مترجم: محمد حسین روزبهانی
منبع: https://www.gartner.com/en/articles/4-emerging-technologies-you-need-to-know-about
شکل زیر رادار تاثیر فناوری‌ها و روندهای نوظهور گارتنر 2023 است که بلوغ، شتاب بازار و نفوذ فناوری‌ها را به تصویر می‌کشد و آن را به ابزاری مفید برای رهبران محصول برای شناسایی و ردیابی فناوری‌ها و روندهایی تبدیل می‌کند که به آنها کمک می‌کند محصولاتشان را بهبود بخشند و متمایز کنند، رقابتی باقی بمانند و از فرصت‌های بازار سرمایه‌گذاری کنند. پس رادار تأثیر فناوری نوظهور گارتنر، فناوری‌ها و روندهایی را که بیشترین پتانسیل را برای ایجاد اختلال در بخش وسیعی از بازار دارند، برجسته می‌کند. روندها حول چهار موضوع کلیدی سازماندهی شده اند که ارزیابی آنها برای رهبران محصول به عنوان بخشی از استراتژی رقابتی آنها ضروری است. رهبران محصول باید اکنون این فناوری ها را بررسی کنند تا از فرصت های بازار سرمایه گذاری کنند.
شماره 1: محاسبات نورومورفیک
محاسبات نورومورفیک یک توانمندساز حیاتی، مکانیزمی را برای مدل‌سازی دقیق‌تر عملکرد یک مغز بیولوژیکی با استفاده از تکنیک‌های پردازش دیجیتال یا آنالوگ فراهم می‌کند. سه تا شش سال طول می کشد تا از وضعیت پذیرش زودهنگام به پذیرش اکثریت زودهنگام گذر کند. محاسبات نورومورفیک تأثیر قابل توجهی بر محصولات و بازارهای موجود خواهد داشت. سیستم‌های محاسباتی نورومورفیک توسعه محصول را ساده می‌کنند و رهبران محصول را قادر می‌سازند تا سیستم‌های هوش مصنوعی را توسعه دهند که بهتر به غیرقابل پیش‌بینی بودن دنیای واقعی پاسخ دهند. قابلیت‌های مستقل آنها به سرعت به رویدادها و اطلاعات بلادرنگ واکنش نشان می‌دهند و اساس طیف وسیعی از محصولات مبتنی بر هوش مصنوعی آینده را تشکیل خواهند داد. موارد استفاده اولیه شامل تشخیص رویداد، تشخیص الگو و آموزش داده های کوچک است. ما انتظار داریم تا پایان سال 2023 دستگاه‌های نورومورفیک پیشرفت کنند، اما احتمالاً پنج سال طول می‌کشد تا این دستگاه‌ها در مراحل اولیه به اکثریت برسند. اگرچه انتظار می‌رود که محاسبات نورومورفیک بسیاری از پیشرفت‌های فعلی فناوری هوش مصنوعی را مختل کند و مزایای عملکردی و صرفه‌جویی در مصرف انرژی را که با نسل‌های فعلی تراشه‌های هوش مصنوعی قابل دستیابی نیست، به همراه داشته باشد.
شماره 2: یادگیری خود نظارتی
یادگیری خود نظارتی با استفاده از یک رویکرد خودکار برای حاشیه نویسی و برچسب گذاری داده ها، بهره وری را تسریع می کند. شش تا هشت سال طول خواهد کشید تا از وضعیت پذیرش زودهنگام به پذیرش اکثریت زودهنگام گذر کند. یادگیری خود نظارتی تأثیر قابل توجهی بر محصولات و بازارهای موجود خواهد داشت. مدل های خود نظارت می آموزند که چگونه اطلاعات با سایر اطلاعات مرتبط است. برای مثال، کدام موقعیت‌ها معمولاً مقدم یا پس از موقعیت‌های دیگر قرار می‌گیرند، و کدام کلمات اغلب با هم هستند. یادگیری خود نظارتی به تازگی از دانشگاه بیرون آمده است و در حال حاضر توسط تعداد محدودی از شرکت های هوش مصنوعی انجام می شود. با این حال، چند شرکت متمرکز بر بینایی کامپیوتر و محصولات پردازش زبان طبیعی (NLP) اخیراً یادگیری خود نظارتی را به نقشه راه محصولات خود اضافه کرده اند. تأثیر و مزایای بالقوه یادگیری خود نظارتی گسترده است، زیرا کاربرد یادگیری ماشین را به سازمان هایی با دسترسی محدود به مجموعه داده های بزرگ گسترش می دهد. ارتباط آن در برنامه‌های هوش مصنوعی که معمولاً به داده‌های برچسب‌گذاری شده، عمدتاً بینایی رایانه و پردازش زبان طبیعی (NLP) متکی هستند، برجسته‌تر است.
شماره 3: متاورس
متاورس با ارائه یک محیط دیجیتالی فراگیر به دنیای هوشمند سوخت می‌دهد. گذر از وضعیت پذیرش زودهنگام به پذیرش اکثریت زودهنگام، هشت سال به طول خواهد انجامید. متاورس تأثیر بسیار مهمی بر محصولات و بازارهای موجود خواهد داشت. متاورس محتوای دیجیتالی پایدار، غیرمتمرکز، مشارکتی و تعاملی را که با محتوای بی‌درنگ، سازمان‌یافته و نمایه‌شده دنیای فیزیکی تلاقی دارد، امکان‌پذیر می‌کند. این نمونه‌ای از یک روند ترکیبی است که در آن تعدادی از گرایش‌ها و فن‌آوری‌های مهم، مجزا و مستقل در حال تکامل با یکدیگر تعامل می‌کنند تا روند دیگری را ایجاد کنند. فن‌آوری‌ها و روندهای نوظهور و پشتیبان شامل محاسبات فضایی و وب فضایی (اما محدود نمی‌شوند). پایداری دیجیتال؛ محیط های چندگانه؛ فناوری تمرکززدایی؛ شبکه های پرسرعت و با تاخیر کم؛ فن آوری های سنجش؛ و برنامه های کاربردی هوش مصنوعی ویژگی‌ها و قابلیت‌هایی که این فناوری های انتقال و پرداخت الکترونیکی برای متاورس به ارمغان می‌آورد باید به اکثریت اولیه برسد تا متاورس از شکاف عبور کند. ما همه نمونه‌های فعلی را پیش‌فرض‌ها یا پیشنهادهای پیش‌متاورس در نظر می‌گیریم، زیرا به طور بالقوه قادر و سازگار هستند، اما هنوز با تعریف متاورس مطابقت ندارند. در حالی که مزایا و فرصت‌های متاورس فوراً قابل دوام نیستند، راه‌حل‌های متاورس در حال ظهور، شاخصی از موارد استفاده بالقوه را ارائه می‌دهند. ما انتظار داریم که گذار به سوی متاورس به اندازه انتقال از آنالوگ به دیجیتال مهم باشد.
شماره 4: هوش مصنوعی انسان محور Human-centered AI
هوش مصنوعی انسان محور (HCAI) یک اصل رایج طراحی هوش مصنوعی است که هوش مصنوعی را به نفع مردم و جامعه می طلبد که می تواند شفافیت و حریم خصوصی را بهبود بخشد. سه تا شش سال طول می کشد تا به ناحیه تایید اکثریت زودهنگام برسد. چنین هوش مصنوعی ای تأثیر قابل توجهی بر محصولات و بازارهای موجود خواهد داشت. هوش مصنوعی انسان محور یک مدل مشارکتی از افراد و هوش مصنوعی را فرض می‌کند که با هم کار می‌کنند تا عملکرد شناختی، از جمله یادگیری، تصمیم‌گیری و تجربیات جدید را افزایش دهند. هوش مصنوعی انسان محور گاهی اوقات به عنوان "هوش افزوده"، "هوش سنتوری" یا "انسان در حلقه" شناخته می شود، اما در یک مفهوم گسترده تر، حتی یک سیستم کاملاً خودکار باید مزایای انسانی را به عنوان هدف داشته باشد. این هوش فروشندگان را قادر می سازد تا خطرات هوش مصنوعی را مدیریت کنند و با اتوماسیون اخلاقی، مسئولیت پذیر و کارآمدتر عمل کنند و در عین حال هوش مصنوعی را با لمس انسانی و با عقل سلیم تکمیل کنند. بسیاری از فروشندگان هوش مصنوعی قبلاً موقعیت خود را به رویکرد تأثیرگذارتر و مسئولانه تر هوش مصنوعی انسان محور تغییر داده اند. رویکرد فناوری محور توسعه محصولات هوش مصنوعی منجر به اثرات منفی متعددی شده است و فروشندگان را ترغیب می کند تا در استراتژی های محصول هوش مصنوعی خود تجدید نظر کنند. تأثیر بالقوه هوش مصنوعی انسان محور زیاد است زیرا از توانایی‌های انسان برای بهره‌وری بیشتر انسان و حذف محدودیت‌ها، سوگیری‌ها و نقاط کور قابل اجتناب استفاده می‌کند.
