11 Technologien, die Entwickler jetzt erforschen sollten

Neue und sich weiterentwickelnde Technologien verändern unsere Arbeitsweise schnell und bieten Entwicklern, die bereit sind, neue Fähigkeiten zu entwickeln und zu übernehmen, kreative Möglichkeiten. Wir haben uns 11 Technologietrends angesehen, von denen Experten sagen, dass sie die aktuellen IT-Ansätze wahrscheinlich stören und die Nachfrage nach Ingenieuren mit Blick auf die Zukunft erhöhen werden.

Es geht nicht nur um The Next Big Thing. Zukünftige Möglichkeiten für Entwickler ergeben sich aus dem Zusammentreffen modernster Technologien wie KI und VR. Augmented Reality, IoT und Cloud-Technologie ... und natürlich die Sicherheitsprobleme, die sich aus diesen Konvergenzen ergeben.

Wenn Sie daran interessiert sind, das Toolkit Ihres Entwicklers zu erweitern, lesen Sie diese Trenddomänen - und unsere Tipps, wie Sie mit diesen beginnen können.

Internet der Dinge Sicherheit

Nachdem im vergangenen Jahr zig Millionen verbundener Geräte entführt worden waren, konnten selbst gelegentliche Beobachter feststellen, dass ungeschützte IoT-Geräte albtraumhafte Sicherheitsprobleme verursachen.

In einem kürzlich veröffentlichten Bericht des Forschungsunternehmens Gartner wird empfohlen, dass Entwickler und Sicherheitsteams zu Beginn des Entwurfsprozesses zusammenarbeiten, um sicherzustellen, dass neue Bedrohungen bei ihrem Auftreten behoben werden können, indem beispielsweise IoT-Geräten die Möglichkeit geboten wird, Sicherheitsupdates herunterzuladen.

Die Nachfrage nach Ingenieuren mit IoT-Sicherheitskenntnissen ist hoch, insbesondere nach Ingenieuren, die die Schwachstellen der Hardware und Software verstehen, die von Geräten mit Netzverbindung verwendet werden.

„Die Angriffsmethoden im IoT sind weitgehend identisch mit denen in anderen verteilten Netzwerken wie Computern oder Mobiltelefonen. Daher sind dieselben Sicherheitskenntnisse relevant und kritisch“, sagt Richard Whitney, Vice President für Produkte beim IoT-Startup Particle. "Studieren Sie die Grundlagen von Krypto und Authentifizierung, und Sie sind auf einem guten Weg."

Tom Gonser, Gründer von DocuSign und Partner bei Seven Peaks Ventures, sagt, dass Unternehmen Kenntnisse in der Low-Level-Programmierung für Mikroprozessoren benötigen. „Sie möchten auch RF-Erfahrung mit Bluetooth, [Windows Identity Foundation] und Spread-Spectrum-Komponenten. Wertvoll sind auch die führenden Linux-Sicherheitsoptionen, die speziell für kleine Kernel wie Qubes OS optimiert wurden. “

Matt Abrams, Partner bei Seven Peaks Ventures mit Gonser, schlägt vor, sich darauf zu konzentrieren, „Workflows zu verstehen und sie zu stören. Die Postquantum-Computing-Kryptographie kommt auch schneller als erwartet. Sie sollten auch unterschiedliche Datenschutz- und kontradiktorische Netzwerke verstehen. “

Künstliche Intelligenz

Während wir uns auf die nächste Welle autonomer Fahrzeuge, Roboter und intelligenter Elektronik vorbereiten, explodiert die Nachfrage nach KI-versierten Ingenieuren.

„Wir befinden uns jetzt zu einem großen Teil an einem Wendepunkt, der auf Fortschritte bei allgegenwärtigem Computing, kostengünstigen Cloud-Diensten und nahezu unbegrenztem Speicher zurückzuführen ist“, sagt Nicola Morini-Bianzino, Senior Managing Director und Leiter für künstliche Intelligenz bei Accenture. "KI wird in alles eingebaut."

Morini-Bianzino sieht die Nachfrage nach „Software-Ingenieuren, Technologen und Wissenschaftlern mit Sprachübersetzung, Spracherkennung, Computer Vision, Robotik, Verarbeitung natürlicher Sprache, Wissensrepräsentation und Argumentationskompetenz. AI ... speist sich aus Daten, daher sind auch Inhalts- und Datenkuratoren, Datenwissenschaftler und Analytik-Experten von entscheidender Bedeutung. “

Der Marketing-Vizepräsident von Treasure Data, Kiyoto Tamura, sieht vor, dass die KI von sehr spezifischen, alltäglichen Operationen zu viel breiteren - und aufregenderen - Anwendungen übergeht.

„In der Vergangenheit war es eher so:‚ Finden Sie die optimale Route für die Paketzustellung… oder die relevantesten Websites für eine Suchanfrage. ' Jetzt beginnen wir zu sehen: 'Spielen Sie eine Partie Go wirklich gut; Fahren Sie sicher ein Auto usw. All dies ist cool, aber die Menschen müssen dem Computer noch objektive Funktionen zuführen, und zumindest für den Moment wird dies der Fall sein. “

Datenwissenschaftler, Forscher für maschinelles Lernen und Computerlinguisten werden zunehmend gesucht, sagt Tim Tuttle, CEO von MindMeld. Er zitiert eine VentureScanner-Studie, in der 910 KI-Unternehmen von März bis Oktober 2016 gezählt wurden, von denen sich mehr als die Hälfte auf tiefes Lernen / maschinelles Lernen und die Verarbeitung natürlicher Sprachen konzentrieren.

"Diese Kategorien gewinnen nicht nur zahlenmäßig, sondern sie haben auch die meisten Mittel in Höhe von 4,5 Milliarden US-Dollar erhalten", sagt Tuttle. „Mit der jüngsten Explosion des Interesses an Konversationsanwendungen gab es ein Missverhältnis zwischen Angebot und Nachfrage. Infolgedessen bleiben Fachexperten ein wertvolles Gut, bis Wissenschaft und Industrie die Gleichung wieder ins Gleichgewicht bringen können. “

Maschinelles Lernen

Als Form der künstlichen Intelligenz kann maschinelles Lernen riesige Datenmengen benötigen, um sehr schnell Muster wie die Gesichtserkennung zu finden und Probleme wie die Empfehlung eines Films zum Streamen zu lösen, ohne explizit dafür programmiert zu sein.

"Kognitive Technologien, die durch Bots und maschinelles Lernen unterstützt werden, werden einen Mehrwert schaffen, wenn Unternehmen versuchen, die" Signale im Lärm "zu finden", sagt Patrick Spedding, Senior Director für BI R & D bei Rocket Software. "Maschinelles Lernen basiert schließlich auf ausgereiften Analysefunktionen - früher bekannt als" Data Mining "-, die wirklich darauf gewartet haben, dass eine geeignete Plattform" konsumierbarer "wird."

Wie sollten Entwickler, die in das maschinelle Lernen expandieren möchten, Fähigkeiten in diesem Bereich entwickeln?

Abrams von Seven Peaks Ventures verweist auf eine hoch angesehene Online-Klasse: „Andrew Ngs wegweisender Kurs über maschinelles Lernen auf Coursera ist ein gutes Beispiel. Studenten, die seinen Kurs über Coursera belegten, schnitten bei Kaggle-Wettbewerben tatsächlich besser ab als einige langjährige Praktizierende. “

Nicht jeder Entwickler, der im Bereich maschinelles Lernen arbeitet, hat einen Hintergrund in der Informatik, obwohl dies hilfreich ist, sagt Solvvy CTO und Mitbegründer Mehdi Samadi, der sieht, dass einige Doktoranden ohne CS-Abschluss eingestellt und zum Ingenieur für maschinelles Lernen ausgebildet werden.

„Kernbeiträge im Bereich des maschinellen Lernens erfordern die Durchführung vieler Experimente unter Verwendung der realen Daten, die Beobachtung der Ergebnisse des Modells und die Verbesserung des Modells“, sagt er. „Ein CS-Abschluss oder ein technischer Kernhintergrund würde den Ingenieuren normalerweise zugute kommen, wenn sie ihre Arbeit erfolgreicher durchführen, um kontinuierlich Experimente durchführen und Modelle für maschinelles Lernen verbessern zu können.“

Datenwissenschaft

Data Science ist ein weiterer heißer Bereich, der multidisziplinäre Fähigkeiten erfordert, die je nach Branche unterschiedlich sind. Zu den Anforderungen können Erfahrungen mit maschinellem Lernen und KI gehören, um große Datenmengen zu erfassen und in eine Form zu bringen, die für Geschäftsentscheidungen verwendet werden kann.

"Qualifizierte Datenwissenschaftler sind Mangelware", sagt Spedding. "Insbesondere sehe ich Bereiche, in denen Technologie zur Unterstützung von Entscheidungen entwickelt werden kann, wie z. B. kognitive Bots und geführte Analysen, als Bereiche mit hohem Mehrwert."

Ein gründliches Verständnis von Wahrscheinlichkeit und Statistik ist der Schlüssel für diejenigen, die in diesem Bereich arbeiten möchten, sagt Gary Kazantsev, der die Gruppe für maschinelles Lernen bei Bloomberg leitet. „Fügen Sie einige technische Fähigkeiten hinzu, da die Notwendigkeit, Code zum Erstellen eines Systems schreiben zu müssen, niemals verschwinden wird. Mit dem Aufkommen von Tools wie TensorFlow- oder Jupyter-Notebooks wird dies jedoch auch viel einfacher. Sie benötigen auch gute Forschungsfähigkeiten, dh die Fähigkeit, eine Hypothese zu erstellen und zu testen, die aktuelle Literatur zu lesen und auf dem neuesten Stand zu bleiben. “

Gunter Ollmann, Chief Security Officer bei Vectra, sagt, dass Unternehmen derzeit Datenwissenschaftler getrennt von Ingenieur-, Forschungs- und Entwicklungsteams behandeln. Aber er glaubt nicht, dass dieser Ansatz von Dauer sein wird.

„Wenn sich die Tools für tiefes Lernen und maschinelles Lernen verbessern und Bootcamp-Schulungen besser in der Lage sind, leitende Ingenieure in der Datenwissenschaft auf den neuesten Stand zu bringen, wird die Trennung zwischen Datenwissenschaft und Ingenieurwesen verschwinden. Alle Ingenieure müssen gut in Mathe sein. Jetzt müssen sie auch die Mathematik der Datenwissenschaft beherrschen. Die Verschmelzung von Fähigkeiten und die Fähigkeit, beide Hämmer einzusetzen, werden in Zukunft obligatorisch sein. “

Blockchain

Diese Möglichkeit, ein verteiltes Hauptbuch für Transaktionen zu erstellen, bietet Vorteile in Bezug auf Transparenz und Sicherheit, obwohl ein Mangel an Standardisierung die Akzeptanz in allen Branchen verlangsamen kann.

Peter Loop, stellvertretender Vizepräsident und Haupttechnologiearchitekt bei Infosys, ist optimistisch in Bezug auf die Technologie: „Trotz falscher Vorstellungen, dass Blockchain Jahre entfernt ist, werden wir im nächsten Jahr vollständige Einsätze in der Finanzdienstleistungs-, Versicherungs- und Gesundheitsbranche sehen. Dies wird unsere Zahlungssysteme auf internationaler Ebene völlig stören. “

Andere aufstrebende Technologien haben eine steilere Lernkurve, sagt Robert Bardunias, Mitbegründer und Chief Revenue Officer von IRIS.TV, der von dem inhärenten unternehmerischen Fokus der Blockchain begeistert ist.

„Diese Technologien wachsen mit Blick auf reale betriebliche Geschäftsanwendungen ab dem Tag Null, sodass auf der Entwicklungsseite keine Notwendigkeit besteht, sich eine Fallanwendung vorzustellen. Sie finden in Echtzeit statt und wachsen“, sagt Bardunias. „Die wirklich überwältigende Herausforderung für diejenigen, die Fähigkeiten in diesen Bereichen entwickeln möchten, wird darin bestehen, mit neuen Entwicklungen und Entwicklungen Schritt zu halten. Ich erinnere mich, als ich sekundäre Entwicklungsfähigkeiten erlernte, das Lesen von Branchenwebsites - und Zeitschriften, es ist lange her - das Letzte war, was ich tun wollte, aber es ist ein echter Teil des heutigen Lernmixes als Entwickler, der bauen und bauen möchte Wettbewerbsvorteil auf dem Weltmarkt. “

Mesh-App- und Service-Architektur (MASA)

Die Nachfrage nach Apps, die nahtlos in Verbindung bleiben, wenn wir uns durch unser Zuhause bewegen, pendeln und arbeiten, wird zunehmend nachgefragt.

„Der Zweck eines Mesh-Netzwerks oder einer Mesh-App besteht darin, dass es hochverfügbar ist - alles ist mit allem verbunden“, sagt Joseph Carson von Thycotic. „Wenn der Pfad nicht verfügbar ist, findet er ein anderes Gerät, um die Verbindung herzustellen. Wir haben gesehen, dass dies beispielsweise bei den Tile-Tracker-Geräten verwendet wird, die eine Community von Tracking-Geräten geschaffen haben, und bei Bitcoin als verteiltem Hauptbuch. “

Einige sehen jedoch einen Mangel an Gerätekompatibilität als potenziellen Engpass an.

„Jeder Anbieter hat seine eigene Art, Vertrauen in dieses System zu schaffen. Es handelt sich also um ummauerte Gärten, wenn überhaupt,“ sagt Derek Collison, ehemals Cloud Foundry und CEO von Apcera.

Diese Technologie verspricht ein bisher undenkbares Maß an Vernetzung - wenn ein Mangel an Standards nicht im Weg steht.

"Mein größerer Gedanke hier ist, dass KI im Allgemeinen in der Cloud mit riesigen Datenmengen aller Benutzer trainiert wird", sagt Collison. „Diese Algorithmen werden dann kontinuierlich ihr Ausführungsmodell aktualisieren, das drahtlos an den Rand geliefert wird, und die Firmware auf Edge-Geräten wie unseren Telefonen, Autos und zu Hause aktualisieren. Die Verarbeitung erfolgt an den Rändern der Hardware. Das Training wird in der Cloud in Software stattfinden. “

Digitale Zwillinge: Bereiten Sie sich auf den Misserfolg vor

An physische und virtuelle Sensoren gebundene Softwaremodelle können dabei helfen, Produkt- oder Servicefehler vorherzusagen, sodass Unternehmen Ressourcen planen und zuweisen können, um Reparaturen durchzuführen, bevor der Fehler auftritt. Fortschritte beim maschinellen Lernen und die Einführung der IoT-Technologie tragen dazu bei, die Kosten für diese Art der prädiktiven „Digital Twin“ -Modellierung zu senken, wodurch die Effizienz gesteigert und die Betriebskosten beispielsweise über die Lebensdauer eines Strahltriebwerks oder eines Kraftwerks gesenkt werden können .

Laut Matias Woloski, CTO und Mitbegründer von Auth0, können Unternehmen in der Konzept- und Entwurfsphase auch digitale Zwillinge verwenden, neue Produkte in Simulationen testen und dann Änderungen vornehmen, bis die Ingenieure das gewünschte Produkt haben. Die Erkenntnisse aus dem digitalen Zwilling werden dann zur Herstellung des Produkts verwendet.

„Einige Unternehmen haben bereits Digital-Twin-Initiativen gestartet, obwohl die Hauptprojekte, die diese Technologie nutzen, diejenigen mit hohen Entwicklungskosten im Voraus sind, bei denen die Ausfallkosten zu hoch sind“, sagt Woloski.

Laut Paul Hofmann, CTO von SpaceTime Insight, profitieren digitale Zwillinge vom maschinellen Lernen, wodurch sie bei der Vorhersage von Fehlern effektiver sind als zustandsbasierte Modelle.

„Mit IoT- und maschinellen Lernsystemen können Unternehmen sicherstellen, dass ihre Ressourcen nicht zufällig ausfallen. Wenn sie ausfallen, können Unternehmen die Entscheidungsfindung in Echtzeit optimieren, um die beste langfristige Lösung zu finden.“

Autonome Fahrzeuge, Roboter und Geräte

Neue Möglichkeiten ergeben sich, wenn KI und maschinelles Lernen Heimgeräte, Industrieanlagen, Autos und Drohnen verschönern. Das Forschungsunternehmen Gartner schätzt, dass die Autohersteller bis 2020 61 Millionen datenverbundene Autos vom Band laufen lassen werden.

„In diesen Bereichen gibt es bereits ganze Volkswirtschaften“, sagt Vince Jeffs, Direktor für Strategie und Produktmarketing bei Pegasystems. „Zum Beispiel gibt es KI-Startups - und reifere Unternehmen -, die im autonomen Fahrzeugbereich bereits gut etabliert sind. Zum Beispiel ist MobileEye ein Unternehmen mit einer VC-Unterstützung von rund 500 Millionen US-Dollar, das sich auf die kleinen Kameras im gesamten Fahrzeug spezialisiert hat. Ebenso gibt es Geschäfte für physische Roboter - beispielsweise ist SoftBank Robotics auf Roboter spezialisiert, die in Hotels für Concierge eingesetzt werden. Sie haben ungefähr 250 Millionen US-Dollar an VC-Unterstützung. “