Мультиагенты и 6G: как выглядит кривая хайпа Gartner-2024

В августе 2024 года аналитики американской исследовательской и консалтинговой компании Gartner презентовали традиционный отчет Hype Cycle for Emerging Technologies. Он описывает цикл развития 25 новейших технологий, которые пока находятся на ранней стадии развития, но через несколько лет могут стать массовыми. «РБК Тренды» рассказывают, как Gartner обновил кривую хайпа в этом году.

Как устроена кривая хайпа

График Gartner показывает цикл развития каждой новой технологии в настоящее время. Он включает в себя пять ключевых отрезков:

• Триггер инновации: момент, в который происходит потенциальный технологический прорыв, а также появляются первые концепции, подтверждающие жизнеспособность технологии. На этом этапе коммерческий потенциал еще не доказан.

• Пик завышенных ожиданий: период, когда о технологии начинают много говорить. СМИ публикуют как истории успеха, так и неудач, и может наступать некоторое разочарование в работе инновации.

• Спад разочарования: широкий интерес к технологии ослабевает, поскольку эксперименты не приносят видимых результатов. В этот момент ее разработчики могут потерпеть крах или свернуть разработку. Но могут также продолжать инвестиции в проект, чтобы улучшить его.

• Наклон просвещения: появляется все больше примеров, как технология может принести пользу предприятию или человеку. Разработчики начинают выпускать продукты следующих поколений и финансировать пилотные проекты с их участием. Однако консервативные компании сохраняют настороженное отношение к технологии.

• Плато продуктивности: массовое внедрение начинает набирать обороты, а в среде компаний формируются более четкие критерии оценки конкурентоспособности. Технология начинает приносить плоды.

Как обновили кривую хайпа в 2024 году

Генеративный искусственный интеллект

Как отмечают аналитики компании, быстрая эволюция ИИ приводит к созданию автономных систем, которые могут работать при минимальном контроле со стороны человека, совершенствоваться и становиться более эффективными при принятии сложных решений. Эти передовые модели ИИ включают в себя мультиагентные системы, большие модели действий, клиентов-машины, человекоподобных рабочих роботов, автономных агентов и системы обучения с подкреплением. Для создания таких алгоритмов требуется более широкий спектр технологий, данных и взаимосвязей, чем у современных моделей. Сейчас технология проходит этап триггера инноваций, а для массового внедрения ей потребуется не менее десяти лет.

«Генеративный ИИ (GenAI) уже прошел пик завышенных ожиданий, поскольку фокус бизнеса продолжает смещаться от ажиотажа вокруг базовых моделей к вариантам использования, которые повышают рентабельность инвестиций. Это ускоряет развитие автономного ИИ. И хотя нынешнему поколению моделей не хватает функций агентов, исследовательские лаборатории уже выпускают инструменты, которые могут динамически взаимодействовать со своей средой для достижения целей, хотя их развитие будет постепенным процессом», — сказал Арун Чандрасекаран, вице-президент-аналитик Gartner.

Технологии, которые определяют развитие общего ИИ:

• Мультиагентные системы (Multiagent Systems) — это ИИ-платформы, которые включают в себя нескольких независимых и интерактивных агентов, способных решать разные задачи. В роли агентов могут выступать модели ИИ, программное обеспечение, роботы и многое другое. Их совместное применение позволит решать сложные задачи, тогда как обычный ИИ ориентирован на создание агентов для конкретных случаев использования. Кроме того, мультиагентные системы смогут работать в децентрализованных средах. Технология находится на этапе триггера инноваций, а для выхода на рынок ей потребуется пять–десять лет.

• AI TRiSM (Управление доверием, рисками и безопасностью ИИ, AI Trust, Risk and Security Management) — это основная технология в сфере ИИ, которая развивается в глобальном масштабе. Она включает в себя решения и методы для обеспечения прозрачности моделей ИИ и приложений, обнаружения аномалий, защиты данных, мониторинга и многого другого. AI TRiSM позволит предприятиям управлять моделями ИИ и жизненными циклами приложений, чтобы достигать бизнес-целей. Технология находится на пике завышенных ожиданий, а ее внедрения ожидают в течение двух–пяти лет.

• Цифровой двойник клиента (Digital Twin of a Customer, DToC) — это динамическое виртуальное представление клиента, отражающее его поведение, которое учится моделировать и прогнозировать действия, желания и потребности потребителя. Согласно ожиданиям аналитиков, DToC можно будет интегрировать с цифровым двойником цепочки поставок (DSCT), чтобы принимать более эффективные и быстрые решения для улучшения бизнес-операций. Технология проходит этап триггера инноваций и может быть внедрена за пять–десять лет.

• Большие модели действий (Large Action Models, LAM) — это модели искусственного интеллекта, которые могут понимать и выполнять сложные задачи, переводя человеческие намерения в действия. Это позволяет им выполнять различные действия, от бронирования номеров и заказа услуг до принятия сложных решений на основе анализа прошлых и настоящих данных. Технология находится на этапе триггера инноваций, а для внедрения ей потребуется более десяти лет.

• Клиенты-машины (Machine Customers) — это устройства с искусственным интеллектом, которые потенциально могут выступать в роли потребителей услуг, например, выполняя функции голосового помощника, например, заказывая еду. Технология находится на пике ожиданий, но для развертывания ей потребуется не менее десяти лет.

• Человекоподобные рабочие роботы (Humanoid Working Robots) — это роботы, оснащенные искусственным интеллектом, которые будут способны выполнять человеческие задачи на производстве и в других сферах. Технология проходит этап триггера инноваций и распространится не ранее чем через десять лет.

• Автономные агенты (Autonomous Agents) — это системы, которые используют возможности больших языковых моделей для восприятия и анализа окружения, взаимодействия с ним и самообучения. Технология находится на этапе триггера инноваций, а ее внедрение займет пять–десять лет.

• Обучение с подкреплением (Reinforcement Learning) — это тип машинного обучения, при котором система обучается только с помощью положительной или отрицательной обратной связи (поощрения и наказания). Технология немного опережает на кривой хайпа автономных агентов.

Повышение производительности разработчиков

Производительность разработчиков — это больше, чем просто быстрое написание кода. На нее влияют эффективное общение и сотрудничество, а также чувство полной вовлеченности и удовольствия от работы, отмечают аналитики Gartner. «Технологии революционизируют способ, с помощью которого разработчики проектируют и поставляют программное обеспечение, делая их более продуктивными, чем когда-либо», — считает Арун Чандрасекаран.

Эти технологии включают в себя:

• разработку программного обеспечения с использованием искусственного интеллекта (AI-augmented software engineering) — использование технологий ИИ и обработки естественного языка (NLP) для задач инженеров-программистов. Технология находится на пике завышенных ожиданий с перспективами внедрения в течение двух–пяти лет;

• облачную нативность (Cloud-native) — реализацию облачных вычислений в качестве услуги. Технология проходит пик завышенных ожиданий, но ей потребуется пять–десять лет для внедрения;

• GitOps — системы управления с обратной связью для облачных приложений. Технология находится на пике завышенных ожиданий, и ей потребуется для внедрения менее двух лет;

• внутренние порталы разработчиков (Internal Developer Portals) — порталы, которые обеспечивают возможность самостоятельного доступа к ресурсам в сложных облачных средах разработки программного обеспечения. Технология проходит пик завышенных ожиданий с перспективами внедрения в течение двух-пяти лет;

• промпт-инжиниринг (Prompt Engineering) — это процесс создания структурированной инструкции, которую может понять и интерпретировать генеративная модель ИИ. Технология проходит пик ожиданий и будет внедряться в течение двух–пяти лет;

• WebAssembly — виртуальный стек и формат двоичного кода, предназначенный для поддержки безопасных и высокопроизводительных приложений на веб-страницах. Технология находится на пике ожиданий, а ее внедрение займет около двух–пяти лет.

Расширение возможностей с помощью Total Experience

Total Experience — это стратегия, которая позволяет формировать общий опыт за счет переплетения опыта клиентов, сотрудников, а также различных практик. Она использует технологии для сопровождения критических взаимодействий между клиентами и сотрудниками, чтобы повысить удовлетворенность и лояльность первых.

Технологии Total Experience включают в себя цифрового двойника клиента, пространственные вычисления, суперприложения и 6G.

• Пространственные вычисления (Spatial Computing) — это обработка и анализ данных, которые преобразовывают их в трехмерные структуры. Фактически пространственные вычисления объединяют цифровой и физический миры посредством AR, VR или смешанной реальности. Технология проходит этап триггера инноваций, а для внедрения ей потребуется пять–десять лет.

• Суперприложения (Superapps) — это многофункциональные приложения, которые дают доступ к продуктам и сервисам цифровой экосистемы и собирают расширенную информацию о пользователях для персонализации услуг. Технология проходит пик ожиданий с перспективами внедрения в пять–десять лет.

• 6G — стандарт мобильной связи последнего поколения, который позволит обеспечить передачу до терабита данных в секунду. Технология находится на этапе триггера инноваций, а ее внедрения не стоит ожидать раньше чем через десять лет.

• Суперкомпьютерные вычисления с ИИ (AI Supercomputing) — использование суперкомпьютеров для управления и интерпретации огромных объемов данных с помощью моделей искусственного интеллекта. Технология соседствует с 6G на кривой хайпа, но для внедрения потребуется от двух до пяти лет.

Человекоориентированные технологии безопасности

Это новые технологии, поддерживающие безопасность и конфиденциальность, но ориентированные на человека. Они включают в себя AI TRiSM, ячеистую архитектуру кибербезопасности, цифровую иммунную систему, защиту от дезинформации, федеративное машинное обучение и гомоморфное шифрование.

• Ячеистая архитектура кибербезопасности (Cybersecurity Mesh Architecture) — новый подход к созданию распределенных элементов управления безопасностью, которые повышают общую эффективность защиты данных. Технология пока проходит этап триггера инноваций, а начнет применяться минимум через десять лет.

• Цифровой иммунитет (Digital Immune System) — это способность организации или системы эффективно противостоять киберугрозам, используя практики из проектирования, разработки, автоматизации, эксплуатации и аналитики программного обеспечения. Технология находится на этапе триггера инноваций, а для внедрения ей потребуется пять–десять лет.

• Защита от дезинформации (Disinformation Security) — комплекс мер, предотвращающий влияние на организацию и ее клиентов недобросовестного распространения информации, которая вводит в заблуждение, в том числе и сгенерированной при помощи ИИ. Эти меры включают политику нулевого доверия, автоматическое удаление устаревших приложений и компонентов систем и многое другое. Технология проходит этап триггера инноваций и будет внедряться в течение двух–пяти лет.

• Федеративное машинное обучение (Federated Machine Learning) — это децентрализованный подход к машинному обучению, при котором несколько устройств совместно обучают модель, не передавая свои данные друг другу или центральному серверу. Технология находится на этапе триггера, но приближается к пику ожиданий, а на ее внедрение потребуется пять–десять лет.

• Гомоморфное шифрование (Homomorphic Encryption) использует алгоритмы для выполнения вычислений с зашифрованными данными и позволяет предприятиям обмениваться информацией без ущерба для конфиденциальности. Технология находится на пике ожиданий, ей также потребуется пять–десять лет для массового внедрения.