Crypto Database

计算机科学家多年来使用的“构建模型，从其他所有内容中抽象出来，然后继续使用它”的标准程序在未来将不再足够。模型背后的假设始终是它足够详细地反映现实。但物理世界和数字世界越紧密地结合在一起，这一点就越不真实。网络物理系统的初步经验表明，计算机科学家在处理这一事实时遇到了问题。他们几乎本能地构建了更复杂的模型来更详细地表示现实。

这将创建一个始终能够检测到更多异常的系统。它们的创建者没有意识到，在这个例外的背后隐藏着系统尚未考虑到的无数种可能性。目前可以观察到两个发展：一方面，信息系统的系统边界在各个角落都在磨损。这方面的例子包括具有所有功能的业务管理系统（ERP/企业资源规划）。另一方面，有些系统根本不再移动并且与数字化失去联系。它们退化为无聊的后端解决方案。

计算机科学模型与现实生活之间的这种差异显示了数字化转型的局限性。专家们有一些想法可以如何控制这个问题。这些想法是否成功仍不清楚。

从自学习系统到人工智能
您可能知道，算法可以识别大量数据中的模式。他们通过观察专家的工作 商业地产所有者数据库 或与自己竞争来学习。所有这些都会导致系统在其限制范围内取得更好的结果。当跨越这个限制时，这些方法没有帮助。不可预测的东西是无法训练的，正如您在下面的小示例中看到的那样：基于数十万张图像，开发人员可以训练一种算法来区分猫和狗。鼠标的单个图像会导致系统停止工作。

专家们正在强人工智能的概念中寻找解决方案。其背后的想法是建立一个智力水平与人类相当甚至超过人类的系统。强大的人工智能不再只是被动地行动，而是主动行动。但事实上，并不存在所谓的强人工智能。到目前为止，研究人员还没有接近具有这种功能的系统。因此，在可预见的未来，这一讨论可能会引起哲学家而不是计算机科学家的关注。

此时此刻，专家们的第一步应该是了解现实世界的一部分将始终处于信息系统之外。必须清楚的是，在可观察到的混乱背后，例外多于规则。痛苦的学习过程。开发人员之前在他们创建的系统中赋予了可能性的无所不能的感觉正在被对未知事物的尊重和谦逊所取代。

模型几乎无法再捕捉现实
现实无法被充分且完整地建模。我们想告诉您以下信息： 现在，在现实世界和数字世界之间的边界设计新系统非常重要。专家们不应该带着包罗万象的解决方案的理想进入开发过程，而应该带着精益创业运动中已知的最小可行产品的概念。这是产品或服务的第一个最低功能变体。它的开发是为了以最小的努力满足客户的需求。在实际使用过程中，开发人员收集有关部署场景、用例和问题的数据。这使您可以缩小可以数字化和不能数字化的范围。