В целом, работа похожа на PR, Event & Community Management. Точной (с поправкой на все ошибки оценок и измерений) "науки" маркетинга, привязанного к ROI и иным KPI, пока не видно. Тем интереснее будет в четверг :)
Смотрите, в B2C стабильно подрастает меньшинство, тк Google «помог» умереть многим консьюмерским shareware-проектам. А вот B2B shareware все цветет и пахнет, особенно среди IT security, Developer Tools и в ряде ниш рост по 20-50% в год, и многие utilities становятся частично SaaS-ами (вынося какие-нибудь dashboards в облако — частное или публичное).
Так что никакого негатива нет — ветераны точно не значит «вымершие» :)
Большие в русскоязычных странах в основном заняты «политикой», госконтрактами и т.п. Либо поглощены венчурными историями, что тоже близко к ISDEF, но в основном все-таки тут все self-funded, даже среди сервисных компаний.
Вы все очень верно описали. Специалистов в теории управления, а равно и в прикладной механике, не становится экспоненциально больше (а потребность растет примерно так). Да и математики сейчас склонны основывать свои компании… Наш случай :) Правда, мы еще и строим экосистему специалистов в теории управления — ведь недостаточно иметь работающий алгоритм, нужно «засеять» его приложениями как минимум исследовательскую сферу, поставив ей ряд амбициозных задач, чтобы рост был и количественный (в числе готовых специалистов-исследователей), и качественный (в их желании развиваться).
Наличие костяка ученых, совершающих трансфер технологии в реальные задачи, в микровендорах ПО — это тренд робототехнического бизнеса, мы на крупнейшей мировой выставке по промышленной автоматизации и мехатронике www.automatica-munich.com встретили таких микровендоров не меньше 7-8 (в основном, Германия, Канада, Голландия).
Ядро тех, кто в научных целях разработал собственные алгоритмы автоматического управления (движением — по обратной связи, как наш) и/или нашел их приложения в реальном мире, в бизнесе позволяет привлекать уже инженеров разных профилей, дообучать их работе на компонентах реальных промышленных роботов. Если погуглите Robotikum, мы делаем примерно это: и дообучаем продвинутых робототехников через поставку образовательного «железа» уровня hi-end с готовым курсом, и разрабатываем конечные продукты — робототехнические ячейки для решения задач промышленников.
У больших компаний, как я все же подчеркну еще раз, есть потолок роста применений собственных разработок без подключения новых игроков. Я не зря написал, что разработчикам на стороне клиента (промышленным предприятиям) приходится «вскрывать мозги» серийных роботов-манипуляторов, получив прямой доступ к API/SDK или даже source code от производителя (greyhat хакерство тоже не исключено, есть примеры). Таких примеров знаю уже 10-ки. На российских выставках в этом по секрету признаются заводские робототехники («да, вскрыли сами»). На международных — на совместных стендах производители «железа» и motion planning software показывают итог «белой» интеграции.
Теоретизировать на этот счет любят юристы и специалисты по корпоративным сделкам слияния и поглощения :) В отраслевой коллаборации обычно «замешаны» зрелые корпорации, понимающие выгоду от внедрений инноваций «малышей» в свой бизнес.
Кстати, в голову пришло, что Google и Boston Dynamics, несмотря на общих акционеров (Alphabet), исповедуют разные подходы к робототехнике. То самое «машинное обучение» побеждает в мире изображений, где «нет места» для других сенсоров, в отличие от медицины и промышленности.
Google — за Q-learning (в частности, машинного обучения на базе распознавания изображений с огромной базой картинок) — ОЧЕНЬ грубо говоря, показывая роботу картинки и командуя «делай, как на картинке» — и рассчитывает, что за счет записи многих координат робот, например, пойдет или сможет, к примеру, схватить что-то упругое. Но сможет ли при таком подходе робот от Google схватить кусочек тающего льда? Мы не знаем. Нам показывают только плод «глубокого» машинного обучения.
В то же время Boston Dynamics делает все в эксперименте, как «правильные» робототехники, основываясь на решении модельных задач в условиях реального мира с задачами интеграции многих сенсоров и постоянного совершенствования механизмов управления по обратной связи…
В этом отношении мои убеждения и симпатии — скорее на стороне «более физичных» BD, благо основатели Robotikum выпустили аспиранта, занимавшегося в том числе и BigDog.
А могли бы Вы уточнить, что в данном контексте означает «слиться»? Вопросы корпоративного управления у нас на ISDEF, конечно, обсуждаются. В целом, разделение дохода и полномочий/обязанностей нужно излагать на бумаге до старта бизнеса.
На рынке интеграторском (именно так себя видит большинство компаний-разработчиков и поставщиков кастомизированных решений под конкретные задачи) принято работать в консорциумах просто потому, что задач — море, и в одиночку их «не съесть» даже гигантам (у тех не хватает ноу-хау и умения «вкурить» конкретную задачу), а «малышам» не хватает денег на собственные лаборатории и/или закупку дорогого оборудования для воспроизведения в эксперименте своих предсказаний, как должны работать их алгоритмы. Хотя большинство предсказаний оборачиваются совсем новыми выводами о свойствах реальных систем :)
Проверил в Safari — не могу сыграть в Йети. #NoMoreAnymore!
Стоило бы ещё предложить заказчикам не проводить АВ тесты для Апстора в Гугл Плее :)
Переслал, как водится, паре сервисных компаний. Спасибо за материал
В целом, работа похожа на PR, Event & Community Management. Точной (с поправкой на все ошибки оценок и измерений) "науки" маркетинга, привязанного к ROI и иным KPI, пока не видно. Тем интереснее будет в четверг :)
Так что никакого негатива нет — ветераны точно не значит «вымершие» :)
Наличие костяка ученых, совершающих трансфер технологии в реальные задачи, в микровендорах ПО — это тренд робототехнического бизнеса, мы на крупнейшей мировой выставке по промышленной автоматизации и мехатронике www.automatica-munich.com встретили таких микровендоров не меньше 7-8 (в основном, Германия, Канада, Голландия).
Ядро тех, кто в научных целях разработал собственные алгоритмы автоматического управления (движением — по обратной связи, как наш) и/или нашел их приложения в реальном мире, в бизнесе позволяет привлекать уже инженеров разных профилей, дообучать их работе на компонентах реальных промышленных роботов. Если погуглите Robotikum, мы делаем примерно это: и дообучаем продвинутых робототехников через поставку образовательного «железа» уровня hi-end с готовым курсом, и разрабатываем конечные продукты — робототехнические ячейки для решения задач промышленников.
У больших компаний, как я все же подчеркну еще раз, есть потолок роста применений собственных разработок без подключения новых игроков. Я не зря написал, что разработчикам на стороне клиента (промышленным предприятиям) приходится «вскрывать мозги» серийных роботов-манипуляторов, получив прямой доступ к API/SDK или даже source code от производителя (greyhat хакерство тоже не исключено, есть примеры). Таких примеров знаю уже 10-ки. На российских выставках в этом по секрету признаются заводские робототехники («да, вскрыли сами»). На международных — на совместных стендах производители «железа» и motion planning software показывают итог «белой» интеграции.
Google — за Q-learning (в частности, машинного обучения на базе распознавания изображений с огромной базой картинок) — ОЧЕНЬ грубо говоря, показывая роботу картинки и командуя «делай, как на картинке» — и рассчитывает, что за счет записи многих координат робот, например, пойдет или сможет, к примеру, схватить что-то упругое. Но сможет ли при таком подходе робот от Google схватить кусочек тающего льда? Мы не знаем. Нам показывают только плод «глубокого» машинного обучения.
В то же время Boston Dynamics делает все в эксперименте, как «правильные» робототехники, основываясь на решении модельных задач в условиях реального мира с задачами интеграции многих сенсоров и постоянного совершенствования механизмов управления по обратной связи…
В этом отношении мои убеждения и симпатии — скорее на стороне «более физичных» BD, благо основатели Robotikum выпустили аспиранта, занимавшегося в том числе и BigDog.
На рынке интеграторском (именно так себя видит большинство компаний-разработчиков и поставщиков кастомизированных решений под конкретные задачи) принято работать в консорциумах просто потому, что задач — море, и в одиночку их «не съесть» даже гигантам (у тех не хватает ноу-хау и умения «вкурить» конкретную задачу), а «малышам» не хватает денег на собственные лаборатории и/или закупку дорогого оборудования для воспроизведения в эксперименте своих предсказаний, как должны работать их алгоритмы. Хотя большинство предсказаний оборачиваются совсем новыми выводами о свойствах реальных систем :)