新技术和日新月异技术正在快速重构我们如何为愿意分心和接受新技能开发者提供创造机会11位技术趋势专家表示, 极有可能干扰当前IT方法并产生工程师需求并关注未来
问题不全 关于下大事件开发者未来的机会正从前沿技术汇合中产生,如AIVR增强现实化IoT云技术并处理安全问题 从这些汇合
如果你有兴趣扩展开发者工具箱, 检查这些趋势域-和我们关于如何从中开始前行的小技巧
物联网安全
数以千万计连通设备去年被劫持后, 即使是偶发观察家都能看到无防护IoT设备会制造恶梦安全问题
最近发音研究公司Gartner报告开发者安全团队在设计过程初期协同工作,确保新威胁一上传即处理-例如提供IoT设备下载安全更新的能力
高需求工程师IoT安全技能,特别是那些理解网络连接设备使用硬件和软件漏洞者
IoT攻击矢量与任何其他分布式网络基本相同,如计算机或手机等,所以同样的安全知识相关和关键, Richard Whitney说,IoT启动粒子产品副总裁研究密码认证基础 并顺利上路
Tom Gonser DocuSign创建人和七峰风险公司合伙人表示公司需要微处理器低级编程技能并传播频谱组件前沿Linux安全选项, 特别优化像QubesOS这样的小内核, 也很值钱。”
Matt Abrams与Gonser合作七峰风险公司伙伴建议聚焦于“理解工作流并如何打乱工作流”。后数计算密码器的传输速度快于人们预期并理解差分隐私和对立网络
人工智能
准备下一波自控飞行器、机器人和智能电子技术时, 对AI-Savvy工程师的需求正在爆炸
高管Nicola Morini-Bianzino表示道, 高管和人工智能AccentureAI建入一切
Morini-Bianzino看到对软件工程师、技术员和研究科学家的需求,这些科学家有语言翻译、语音识别、计算机视觉、机器人学、自然语言处理、知识表示和推理学知识AI数据存储器 数据科学家分析专家 也是关键
宝库数据营销KiyotoTamuraVP设想AI从非常具体和普通操作转向广度和更多刺激应用
更像是 寻找最优发包路线 或最相关网站搜索查询安全驾驶车等这一切很酷,但人仍然需要向计算机输入目标函数,至少目前情况将如此。”
数据科学家、机器学习研究者 计算语言学者 日益探索MindMeldCEE Tim TuttleVentureScanner研究计数910AI公司从2016年3月至10月兴建,其中一半以上侧重于深学习/机器学习和自然语言处理
塔特尔表示:「不单这些类别在数目上取胜,最近对聊天应用兴趣暴增 供求不匹配主题专家将保持贵重商品 直到学术界和业界重平衡方程
机器学习
人造智能和机器学习形式 需要大量数据快速查找模式-像面部识别-并解决问题,如推荐电影流出,而没有明文编程
由机器人学习帮助的认知技术将开始增加值, 组织努力寻找`噪声信号',machine学习归根结底基于成熟解析能力-原称数据挖掘-这些能力一直等待合适的平台变得更为可计算性
开发者想扩展为机器学习应如何开发此领域技能
7峰创业组织Abrams指向高度受人视线类:“Andrew Ng基础课程机器学习Coursera举个大例学生通过Coursera学习实战Kagle比赛比一些长时从业者。”
并非所有开发商都从计算机科学背景学习,尽管它有帮助,Solvy CTO和共同创建者Mehdi Samadi说,他们看到一些没有CS学位的博士学习成为机器工程师
机器学习领域的核心贡献需要使用实数据进行大量实验,观察模型结果并改进模型拥有CS学位或核心工程背景通常有利于工程师更成功工作,以便能够持续运行实验并改进机器学习模型
数据科学
数据科学是另一个热点领域,需要多科技能因行业而异需求可包括机器学习经验,AI取大量数据并编成可用于商业决策的形式
技能数据科学家短时提供,Speding表示具体地说,我看到技术设计领域 帮助决策,如认知机解析
Gary Kazantsev表示, 深入理解概率和统计对想在这个领域工作者至关重要,添加工程技巧, 需要写出代码来构建系统 永不消失, 虽然随着TensorFlow或Jupyter笔记本机等工具的出现,需要良好的研究技巧-即编程测试能力,阅读当前文献并保持更新
Gunter Ollmann,Vectra安全主管表示,他目前看到公司将数据科学家与工程研发团队分治但他不认为方法会持久
深入学习机学习工具提高, 训练营训练课程更精通提高高级工程师数据科学速度, 数据科学与工程分治将消失所有工程师都需精于数学现在他们需要同时学习数据科学数学技能集集和双锤能力联动将强制向前推进。”
块链
创建分布式交易分类账可提高透明度和安全性,尽管缺乏标准化可能会延缓跨大行业的推广速度。
Peter Loop副总裁兼Infosys首席技术架构师在技术上表现粗鲁:这会完全打乱支付系统
新建技术高超学习曲线 Robert Bardunias说,IRIS.TV的共同创建者兼首席税务官IRIS.TV为块链固有创业焦点而兴奋
开发方面无需想象案例使用-即时发生并增长/bardnias表示真正压倒性挑战将是如何跟上新进进化记得我学习二次开发技巧时, 阅读行业贸易网站-杂志-很久前-这是我最不想做的事, 但它是今天学习组合中真正的一部分- 开发者寻找构建并维护全球市场竞争优势。
网状应用服务架构
需求无缝连接 当我们走遍家门 通勤和工作
esh网络或ato的目的是高可用性-一切连接到一切-Tyctom Joseph Carson如果路径不可用,它会寻找另一设备建立连接并使用比特币分布式分类账
但有些人视设备不兼容为潜在的瓶颈
iblison前Cloud Foundry和CEOAPCLELA说 :
技术预示着前所无法想象的连通度-如果缺少标准不阻塞路面
Cloison表示:「我在这里更大的思想是AI一般会接受云培训,并更新边缘设备如手机、汽车和家用处理会发生在硬件边缘训练将在云软件中发生。”
数字双胞胎:准备失败
软件模型与物理传感器和虚拟传感器绑定可帮助预测产品或服务故障,以便各组织能够在故障发生前规划并分配资源修复机器学习进步和IoT技术的采用有助于降低预测性双机建模成本,提高效率并可在喷气机或电厂使用寿命期间降低运营成本
Matias Woloski,CTO和Auth0的共同创建者表示公司也可以使用数字双生子概念设计阶段,测试新产品模拟,然后修改直到工程师得到他们想要的产品数字双组发现后用于构建产品
少数组织已启动数字双赢创举,
SpaceTime InsightCTO PaulHofmann表示数字双生从机器学习中得益,使其比条件模型预测故障更加有效
iot和机器学习系统允许组织确保其资产不随机失效,如果失败,则组织可优化实时决策实现最佳长期解决方案
自主车辆、机器人和电机
开发新契机被视为AI和机器智能化家庭设备、工业设备、汽车和无人机研究公司Gartner估计,到2020年,汽车制造者将发送6100万辆数据连接汽车离生产线
Vince Jeffs 主管Pegasystems策略和产品营销举个例子,有AI创业企业-和成熟公司-已完全建立自主飞行器空间MobileEye公司拥有约5亿美元VC支持,类似地,有物理机器人商店-例如SoftBank机器人专业约2.5亿越共支持