Nul
(Billede: Diagram af Christoph Roser på AllAboutLean.com (CC-BY-SA-4.0))
Diagrammer der forklarer den fjerde industrielle revolution, som denne ved Christoph Roser, er OK, for så vidt som de går. Bortset fra ordet “cyber-fysiske systemer”. Ugh. Hvad de mener er, at fysiske systemer er ved at blive digitale. Tænk på Internet of Things (IoT) trykladning af kunstig intelligens (AI).
Men ifølge Distinguished Professor Genevieve Bell, disse diagrammer mangler noget vigtigt: Mennesker og deres sociale strukturer.
“Nu for dem af os, der er kommet ud af samfundsvidenskab og humaniora, dette er en fremragende diagram på grund af det arbejde, det er at rydde op i historie,” Bell sagde i sit foredrag på Trinity Lange Rum Hub ved Trinity College i Dublin i juli.
“Det hjælper ikke, hvis det, du ønsker at tænke på, var hvad der ellers foregik. Hver af disse teknologiske forandringer var også om gennemgribende skift i kulturel praksis, sociale struktur, sociale organisationer, dybt forskellige ideer om statsborgerskab, styring, regulering, idéer af civile og civile samfund.”
Et andet problem med denne forsimplede opfattelse er den måde, hvorpå Industrien 4.0 folk vedhæfte datoer til dette diagram. Dampkraft og mekanisering i 1760-1820 eller så. Masseproduktion fra måske 1870, men de mest berømte kapitel bliver Henry Ford ‘ s arbejde i 1913. Derefter computere og automatisering begyndte at blive brugt til at styre produktion fra 1950.
“At tiden ordningen fungerer rigtig godt, hvis du er i Vesten. Det holder ikke, hvis du er i Kina eller Indien eller latinamerika eller Afrika, hvor de fleste af de ting, der skete i det 20 århundrede, og mange af dem siden 1945,” Bell sagde.
Bell ønsker at vide, hvad vi kan lære af de første tre revolutioner. Hun er leder af 3A Institut ved Australian National University, som blev lanceret i September 2017, og arbejder ud af, hvordan vi skal reagere på, og måske endda direkte, den fjerde revolution.
Tage dampmaskiner af den første industrielle revolution. De var bygget af smede-og pengeinstitutter, der vidste, hvad de havde brug for til at bygge motorer. Men de vidste ikke, hvordan til at forme de brancher, de motorer, der kunne, eller hvordan til at huse dem, eller om de sikkerhedsmæssige systemer, de havde brug for. Disse og andre problemer, der bliver genereret nye applied science of engineering. Den første school of engineering, École Polytechnique, blev etableret i Paris i 1794.
De store fabrikker og jernbaner systemer af den anden industrielle revolution for massive mængder af penge. At hæve og administrere, at penge bogstaveligt førte til kapitalisme, og begreber som almindelige aktieselskaber og futures handel. Og den første business school, med støtte fra industrien.
Tidligt i computeren revolution, den AMERIKANSKE regering havde et problem. Næsten alle sine computere stolede på proprietær software fra firmaer som IBM og Honeywell. Så det spurgte Stanford University matematiker George Forsythe at skabe en abstrakt sprog for alle computere. To år senere, og hans team har udviklet en ting kaldet computer-videnskab, og der er udstedt en standard-10-siders pensum. En opdateret version er stadig bruges i dag på verdensplan.
“Så, teknik, business og datalogi: Tre helt forskellige applied sciences, nye fra tre helt forskellige tekniske regimer, med forskellige impulser,” Bell sagde.
“Hver starter ud utroligt bredt i form af de ideer, som den trækker på, hurtigt indsnævres til et meget klart sæt af teoretiske værktøjer og en idé om praksis, så er skaleret meget hurtigt.”
Med dette i tankerne, Bell sagde, at den fjerde industrielle revolution har brug for sin egen anvendt videnskab, så det er præcis, hvad 3A Instituttet er i gang med at bygge — som hjemmesiden udtrykker det, “en ny anvendt videnskab omkring håndtering af kunstig intelligens, data og teknologi, og deres indvirkning på menneskeheden”.
Og 3A Institut planer om at gøre det senest i 2022.
Ni måneder inde i dette store projekt, det er, der er identificeret fem sæt af spørgsmål, som denne nye videnskab behov for at besvare.
Først er Autonomi. Hvis autonome systemer er i drift uden prewritten regler, hvordan kan vi stoppe dem at dreje ondt, som så mange fiktive robotter gøre? Hvordan kan forskellige autonome systemer sammen? Hvordan kan vi regulere disse interaktioner? Hvordan kan du sikre, at disse systemer og gøre dem trygge? Hvordan kan reglerne ændres, når systemer på tværs af nationale grænser?
Eller, som Bell spurgte, “Hvad vil det sige at leve i en verden, hvor objekter handle uden at tage hensyn til os? Og hvordan kan vi vide, hvad de laver? Og har vi brug for at passe?”
For det andet er Agenturet, som er virkelig om grænserne for et objekt autonomi. Med et autonomt køretøj, for eksempel, er det nødt til at stoppe ved grænsen? Hvis så, hvor grænsen? Bestemt af hvem? Under hvilke omstændigheder?
“Gør din bil, så er nødt til at være opdateret på grund af Brexit, og hvis ja, hvordan vil du gøre det?” Bell bedt om.
Hvis autonome køretøjer, er følgende regler for, hvordan disse regler ført proces? Gøre de regler, der sidder på det objekt, eller et andet sted? Hvis der er nogle netværk regel, der får køretøjer fra vejene til at lade udrykningskøretøjer igennem, der beslutter det, og hvordan? Hvis du har flere objekter med forskellige regelsæt, hvordan de kaster sig over hinanden?
For det tredje er Sikkerhed, og som Bell forklarede, “sidder under det [er] en hel række af andre ord. Sikkerhed, sikkerhed, risiko, tillid, ansvar, explicability, administration.”
For det fjerde er Målinger.
“Den industrielle revolution, som hidtil er foregået på den opfattelse, at den relevante variabel, var der en stigning i produktivitet eller effektivitet. Så maskiner gjorde, hvad mennesker kunne ikke, hurtigere, uden frokost pauser, ubønhørligt,” Bell sagde.
Gør det igen, vi kunne have gjort tingene anderledes, sagde hun. Vi kunne have inkluderet miljømæssig bæredygtighed som en variabel.
“Hvad du måle er, hvad du gør, og så forestille sig, at vi sætter vores målinger op på forsiden ville være en virkelig interessant måde at tænke om dette.”
Data for fjerde revolution systemer kan omfatte sikkerhed, kvalitet i beslutningsprocessen, og kvaliteten af data til indsamling.
Nogle AI-teknikker, herunder dyb læring, der er energiintensive. Omkring 10 procent af verdens energiforbrug går allerede til at køre server gårde. Måske en energieffektivitet metrisk ville betyde, at nogle opgaver vil blive udført mere effektivt af et menneske.
Femte og endelig er Grænseflader. Vores nuværende systemer for human-computer interaction (HCI) virker måske ikke så godt med autonome systemer.
“Disse er de objekter, som du vil leve i, flyttes rundt med, der kan leve i dig, der kan leve omkring dig, og ikke bekymrer sig om dig på alle … den måde, vi vælger at engagere sig med dem, der er objekter, der føles helt anderledes på den måde, HCI har fået os op, indtil dette øjeblik i gang,” Bell sagde.
“Hvad vil det betyde for [har] systemer, der var, ved jeg ikke, opdragelse? Omsorg? De robotter, der ikke ønsker at dræbe os, men ønskede at se efter os.”
Som med computer science, før det, 3A Institut er ved at udvikle en undervisningsplan for det som-endnu-unavngivne nye videnskab. Det første udkast vil blive testet på 10 studerende i 2019.
Bell ‘ s tale i Dublin, med titlen “Managing the Machines”, der indgår langt flere detaljer, end der rapporteres her. Versioner bliver præsenteret omkring planeten, og videoer er begyndt at dukke op. Denne skribent kan varmt anbefale dem.
Relaterede Dækning
5 måder machine learning gør livet sværere for cybersikkerhed fordele (TechRepublic)
Mens mange virksomheder henvender sig til machine learning værktøjer til at bekæmpe hackere, de kan ikke være så hjælpsomme som de synes takket være et talent mangel og mangel på åbenhed.
Google Næste 2018: En dybere dyk på AI og machine learning fremskridt
Google Cloud meddelelser bringe dyb læring og big data analytics ud over data forskere, men virksomhederne vil have mere.
At bevæge sig hurtigt uden at bryde data: Styring til styring af risici i machine learning og uden
Hvordan kan du løse spændingen mellem behovet for at opbygge og implementere korrekte machine learning modeller hurtigt, og at det er nødvendigt at forstå, hvordan disse modeller fungerer, hvilke data de rører ved, og hvad er konsekvenserne? Immuta siger, data governance er svaret.
Når malware viser kunstig intelligens i et våben (TechRepublic)
I fremtiden, dit ansigt kan blive den udløsende faktor for udførelse af malware.
Leje kit: Android-udvikler (Tech Pro Forskning)
Virksomhederne er i stigende grad afhængige af mobile platforme til at drive deres forretninger, og til at aktivere en produktiv arbejdsstyrke – og det betyder, at ansættelse topnotch udviklere at bygge apps, de har behov for.
Relaterede Emner:
Tech-Branchen
CXO
Digital Transformation
Intelligente Byer
Cloud
0