Wikipedia

Technologie DARQ

Technologie DARQ to Distributed Ledger Technology (DLT), Artificial Intelligence (AI), Extended Reality (XR) i Quantum Technology (QT)[1]. Te cztery innowacyjne technologie same w sobie są na czołowym miejscu w dziedzinie technologicznej, a ich zintegrowane wykorzystanie przewiduje znaczący wpływ na wiele różnych branż, w tym: finanse[2], opiekę zdrowotną[3], produkcję, podróże i turystykę, systemy zarządzania[4], technologie informacyjne i energię odnawialną[5].

Technologie

edytuj

Technologie DARQ to zintegrowane połączenie czterech przekształcających technologii, które oferują synergiczne efekty i nowe możliwości innowacji w różnych branżach. Te złączone technologie mają potencjał odblokowania nowatorskich rozwiązań, zwiększenia bezpieczeństwa, poprawienia wydajności, umożliwienia zaawansowanego rozwiązywania problemów oraz zapewnienia użytkownikom wciągających doświadczeń[2].

Technologia rozproszonego rejestru

edytuj

Technologia rozproszonego rejestru (Distributed Ledger Technology – DLT) odnosi się do architektury bazy danych rozproszonej w wielu lokalizacjach, krajach lub instytucjach[6]. Jako zdecentralizowany system, technologia Distributed Ledger Technology (Technologia rozproszonych rejestrów) umożliwia przechowywanie danych w sieci komputerów lub węzłów, zamiast w jednym centralnym miejscu. Dzięki temu zapewnia bezpieczne i transparentne transakcje, eliminując potrzebę polegania na pośrednikach[7]. DLT opiera się na algorytmach kryptograficznych, które gwarantują integralność i bezpieczeństwo przechowywanych danych[6].

DLT pełni również rolę podstawową w tworzeniu zasobów cyfrowych, takich jak kryptowaluty. Kryptowaluty są cyfrowymi lub wirtualnymi tokenami, które wykorzystują techniki kryptograficzne w celu zapewnienia bezpieczeństwa transakcji i są oparte na technologii rozproszonych rejestrów (DLT)[8]. Te zdecentralizowane waluty działają autonomicznie, bez konieczności udziału banków centralnych[7]. Dobrze znane przykłady kryptowalut to Cardano, Ethereum, Solana, Tron.

Sztuczna inteligencja

edytuj

Sztuczna inteligencja (Artificial Intelligence – AI) jest obszarem rozwoju systemów komputerowych zdolnych do wykonywania zadań, które tradycyjnie wymagają ludzkiej inteligencji, takich jak uczenie się, rozwiązywanie problemów i podejmowanie decyzji. Jest to szeroka dziedzina obejmująca wiele różnych technik i podejść, takich jak uczenie maszynowe, przetwarzanie języka naturalnego, widzenie komputerowe i robotyka. Sztuczna inteligencja ma na celu tworzenie inteligentnych systemów, które są zdolne do analizowania danych, wykrywania wzorców, podejmowania autonomicznych decyzji i dostosowywania się do zmieniających się warunków.

Model dużego języka (LLM), to model głębokiego uczenia, który zawiera szeroki zakres parametrów i pojawił się około 2018 roku. Od tego czasu, znalazł zastosowanie w różnych dziedzinach, włączając przetwarzanie języka naturalnego, opiekę zdrowotną[9][10], chemię[11], badania akademickie[12] i rozwój oprogramowania[13]. Modele te są trenowane przy użyciu metod bez nadzoru na ogromnych ilościach danych tekstowych[14].

Rzeczywistość rozszerzona

edytuj

Rzeczywistość rozszerzona (Extended Reality – XR) to termin używany do opisania szerokiego zakresu technologii, które dostarczają zaangażowanych i interaktywnych doświadczeń, przekraczających możliwości tradycyjnych ekranów i interfejsów. Technologie te obejmują rzeczywistość wirtualną (VR), rzeczywistość rozszerzoną (AR), rzeczywistość mieszaną (MR) i inne powiązane technologie.

Jednym z wyjątkowych zastosowań technologii XR jest metawersum. Termin ten odnosi się do zbiorowej wirtualnej przestrzeni, w której użytkownicy mogą interakcjonować ze sobą i obiektami cyfrowymi w czasie rzeczywistym, tworząc nową formę połączonej rzeczywistości. Metawersum można postrzegać jako ogromny, trwały i dynamiczny wirtualny wszechświat, który istnieje równolegle do naszego świata fizycznego[15].

Technologia kwantowa

edytuj

Technologia kwantowa (Quantum Technology – QT) to rodzaj technologii opartej na zasadach mechaniki kwantowej, która opisuje zachowanie materii i energii na poziomie atomowym i subatomowym. Wykorzystuje ona unikalne właściwości układów kwantowych, takie jak superpozycja i splątanie, do przeprowadzania skomplikowanych obliczeń i operacji wykraczających poza możliwości komputerów klasycznych. Firma Honeywell szacuje, że wartość technologii kwantowej może sięgnąć niewyobrażalnych 1 biliona dolarów w ciągu kolejnych trzech dekad. To podkreśla ogromny potencjał dla badaczy, inwestorów oraz naukowe i ekonomiczne znaczenie tego nowatorskiego obszaru[1]. Scheidsteger i inni[3] dokonują szerokiej kategoryzacji QT 2.0, dzieląc je na cztery dziedziny. Ważne jest jednak zauważenie, że choć te dziedziny mają znaczące nakładanie się, nie obejmują wszystkich potencjalnych technologii kwantowych[4].

Połączenia technologii DARQ

edytuj

DLT AI

edytuj

Konwergencja technologii rozproszonego rejestru (DLT) i sztucznej inteligencji (AI) jest dynamicznie rozwijającym się obszarem badań i rozwoju. Połączenie tych dwóch technologii niesie za sobą ogromny potencjał tworzenia innowacyjnych aplikacji i usług, które są bezpieczniejsze, bardziej transparentne i efektywne niż tradycyjne systemy. Na DLT ma wpływ sztuczna inteligencja, koncentrująca się na algorytmach konsensusu opartych na sztucznej inteligencji, bezpieczeństwie inteligentnych kontraktów, zdecentralizowanej koordynacji, uczciwości DLT, niezamiennych tokenach (NFT), zdecentralizowanych finansach, zdecentralizowanych organizacjach autonomicznych (DAO) oraz wielu innych[16].

Quantum AI

edytuj

Model języka kwantowego (QLM) to nowatorski model językowy oparty na zasadach kwantowej teorii prawdopodobieństwa, która służy do opisu zachowania układów kwantowych. QLM jest stochastycznym modelem, który wykorzystuje korelacje kwantowe wynikające z interferencji i splątania. Jest to nowe podejście do budowy modeli językowych, które w ostatnich latach było przedmiotem badań w społeczności zajmującej się przetwarzaniem języka naturalnego (NLP). QLM stanowi eksperymentalne badanie konceptualne, którego celem jest ukazanie potencjału tego podejścia, a nie budowanie kompletnych aplikacji do rozwiązywania problemów z modelowaniem języka w dowolnym środowisku[17].

Kwantowe przetwarzanie języka naturalnego (QNLP) to stosowanie obliczeń kwantowych w celu przetwarzania języka naturalnego (NLP). Wykorzystuje ono zjawiska takie jak superpozycja, splątanie i interferencja, aby uruchamiać modele NLP lub wykonywać zadania związane z językiem na sprzęcie kwantowym. W QNLP, słowa są osadzane jako sparametryzowane obwody kwantowe, które mogą efektywnie rozwiązywać zadania NLP szybciej niż tradycyjne komputery klasyczne[18].

Podejście oparte na kwantowej funkcji fal wielu ciał (QMWF) do modelowania języka ma na celu rozwiązanie ograniczeń obecnych w modelach językowych inspirowanych mechaniką kwantową (QLM) w zakresie modelowania wieloznaczności interakcji między słowami oraz integracji z sieciami neuronowymi[19].

Przypisy

edytuj
  1. ↑ a b The post-digital era is upon us: Are you ready for what’s next. Accenture Technology Vision 2019. [dostęp 2021-02-22].
  2. ↑ a b Gigante, G, Zago, A. DARQ technologies in the financial sector: artificial intelligence applications in personalized banking. „Qualitative Research in Financial Markets”. 15 (1), s. 29–57, 2023. DOI: 10.1108/QRFM-02-2021-0025. 
  3. ↑ a b Accenture has a DARQ vision of healthcare’s ‘post-digital’ era [online], Healthcare IT News, 12 czerwca 2019 [dostęp 2023-06-20] (ang.).
  4. ↑ a b J. Kisielnicki. DARQ technology as a digital transformation strategy in terms of global crises. „Journal Name”. 19 (3 (93)), s. 150–167, 2021. 
  5. ↑ R. Manoharan. The Applied Energy Systems Enacting the Ever Green Energy for our planet: Confluence of DARQ Technologies. „SPAST Abstracts”. 1 (01), s. 1, 2021. 
  6. ↑ a b Sri Nikhil Gupta Gourisetti. Standardization of the Distributed Ledger Technology cybersecurity stack for power and energy applications. „Sustainable Energy, Grids and Networks”. 28, s. 100553, 2021. DOI: 10.1016/j.segan.2021.100553. ISSN 2352-4677. 
  7. ↑ a b E.C. Silva. Research contributions and challenges in DLT-based cryptocurrency regulation: a systematic mapping study. „Journal of Banking and Financial Technology”. 6, s. 63–82, 2022. 
  8. ↑ A. Ferreira. Cryptocurrencies, DLT and Crypto Assets – the Road to Regulatory Recognition in Europe. „Forthcoming in: Handbook on Blockchain”, 2021. DOI: 10.2139/ssrn.3891401. 
  9. ↑ M. Sallam. ChatGPT Utility in Healthcare Education, Research, and Practice: Systematic Review on the Promising Perspectives and Valid Concerns. „Healthcare”. 11 (6), s. 887, 2023. DOI: 10.3390/healthcare11060887. 
  10. ↑ M. Cascella. Evaluating the Feasibility of ChatGPT in Healthcare: An Analysis of Multiple Clinical and Research Scenarios. „J Med Syst”. 47 (33), 2023. DOI: 10.1007/s10916-023-01925-4. 
  11. ↑ A.D. White. The future of chemistry is language. „Nature Reviews Chemistry”, s. 1–2, 2023. 
  12. ↑ Md. Mizanur Rahman. ChatGPT and Academic Research: A Review and Recommendations Based on Practical Examples. „Journal of Education, Management and Development Studies”. 3 (1), s. 1–12, 2023. DOI: 10.52631/jemds.v3i1.175. 
  13. ↑ Steven I. Ross i inni, The Programmer’s Assistant: Conversational Interaction with a Large Language Model for Software Development, „Proceedings of the 28th International Conference on Intelligent User Interfaces”, New York, NY, USA: ACM, 2023, s. 491–514, DOI: 10.1145/3581641.3584037 [dostęp 2023-06-20].
  14. ↑ A. Birhane. Science in the age of large language models. „Nat. Rev. Phys.”. 5, s. 277–280, 2023. 
  15. ↑ Georg David Ritterbusch. Defining the Metaverse: A Systematic Literature Review. „IEEE Access”. 11, s. 12368–12377, 2023. DOI: 10.1109/ACCESS.2023.3241809. ISSN 2169-3536. 
  16. ↑ J.S. Bellagarda. An updated survey on the convergence of distributed ledger technology and artificial intelligence: Current state major challenges and future direction. „IEEE Access”. 10, s. 50774–50793, 2022. 
  17. ↑ Ivano Basile, Fabio Tamburini, Towards Quantum Language Models, „Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing”, Copenhagen, Denmark: Association for Computational Linguistics, 2017, s. 1840–1849, DOI: 10.18653/v1/D17-1196 [dostęp 2023-06-20].
  18. ↑ Srinjoy Ganguly, Sai Nandan Morapakula, Luis Miguel Pozo Coronado, Quantum Natural Language Processing Based Sentiment Analysis Using Lambeq Toolkit, „2022 Second International Conference on Power, Control and Computing Technologies (ICPC2T)”, IEEE, 2022, DOI: 10.1109/icpc2t53885.2022.9776836.
  19. ↑ Peng Zhang i inni, A Quantum Many-body Wave Function Inspired Language Modeling Approach, „Proceedings of the 27th ACM International Conference on Information and Knowledge Management”, 2018, s. 1303–1312, DOI: 10.1145/3269206.3271723 [dostęp 2023-06-20] (ang.).
Źródło: „https://pl.wikipedia.org/w/index.php?title=Technologie_DARQ&oldid=74166870”