Smarta enheter, ett sammanhållet system, en ljusare framtid

I samarbete med Dell Technologies

Om du behöver en anledning att må bra om riktningen tekniken går, leta upp Dell Technologies CTO John Roese på Twitter. Handtaget han komponerade redan 2006 är @theICToptimist. IKT står för information och kommunikation.

Det här podcastavsnittet producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den producerades inte av MIT Technology Reviews redaktion.

Anledningen till den förkortningen var för att jag var fast övertygad om att framtiden inte handlade om informationsteknologi och kommunikationsteknik oberoende, säger Roese, VD och teknisk chef för produkter och verksamhet på Dell Technologies. Det handlade om att de kom ihop.

Nästan två decennier senare är det svårt att inte kalla honom rätt. Organisationer ser till att de enorma mängderna data de samlar in och genererar för att bli helt digitala, de använder molnet för att bearbeta och lagra all denna data, och de vänder sig till ny trådlös teknik som 5G för att driva datahungriga applikationer som artificiell intelligens (AI) och maskininlärning.

I det här avsnittet av Business Lab går Roese igenom detta sammanflöde av teknologier och dess framtida resultat. Till exempel utvecklas autonoma fordon snabbt, men helt förarlösa bilar kör inte på gatorna ännu. Och de kommer inte att göra det förrän de utnyttjar en samarbetsmodell – smarta enheter som ansluts till en kombination av moln- och edge-datorinfrastruktur för att ge effektiv oändlig beräkning.

Ett av de största problemen är att inte göra enheten smart; det gör enheten smart och effektiv i ett skalbart system, säger Roese.

Så stora saker ligger framför oss, men tekniken i dag gör enorma framsteg, säger Roese. Han pratar om maskinintelligens, som använder AI och maskininlärning för att efterlikna mänsklig intelligens och ta itu med komplexa problem, som att påskynda försörjningskedjor, eller inom sjukvården, mer exakt detektera tumörer eller cancertyper. Och möjligheter finns i överflöd. Under coronavirus-pandemin kan maskinintelligens skala omvårdnad genom att ge sjuksköterskor datadrivna verktyg som gör att de kan träffa fler patienter. Inom cybersäkerhet kan det hålla bra killar ett steg före innovativa bad guys. Och inom telekommunikation kan den så småningom fatta beslut om mobilnät som kan ha en biljon saker på sig, säger Roese. Det är ett väldigt, väldigt, väldigt stort nätverk som överstiger människans förmåga att tänka.

Business Lab är värd för Laurel Ruma, chef för Insights, den anpassade publiceringsavdelningen av MIT Technology Review. Showen är en produktion av MIT Technology Review, med produktionshjälp från Collective Next.

Det här podcastavsnittet producerades i samarbete med Dell Technologies.

Visa anteckningar och länkar

Tekniska störningar som dyker upp under 2020 , av John Roese, Dell Technologies, 20 januari 2020

The Journey to 5G: Extending the Cloud to Mobile Edges , en intervju med John Roese på EmTech Next 2020

Den fjärde industriella revolutionen och digitaliseringen kommer att förvandla Afrika till ett globalt kraftpaket , av Njuguna Ndung’u och Landry Signé, Brookings Institution, 8 januari 2020

Fullständig avskrift

Laurel Ruma: Från MIT Technology Review, jag heter Laurel Ruma. Och det här är Business Lab, showen som hjälper företagsledare att förstå ny teknik som kommer ut från labbet och in på marknaden.

Vårt ämne idag är artificiell intelligens. Mängden data vi skapar ökar exponentiellt varje dag, och det betyder att vi måste bearbeta den snabbare och skydda den bättre. Det är här AI kommer in, från 5G till edge computing och quantum computing. Framtiden börjar gry och AI är verklig.

Två ord för dig, AI-drivna applikationer.

Min gäst är John Roese, som är VD och teknisk chef för produkter och verksamhet på Dell Technologies. John började på Dell EMC hösten 2012 och var avgörande för att forma teknikstrategin. Han är en publicerad författare och innehar mer än 20 undersökta och beviljade patent, inom områden som policybaserat nätverk, platsbaserade tjänster och säkerhet. Det här avsnittet av Business Lab är producerat i samarbete med Dell Technologies. John, tack för att du följde med mig på Business Lab.

John Roese: Härligt att vara här.

Laurel: Så redan i januari skrev du om tre störande teknologier som dyker upp för 2020. Kvantberäkningar, domänspecifika arkitekturer och 5G. Vi är halvvägs in i 2020. Så vad tror du, hade du rätt?

John: Tja, jag tror att covid-19 ändrade tidslinjer, men jag tror inte att det ändrade någon av dessa tre. De tre går helt klart framåt. Quantum är en långsam, komplex resa, men vad vi har sett är genombrott i år. Vi har sett en typ av vakuumrörets era med en mycket rudimentär kvantöverlägsenhet som börjar materialiseras. Och jag tror att jag sa i den bloggen att det kommer att bli en lång resa – förvänta dig inte att det kommer att störa världen i morgon, men fysiken är sund och så småningom kommer vi att få genombrotten. Och jag tror att vi fortsätter på den vägen. Domänspecifika arkitekturer accelererar. Vi spårar över 30 nya halvledartekniker som används för att påskynda beräkningen av olika arbetsbelastningar, inklusive AI-ML [maskininlärning] arbetsbelastningar specifikt. Och vi ser, om något, mer dyka upp. De sprider sig nu till kanten, och så tydligt händer det.

Och sedan på 5G, en av de trevliga sakerna som har hänt under covid-19-krisen är människors erkännande av behovet av att vara hyperanslutna, att kunna arbeta var du än behöver, att kunna få sjukvård när du behöver det, att vara kunna ha en logistisk infrastruktur som fungerar mycket mer självständigt. Och jag tror att en av de stora takeaways har varit, vi behöver bättre trådlöst, vi behöver nya framsteg inom mobil anslutning. Och om något, jag tror att uppskattningen av den trådlösa industrin och trådlös teknik som en grundläggande komponent i digital transformation har blivit betydligt större under de senaste tre månaderna. Så alla tre håller, två av dem bara fortsätter. Men den tredje, 5G, har definitivt accelererats. Och just den mellanmänskliga medvetenheten ute i samhället har bara blivit bättre, vilket är bra för tekniken.

Laurel: Bara för att trycka på den 5G-frågan lite mer, jag känner att datorföretag uppmärksammar 4G, nu 5G. Beror det på att varje företag nu är ett telekomföretag, mer eller mindre? Alla behöver veta vad som händer med trådlöst.

John: Ja. Ja. Jag tror att det finns två svar på det. Den första är att det inte är så att alla blir ett telekomföretag. Jag tror att vi inser att om du verkligen vill förvandla din bransch, din funktion eller ditt samhälle digitalt, så gör du inte det i ett datacenter. Det gör du ute i den verkliga världen. Datacentren är viktiga; moln är viktiga, men själva data produceras och konsumeras ute i den verkliga världen. Det är på sjukhus, i städer, i fabriker, i ditt hem. Och för att det ska fungera behöver du ett bättre anslutningstyg. Och så har folk insett att alla moln i världen, och alla kanter i världen, och all digital transformation i världen, om de är isolerade silos utan ett robust digitalt grundläggande anslutningsnätverk, är de kommer inte att jobba.

Och så plötsligt är folk som inte var så intresserade av telekom plötsligt väldigt intresserade eftersom de har insett att du inte kan ha en fördel om den inte kan ansluta till en kärna. Och om kanten bara kan finnas på tre ställen i motsats till där den behöver vara för att den har fel anslutning, faller hela din digitala transformation, ditt initiativ för smarta fabriker, ditt initiativ för smarta städer. Så jag tror att det har funnits en förståelse och en angelägenhet för hur viktigt nätverkande är som har ökat synligheten.

Det andra är dock att telekom som bransch går mot moln- och IT-världen. Allt om 5G säger oss att det inte kommer att byggas som äldre telekom, och jag har en del historia inom äldre telekom, det kommer inte att byggas som vi byggde 3G och 4G. Det kommer att byggas i molnets era. Den kommer att använda öppen hårdvara, mjukvaruvirtualisering, containerisering. Det kommer att vara storkonsumenter av AI- och ML-teknik, det ser bara mer ut som de saker som större delen av den amerikanska teknikindustrin fokuserar på. Och så vi kommer inte bara att vara storkonsumenter och vi har ett stort beroende, utan den faktiska tekniken som du använder för att bygga ett 5G och senare system kommer att domineras mycket mer av IT och molnteknik än äldre telekom. Verkligheten är att det fortfarande kommer att ha viss telekomfunktionalitet, men detta drar företag som Dell och många av molnföretagen in i 5G-världen. Inte bara för att det är intressant, utan för att vi är nödvändiga för att det ska levereras på rätt sätt.

Laurel: Jag känner att nu är det perfekta sammanflödet för dig specifikt och din bakgrund, för att ha någon som är så väl insatt i telekombranschen, och sedan även med moln och all annan teknik, drar du verkligen ihop det hela till en plats och en orsak. Och det verkar för mig som den perfekta platsen för 5G att verkligen explodera, och igen, för att ta folk in i det där nättänkandet och bort från de här silorna där du har ditt telekomföretag här, och sedan har du ditt andra datorföretag här, et cetera . Hur förändras detta igen med covid och kanten som nu sträcker sig till människors hem och utanför kontoret?

J utan: Hej, förresten, bara som ett åsido, är mitt Twitter-handtag @theICToptimist. Och om du inte vet vad IKT står för så är det informations- och kommunikationsteknik. Och det går tillbaka till, jag tror att 2006 var när jag gick med på Twitter, för väldigt länge sedan. Och anledningen till den förkortningen var att jag är övertygad om att framtiden inte handlade om informationsteknologi och kommunikationsteknik oberoende av varandra; det handlade om att de kom ihop. Så här är vi nästan 20 år senare, och jaja, jag tror att vi hade rätt. När vi tänker på 5G och edge är edge fortfarande tidigt. Vi har inte riktigt byggt de smarta sakerna som vi vill bygga. Till exempel har vi inte automatiserade leveransdrönare som flyger över våra städer och vet hur vi ska ge oss våra varor och tjänster utan att döda någon.

De är fortfarande framför oss. Och vi har inte heller självkörande bilar, vi har inte nödvändigtvis smarta städer, vi har inte riktigt smarta fabriker än, men vi har tidiga indikationer på det. Och vi har tillräckligt med bevis när vi tittar på de tidiga vågorna av smartifiering av världen, att ett av de största problemen inte är att göra enheten smart, det är att göra enheten smart och effektiv i ett skalbart system. Och så vad vi har upptäckt är att om du förväntar dig att enheten ska vara en fristående, helt självförsörjande, hyperintelligent enhet, kommer du inte att ha tillräckligt med kraft för att få den att göra vad den än ska göra. Den smartaste bilen i världen, om den måste köra runt en fem megawatts reaktor för att det är så mycket IT den kommer att använda, kommer inte att bli en särskilt bra bil. Och så har edge materialiserats, inte så mycket som bara en intressant plats att göra IT på, utan som en avlastning för smartifieringen av världen.

Så vi har redan sett exempel med saker som augmented reality [AR]. Några av de första 5G-kantexemplen använder faktiskt förstärkt verklighetsacceleration i kantberäkningsskiktet. Och tanken här är att du har en mobil enhet, en mobiltelefon, AR-glasögon, vad det än är, att istället för att bearbeta alla artefakter, istället för att göra all videobearbetning på enheten, så trycker de faktiskt in ungefär 80 % av det i ett kantberäkningslager som har en knapp i beräkningen och all kraft den kan behöva, och resultatet av det är att du nu har en mycket effektiv AR-upplevelse på en mobil enhet som får hjälp från kanten, men ännu viktigare, det faktiskt överträffar sin ursprungliga kapacitet eftersom den utnyttjar effektivt oändlig beräkning. Så den har fler artefakter, bättre videoupplösning, större färgdjup.

Det här är saker som vi redan har demonstrerat, som säger oss att kanten inte bara är ett lager av IT, det är en av nyckelkomponenterna som gör det möjligt för oss att föra intelligens till anslutna enheter överallt utan att lägga hela bördan på enheten. Och den kollaborativa beräkningsmodellen kommer sannolikt att vara det mest kraftfulla verktyget vi har för att lösa detta problem med kraft plus funktionalitet plus kostnad, och att få den rätta kombinationen mellan dem. Så det är tidigt, men vi ser nu tillräckligt med bevis för att det är mönstret som gör kanten ännu mer intressant och faktiskt mer livskraftig eftersom vi vet att enheten i sig inte är svaret, molnet i sig är det inte svaret. Det är denna kombination av molninfrastruktur plus edge-infrastruktur plus alla enheter som arbetar tillsammans som ger oss en bättre balans mellan kostnadsfunktionalitet, funktionsuppsättning och implementeringsmodeller.

Laurel: Så på tal om att tekniken blir bättre och mindre och snabbare, det betyder också vid kanten, din enhet som du har i handen är en del av det nätet och nätverket. Så AI kan sträcka sig ut från molnet till din enhet, och enheter kan göras smartare på grund av det, eftersom beräkningskraften nu är i dina händer.

John: Ja. Nej, absolut. Faktum är att jag gav det här exemplet för ett par år sedan där jag pratade, vi har gjort mycket arbete med autonoma fordonsaktiviteter runt om i världen. Vi arbetar med de flesta av de stora biltillverkarna och vi har lärt oss massor. Men ett av exemplen jag gav för länge sedan var, vi vet att bilen i sig kommer att bli ganska smart. Ett modernt, autonomt fordon har anpassad AI-bearbetning; den gör mycket intressant avkänning och analys. Och det måste till viss del vara självkörande, för av livssäkerhetsskäl vill man inte att nätet ska gå ner och bilen köra av vägen. Så låt oss anta att allt är sant. Så, ja, vad skulle du göra om du nu var en bil som var relativt självförsörjande, men var kopplad till en väg som hade kantberäkning associerad med den? Och exemplet jag gav var, om du tittar på dessa bilar så har de saker som kan känna av bilen framför dem, de kan känna av vägytan.

De kan bära med sig mycket data som talar om för dem hur de ska förutsäga vägytan och justera deras fjädring. De har till och med några saker som kan förstå trafikmönster i form av icke-realtid. Men tänk om alla dessa bilar inte bara började dela sin långsiktiga data, utan sin omedelbara syn på världen, deras punktmoln av data runt dem i realtid, och de delade det till noder som låg intill dem i verkligheten tid så att din väg själv hade en mästarbild av realtidsförståelsen av alla bilar. Och resultatet av det var att om din bil, när den försökte ta reda på, hur ska jag justera min fjädring för vad som kommer härnäst, inte bara gjorde det baserat på en databas eller vad den kunde se, utan den kunde fråga frågan om vad ser alla andra? Och nu kunde den förutsäga saker. Samma sak för säkerheten. Den hade inte bara sensorer som kunde se framför sig, utan den kunde se vad bilarna, framför bilarna, framför bilarna kunde se.

Och så exemplet jag gav är, föreställ dig din heads-up-display när användaren i ett semi-autonomt eller autonomt fordon visar dig vad bilen kan se, men den minut som den kan ta sig in på denna intelligenta väg med detta kantberäkningslager , som heads-up-display kan se runt hörnen. Den kan se saker du inte kan se, den kan se vad andra människor kan se. Och nu blir din visualisering av den verkliga världen i realtid bara en mycket större bild av allt runt omkring dig på grund av den samarbetsmodellen. Det är ett otroligt kraftfullt verktyg som inte är möjligt om enheten i sig själv försöker lösa detta problem. Och du kan överföra det till många andra branscher, men den självkörande är fascinerande för där kommer du att ha en mycket smart och robust enhet som kan fungera helt själv, men den fungerar bättre i många dimensioner när den kan utnyttja kollektivet medvetenhet om alla bilar, och alla vägar och allt runt omkring i realtid.

Och det enda sättet att göra det är inte genom att skicka meddelanden över internet till andra sidan av universum till ett offentligt moln, utan genom att få denna lyhördhet i realtid av att utnyttja ett kantberäkningslager. Så vi tror att mönstret kommer att bli ett av de stora genombrotten som, när du inte behöver gå över internet, och du kan få denna kollektiva förståelse i realtid lokalt för dig, till och med helt autonoma enheter blir bättre, och de blir mer intressanta och de utnyttjar helt nya affärsmodeller.

Laurel: Så jag läste att en intressant del av ditt perspektiv är att där vi är med AI just nu, gör det vårt liv bättre, kanske 5% till 10%, men vi är verkligen långt borta från Terminator. Så även bara med de autonoma fordonen pratar vi om att saker och ting blir bättre varje gång något nytt kommer ut, men vi är långt borta från att bilarna kör sig själva ännu, men det är ett slutmål. Under tiden är dock dessa 5 % till 10 % fortfarande betydande.

John: Åh, ja, absolut. Jag menar, nu är bilar ett intressant spel, för beroende på vem du frågar kan vi vara en månad bort från ett helt autonomt uppkopplat fordon på nivå fem, och vissa människor skulle ge dig ett annat svar. Jag kan ge dig min åsikt. Men generellt sett är anledningen till att jag gjorde den kommentaren, när du tittar på att tillämpa maskinintelligens på vad som helst, oavsett om det är en självkörande bil eller en affärsprocess eller användarupplevelse eller vad som helst, spel, så finns det två saker du kan tänka på som framgång. En är att du revolutionerar det fullständigt. Du förvandlar den till något som aldrig tidigare har övervägts, en självkörande bil på nivå fem. Det är ett stort, stort hopp, och det är värt att ta det hoppet – det tar bara väldigt lång tid att komma dit.

Det andra sättet att se på maskinintelligens är att det är en förstärkning av de kognitiva uppgifter som människor vanligtvis gör. När du måste tänka, just nu är du ensam. Det är upp till dig att fatta det beslutet. Väldigt sällan får man mycket hjälp på den tänkande sidan. Du kan få mycket data, men du måste sortera igenom det. Rekommendationerna kommer egentligen inte från tekniken; du måste ta reda på det. Så vad vi insåg tidigt, är att genom noggrann tillämpning av maskinintelligens på platser där människor måste ta data, förstå dem och fatta ett beslut, kan vi faktiskt påskynda den processen eller göra den mer precis, mindre benägen för fel. Och så, när vi tog isär, vare sig det var Dells leveranskedja, eller serviceprocessen för prediktivt underhåll, eller om det var radiologisystem inom vården, där du bara försöker hitta något i bilden, dessa 5% och 10% förbättringar av att bara få processen att fungera lite bättre var mycket bättre än du någonsin kunde få med människor eftersom människorna var baslinjen.

Och varje gång du förbättrar något som en försörjningskedja med 5 % eller 10 %, eller jag vet inte, radiologi med 20 % eller 30 % mer noggrannhet när det gäller att upptäcka saker som cancer och tumörer – det är ett mycket kraftfullt resultat, inte bara för att en individ, men potentiellt för samhället. Och så ett av de budskap vi har gett våra kunder och vi har försökt göra klart för människor är att vi inte är emot de stora genombrotten, vi tycker att de är fantastiska. Men det finns så mycket mer vi kan göra med den här tekniken för att ta vilken plats som helst i varje process som vi har som innebär att människor måste fatta beslut, och utöka dem med maskinintelligens för att göra dessa beslut mer exakta, snabbare, mer benägna att få ett positivt resultat. Och jag använder ordet några eftersom det verkligen är var som helst som människor måste fatta ett beslut, kan vi fatta det beslutet bättre med noggrann tillämpning av maskinintelligens.

Och det verkar vara en riktigt bra sak att göra just nu, eftersom det inte kräver några stora genombrott – det är teknik vi har idag. Och varje gång vi gör det blir processen bättre, kostnadsstrukturen blir bättre, resultatet blir bättre.

Laurel: På tal om bättre resultat, vi är fortfarande tidigt i den här pandemin, men ser du specifika möjligheter som dyker upp med artificiell intelligens specifikt? Som du nyss sa, en självklar sådan skulle vara hälso- och sjukvård, men det finns bara så mycket data.

John: Åh, ja, det finns ett oändligt antal. I grund och botten är sättet att se på det, om du undrar var användningen av maskinintelligens för att förbättra effektiviteten och effektiviteten av mänskligt beteende är meningsfullt, titta bara var som helst under coronavirusperioden där vi fick slut på människor, där människorna bara blev överväldigad. Och sjukvården är ett bra exempel. Det finns tidiga exempel på, hej, vi hade helt enkelt inte tillräckligt med sjuksköterskor för att hantera de överspänningar som kommer in på dessa sjukhus. Så jag vet inte. Vi har patienten sensoriserad – varför skickar vi inte all den sensordata till en maskinell intelligens som inte ersätter sjuksköterskan; det ger bara sjuksköterskan en mer komplett bild av patienten genom att förbearbeta, organisera och ge rekommendationer, så nu kan en sjuksköterska kanske övervaka 30 patienter i motsats till tre? Det skalar omvårdnad, vilket är ett mycket kraftfullt verktyg. Vi har uppenbarligen sett det i termer av klinisk vård där om det är ett medicinskt ingrepp, jag menar, människor som har att göra med en lungspecialist, så hade vi många andningsproblem. Skulle det inte vara trevligt om vi kunde göra deras liv enklare genom att, jag vet inte, kanske våra ventilatorer är lite mer självreglerande, lite mer självjusterande? Vi har sett den typen av beteende förekomma och vi har insett att det finns platser där vi helt enkelt inte har tillräckligt med folk för att få jobbet gjort.

Det andra exemplet, helt andra änden av spektrumet inom covid, var logistik och leverans. När man plötsligt bara inte har chaufförer eller inte kan ha mänsklig kontakt, men ändå måste folk få sina leveranser, de måste få mat, de måste flytta grejer. Tja, det verkar som att användningen av autonoma fordon eller semi-autonoma fordon eller AI:er för att bättre göra ruttplanering skulle ha en enorm konsekvens för att göra just den funktionen mer effektiv.

Och så, aha-ögonblicken i covid var inte nödvändigtvis förvånande när du förstår dem, men du kan hitta dem var som helst där vi insåg att mänsklig kapacitet har en ändlig gräns. Och närhelst vi stöter på en plats där människor är överväldigade när de gör en uppgift, och uppgiften innebär att fatta beslut, tänka igenom data, försöka få något gjort, är det bra ställen för oss att tillämpa maskinintelligens så att vi kan skala människan , inte nödvändigtvis för att ersätta dem.

Laurel: Så en dag kommer vi att vara ur covid. Var annars börjar vi göra AI verklig?

John: Tja, jag tror överallt, för att vara helt ärlig. Det finns verkligen inte en industri eller ett utrymme som inte försöker. Nu har vi utmaningar ibland. Precis som inom hälso- och sjukvården är det svårt att sätta in AI i vården eftersom det är en reglerad bransch; tidsramarna är mycket långa. Så vi har sett genombrott, inte inom vården, utan inom friskvården. Det finns några ganska coola saker. Som att det finns en ring som heter en Oura-ring, som i princip övervakar din temperatur och en massa vitala tecken. Det är ett hälsoverktyg; det är inte nödvändigtvis ett vårdverktyg just nu. Men eftersom den kan använda avancerad maskinintelligens, den kan göra tolkningar, vi har upptäckt att den ringen kan ge dig en ganska bra tidig varning om att du kanske kommer med något, eller innan du vet att du är sjuk, kan den berätta du är på väg att bli sjuk, vilket är ett ganska kraftfullt verktyg och ganska innovativt.

Men över hela spektrumet ser vi att tillämpningen av maskinintelligens bara är en naturlig punkt i teknikens utveckling. I 5G-världen, till exempel, här är ett bra exempel: vi kan inte bygga de 5G-nätverk som vi kommer att behöva med mänsklig inblandning överallt. De är bara för komplexa. Och så ärligt, vi förväntar oss att 5G och vidare, kännetecknet för framtida telekominfrastrukturer kommer att vara automatisering. Kommer att vara AI som fattar besluten kring spektral effektivitet, och bandbreddsinställning och alla möjliga saker, för det finns helt enkelt inget sätt att en människa kan driva ett hundra miljoner abonnentnätverk, och det är innan vi lägger alla saker på det. Det skulle vara möjligt enbart i USA, några av dessa mobila nätverk om tio år kan ha en biljon saker på sig. Det är ett väldigt, väldigt, väldigt stort nätverk som överstiger människans förmåga att tänka.

Och så vi ser redan injiceringen av maskinintelligens i telekomnätverk, storskaliga datacenter, automatisering av infrastruktur på ett sätt som gör att människorna kan hänga med. Och sedan när du studsar runt, har vi initiativ på gång inom frakt- och logistikområdet där folk inser, hej, det är mycket varor och tjänster som rör sig, men de rör sig lite långsamt och klumpigt. Så vad händer om vi verkligen försöker knyta ihop och smälta ihop intelligenta gaffeltruckar, plus visuell övervakning och objektkartläggning och algoritmer för att bestämma hur man packar en lastbil ordentligt eller hur man lastar ett plan ordentligt eller hur man flyttar saker genom den logistiska infrastrukturen i en ställe där det liksom saktar ner för att det inte riktigt finns ett tydligt mönster där? Tja, AI är bra när du inte har ett tydligt mönster. Låt AI:n ta reda på mönstret och utveckla en uppsättning logik kring det.

Så det är universellt. Det är väldigt svårt att hitta en plats, om du ställer den omvända frågan, där människor inte använder maskinintelligens, andra än platser där regleringsregimen är föråldrad har blivit hinder för människor att använda den här typen av teknik mer aggressivt . En av våra bördor som bransch är därför att arbeta med tillsynsmyndigheterna för att uppdatera dessa regler så att vi inte skapar en situation där förordningen förhindrar den naturliga utvecklingen av teknologi som för mänskliga framsteg framåt.

Laurel: Ja. Och jag antar att du skulle tro att reglering och säkerhet går hand i hand, speciellt när de onda har tillgång till samma verktyg som du bygger nätverket. Så hur börjar du också då säkra all denna fantastiska data?

John: Ja. Tja, jag menar data är bara data. Du kan använda den på gott och ont, och tyvärr är den faktiskt otroligt värdefull och därför blir den ett jättemål. Säkerhetskompromisser sker inte för att någon har tråkigt; de händer för att det finns ett mål som är värt att stjäla. Och vår digitala miljö, valutan är data, insikter, modeller – dessa saker är de verkligt värdefulla verktygen. Och verkligheten är att de kommer att bli ett mål. Så vi måste verkligen tänka på hur vi ska säkra dessa miljöer på ett kanske annat sätt än vad vi historiskt gjorde den fysiska världen. För att vara väldigt rakt på sak, det nuvarande tillvägagångssättet för säkerhet kommer helt enkelt inte att fungera, eftersom vår nuvarande inställning till säkerhet är att vi har en sak som fungerar oberoende av säkerhet, och sedan har vi saker som attackerar den, och sedan skapar vi säkerhetsteknik för att motverka de saker som attackerade den.

Problemet är att det är en ovinnlig strid, eftersom någon ärligt kan bara komma på ett nytt sätt att attackera den, och sedan måste säkerhetsbranschen komma med ett svar på det. Och det är inte ett bra sätt att driva en organisation eller en teknik. Och så vår tro är att vi måste gå över till vår modell där vi verkligen tittar på inneboende säkerhet, att vi bygger in säkerheten i det vi skyddar, oavsett om vi gör det i en molnmiljö, eller vi gör det i en nätverksmiljö. Men poängen är att vi måste komma bort från denna idé att säkerhet sker som en reaktion på en yttre händelse. Istället måste det vara något som är inbyggt i det faktiska systemet och dess arkitektur.

Det låter som marknadsföring, men slutsatsen är att det inte är en vinnande kamp om vi ska ha en säkerhetsprodukt för varje säkerhetsproblem. Vi måste ha arkitekturer och infrastruktur och system som inte är byggda för att reagera på något speciellt säkerhetsproblem, de är byggda för att reagera på alla hot. De har en omfattande förståelse för sin identitet. De har förmågan att kontrollera åtkomst och förstå beteenden inom dem. Jag har alltid hävdat att i säkerhetsvärlden finns det typ tre saker man sysslar med. Det kända bra, det kända dåliga och det okända. Och idag handlar de flesta av våra säkerhetsprinciper kring att försöka blockera det kända dåliga, som inte går att vinna, och att försöka sålla igenom det okända, men de gör det inte särskilt bra. Och intressant nog, det kända goda bygger vi sällan för det. Nu är mitt argument att vi måste förstå vad det kända goda beteendet är, och vi måste låsa det och se till att det händer. Vi måste förbjuda det kända dåliga, det är ett uppenbart uttalande. Men det är det okända var all innovation kommer ifrån.

Och det för oss tillbaka till saker som AI och ML. Idén med att använda maskinintelligens för att sålla igenom det okända för att mycket snabbt avgöra, är det ett känt dåligt eller ett känt goda? Vilket läger tillhör det? Och gör det snabbare än den andra sidan kan göra det eftersom vi har bättre verktyg för att förstå beteenden och att ha ramverken inbyggda i själva infrastrukturen. Det viktigaste är, även om du använder AI, för att förstå nya hot och för att avgöra om de är bra eller dåliga, om det görs utanför infrastrukturen, måste du fortfarande distribuera en annan produkt för att reagera på det. Om infrastrukturen å andra sidan är produkten som reagerar på säkerhetshändelserna, om den bokstavligen bara talar om för infrastrukturen, ändra din tjänstekedja i ditt SDN, ändra virtualiseringslagret, ändra ditt Kubernetes-manifest, men du distribuerar inte något ny teknik – du påtvingar bara nya beteenden på infrastrukturen som den existerar. Då helt plötsligt kan den hjärnan faktiskt gå i produktion mycket snabbare än att behöva distribuera en helt ny produkt eller ett helt nytt system.

Så, men säkerhet är en som, här är de dåliga nyheterna, den kommer aldrig att försvinna. Vi är ständigt i ett säkerhetsdynamiskt race med dåliga och bra killar. Men jag tror att vi kan gå mycket snabbare om vi kommer ur det här sättet att tänka att för varje säkerhetsproblem finns det en produkt. Det måste vara så att vår infrastruktur är den reaktiva mekanismen, och vi använder maskinintelligens aggressivt för att försöka förstå när vi ska reagera. Men den reaktionen kräver inte att man lägger om hela infrastrukturen, ändrar våra arkitekturer för att reagera. Om du kommer in i det läget kan du röra dig snabbare än motståndarna, och du har en inbyggd säkerhetsstrategi på systemnivå, vilket är en stor förändring för människor, men logiskt sett den enda platsen som vi kommer att kunna ta oss till någon form av framgång när vi börjar tänka på omfattningen av denna framtid framför oss.

Laurel: Jag gillar frasen maskinintelligens, för det är verkligen vad det är. Det måste vara genom hela systemet, oavsett om du bygger ett bra brott eller bättre system för att reagera snabbare och snabbare. Det är inte bara artificiell intelligens, det är inte bara maskininlärning. Det är faktiskt en kombination av de två som gör att du kan göra så mycket mer. Och lägger också en hel del förväntningar och bördor på de människor som skapar dessa system för att fungera på ett visst sätt. Så jag vet att du sitter i styrelsen för Cloud Foundry och öppen källkod är viktigt, men det är typ roten till öppen källkod, eller hur, är att tänka på hur vi alla kan arbeta tillsammans och liksom demokratisera den här tekniken på ett sätt som alla vem som ställer upp vinner faktiskt något i slutändan.

John: Ja. Nej, absolut. Jag menar, tror jag, metoder med öppen källkod – den här idén om gemenskapsbaserad utveckling är förresten inte ny och den är inte unik för öppen källkod. Jag har arbetat i standardiseringsorgan i 20-något år nu. Och om du går in på IEEE [Institute of Electrical and Electronics Engineers] eller IETF [Internet Engineering Task Force], är det en gemenskap. Det är lite långsammare eftersom det har mer Roberts ordningsregler och tillvägagångssätt. Men tanken är att jag alltid har trott att den bästa tekniken är en som är byggd i dagens ljus, att det inte är en smart person i ett backoffice någonstans som kommer med svaret på problemet. Du slänger ditt problem där ute, och du som gemenskap arbetar igenom det problemet. Du har avvikande röster och konsensus.

Det som är intressant med den nuvarande världen med öppen källkod är, kontra standardorgan, de traditionella standardorganen som rör sig väldigt långsamt, det kan ta ett decennium att få ut en standard i IETF, öppen källkod går bara snabbare, det har eliminerat en del av byråkratin. Det står att vi inte kommer att förutsätta hur du gör arbetet, men vi kommer att insistera på att det är samhällets samförstånd, att samhället går vidare på denna resa.

Nu har vi ett problem med öppen källkod idag, och det är att öppen källkod fortfarande har ett siloproblem. Open source-projekten är vanligtvis inte problem på systemnivå. De är, vi har en grupp som ska iväg och bygga Kafka, eller så har vi en grupp som ska iväg och göra Hadoop, och vi har en grupp som ska bygga Kubernetes och CNCF [Cloud Native Computing Foundation]. Och de är underbara. Men det enda sättet det här verkligen fungerar på är om dessa projekt med öppen källkod börjar gå ihop, eftersom ingen löser ett digitalt resultat med någon av dem. Kubernetes, hur bra som helst, gör ingenting av sig själv, för att vara helt ärlig, när det gäller affärsresultat. Det måste finnas en arbetsbelastning på det, det måste finnas en dataström, det måste köras på en infrastruktur.

Och så, jag tror att det finns typ två takeaways från världen med öppen källkod. För det första är gemenskapsbaserad utveckling, vare sig den gjordes i en standardenhet eller öppen källkod, det snabbaste sättet för människor att ta reda på saker och ting, och vi bör omfamna det och utöka det och använda det där vi kan. Det fungerar bara bättre. Det andra är dock att även om vi gör den typen av arbete på en viss komponent, måste vi ta principerna för den typen av tankeprocess att se på saker ur ett bredare perspektiv, ett öppet innovationsperspektiv, och tillämpa det i arkitekturer på systemnivå. Ett av de bästa exemplen på det är något vi just berört tidigare, vilket är 5G. Det pågår en enorm debatt i världen just nu om hur 5G ska byggas. Det finns det traditionella tillvägagångssättet Legacy 3GPP [3rd Generation Partnership Project] som säger, ah, det är bra att ha komponenter, men vi kommer att vara väldigt, väldigt strukturerade och disciplinerade, och det kommer inte att finnas mycket utrymme för innovation eftersom vi har bestämt vad 5G är. Där är svaret; gå implementera det.

Jag håller inte med om det tillvägagångssättet eftersom det byggdes på teknologier som sedan länge är föråldrade. Det finns ett nytt sätt att tänka på det som säger, hej, vi vill fortfarande nå samma resultat, vi tror fortfarande på samma gränssnitt och samma standarder, men hur du faktiskt utför det bör vara öppen för hur du gör virtualisering, och hur du länkar till hårdvara och hur du öppnar radioaccessnätverket. Och den nivån av tänkande är helt och hållet i hur människor tänker i gemenskaper med öppen källkod och i moderna programvaruutvecklingsprojekt. Och så, vi ser denna intressanta kollision mellan, låt oss kalla det den öppna ekosystemvärlden och telekomvärlden, som verkligen orsakar mycket stress och intressant utveckling av 5G-ekosystemen. Men för mig tycker jag att det är ett mycket positivt resultat, eftersom den tekniken är så viktig att vi bättre gör det på rätt sätt. Och vi har gott om bevis som säger att öppen källkod, öppna ekosystem, öppna system faktiskt är ett snabbare, bättre sätt att få ett överlägset resultat för många saker som människor har försökt göra på andra sätt.

Och så, vi får se hur det blir, men öppen källkod som koncept och en samhällsutvecklingsmodell har påverkat mycket mer än bara de projekt som öppen källkod sker i.

Laurel: Och jag älskar det, den typen av energi och spänning, och speciellt, återigen, sammanflödet. Vi samlar alla för att få denna förändring att hända. På tal om, hur gör man det här på Dell? Hur tänker du strategiskt kring AI och leder detta enorma företag? Så många olika lag, och ni har underbara människor och underbara lag. Men hur tänker du kring detta strategiskt och hur råder du andra ledare att tänka på AI och maskinintelligens på ett sätt som är vettigt, på ett sätt som kanske är öppet, vilket utmanar sättet de har gjort affärer tidigare?

John: Jaja. Och ett generellt svar på den frågan, på Dell är vi ett enormt företag som täcker nästan alla aspekter av infrastruktur, från hårdvara av bar metall hela vägen upp till applikationsstackar och utvecklarmiljöer. Vi är bara extremt stora och extremt breda, vilket är en del av företagets värdeerbjudande. En av de saker som vi dock insåg tidigt var att när man är så stor måste man ha typ av styrande principer. Det måste finnas en ram kring detta. Och så vi är väldigt disciplinerade när det gäller att ha en strategi, ha en North Star, förstå tydliga roller och ansvar. Men att se till att vi förstår att implementeringar, när du gör något stort som edge eller moln, kommer att hända på många ställen. Men om du inte har en struktur där alla förstår varför du gör det, vilka är de första principerna du kommer att kämpa mot.

Till exempel, helt nyligen i edge, har vi fattat några beslut om hur Dell positionerar edge. Och de är på hög nivå, men de ramar in hur våra utvecklare tänker. Till exempel tror vi att edges inte är fristående enheter. Kanter är förlängningar av molnoperativa modeller. Man bygger inte en kant för att bygga en kant. Du bygger ett försprång för att utöka din molnarkitektur, oavsett om det är en offentlig eller privat molnmiljö eller en hybrid, multimolnmiljö, ut i den verkliga världen. Och det låter väldigt subtilt, men om du inte fattar det beslutet inom ett företag, så slår du bara tärningen för att se om dina team bygger fler silos eller faktiskt bygger en förlängning av ditt kärnvärdeförslag, vilket är att bygga ett multimoln. Och så genom att ha den där North Star är det klart. Andra exempel inom edge, vi tog ett beslut som vi anser att edges ska vara plattformar. Nu låter det väldigt uppenbart, förutom att de flesta kanter idag är skräddarsydda silor för en specifik arbetsbelastning.

Någon bestämmer sig för att jag vill ta ut min AI-ram till en fabrik, därför ska jag bygga ett försprång. Till och med några av de offentliga molnen har effektivt byggt mycket smala skräddarsydda silos som utökar bara några få funktioner i deras offentliga moln. Inget annat. Nu, när vi började titta på det, sa vi, vänta lite. Edge är en förmåga till en upplevelse från slut till slut. Du kommer att ha många upplevelser från början. Och om du måste bygga en fördel för varenda en av dem, kommer du att få kantmarknaden att likna säkerhetsmarknaden väldigt mycket, vilket vi inte vill göra. Säkerhetsmarknader, om du går in i ett företags säkerhetsdatacenter hittar du ett ställ med utrustning. Varje redskap har en annan logotyp och gör en sak. Vi vill inte att edge ska se ut så. Så vi tog ett beslut att edge skulle vara en plattform. Att det vi ska bygga är horisontell förmåga. Vi bör erkänna att den kanten kan användas för en AI-uppgift, det kan vara en industriell automationsuppgift, det kan vara en videoövervakningsuppgift.

Vi behöver kanske ha flera olika kantarkitekturer för att rymma olika tillvägagångssätt, men du försöker inte bygga en enda, vertikalt specifik silo för varje kantproblem. Du försöker bygga en plattform som gör att kunden kan lösa sina kantproblem idag. Och när de kommer på sitt nästa kantproblem, behöver de bara trycka in kod i plattformen och sedan arbeta vid kanten i motsats till att bygga en ny kant. Nu är de sakerna, det jag just sa, förhoppningsvis helt uppenbara, men de flesta fattar inte de besluten. Så på Dell gör vi det. Vi fattar första ordningens beslut om vad är vår filosofi? Hur tänker vi om saker och ting? Vi omvandlar dem sedan till arkitekturer som beskriver exakt det tekniska arbetet som behöver göras, men vi går inte så långt som att diktera ner till implementeringen och produkten exakt hur de ska förnya sig för att nå det resultatet. Det är magin med att ha fantastiska FoU-team. De går av och de kommer på det bästa sättet att bygga produkten. De är nyskapande i den respekten, men allt går ihop till ett system.

Faktum är att jag idag leder ansträngningarna för att i dessa sex enorma områden inom Dell, att vi är konsekventa i vår arkitektur, att vi navigerar i dem som ett företag på systemnivå. De inkluderar utvecklingen av molnet, utvecklingen till det nya dataekosystemet, av data i rörelse och hur vi spelar där. De är edge och hur vi utökar IT till den verkliga världen. De är AI och ML, vilket är hur vi gör hela teknikekosystemet till en annorlunda arbetsfördelning mellan människor och maskiner, kring tankeuppgifterna. De är 5G, denna stora inböjning av telekom, och IT- och molnvärlden som slår in i varandra. Och vår uppfattning är att det verkligen måste vara moln- och IT-dominerat, och det måste vara en modern infrastruktur. Och till sist, kring säkerhet, och vi berörde det där med inneboende säkerhet. Det är gigantiska saker, men för att svara på din fråga, på ett företag som Dell, eller vilket företag som helst, måste du veta vad dina North Stars är, vad är det som kommer till dig?

I vårt fall är det de där sex stora. Du måste ha en synvinkel som beskriver första principer och ett ramverk som beskriver spelplanen, och sedan måste du ha en struktur som operationaliserar det för att få in det budskapet i din utvecklingsgemenskap, in i dina produktgrupper, in i din serviceorganisation , i dina marknadsföringsteam, så att de alla arbetar på rätt spelplan med rätt, låt oss kalla det manus. Men du vill inte vara så föreskrivande att hindra dem från att förnya sig, och hur de implementerar och kommer på olika takter. Det är den där balansen mellan utvecklarens rörelsefrihet och att ha ett ramverk, och en arkitektur och en North Star. Du får de rätt du kan navigera teknik. Men om du saknar Polstjärnan, du missar ramverket eller om du inte har rörelsefrihet på innovation, kommer du inte riktigt att utföra bra. Så för oss är det verkligen de tre stora.

Laurel: Det är utmärkt. Vi skulle kunna tillbringa en hel annan dag med att prata om edge computing och allt annat, men jag uppskattar din tid här idag, John. Tack för att du var med oss ​​idag i det som har varit ett fantastiskt samtal om Business Labb.

John: Ja, tack så mycket för att du har mig.

Laurel: Det var John Roese, VD och teknisk chef för produkter och verksamhet på Dell Technologies, som jag pratade med från Cambridge, Massachusetts, hemmet för MIT och MIT Technology Review, med utsikt över Charles River.

Det var allt för det här avsnittet av Business Lab. Jag är din värd, Laurel Ruma. Jag är chef för Insights, avdelningen för anpassad publicering av MIT Technology Review. Vi grundades 1899 vid Massachusetts Institute of Technology. Och du kan också hitta oss i tryckt form, på webben och vid evenemang varje år runt om i världen. För mer information om oss och showen, kolla in vår hemsida på technologyreview.com.

Showen är tillgänglig var du än får dina poddar. Om du gillade det här avsnittet hoppas vi att du tar dig tid att betygsätta och recensera oss. Business Lab är en produktion av MIT Technology Review. Det här avsnittet producerades av Collective Next. Tack för att du lyssna.

Dölj