходимое для работы персонала.
DRaaS (Disaster Recovery as a Service-Аварийное Восстановление как Услуга)
Данная услуга позволяет строить катастрофоустойчивые решения с помощью облака провайдера. Площадка поставщика облачных услуг является при этом «запасным аэродромом», на который постоянно реплицируются данные с основной площадки клиента. При выходе из строя сервисов клиента, они в течении нескольких минут перезапускаются, но уже в облаке. Такие решения особенно интересны компаниям с большим количеством бизнес-критичных приложений.
BaaS (Backup as a Service-Резервное Копирование как Услуга)
Этот вид услуги подразумевает обеспечение резервного копирования данных клиента в облако провайдера. Поставщик облачных услуг предоставляет заказчику не только место для хранения резервных копий, но, также, и инструменты позволяющие обеспечить быстрое и надежное копирование. Для правильной реализации данной услуги очень важен этап планирования, в период которого должны быть рассчитаны параметры и глубина архива, а также пропускная способность каналов передачи данных.
DBaaS (Data Base as a Service-База Данных как Услуга)
Этот облачный сервис заключается в предоставлении возможности подключаться к базам данных, развернутых в облаке. Клиент платит за аренду, в зависимости от количества пользователей и объема самой базы. Стоит отметить, что такая база данных никогда не упадет по причине отсутствия свободного места на дисках.
MaaS (Monitoring as a Service-Мониторинг как Услуга)
Этот вид облачных услуг помогает организовать мониторинг ИТ-инфраструктуры с помощью инструментов, расположенных в облаке провайдера. Это особенно важно для компаний, инфраструктура которых разнесена географически. Данный сервис позволяет организовать централизованный мониторинг всех систем с единой точкой входа.
DaaS (Desktop as a Service-Рабочий стол как Услуга)
Данная услуга заключается в предоставлении пользователям удаленных рабочих столов. С помощью данной услуги можно быстро и с минимальными затратами организовать новый офис, с централизованным управлением рабочих мест. Также, одним из преимуществ данной услуги является возможность работы с любого устройства, что особенно ценно для сотрудников в командировках и постоянных разъездах.
STaaS (Storage as a Service-Хранилище как Услуга)
Эта услуга заключается в предоставлении дискового пространства в облаке провайдера. При этом для пользователей такое пространство будет обычной сетевой папкой или локальным диском. Сильная сторона данного решения заключается в повышенной безопасности данных, так как в облаке провайдера работают надежные системы хранения данных.
NaaS (Network as a Service-Сеть как Услуга)
Данная услуга позволяет организовать полноценную, сложную сетевую инфраструктуру в облаке провайдера. Этот сервис включает в себя инструменты маршрутизации, организацию безопасности, а также использование различных сетевых протоколов. Для визуализации того, как это работает, хочу привести пример из одного сериала - Жуки.
В нем весь 2 сезон главная проблема в том, что купленное оборудование для работы мобильного приложения не может работать стабильно: то мощности не хватает и оборудование греется, то мощности электросети. Когда выходит из строя один из серверов - вся система ложится. А один из партнеров перед этим копирует всю базу данных и пытается с ней сбежать.
Как видим, ограничений и узких мест у системы много.
Если бы герои сериала выбрали IAAS или PAAS - то они бы:
1. На старте не переживали из-за потерянной сумки с деньгами. Не пришлось бы закупать самое дешевое, малопроизводительное и ненадежное оборудование.
2. Не надо было бы думать об охлаждении и перегреве. Можно спокойно работать с ноутбука в комфортных условиях
3. Не пришлось бы устраивать квест с воровством трансформатора из соседней деревни.
4. Не было бы сцен ревности и выхода из строя всего сервиса из-за отказа сервера.
5. Партнер не смог бы скопировать всю базу данных на внешний накопитель и стереть все с ноутбука.
Еще один критерий, по которому надо разделать облака - модель развертывания:
Частное облако (private cloud) — инфраструктура, предназначенная для использования одной организацией, включающей несколько потребителей (например, подразделений одной организации), возможно также клиентами и подрядчиками данной организации. Частное облако может находиться в собственности, управлении и эксплуатации как самой организации, так и третьей стороны (или какой-либо их комбинации), и оно может физически существовать как внутри, так и вне юрисдикции владельца.
Публичное облако (public cloud) — инфраструктура, предназначенная для свободного использования широкой публикой. Публичное облако может находиться в собственности, управлении и эксплуатации коммерческих, научных и правительственных организаций (или какой-либо их комбинации). Публичное облако физически существует в юрисдикции владельца — поставщика услуг.
Общественное облако (community cloud) — вид инфраструктуры, предназначенный для использования конкретным сообществом потребителей из организаций, имеющих общие задачи (например, миссии, требований безопасности, политики, и соответствия различным требованиям). Общественное облако может находиться в кооперативной (совместной) собственности, управлении и эксплуатации одной или более из организаций сообщества или третьей стороны (или какой-либо их комбинации), и оно может физически существовать как внутри, так и вне юрисдикции владельца.
Гибридное облако (англ. hybrid cloud) — это комбинация из двух или более различных облачных инфраструктур (частных, публичных или общественных), остающихся уникальными объектами, но связанных между собой стандартизованными или частными технологиями передачи данных и приложений (например, кратковременное использование ресурсов публичных облаков для балансировки нагрузки между облаками).
Недостатки облачных вычислений:
Требовательность к надёжности Интернета. Порой требуется постоянное и надежное соединение.
Работа с данными. Не все SaaS решения охотно делятся Вашими данными. Предусматривайте при выборе поставщика его подход в этом направлении: есть ли удобные инструменты для выгрузки данных в свои хранилища, готовы ли делиться ими с Вами вообще. Ведь Вы на пути к использованию сквозной аналитики и data science. И данные - кровь для этого.
Требовательность к скорости Интернета. Некоторые приложения плохо работают с медленным Интернетом.
Возможны ограничения производительности. Программы могут работать медленнее чем на локальном компьютере.
Не все программы или их функционал доступны удаленно. Если сравнивать программы для локального использования и их "облачные" аналоги, последние пока проигрывают в функциональности.
Дороговизна оборудования – для построения собственного облака. Компании необходимо выделить значительные материальные ресурсы, что не выгодно только что созданным и малым компаниям.
Конфиденциальность данных хранимых на публичных «облаках» в настоящее вызывает много споров, но в большинстве случаев эксперты сходятся в том, что не рекомендуется хранить наиболее ценные для компании документы на публичном “облаке”, так как в настоящее время нет технологии которая бы гарантировала 100% конфиденциальность хранимых данных.
Безопасность данных может быть под угрозой. Это порождает ограничения в политиках информационной безопасности больших компаний. Но здесь ключевым является слово "может". Все зависит от того, кто предоставляет "облачные" услуги. Если этот кто-то надежно шифрует данные, постоянно делает их резервные копии, уже не один год работает на рынке подобных услуг и имеет хорошую репутацию, то угрозы безопасности данных может никогда не случиться. Если данные в "облаке" потеряны, то они потеряны навсегда. Это факт. Но потерять данные в "облаке" гораздо сложнее, чем на локальном компьютере.
Ну и в заключение хочу поделиться интересной инфографикой, помогающей принять решение, а надо ли?
Но мое частное и личное мнение, что облака нужны даже для оффлайн бизнесов. Как я писал выше, это помогает организовать в том числе удаленную работу руководителям (быть продуктивными везде) и нанимать лучшие кадры, вне зависимости от территории.
Ссылки:
Видео:
Цифровые платформы - одна из основ перехода к цифровой экономике. Это снижение издержек на обработку информации не только в масштабах одного процесса и компании, это кардинальная перестройка рынка. Благодаря этому услуги и товары становятся доступнее, качественнее и дешевле.
Платформа — это те продукты и услуги, которые позволяют объединить две группы пользователей на двусторонних рынках.
Двусторонние рынки — сетевые рынки, которые имеют две группы пользователей с возникновением сетевых эффектов между ними. В двусторонней сети присутствует две категории её пользователей, для которых цели пользования сетью и их роли в сети четко различаются.
Если по научному, то цифровая платформа – система алгоритмизированных взаимоотношений значимого количества участников рынка, объединенных единой информационной средой, приводящая к снижению транзакционных издержек, за счет применения пакета цифровых технологий и изменения системы разделения труда.
Пример из нашей, российской, жизни - Яндекс Такси. Яндекс не владеет ничем, кроме программы и платформы, и соединяет Вас с другими партнерами (самозанятыми, таксопарками и т.д.). Яндекс - агрегатор и дает Вам "единое" окно для общения со всеми и получения услуги, беря за это с водителей в среднем 20-25% от стоимости заказа.
Главный критерий для любых платформ - большое количество участников, чтобы возник "сетевой" рынок.
Но давайте посмотрим на еще более глобальном масштабе - Алиэкспресс.
Почти каждый из нас знаком с этим сервисом. Но что же такое Алиэкспресс?
Это небольшая платформа в экосистеме Алибаба (по разным источникам входит в ТОП-10 мировых компаний с капитализацией около 620 млрд долларов). Ниже приведена схема со взаимосвязями внутри этой экосистемы.
И множество предпринимателей в нашей стране работают как раз на основе взаимодействия с этими платформами. Они заказывают, например, на taobao и везут.
Так за счет чего идет снижение цены для нас? Ниже приведена наглядная схема.
Платформы также бывают разных типов и классов. Ниже приведена классификация, предлагаемая ВШГУ РАНХИГС.
Появление платформ - кардинальная перестройка рынков. Выше мы рассмотрели Яндекс Такси. За счет своих преимуществ они изменили весь рынок такси в стране. Многие таксопарки уже перестали работать со своими заказами. Они подключаются к одному из агрегаторов - Яндекс, Гетт, СитиМобил. И теперь их главный источник дохода - предоставление автомобилей в аренду водителям.
Также, ранее было сказано, что услуги и товары становятся качественнее. Но как?
Открытые платформы позволяют работать с рейтингом, отзывами. А пользователи, могут выбирать наиболее надежных партнеров.
Кроме того, платформы позволяют заниматься "развитием" рынка: собирать потребности потребителей, быстро оценивать жизнеспособность новых идей продуктов/услуг.
Ограничения и риски
Сложность регулирования.
В настоящий момент много популярных платформ никак не регулируются, что создает условия для злоупотребления их операторами. Особенно, с учетом доминирующего или монопольного положения операторов данных платформ. От этого особенно страдают небольшие поставщики услуг и товаров. У них есть уже большая база потребителей, и они этим пользуются.
Недобросовестная конкуренция.
Операторы платформ обладают всеми данными и аналитикой: что именно продается, в каких количествах, каково описание этих товаров, их свойства, кто наиболее "оборотистый" и поставщиков. В итоге становится возможным использование черного пиара и недобросовестной конкуренции.
Сложность работы на некоторых из них, недостатки компетенций.
Далеко не все "заказчики" и "поставщики" обладают всеми компетенциями, для работы на таких платформах. Как итог, нередки истории с миллионными убытками.
Главные выводы исследования* о причинах неудач платформенных компаний:
Поскольку на рынке платформ многое может получиться не так, как было задумано, менеджеры и предприниматели должны согласовать усилия и извлекать опыт из неудач. Несмотря на огромные возможности роста, платформенная стратегия компании не обязательно увеличивает шансы на успех в бизнесе
Поскольку платформы в конечном итоге развиваются благодаря сетевому эффекту, главными задачами остаются правильные цены и правильный выбор субсидируемой стороны. В Uber отлично просчитали (а в Sidecar фатально не учли) силу влияния сетевого эффекта на объем сделок при резком снижении цены и расходов для обеих сторон рынка. В то время как Uber все еще изо всех сил бьется над экономикой проекта (и все еще может потерпеть неудачу как бизнес), Google, Facebook, eBay, Amazon, Alibaba, Tencent и многие другие платформы начали с агрессивного субсидирования по крайней мере одной стороны рынка и вышли на высокую прибыльность.
Первоочередной заботой должно стать доверие. Просить клиентов или поставщиков действовать на свой страх и риск без какой-либо истории сотрудничества с другой стороной сделки – это чересчур для любой платформы. EBay не смогла создать механизмы выстраивания доверия в Китае, а у Alibaba с площадкой Taobao это получилось. Руководители платформ могут и должны избегать подобных ошибок.
Решающее значение имеет выбор момента. Первым быть предпочтительнее, но это не гарантия успеха: вспомните сервис Sidecar. А вот опоздание может быть смертельным. Подтверждением тому служит катастрофическая задержка Microsoft в создании конкурента для iOS и Android.
И наконец, заносчивость тоже приводит к провалу. Даже если у вас безоговорочное преимущество, пренебрежение конкуренцией непростительно. Если вы не можете оставаться конкурентоспособным, ни одна позиция на рынке не будет безопасной. Ужасная реализация продукта Internet Explorer от Microsoft – наглядный тому пример.
*Дэвид Йоффи – преподаватель кафедры международного управления бизнесом в Гарвардской школе бизнеса; Аннабель Гавер – старший преподаватель цифровой экономики и директор Центра цифровой экономики в Университете Суррея, Великобритания; Майкл Кусумано – почетный профессор в Школе менеджмента им. Слоуна при MIT в Кембридже.
Ссылки:
Видео и материалы
Дополненная реальность (augmented reality, AR — «расширенная реальность») — технологии, которые дополняют реальный мир, добавляя любые сенсорные данные.
Наглядный пример работы этой технологии можно увидеть с помощью 2 схем от Harvard Business Review ниже
Смешанная реальность (MR) — дальнейшее развитие AR, где объекты виртуального мира ограниченно взаимодействуют с объектами реального мира.
Виртуальная реальность (VR) – это созданный с помощью технического и программного обеспечения виртуальный мир, передающийся человеку через осязание, слух, а также зрение и, в некоторых случаях, обоняние.
Резюме:
AR – представляет собой реальную среду с виртуальными цифровыми объектами;
MR – реальная среда с виртуальными объектами, с которыми можно взаимодействовать;
VR – является полностью виртуальной средой
Наиболее знакомы нам эти технологии по различным играм, например Pokemon Go, 3D-5D кинотеатрам и так далее.
Но как и в ситуации с 5G, потенциал этой технологии гораздо шире, нежели обычное "любительское" использование и сфера развлечений.
Можно обозначить несколько основных направлений развития отрасли:
игры;
кино;
спортивные трансляции и шоу;
социальные сети;
маркетинг
образование;
медицина;
торговля и недвижимость;
промышленность и ВПК.
Некоторые реальные примеры:
Программа AR, созданная Microsoft и Volvo, показывает устройство двигателя и шасси автомобиля.
Компания Porshe внедрила технологию дополненной реальности для организации обслуживания своих автомобилей.
Компания «СТАН» при поддержке «РТ-Капитал» Госкорпорации Ростех разработала первую отечественную промышленную платформу «СтAR» для внедрения технологии «цифрового цеха» на базе дополненной реальности (AR). Подробнее мы писали тут.
Ford использует VR для проведения семинаров, на которых инженеры из разных точек мира в реальном времени работают с голограммами прототипов автомобилей. Они могут ходить вокруг трехмерных голограмм реальных размеров и даже «залезать» внутрь, оценивая расположение руля, средств управления и приборной панели. Больше не нужно создавать дорогостоящие физические прототипы и собирать инженеров в одном цехе
Технологии дополненной реальности используются для сборки истребителей 5-го поколения СУ-57.
Преимущества, дающие технологии:
Производство. В сфере промышленной индустрии дополненная реальность позволяет повысить производительность, за счет снижения влияния человеческого фактора и дать конкурентное преимущество за счет повышения эффективности работы
Розничная торговля. Онлайн покупки совершают миллионы людей в нашем мире, что позволяет экономить время и деньги. Но не всегда выбор товара совпадает с желаемым результатом. AR-приложения дают возможность наглядно видеть приобретаемый через интернет продукт и избежать проблем с правильностью выбора.
Навигация. Использование навигационных приложений позволяет лучше ориентироваться в пространстве, указывая понятные направления к нужным объектам.
Сфера технического обслуживания и ремонта. AR-приложения дают возможность людям, не имеющим профессиональных навыков, выполнить мелкий ремонт при отсутствии поблизости соответствующего сервиса услуг. Это отлично видно на примере Inglobe Technologies для обслуживания автомобилей.
Ограничения и недостатки:
Мало квалифицированных специалистов для создания моделей. Но эта проблема решается. И в скором времени будут достаточно простые платформы, наподобие конструкторов сайтов.
Требовательность к производительности "железа". Эта проблема также уже практически решена.
Недоверие людей и инвестиционных фондов.
Лично мое мнение, что это также одна из наиболее перспективных технологий, и компании, которые ею занимаются, имеют огромный потенциал роста.
Ссылки:
Видео:
Мы разрабатываем собственное цифровое решение для ваших проектов. Ознакомиться с ним можно по ссылке: