11 teknologi yang harus dieksplorasi pengembang sekarang

Teknologi baru dan berkembang dengan cepat membentuk kembali cara kami bekerja — menawarkan peluang kreatif bagi pengembang yang mau berputar dan mengadopsi keterampilan baru. Kami melihat 11 tren teknologi yang menurut para ahli kemungkinan akan mengganggu pendekatan TI saat ini dan menciptakan permintaan untuk para insinyur dengan memperhatikan masa depan.

Ini bukan tentang The Next Big Thing. Peluang masa depan bagi pengembang muncul dari pertemuan teknologi mutakhir, seperti AI, VR. augmented reality, IoT, dan teknologi cloud ... dan, tentu saja, menangani masalah keamanan yang berkembang dari konvergensi ini.

Jika Anda tertarik untuk memperluas toolkit pengembang Anda, lihat domain yang lagi ngetren ini — dan kiat kami tentang cara maju dengan memulai.

Keamanan Internet of Things

Setelah puluhan juta perangkat yang terhubung dibajak tahun lalu, bahkan pengamat biasa dapat melihat bahwa perangkat IoT yang tidak terlindungi menciptakan masalah keamanan yang mengerikan.

Laporan terbaru dari firma riset Gartner merekomendasikan pengembang dan tim keamanan bekerja sama di awal proses desain untuk memastikan ancaman baru dapat diatasi saat muncul — misalnya, dengan menyediakan kemampuan perangkat IoT untuk mengunduh pembaruan keamanan.

Permintaan tinggi untuk teknisi dengan keterampilan keamanan IoT, terutama mereka yang memahami kerentanan perangkat keras dan perangkat lunak yang digunakan oleh perangkat yang terhubung ke internet.

"Vektor serangan di IoT sebagian besar identik dengan yang ada di jaringan terdistribusi lainnya, seperti komputer atau ponsel, jadi pengetahuan keamanan yang sama relevan dan penting," kata Richard Whitney, wakil presiden produk di Partikel startup IoT. “Pelajari dasar-dasar kripto dan otentikasi, dan Anda akan segera siap.”

Tom Gonser, pendiri DocuSign dan mitra di Seven Peaks Ventures, mengatakan perusahaan membutuhkan keterampilan dalam pemrograman tingkat rendah untuk mikroprosesor. “Mereka juga menginginkan pengalaman RF dengan Bluetooth, [Windows Identity Foundation], dan komponen spektrum tersebar. Opsi keamanan Linux terdepan, terutama dioptimalkan untuk kernel kecil seperti Qubes OS, juga berharga. ”

Matt Abrams, mitra di Seven Peaks Ventures bersama Gonser, menyarankan untuk berfokus pada "memahami alur kerja dan cara menganggu alur kerja tersebut. Kriptografi komputasi pascakuantum juga datang lebih cepat dari yang diperkirakan. Mereka juga harus memahami privasi diferensial dan jaringan permusuhan. "

Kecerdasan buatan

Saat kami mempersiapkan gelombang kendaraan otonom berikutnya, robot, dan elektronik pintar, permintaan akan insinyur yang paham AI meledak.

“Kami sekarang berada di titik kritis sebagian besar karena kemajuan dalam komputasi di mana-mana, layanan cloud berbiaya rendah, dan penyimpanan yang hampir tidak terbatas,” kata Nicola Morini-Bianzino, direktur pelaksana senior dan pimpinan kecerdasan buatan di Accenture. “AI dibangun ke dalam segala hal.”

Morini-Bianzino melihat permintaan untuk "insinyur perangkat lunak, ahli teknologi, dan ilmuwan penelitian dengan terjemahan bahasa, pengenalan suara, visi komputer, robotika, pemrosesan bahasa alami, representasi pengetahuan, dan keahlian penalaran. AI ... memberi makan data, jadi kurator konten dan data, ilmuwan data, dan pakar analitik juga penting. ”

VP pemasaran Treasure Data Kiyoto Tamura membayangkan AI bergerak dari operasi yang sangat spesifik dan biasa ke aplikasi yang lebih luas — dan lebih menarik —.

“Dulu, lebih seperti, 'Temukan rute yang optimal untuk pengiriman paket… atau situs web yang paling relevan untuk kueri penelusuran.' Sekarang, kita mulai melihat, 'Mainkan permainan Go dengan sangat baik; mengendarai mobil dengan aman, 'dll. Semua ini keren, tetapi manusia masih perlu memasukkan fungsi objektif ke komputer, dan setidaknya untuk saat ini, ini akan menjadi masalahnya. ”

Ilmuwan data, peneliti pembelajaran mesin, dan ahli bahasa komputasi semakin dicari, kata CEO MindMeld Tim Tuttle. Dia mengutip studi VentureScanner yang menghitung 910 perusahaan AI yang muncul dari Maret hingga Oktober 2016, lebih dari setengahnya berfokus pada pembelajaran mendalam / pembelajaran mesin dan pemrosesan bahasa alami.

“Tidak hanya kategori ini menang dalam jumlah, tetapi mereka juga menerima dana paling banyak, hingga $ 4,5 miliar,” kata Tuttle. “Dengan ledakan minat dalam aplikasi percakapan baru-baru ini, telah terjadi ketidaksesuaian antara penawaran dan permintaan. Akibatnya, ahli materi pelajaran akan tetap menjadi komoditas yang berharga sampai akademisi dan industri dapat menyeimbangkan kembali persamaan tersebut. "

Pembelajaran mesin

Sebagai bentuk kecerdasan buatan, pembelajaran mesin dapat mengambil data dalam jumlah besar untuk menemukan pola dengan sangat cepat — seperti pengenalan wajah — dan memecahkan masalah, seperti merekomendasikan streaming film, tanpa diprogram secara eksplisit untuk melakukannya.

“Teknologi kognitif, dengan bantuan bot dan pembelajaran mesin, akan mulai menambah nilai seiring dengan upaya organisasi untuk menemukan 'sinyal dalam kebisingan,'” kata Patrick Spedding, direktur senior R&D BI untuk Rocket Software. “Pembelajaran mesin, bagaimanapun, didasarkan pada kemampuan analitik yang matang — sebelumnya dikenal sebagai 'data mining' — yang benar-benar telah menunggu platform yang sesuai untuk menjadi lebih 'dapat dikonsumsi'.”

Bagaimana cara developer yang ingin memperluas ke pembelajaran mesin mengembangkan keterampilan di area ini?

Abrams, dari Seven Peaks Ventures, menunjuk ke kelas online yang sangat dihormati: “Kursus penting Andrew Ng tentang pembelajaran mesin di Coursera adalah contoh yang bagus. Siswa yang mengikuti kursusnya melalui Coursera sebenarnya tampil lebih baik di kompetisi Kaggle daripada beberapa praktisi lama. ”

Tidak setiap pengembang yang bekerja dalam pembelajaran mesin berasal dari latar belakang ilmu komputer, meskipun itu membantu, kata Solvvy CTO dan salah satu pendiri Mehdi Samadi, yang melihat beberapa Ph.D tanpa gelar Ilmu Komputer direkrut dan dilatih untuk menjadi insinyur pembelajaran mesin.

“Kontribusi inti di bidang machine learning membutuhkan banyak eksperimen yang menggunakan data nyata, mengamati dari hasil model, dan menyempurnakan model,” ujarnya. “Memiliki gelar CS atau latar belakang teknik inti biasanya akan menguntungkan teknisi untuk lebih berhasil dalam pekerjaannya agar dapat terus menjalankan eksperimen dan meningkatkan model pembelajaran mesin.”

Ilmu data

Ilmu data adalah bidang panas lainnya, membutuhkan keterampilan multidisiplin yang bervariasi menurut industri. Persyaratan dapat mencakup pengalaman dengan pembelajaran mesin dan AI untuk mengambil data dalam jumlah besar dan membentuknya dalam bentuk yang dapat digunakan untuk membuat keputusan bisnis.

"Data scientist yang terampil kekurangan persediaan, titik," kata Spedding. “Secara khusus, saya melihat area di mana teknologi dapat dirancang untuk 'membantu' keputusan, seperti bot kognitif dan analitik terpandu, menjadi area peluang dengan nilai tambah yang tinggi.”

Pemahaman menyeluruh tentang probabilitas dan statistik adalah kunci bagi mereka yang ingin bekerja di bidang ini, kata Gary Kazantsev, yang mengepalai grup pembelajaran mesin di Bloomberg. “Tambahkan beberapa keahlian teknik, karena kebutuhan untuk mampu menulis beberapa kode untuk membangun sistem tidak akan pernah hilang, meskipun dengan munculnya alat seperti notebook TensorFlow atau Jupyter, ini juga menjadi jauh lebih mudah. Mereka juga membutuhkan keterampilan penelitian yang baik — yaitu, kemampuan untuk membentuk hipotesis dan mengujinya, membaca literatur terkini, dan mengikuti perkembangan. ”

Gunter Ollmann, kepala petugas keamanan di Vectra, mengatakan dia saat ini melihat perusahaan memperlakukan ilmuwan data secara terpisah dari tim teknik dan penelitian dan pengembangan. Tapi dia tidak berpikir pendekatan itu akan bertahan.

“Saat alat pembelajaran mendalam dan pembelajaran mesin meningkat, dan kursus pelatihan kamp pelatihan menjadi lebih mahir dalam membawa insinyur senior dengan kecepatan dalam ilmu data, pembagian antara ilmu data dan teknik akan menghilang. Semua insinyur harus pandai matematika. Sekarang mereka juga perlu menguasai matematika ilmu data. Ke depan, perpaduan rangkaian keterampilan dan kemampuan untuk menggunakan kedua palu akan menjadi hal yang wajib. "

Blockchain

Ini berarti membuat buku besar terdistribusi untuk transaksi menawarkan manfaat dalam transparansi dan keamanan, meskipun kurangnya standarisasi dapat memperlambat penerapannya di berbagai industri.

Peter Loop, wakil presiden asosiasi dan arsitek teknologi utama di Infosys, bersikap optimis pada teknologi: “Meskipun kesalahpahaman bahwa blockchain tinggal bertahun-tahun lagi, kita akan melihat penerapan penuh dalam industri layanan keuangan, asuransi, dan perawatan kesehatan tahun depan. Ini benar-benar akan mengganggu sistem pembayaran kami dalam skala internasional. ”

Teknologi baru lainnya memiliki kurva pembelajaran yang lebih curam, kata Robert Bardunias, salah satu pendiri dan kepala pendapatan IRIS.TV, yang bersemangat dengan fokus kewirausahaan yang melekat pada blockchain.

“Teknologi ini tumbuh dengan aplikasi bisnis operasional nyata dalam pikiran dari hari ke nol, jadi tidak perlu di sisi pengembangan untuk mencoba membayangkan penggunaan kasus — mereka terjadi dan tumbuh secara real time,” kata Bardunias. “Tantangan nyata yang sangat besar bagi mereka yang ingin mengembangkan keterampilan di bidang ini adalah bagaimana mengikuti perkembangan dan evolusi baru. Saya ingat ketika saya mempelajari keterampilan pengembangan sekunder, membaca situs web perdagangan industri — dan majalah, sudah lama sekali — adalah hal terakhir yang ingin saya lakukan, tetapi ini adalah bagian nyata dari campuran pembelajaran hari ini sebagai pengembang yang ingin membangun dan mempertahankan keunggulan kompetitif di pasar global. "

Aplikasi Mesh dan arsitektur layanan (MASA)

Permintaan akan aplikasi yang tetap terhubung dengan lancar saat kita bepergian ke rumah, perjalanan, dan kantor semakin diminati.

“Tujuan dari jaringan atau aplikasi mesh adalah agar ketersediaannya tinggi — semuanya terhubung ke segalanya,” kata Joseph Carson dari Thycotic. “Jika jalur tidak tersedia, itu akan mencari perangkat lain untuk membuat koneksi. Kami telah melihat ini digunakan misalnya dengan perangkat pelacak Ubin, yang telah menciptakan komunitas perangkat pelacak, dan dengan bitcoin menjadi buku besar yang didistribusikan. ”

Tetapi beberapa orang melihat kurangnya kompatibilitas perangkat sebagai potensi hambatan.

“Setiap vendor memiliki cara mereka sendiri untuk mencoba mendorong kepercayaan ke dalam sistem ini, jadi mereka semua adalah taman bertembok, bahkan jika memang ada,” kata Derek Collison, mantan Cloud Foundry dan CEO Apcera.

Teknologi ini menjanjikan tingkat keterhubungan yang sebelumnya tidak terpikirkan — jika kurangnya standar tidak menghalangi.

“Pemikiran saya yang lebih besar di sini adalah bahwa AI umumnya akan dilatih di cloud dengan data dalam jumlah besar dari semua pengguna,” kata Collison. “Algoritme ini kemudian akan terus memperbarui model eksekusinya, yang akan dikirim ke edge melalui udara dan memperbarui firmware di perangkat edge seperti ponsel, mobil, dan rumah kami. Pemrosesan akan terjadi di bagian tepi dalam perangkat keras; pelatihan akan dilakukan di cloud dalam perangkat lunak. "

Kembar digital: Bersiaplah untuk gagal

Model perangkat lunak yang dikaitkan dengan sensor fisik dan virtual dapat membantu memprediksi kegagalan produk atau layanan sehingga organisasi dapat merencanakan dan menetapkan sumber daya untuk melakukan perbaikan sebelum kegagalan terjadi. Kemajuan dalam pembelajaran mesin dan adopsi teknologi IoT membantu menurunkan biaya untuk pemodelan "kembar digital" prediktif semacam ini, yang meningkatkan efisiensi dan dapat menurunkan biaya pengoperasian selama masa pakai, misalnya, mesin jet atau pembangkit listrik .

Matias Woloski, CTO dan salah satu pendiri Auth0, mengatakan perusahaan juga dapat menggunakan digital twins dalam tahap konsep dan desain, menguji produk baru dalam simulasi, kemudian melakukan perubahan hingga teknisi memiliki produk yang diinginkan. Temuan dari digital twin kemudian digunakan untuk membangun produk tersebut.

“Beberapa organisasi telah meluncurkan inisiatif digital-twin, meskipun proyek utama yang memanfaatkan teknologi ini adalah proyek dengan biaya pengembangan dimuka yang besar di mana biaya kegagalan terlalu tinggi,” kata Woloski.

CTO SpaceTime Insight, Paul Hofmann, mengatakan bahwa si kembar digital mendapat manfaat dari pembelajaran mesin, membuatnya lebih efektif daripada model berbasis kondisi dalam memprediksi kegagalan.

“IoT dan sistem pembelajaran mesin memungkinkan organisasi untuk memastikan bahwa asetnya tidak gagal secara acak, dan jika gagal, maka organisasi dapat mengoptimalkan pengambilan keputusan waktu nyata untuk solusi jangka panjang terbaik.“

Kendaraan otonom, robot, dan peralatan

Peluang baru terlihat berkembang saat AI dan pembelajaran mesin menyempurnakan perangkat rumah, peralatan industri, mobil, dan drone. Perusahaan riset Gartner memperkirakan bahwa pada tahun 2020, pembuat mobil akan mengirim 61 juta mobil yang terhubung dengan data keluar dari jalur produksi.

“Ada seluruh perekonomian yang sudah berkembang di area ini,” kata Vince Jeffs, direktur strategi dan pemasaran produk di Pegasystems. “Misalnya, ada startup AI — dan perusahaan yang lebih matang — yang sudah mapan di ruang kendaraan otonom. Misalnya, MobileEye adalah perusahaan dengan dukungan VC sekitar $ 500 juta yang berspesialisasi dalam kamera kecil di seluruh kendaraan. Demikian pula, ada toko untuk robot fisik — misalnya, SoftBank Robotics mengkhususkan diri pada robot yang digunakan di hotel untuk petugas. Mereka memiliki sekitar $ 250 juta dalam bentuk dukungan VC. ”