Чи знаєте ви, що Retraction Watch і Retraction Watch Database є проектами Центру наукової доброчесності? Серед інших – Проект медичних доказів, Перевірка викрадених журналів і Програма Sleuths in Residence. Допоможіть підтримати цю роботу.
Ось що відбувалося в інших місцях (деякі з цих елементів можуть мати платний доступ, обмежений доступ або вимагати безкоштовної реєстрації для читання):
«Студент Массачусетського технологічного інституту вразив кращих економістів своїм дослідженням штучного інтелекту, а потім усе розвалилося».
«Високо цитовані єгипетські вчені з високим показником h-індексу все частіше влаштовуються на неповний робочий день в російські університети».
«Небезпека використання бібліометрії із забрудненими даними».
«Головного наукового співробітника провідного військово-морського науково-дослідного інституту Китаю затримали за «підроблені» облікові дані».
Дослідження виявило «Серійні маніпуляції зображеннями в статтях про нейронауку». Посилання на наше висвітлення.
«Чи потрібно діям, спрямованим на виправлення наукових даних, вийти з тіні?»
«Редакційна упередженість, кумівство та «клубна культура» в індійських медичних журналах».
Дослідники виявили, що «більшість» відкликань у біомедичних дослідженнях «пов’язані з серйозними порушеннями», такими як плагіат і шахрайство.
«Дослідницька чесність, безсумнівно, переживає кризу»: відповідь головному редактору The Lancet, який заявив, що доброчесність «це виклик, а не криза».
Серед лауреатів премії Фонду Ейнштейна 2025 року – психолог, робота з відтворюваності в Бразилії та проект про те, як помилки в лабораторії впливають на результати.
На ScienceGuardians, «тіньовій групі, яка намагається дискредитувати наукових детективів», включаючи Елізабет Бік, Гійома Кабанак та інших, в Інтернеті.
Дослідження показує, що «генеративний штучний інтелект може зробити наукові публікації більш справедливими та конкурентоспроможними».
«Соціологія науки: що потрібно, щоб помилкові або шахрайські твердження закріпилися?»: допис у блозі від Ендрю Гелмана.
“Справжня робота редактора — це не контроль над воротами. Це партнерство. І наше найважливіше партнерство — це партнерство з нашими авторами”, — пише Харлан Крумгольц, головний редактор журналу Американського коледжу кардіології.
Нова політика NIH «скидає «виплати» на основі результатів рецензування та вимагає географії та інших факторів для схвалення» грантів.
BMJ висловлює занепокоєння на папері, стверджуючи про зв'язок між пропуском першого скринінгу та смертю від раку молочної залози.
Дослідники кажуть, що їхня система штучного інтелекту може «надати ретельний і конструктивний відгук про наукові рукописи за лічені хвилини».
«Чи планується «Китайський цикл» для наукового видання?»
«Величезна кількість даних: більше публікацій, краща наука?»
«Десять років роботи, щоб віддати належне авторам за їхню роботу — і чому ще багато чого потрібно зробити».
«Чи зможемо ми впоратися без COPE?»
«Чому поточна модель академічного видавництва є етично недосконалою — і що ми можемо зробити, щоб її змінити».
Oxford University Press купує Karger: «Останнє велике придбання до того, як великі технології принесуть великі зміни?»
«Чи напише ШІ наступний «розділ» в оглядах літератури?» Коли дослідники попросили магістрів зробити огляд літератури щодо досліджень психічного здоров’я, «майже дві третини цитат [were] сфабриковані або неточні».
«Чи слід писати наукові статті більше як дописи в блогах?»
Подобається Retraction Watch? Ви можете зробити a неоподатковуваний внесок для підтримки нашої роботислідкуйте за нами на X або Bluesky, як ми на Facebookслідкуйте за нами на LinkedIn, додайте нас до своїх RSS читачабо підпишіться на наш щоденний дайджест. Якщо ви знайдете скасування, це немає в нашій базі данихви можете дайте нам знати тут. Щоб отримати коментарі чи відгуки, надішліть нам електронний лист за адресою [email protected].
Обробка…
Успіх! Ви в списку.
Ой! Сталася помилка, і ми не змогли обробити вашу підписку. Перезавантажте сторінку та повторіть спробу.
Літак, який активно використовується комерційними авіакомпаніями по всьому світу, потребує виправлення програмного забезпечення для вирішення проблеми, яка сприяла раптовому падінню висоти літака JetBlue минулого місяця, повідомили виробник і європейські регулятори авіаційної безпеки в п’ятницю.
Цей крок може призвести до деяких затримок рейсів, оскільки американські мандрівники повертаються додому після свят подяки.
Airbus заявив, що аналіз інциденту з JetBlue показав, що інтенсивне сонячне випромінювання може пошкодити дані, критичні для функціонування органів управління польотом на літаках сімейства A320.
Агентство з авіаційної безпеки Європейського Союзу видало директиву, яка вимагає від операторів A320 вирішити цю проблему. Агентство повідомило, що це може спричинити «короткочасний збій» у розкладі польотів.
У American Airlines близько 480 літаків сімейства A320, з яких 209 постраждали. За словами авіакомпанії, виправлення триватиме близько двох годин для багатьох літаків, а оновлення для переважної більшості буде завершено в п’ятницю. Кілька буде закінчено в суботу.
American Airlines очікує певних затримок, але заявила, що зосереджена на обмеженні скасувань, оскільки клієнти повертаються додому після святкової подорожі на День подяки. Він сказав, що безпека буде його головним пріоритетом.
Delta заявила, що очікує, що проблема торкнеться менше ніж 50 її літаків A321neo. У United повідомили, що постраждали шість літаків у своєму парку, і очікують незначних збоїв у кількох рейсах. У Hawaiian Airlines заявили, що це не вплинуло.
Майк Стенгел, партнер консалтингової фірми з управління аерокосмічною промисловістю AeroDynamic Advisory, сказав, що виправлення можна вирішити між польотами або під час нічних перевірок літака.
«Безумовно не ідеально, щоб це відбувалося на дуже всюдисущому літаку в напружені святкові вихідні», — сказав Стенгель. «Хоча, знову ж таки, перевага полягає в тому, що для оновлення програмного забезпечення потрібно лише кілька годин».
Щонайменше 15 пасажирів JetBlue отримали поранення та були доставлені до лікарні після інциденту 30 жовтня на борту рейсу з Канкуна, Мексика, до Ньюарка, Нью-Джерсі. Літак перенаправили в Тампу, штат Флорида.
Airbus зареєстрована в Нідерландах, але головний офіс знаходиться у Франції.
Це один із найбільших у світі виробників літаків поряд з Boeing.
За словами Стенгеля, A320 є головним конкурентом Boeing 737. Airbus оновив свій двигун у середині 2010-х років, і літаки цієї категорії називаються A320neo, сказав він.
A320 є найбільш продаваним у світі сімейством однофюзеляжних літаків, повідомляє веб-сайт Airbus.
Я Сабрін. Останні 10 років я працював у сфері ШІ по всій Європі — від великих компаній і стартапів до дослідницьких лабораторій. І якби сьогодні мені довелося почати заново, я б, чесно кажучи, все одно вибрав цю сферу. чому
З тих самих причин, які привели багатьох із нас сюди: інтелектуальний виклик, вплив, який ви можете мати, любов до математики та програмування та можливість вирішувати реальні проблеми.
Але дивлячись у бік 2026 року… чи варто воно того?
Якщо ви прокрутите сторінку LinkedIn, ви побачите дві команди, які борються: одна каже, що «Наука про дані мертва», а інша каже, що вона зростає завдяки тенденції ШІ.
Коли я дивлюся навколо себе, я особисто думаю, що нам завжди будуть потрібні обчислювальні навички. Нам завжди будуть потрібні люди, які зможуть зрозуміти дані та допомогти прийняти рішення. Числа завжди були всюди, і чому вони зникнуть у 2026 році?
Однак ринок змінився. І щоб орієнтуватися в цьому зараз, вам потрібні хороші вказівки та чітка інформація. У цій статті я поділюся власним досвідом роботи в дослідницькій та промисловій сферах, а також наставництва понад 200 спеціалістів із обробки даних за останні кілька років.
Отже, що зараз відбувається на ринку?
Я буду чесним і не продам тобі жодної мрії про це. Мета полягає не в упередженості, а в тому, щоб дати вам достатньо інформації, щоб прийняти власне рішення.
Чи є професійна сім’я Data Science більш широкою, ніж будь-коли?
Джерело: pixaya (Каненорі)
Однією з найбільших помилок молодших спеціалістів з обробки даних є те, що вони вважають, що Data Science — це одна робота.
У 2026 році Data Science — це велика сім’я ролей. Перш ніж написати один рядок коду, вам потрібно зрозуміти, де ви підходите.
Людей захоплює ШІ: як ChatGPT розмовляє, як Neuralink стимулює мозок і як алгоритми впливають на здоров’я та безпеку. Але давайте будемо чесними: не всі початківці спеціалісти з обробки даних будуть створювати такі проекти.
Для цих ролей потрібна сильна прикладна математика та розширені навички програмування. Чи означає це, що ви ніколи не досягнете їх? Ні. Але вони часто призначені для людей із докторським рівнем, науковців із обчислювальної техніки та інженерів, які навчаються саме для цих нішевих робіт.
Давайте візьмемо реальний приклад: сьогодні (27 листопада) я побачив пропозицію про роботу спеціаліста з машинного навчання та обробки даних у компанії GAFAM.
Скріншот зроблений автором
Якщо подивитися на опис, вони просять:
Патенти
Першоавторські публікації
Дослідницькі внески
Чи всі, хто цікавиться Data Science, мають патент чи публікацію? Звичайно ні.
Ось чому ви повинні уникати руху наосліп.
Якщо ви щойно закінчили навчальний курс або на початку навчання, подача заявки на вакансію, яка явно потребує публікації наукових досліджень, принесе лише розчарування. Ці дуже спеціалізовані вакансії зазвичай призначені для людей із високим академічним досвідом (доктор філософії, постдокторація або обчислювальна інженерія).
Моя порада: будьте стратегічними. Зосередьтеся на ролях, які відповідають вашим навичкам. Не витрачайте час на подачу заявок скрізь.
Використовуйте свою енергію для створення портфоліо, яке відповідає вашим цілям.
Ви повинні розуміти різні підполя в Data Science і вибрати те, що відповідає вашому досвіду. Наприклад:
Аналітик даних про продукт / науковець: життєвий цикл продукту та потреби користувачів
Інженер машинного навчання: розгортання моделей
Інженер GenAI: працює на LLM
Classic Data Scientist: умовивід і передбачення
Якщо ви подивитеся на роль спеціаліста з обробки даних у Meta, то технічний рівень часто більш адаптований до більшості спеціалістів із обробки даних на ринку порівняно з роллю основного інженера-дослідника штучного інтелекту або старшого спеціаліста з обробки даних.
Ці ролі більш реалістичні для тих, хто не має докторського ступеня.
Скріншот зроблений автором
Навіть якщо ви не хочете працювати в GAFAM, майте на увазі:
Вони задають напрямок. Те, що їм потрібно сьогодні, завтра стане нормою скрізь.
А як щодо програмування та математики у 2026 році?
Джерело: pixabay (NoName_13)
Ось суперечлива, але чесна правда про 2026 рік: Аналітичні та математичні навички важливіші, ніж просто кодування.
чому Зараз майже кожна компанія використовує інструменти ШІ для написання коду. Але штучний інтелект не може замінити вашу здатність:
розуміти тенденції
поясніть, звідки походить значення
розробити правильний експеримент
інтерпретувати модель у реальному контексті
Кодування все ще важливо, але ви не можете бути «загальним імпортером» — тим, хто лише імпортує sklearn і запускає .fit() і .predict().
Дуже скоро агент штучного інтелекту може зробити це за нас. Але ваші математичні та аналітичні здібності все ще важливі, і завжди будуть.
Простий приклад: Ви можете запитати ШІ: «Поясніть PCA так, ніби мені 2 роки».
Але ваша справжня цінність як Data Scientist виникає, коли ви запитуєте щось на зразок:
“Мені потрібно оптимізувати виробництво води моєю компанією в певному регіоні. Цей регіон стикається з проблемами, через які мережа стає недоступною за певними шаблонами. У мене є сотні функцій щодо цього стану мережі. Як я можу використовувати PCA і бути впевненим, що найважливіші змінні представлені на ПК, який я використовую?”
-> Цей людський контекст є вашою цінністю. -> AI пише код. -> Ви вносите логіку.
А як щодо панелі інструментів Data Science?
Почнемо з Python. Як мова програмування з великою спільнотою даних, Python все ще є важливою та, ймовірно, першою мовою, яку потрібно вивчати майбутнім спеціалістам із обробки даних.
Те саме для Scikit-learn, класичної бібліотеки для завдань машинного навчання.
Скріншот зроблений автором
Ми також можемо побачити в Google Trends (кінець 2025 року), що:
PyTorch зараз більш популярний, ніж TensorFlow
Інтеграція GenAI розвивається набагато швидше, ніж класичні бібліотеки
Інтерес аналітика даних залишається стабільним
Ролі інженера з обробки даних і спеціаліста зі штучного інтелекту зацікавили більше людей, ніж звичайні ролі спеціаліста з обробки даних
Не ігноруйте ці моделі; вони дуже допомагають приймати рішення.
Ви повинні залишатися гнучкими.
Якщо ринку потрібні PyTorch і GenAI, не залишайтеся лише на Keras і старому NLP.
А як щодо нового стека на 2026 рік?
У цьому дорожня карта на 2026 рік відрізняється від 2020 року. Щоб отримати роботу сьогодні, вам потрібно бути готовий до виробництва.
Контроль версій (Git): Ви будете використовувати його щодня. І, чесно кажучи, це одна з перших навичок, яку потрібно освоїти на початку. Це допоможе вам організувати ваші проекти та все, що ви дізнаєтесь.
Незалежно від того, чи розпочинаєте ви магістерську програму чи навчальний табір, не забудьте створити свій перший репозиторій GitHub і вивчіть кілька основних команд, перш ніж йти далі.
AutoML: Зрозумійте, як це працює та коли його використовувати. Деякі компанії використовують інструменти AutoML, особливо для спеціалістів із обробки даних, які більше орієнтовані на продукт.
Інструмент, який я маю на увазі, і до якого ви можете отримати безкоштовний доступ, є Dataik. У них чудова академія з безкоштовними сертифікатами. Це один із інструментів AutoML, який вибухнув на ринку за останні два роки. Якщо ви не знаєте, що таке AutoML: це інструмент, який дозволяє створювати моделі ML без кодування. Так, воно існує.
Пам’ятаєте, що я раніше говорив про кодування? Це одна з причин, чому інші навички стають більш важливими, особливо якщо ви орієнтований на продукт Data Scientist.
MLOps: Блокнотів уже не вистачає. Це стосується кожного. Ноутбуки гарні для дослідження, але якщо в якийсь момент вам знадобиться розгорнути свою модель у виробництві, ви повинні вивчити інші інструменти.
І навіть якщо вам не подобається інженерія даних, вам все одно потрібно розуміти ці інструменти, щоб ви могли спілкуватися з інженерами даних і працювати разом.
Коли я говорю про це, я думаю про такі інструменти, як Докер (перегляньте мою статтю), MLflow (посилання тут), і FastAPI.
LLMs і RAG: Вам не потрібно бути експертом, але ви повинні знати основи: як працює LangChain API, як навчити невелику мовну модель, що означає RAG і як це реалізувати. Це справді допоможе вам виділитися на ринку та, можливо, просунутися далі, якщо вам знадобиться створити проект із залученням агента ШІ.
Портфоліо: якість над кількістю
Як ви можете довести, що можете виконати роботу на цьому швидкому та конкурентному ринку? Я пам’ятаю, що я написав статтю про те, як створити портфоліо 2 роки тому, і те, що я збираюся тут сказати, може виглядати дещо суперечливим, але дозвольте мені пояснити. До того, як ChatGPT та інструменти штучного інтелекту заполонили ринок, було дуже важливо мати портфоліо з купою проектів, щоб продемонструвати свої різні навички, як-от очищення та обробка даних, але сьогодні всі ці основні кроки часто виконуються за допомогою інструментів штучного інтелекту, які готові до цього, тому ми зосередимося більше на створенні чогось, що вирізнить вас і змусить рекрутера захотіти з вами познайомитися.
Я б сказав: “Уникайте виснаження. Будуйте розумно”.
Не думайте, що вам потрібно 10 проектів. Якщо ти студент чи молодший, достатньо одного-двох хороших проектів.
Скористайтеся часом, який ви маєте під час стажування або останнього проекту початкового кемпу, щоб створити його. Будь ласка, не використовуйте прості набори даних Kaggle. Подивіться в Інтернеті: ви можете знайти величезну кількість реальних даних про випадки використання або дослідницькі набори даних, які частіше використовуються в промисловості та лабораторіях для створення нових архітектур.
Якщо ваша мета не заглиблюватися в технічну сторону, ви все одно можете продемонструвати інші навички у своєму портфоліо: слайди, статті, пояснення того, як ви думали про цінність бізнесу, які результати ви отримали та як ці результати можна використовувати в реальності. Ваше портфоліо залежить від роботи, яку ви хочете.
Якщо ваша мета більше орієнтована на математику, рекрутер, ймовірно, захоче побачити ваш огляд літератури та те, як ви реалізували останню архітектуру своїх даних.
Якщо ви більше орієнтовані на продукт, мене більше зацікавлять ваші слайди та те, як ви інтерпретуєте результати ML, ніж якість вашого коду.
Якщо ви більше орієнтовані на MLOps, рекрутер подивиться, як ви розгортали, контролювали та відстежували свою модель у виробництві.
На завершення я хочу нагадати вам, що ринок швидко змінюється, але це ще не кінець Data Science. Це просто означає, що вам потрібно більше знати, де ви підходить, які навички ви хочете розвивати, і як ви себе представляєте.
Продовжуйте вчитися та створіть портфоліо, яке справді відображає вашу особу. Ви знайдете своє місце ❤️
Якщо вам сподобалася ця стаття, не соромтеся стежити за мною в LinkedIn, щоб дізнатися більше про штучний інтелект, науку про дані та кар’єру.
Analytic Partners другий рік поспіль зайняла перше місце в останньому магічному квадранті Gartner для рішень для моделювання комплексу маркетингу. Ця оцінка відображає постійне визнання її стратегій і платформ, які дозволяють проводити маркетинговий аналіз і приймати рішення на рівні підприємства.
Лідерство Gartner
Нещодавня оцінка Gartner поставила Analytic Partners найвищу за «Здатність виконувати» та найвищу за «Завершеність бачення» серед усіх постачальників рішень для моделювання комплексу маркетингу. Оцінка є частиною щорічного огляду сектору, класифікуючи компанії на основі надання послуг і бачення майбутнього розвитку ринку.
«Ми маємо честь бути визнаними лідером другий рік поспіль і раді бути визнаними найкращими за «Завершеність бачення» та найвищими за «Здібність до виконання», — сказала Ненсі Сміт, президент і генеральний директор Analytic Partners.
Платформа компанії GPS Enterprise та інтелект ROI Genome були особливо виділені як основні фактори підтримки рішень на основі даних для компаній у фінансах, маркетингу та операційній діяльності.
Оцінки можливостей
У супровідному звіті Gartner про критичні можливості аналітичних партнерів оцінено за дев’ятьма ключовими критеріями. Компанія отримала найвищі оцінки у восьми категоріях: «Швидкість до цінності», «Можливість адаптації маркетологів», «Можливість адаптації між функціями», «Комплексна аналітика та виконання», «Self-Service Modeling Workbench», «Креативна оцінка», «Таксономія творчих даних» і «Відстеження бренду».
Analytic Partners також отримали найвищий рейтинг у звіті Critical Capabilities у сценаріях використання Enterprise Mix Modeling і Mix Modeling for Branding, обидва оцінивши 4,25 з 5 можливих.
«Ми вважаємо, що «Критичні можливості Gartner» демонструють важливість комерційних можливостей, управління складністю та крос-функціональне впровадження для збільшення швидкості до цінності», — сказала Меггі Мерклін, директор із роботи з клієнтами Analytic Partners.
«У всіх галузях ми бачимо, як лідери підприємств об’єднуються навколо єдиного джерела правди для прийняття рішень. Наші клієнти використовують комерційну аналітику для прийняття рішень щодо ціноутворення, виробництва, засобів масової інформації та творчості, кількісно оцінюючи вплив кожної дії. Результатом є швидше прийняття рішень, більш точне узгодження керівництва та вимірне зростання підприємства», — сказав Мерклін.
Еволюція комерційної аналітики
Компанія пояснює свої останні рейтинги еволюцією своєї системи комерційної аналітики. Цей підхід має ширшу перспективу порівняно з традиційним моделюванням комплексу маркетингу, спрямованим на об’єднання бізнес-важелів із заходами зростання всієї організації. Analytic Partners заявляє, що її рішення надають практичну інформацію, яка допомагає узгодити такі функції, як фінанси, маркетинг і операції.
Підприємство представило нові функції на своїй платформі, такі як аналіз на основі ШІ та можливості для динамічного творчого аналізу та оцінки впливу на бренд. Вони розроблені, щоб запропонувати клієнтам аналітику, яка відображає поточні зміни в маркетинговому секторі.
Огляд платформи
GPS Enterprise — це інтегрована аналітична платформа Analytic Partners, яка поєднує інтеграцію даних, аналітичні інструменти та механізми оптимізації. Система включає ROI Genome, пропонуючи інтелектуальні дані для прийняття бізнес-рішень щодо цілей зростання. Платформа була створена для задоволення потреб прийняття рішень у складних середовищах і спрямована на підтримку масштабованості бізнесу при дотриманні стандартів безпеки даних і конфіденційності.
Методологія Magic Quadrant від Gartner забезпечує порівняння ефективності постачальників у масштабах ринку, враховуючи такі фактори, як бачення, здатність до виконання та спеціальні можливості. Отримані результати використовуються підприємствами для оцінки відповідності постачальників технологій їхнім змінним вимогам.
Успішні компанії, що надають послуги, розуміють, що найкраще розгортання ШІ – це надійність і час безвідмовної роботи. Якщо ваша кінцева мета — обслуговувати клієнтів, невдача просто не вихід.
Коли демонстрація ШІ не вдається на сцені, глядачі сміються. Але коли штучний інтелект зазнає невдачі в полі, ніхто не сміється.
Під час основної доповіді Meta Connect у вересні 2025 року їхні нові окуляри зі штучним інтелектом засвітилися (двічі) перед переповненою аудиторією. Звичайно, це було незручно, і Марк Цукерберг був розчарований, але натовп захихотів, і демонстрація продовжилася.
Коли ви використовуєте штучний інтелект, щоб допомогти усунути критичне обладнання, наприклад, вентилятор чи генератор, несправність не так легко переварити. Коли система виходить з ладу або дає неправильну відповідь, ефект пульсації може коштувати реальних грошей. Що ще гірше, збій певних технологій може поставити під загрозу життя людей. Для людей, які обслуговують промислове обладнання, медичне обладнання або виробничі лінії, збій просто не вихід. Оскільки штучний інтелект відіграє більшу роль у виконанні роботи, компанії повинні переконатися, що вони готові до реального світу.
Дивіться також: Подолання бар’єрів на шляху розвитку ШІ
Переосмисліть термін безвідмовної роботи
У сучасному сервісному середовищі час безвідмовної роботи означає безперебійну роботу. Йдеться про передбачення проблем, а не просто реагування на них.
Наше власне дослідження показало, що, наприклад, найкращі організації, що надають послуги на місцях, вирішують проблеми лише за два дні, тоді як нижчі організації займають у чотири рази більше часу. А коли техніки мають повний набір машинних даних, вони можуть діяти ще до того, як клієнт дізнається про проблему, захищаючи від збоїв і затримок, які не просто незручні – вони можуть коштувати клієнтам мільйони втрат продуктивності та відтоку клієнтів.
Наземний ШІ в реальності
Оскільки все більше організацій у сфері виробництва та обслуговування покладаються на штучний інтелект, стає загальновідомим, що справжній інтелект приходить завдяки поєднанню цих даних із людським досвідом.
Найкращий штучний інтелект для цієї галузі не просто зчитує журнали чи дані датчиків – він вивчає нотатки техніків, старших техніків, стенограми дзвінків, історію обслуговування та робочі замовлення та розуміє, як люди насправді говорять про проблеми в полі. У реальному світі можуть бути сотні тисяч способів описати або вирішити проблему. Багато агентських рішень штучного інтелекту тепер мають здатність аналізувати інформацію на предмет нюансів. Ці системи можуть визначити, коли мотору, що верещить, може знадобитися не тільки масло.
Завдяки цьому рівню вбудованого контекстного інтелекту ШІ може швидко спрямувати будь-кого, незалежно від досвіду, до правильної відповіді. Надаючи рекомендації, засновані на глибокому розумінні проблеми, агенти штучного інтелекту можуть допомогти компаніям запобігти дорогим збоям, які виникають через неповну або неповну інформацію.
Тримайте людей у курсі подій
Одне, чого ми всі навчилися — і з реальності, і з таких фільмів, як «Термінатор», — це ніколи не повністю покладатися на автоматизацію. Найрозумніші системи – це ті, які дозволяють людям контролювати роботу за допомогою перевірки за принципом «людина в циклі», керованих робочих процесів і адаптивних підказок, які розвиваються з часом.
У відділах обслуговування цей баланс має значення. Найдосконаліші механізми штучного інтелекту можна навчити розпізнавати нюанси в мові та вираженні, але інтуїція технічного спеціаліста, напрацьована роками роботи, все одно може вловити те, що може пропустити алгоритм.
Компанії, які використовують штучний інтелект, повинні використовувати цю технологію для посилення людської інтуїції, а не замінювати її. Утримання людей у суміші – ще один спосіб захиститися від невдачі.
Розбити силоси
Протягом багатьох років керівники сфери послуг та ІТ боролися з відключеними системами. Інструменти ERP і CRM допомогли, але лише до певної міри.
Agentic AI це змінив. Об’єднуючи структуровані та неструктуровані дані – від датчиків IoT до технічних приміток до історичних журналів обслуговування – це створює єдине джерело правди, яким може користуватися кожен. Це дозволяє командам переходити від реактивного вирішення проблем до проактивного запобігання. Коли інформація вільно перетікає між службами, технікою та ІТ, дрібні проблеми вирішуються до того, як вони переростуть у серйозні простої.
Що зараз можуть зробити керівники служби
Інтеграція штучного інтелекту в критично важливі середовища полягає не в погоні за тенденціями, а у створенні систем, які заслуговують на довіру, залежать від контексту та стійкі. Щоб потрапити туди:
1) Почніть із визначення головних завдань і випадків використання, які ви хочете вирішити. Зосередьтеся на інвестиціях у штучний інтелект там, де вони можуть мати найбільший вплив на роботу та бізнес.
2) Знищите дані. Об’єднайте записи послуг, потоки даних і людські знання в одну екосистему, щоб ваш ШІ мав повний контекст.
3) Виберіть ШІ, який навчається у ваших людей. Правильна платформа має розуміти, як ваші техніки спілкуються, діагностують і приймають рішення, а не просто читати журнали.
4) Тримайте людей у курсі подій. Використовуйте ШІ, щоб покращити судження, а не замінити його. Створюйте цикли зворотного зв’язку, щоб система ставала розумнішою з кожною взаємодією.
5) Вимірюйте успіх надійністю, а не рекламою. Метою є не швидкоплинність – це менше збоїв, швидші виправлення та кращі результати для клієнтів.
Успішні компанії, що надають послуги, розуміють, що найкраще розгортання ШІ – це надійність і час безвідмовної роботи. Якщо ваша кінцева мета — обслуговувати клієнтів, невдача просто не вихід.
Роб є головним мережевим директором і одним із засновників Smart Maritime Network. Він також є головою Smart Maritime Council. Роб працював у секторі морських технологій з 2005 року, керуючи редакцією низки провідних видань у секторі транспорту та логістики. Зв’яжіться електронною поштою, натиснувши тут, або на LinkedIn, натиснувши тут.
Сьогодні японська компанія Trend Micro Inc., яка розробляє програмне забезпечення для кібербезпеки, представила свій пакет безпеки Trend Vision One AI, який незабаром буде запущений, і забезпечує проактивне централізоване керування ризиками з аналітикою для середовищ, керованих штучним інтелектом.
Нова пропозиція, яка планується запустити під час AWS re:Invent на початку грудня, розроблена для захисту повного стека додатків ШІ від розробки моделі до середовища виконання та, таким чином, розширює проактивну безпеку на кожному етапі розгортання ШІ.
Пакет спрямований на допомогу організаціям у створенні систем штучного інтелекту, які не бачать того, як ці системи обробляють дані, приймають рішення або можуть бути використані загрозливими суб’єктами. Trend Micro стверджує, що традиційні інструменти безпеки, які обслуговують кінцеву точку, мережу та хмару, не були створені для розуміння поведінки моделей або специфічних ризиків штучного інтелекту, як-от миттєве впровадження, підтасування даних або маніпуляція виведенням, залишаючи організації наражаючись на помилки та сліпі зони, які існуючі інструменти ніколи не були розроблені для вирішення.
Trend Micro стверджує, що змінить гру, запропонувавши комплексний спосіб виявлення ризиків у моделях штучного інтелекту та автоматично захищаючи їх за допомогою інтелектуальних огорож AI. Він також використовує технологію Nvidia BlueField3 для посилення безпеки на рівні апаратного прискорення через розгортання моделі.
До складу Trend Vision One входить сканер штучного інтелекту, який постійно відстежує моделі, щоб виявити вразливі місця, і застосовує захисні огородження штучного інтелекту для захисту від загроз, щоб створити проактивну систему замкнутого циклу для управління ризиками штучного інтелекту. Компанія також запускає кілька інтегрованих інструментів безпеки, призначених для забезпечення проактивного захисту на основі штучного інтелекту в хмарних середовищах.
Нові інструменти включають AI Security Blueprint і Risk Insights, які встановлюють піддане аудиту управління AI з уніфікованою візуалізацією ризиків. Мета полягає в тому, щоб надати практичну інформацію для забезпечення відповідності та захисту власних моделей у процесі розробки та на підприємстві. Інший інструмент, Cloud Risk Management – Project-Centric View, має на меті зруйнувати безпеку розробників за допомогою моніторингу в режимі реального часу, миттєвих сповіщень про загрози та повної видимості ризиків у ланцюгах постачання.
Інші нові інструменти включають захист контейнерів і кодів, який пропонує так звану безпеку зсуву вліво — переміщення оцінки вразливості на ранні етапи розробки та зменшення накладних витрат вручну завдяки автоматизації. Крім того, безпека файлів із підтримкою сховищ NetApp забезпечує захист хмарних сховищ у режимі реального часу від зловмисного програмного забезпечення та програм-вимагачів із безпековим дизайном.
Що стосується штучного інтелекту, Agentic SIEM з інтеграцією власних журналів AWS забезпечує власне штучне інтелектуальне виявлення хмари та реагування. І Zero Trust Secure Access – AI Secure Access поширює нульову довіру на генеративні інструменти AI, щоб полегшити детальне застосування політики для контролю взаємодії співробітників, запобігання розкриттю конфіденційних даних і пом’якшення критичних ризиків «тіньових ІТ».
“Інновації без нагляду – це ризик, який компанії не можуть собі дозволити. Наша мета – забезпечити основу, безпеку штучного інтелекту та захист, щоб узгодити трансформацію штучного інтелекту з безпекою та довірою”, – сказала Рейчел Джин, керівник платформи та бізнес-офіцера Trend Micro. «Будуючи за цими принципами з самого початку, організації можуть впевнено рухатися вперед, оскільки штучний інтелект стає центральним у їх розвитку».
Запуск базується на липневій співпраці Trend Micro з Nvidia для забезпечення наскрізного захисту для агентних систем штучного інтелекту, який був зосереджений на розширенні інновацій у масштабному управлінні ризиками штучного інтелекту підприємства.
Зображення: Trend Micro
Підтримуйте нашу місію залишати вміст відкритим і безкоштовним, залучаючись до спільноти CUBE. Приєднуйтеся до мережі довіри випускників theCUBEде технологічні лідери об’єднуються, діляться досвідом і створюють можливості.
11,4 тисячі+ випускників theCUBE — Спілкуйтеся з більш ніж 11 400 технічним і бізнес-лідерам, які формують майбутнє через унікальну надійну мережу.
Про SiliconANGLE Media
SiliconANGLE Media є визнаним лідером у сфері цифрових медіа-інновацій, поєднуючи передові технології, стратегічні ідеї та залучення аудиторії в реальному часі. Будучи материнською компанією SiliconANGLE, theCUBE Network, theCUBE Research, CUBE365, theCUBE AI і theCUBE SuperStudios — з головними офісами в Кремнієвій долині та на Нью-Йоркській фондовій біржі — SiliconANGLE Media працює на перетині медіа, технологій і штучного інтелекту.
Компанія SiliconANGLE Media, заснована Джоном Фур’єром і Дейвом Велланте, створила динамічну екосистему провідних брендів цифрових медіа, які охоплюють більше 15 мільйонів елітних технічних професіоналів. Наша нова запатентована відеохмара theCUBE AI Video Cloud відкриває шлях для взаємодії з аудиторією, використовуючи нейронну мережу theCUBEai.com, щоб допомогти технологічним компаніям приймати рішення на основі даних і залишатися в авангарді галузевих розмов.
Цього тижня вийшов «Цифровий омнібус». ніч зараз працює над поглибленим письмовим аналізом, який ми сподіваємось опублікувати наступними днями. Для попереднього перегляду ми зібрали членів команди, які працювали над різними аспектами пропозиції Європейської комісії щодо Omnibus, у відеоролику, щоб детальніше ознайомитися з вибраними темами (нове визначення персональних даних, новий виняток для досліджень, обмеження правил прозорості та нові правила доступу до кінцевого обладнання). Сподіваємось, це відео буде для вас корисним!
Компанія NTT, Inc. використала нещодавній науково-дослідний форум NTT у Токіо, щоб детально розповісти про нову технологію ШІ під назвою Large Action Model (LAM).
Що таке LAM?
Це модель штучного інтелекту, яка передбачає наміри клієнтів на основі даних часових рядів, організованих у форматі «4W1H» (хто, коли, де, що та як), зібраних із різних точок взаємодії з клієнтами, включаючи онлайн-канали та фізичні магазини.
На відміну від великої мовної моделі (LLM), яка, як ми знаємо, загалом працює над розумінням, інтерпретацією та генеруванням тексту людською мовою, основна функція LAM полягає в «перетворенні людського введення» в конкретні кроки в певному середовищі чи системі.
На практиці LAM часто служать основою для агентів ШІ.
З точки зору аргументації та планування, LAM часто об’єднують складне планування та логічні можливості для визначення оптимальної послідовності дій, необхідних для досягнення кінцевої мети користувача.
Ця технологія забезпечує «дуже персоналізований маркетинг 1-на-1», пристосований до потреб кожного клієнта.
Числові та категоріальні дані
LAM — це генеративна технологія штучного інтелекту, що спеціалізується на даних часових рядів, яка включає як числові, так і категоріальні дані, маючи структуру, подібну до великих мовних моделей (LLM).
Можливо, чисельні дані — це інформація, що стосується основної цінності, а категориальні дані використовуються для класифікації інформації в різні групи, не зовсім так, як мета-дані та синтаксичний аналіз бази даних, але в тому ж полі, тобто. Категориальні дані містять інформацію, яка детально описує якості, характеристики чи групи… їх значення зазвичай є мітками чи іменами, тому їх фактично не можна використовувати для значущої арифметики.
Інтеграційна ситуація DOCOMO
NTT відповідав за дослідження, розробку та налаштування моделі, тоді як DOCOMO займався інтеграцією даних клієнтів, створенням LAM і перевіркою ефективності просування. У результаті кількість замовлень мобільних і розумних послуг, пов’язаних із життям, за допомогою телемаркетингу зросла майже в 2 рази порівняно зі звичайними методами.
Завдяки оптимізації дизайну та параметрів власний LAM DOCOMO був створений менш ніж за один день обчислень, що еквівалентно приблизно 145 годинам GPU, на сервері GPU, оснащеному вісьмома блоками NVIDIA A100 (40 ГБ).
Згідно з NTT, “Оскільки компанії прагнуть підвищити рівень задоволеності клієнтів і створити нові можливості для отримання доходу, просування маркетингових стратегій стало ключовим викликом. Донедавна більшість компаній покладалися на “сегментний маркетинг”, який групує клієнтів за такими атрибутами, як вік або стать, і надає індивідуальні пропозиції кожній групі. Однак останніми роками “маркетинг 1-до-1”, який пропонує персоналізовані пропозиції для кожного окремого клієнта, привертає увагу, створюючи потребу в більшій кількості чітке розуміння клієнта».
Компанія стверджує, що для ефективного впровадження індивідуального маркетингу важливо використовувати послідовні дані про поведінку, отримані з різних щоденних точок контакту з клієнтами, і розуміти потреби клієнтів на основі всього процесу, що веде до придбання продуктів або підписки на послуги, відомого як шлях клієнта.
Однак через те, що частота та формат даних відрізняються в різних точках дотику, інтегрувати та аналізувати дані часових рядів було технічно складно. Наприклад, дані про використання програми створюють високочастотні операційні журнали, тоді як дані про магазини в основному складаються з менш частотних даних, таких як придбані товари та способи оплати. Інтегрувати ці різноманітні набори даних в уніфікований спосіб складно, і при спробі додатково врахувати комбінації та послідовності взаємодій клієнтів складність і обчислювальна вартість аналізу значно зростають.
Тим часом NTT каже, що проводить дослідження та розробку технології штучного інтелекту під назвою LAM, яка вивчає та передбачає моделі поведінкових послідовностей у даних часових рядів, які включають як числові, так і категоричні дані.
Модель на основі трансформатора
Ця технологія має архітектуру, подібну до великих мовних моделей (LLM), і дозволяє прогнозувати майбутню поведінку за допомогою моделі на основі трансформатора, тобто типу архітектури нейронної мережі, яка використовується в глибокому навчанні з особливим відношенням до обробки природної мови (NLP), яка використовує механізм, який називається самоувагою.
У цьому співробітництві всередині NTT Group дві компанії інтегрували свої відповідні технології. Використовуючи платформу CX Analytics від DOCOMO для консолідації даних клієнтів у формі часових рядів і застосовуючи LAM NTT з оптимізованим методом налаштування, вони створили власну LAM DOCOMO, досягнувши зниження витрат на обчислення.
Здатність вашої організації використовувати переваги штучного інтелекту залежатиме від стратегії даних вашого підприємства. Агентам потрібна нова база даних, яка поєднує аналітичні платформи для їхніх багатих історичних петабайтів даних із високопродуктивними транзакційними базами даних для дій у реальному часі. Агенти повинні бути міцно обґрунтовані керованими корпоративними даними, щоб вони могли створювати надійні результати. Розрізнені, фрагментовані стеки даних не можуть запропонувати ці можливості.
Хмара даних Google ґрунтується на інтеграції BigQuery як аналітичної системи, таких баз даних, як Spanner і AlloyDB для оперативної обробки, Looker для бізнес-аналітики та Dataplex Universal Catalog для керування даними та керування ними.Він розроблений з єдиним уніфікованим баченням, де операційні, аналітичні системи та системи штучного інтелекту працюють разом як єдина структура. Завдяки штучному інтелекту, впровадженому в кожен рівень, платформа автоматизує завдання протягом усього життєвого циклу даних. Базуючись на бізнес-контексті та корпоративних даних, він надає надійну аналітичну інформацію в масштабі. Ця активна основа постійно адаптується за допомогою інтелектуальних даних у реальному часі, дозволяючи командам створювати інтелектуальні додатки наступного покоління та агентський досвід, мінімізуючи при цьому складність.
Давайте розглянемо три переваги, які підприємства усвідомлюють, коли працюють в уніфікованій хмарі даних на основі штучного інтелекту, а також наші останні інновації, які допоможуть вам процвітати в епоху агентів.
Прискорення виходу на ринок завдяки автономному дизайну
Щоб швидко рухатися в епоху агентів, ваша організація повинна видалити ручні процеси, які відокремлюють дані від дій, керованих ШІ. Наша хмара даних із штучним інтелектом передає потужність штучного інтелекту безпосередньо у ваші дані, щоб забезпечити роботу автономних агентських систем. Це своєчасно, оскільки клієнти все більше переходять на робочі процеси, керовані штучним інтелектом, про що свідчить збільшення в 27 разів обсягу даних, які обробляються в BigQuery за допомогою Gemini.
Ми втілюємо це бачення, вбудовуючи набір спеціалізованих агентів безпосередньо в платформу. Ми надаємо спеціалізований автономний агент даних для будь-якого типу користувачів даних — від спеціалістів із обробки даних та інженерів до бізнес-аналітиків. До них відносяться Data Engineering Agent для автоматизації складних трубопроводів, в Data Science Agent для виконання моделювання ML без ручного налаштування та Агент розмовної аналітики щоб дозволити будь-якому користувачеві у вашій організації отримувати відповіді за допомогою природної мови. Ці агенти утворюють спільну мережу агентів штучного інтелекту, яка може забезпечити наскрізні робочі процеси даних.
Ваші розробники також мають інструменти, необхідні для створення агентів, адаптованих до ваших конкретних бізнес-процесів, наприклад, новий Data Agents API та Комплект розробки агента (ADK). Розширення Gemini CLI дозволяють групам даних використовувати природну мову для комплексного аналізу, а також Аналітика агента в BigQueryстворений за допомогою ADK, дозволяє фіксувати, аналізувати та візуалізувати продуктивність агента, взаємодію користувачів і пов’язані з ними витрати.
Ці можливості забезпечують бізнес-результати. Лоу реалізували першу стратегію штучного інтелекту в хмарі даних Google для свого сайту електронної комерції та мобільного додатка, щоб покращити пошук продукту для клієнтів, які роблять покупки з візуальними перевагами. Тепер клієнти можуть знаходити візуально подібні продукти, що призводить до додаткового річного доходу на понад 15 мільйонів доларів США від предметів домашнього декору та підвищення коефіцієнтів конверсії продажів.
Контролюйте операційні витрати на єдиному керованому фонді
Фрагментація даних може призвести до високих витрат на ШІ. Хмара даних від Google — це інтегрована платформа, яка об’єднує всі ваші операційні та аналітичні навантаження, включаючи легку інтеграцію з Vertex AI, нашою платформою для створення моделей і агентів ШІ. Це мінімізує переміщення та зберігання зайвих даних і створює більш ефективну економічну модель. Насправді, згідно з нашим аналізом, може бути у вісім-16 разів рентабельніше виконувати робочі навантаження з даними та штучним інтелектом на одній платформі BigQuery та Vertex AI, ніж на окремих відключених системах.
В епоху агентів довіра та поступливість мають першорядне значення. Відключені дані та штучний інтелект потенційно становлять значний ризик для управління: загроза витоку даних, галюцинації агентів, упереджені результати та недотримання нормативних вимог. Ефективне управління допомагає забезпечити чесність цих агентів. У той же час механізм управління та знань платформи створює активний каталог AI у вашій хмарі, забезпечуючи вам глибоке розуміння вашого середовища даних. Агенти штучного інтелекту можуть використовувати цей каталог для визначення правильних наборів даних для використання з більш ніж на 50% більшою точністю, ніж традиційні методи, зменшуючи помилки та покращуючи довіру.
Ми продовжуємо надавати нові функції, які зміцнюють цю основу. Наприклад, для ШІ контекст — це все, але надання цього контексту може бути складним, коли ви навчаєте агентів мультимодальним даним, таким як текст, відео та зображення. Щоб допомогти, ми об’єднали повний спектр можливостей ШІ в BigQuery. Незалежно від того, чи хочете ви створювати моделі машинного навчання, обробляти величезні обсяги неструктурованих даних за допомогою генеративного штучного інтелекту або створювати додатки з розширеною генерацією пошуку (RAG) за допомогою векторних вбудованих і гібридний пошуктепер ви можете робити це безпосередньо там, де зберігаються ваші дані. Векторний пошук Спаннератим часом об’єднує складні мультимодальні запити, дозволяючи вашим командам консолідувати повнотекстовий пошук, графіки та векторні навантаження в одній системі.
У той же час, автономні, критично важливі програми, такі як ті, які покладаються на фінансові транзакції в реальному часі або виконують глобальні оновлення інвентаризації, повинні бути побудовані на перевіреній базі даних. Новий колонний двигун Spanner об’єднує транзакційну та аналітичну обробку, завдяки чому аналітичні запити виконуються до 200 разів швидше на поточних оперативних даних.
У звіті Gartner Critical Capabilities for Operational Cloud DBMS за 2025 рік компанія Google (Spanner) посіла першу трійку рейтингів серед усіх варіантів використання, у тому числі №1 у легких транзакціях. А Google (BigQuery) посіла перше місце в аналізі подій у звіті Gartner Critical Capabilities for Analytical Cloud DBMS за 2025 рік, що, на нашу думку, підкреслює нашу здатність забезпечувати обробку даних у реальному часі, необхідну для високопродуктивних автономних систем.
Ви можете побачити стратегічну перевагу об’єднаного керованого фонду в Banco BV's зусилля з модернізації. Компанія перейшла з Databricks на Google Cloud, щоб покращити керування, масштабувати свою інфраструктуру даних і задовольнити зростаючі вимоги клієнтів, суворо керуючи безпекою. Завдяки міграції, централізації керування даними та прискоренню тестування моделі штучного інтелекту вони прагнуть підвищити ефективність бізнесу на 100%.
Розрахована на майбутнє ваша архітектура з відкритою платформою
Щоб забезпечити довгострокову життєздатність і запобігти прив’язці до постачальника, ваші інвестиції в ШІ потребують фундаменту, заснованого на відкритих стандартах. Відкрита платформа дає вашим командам гнучкість для модернізації вашої екосистеми даних і створення систем на основі ШІ, які можуть обробляти дані в будь-якому хмарному середовищі. Цей підхід вирішує компроміс між гнучкістю озера даних і продуктивністю сховища даних.
Ми виконуємо обіцянку щодо інновацій відкритої платформи, віддаючи пріоритет швидкості, безпеці та гнучкості. AlloyDB більш ніж у чотири рази швидше для транзакційних робочих навантажень і забезпечує вдвічі кращу ціну-продуктивність порівняно з самокерованим PostgreSQL. Крім того, ви можете запускати його де завгодно за допомогою AlloyDB Omni, створюючи мульти- та гібридні хмарні середовища. Для ваших критичних робочих навантажень Spark ми забезпечуємо високу продуктивність Lightning Engine для Apache Sparkтепер загальнодоступний. Цей механізм покращує продуктивність Spark більш ніж у чотири рази порівняно з Spark з відкритим кодом і забезпечує на 10% швидше виконання запитів, ніж Databricks Photon.
Потім, щоб зберегти ваші дані в майбутньому, ми зберігаємо все доступним і сумісним Велике Озеронаш рівень керування, який діє як об’єднуюча структура для ваших відкритих даних. Наша підтримка відкритих форматів, включаючи нещодавню загальну доступність каталогу Apache Iceberg REST, допомагає вашим даним залишатися доступними та готовими для ваших майбутніх потреб.
Наша прихильність відкритим інноваціям демонструється Deutsche Telekomякий модернізував понад 40 застарілих систем даних у «Єдину екосистему даних» у Google Cloud відповідно до суворих німецьких норм щодо суверенітету даних. Використовуючи Sovereign Cloud і Apache Iceberg як основну відкриту платформу, вони створили уніфіковану, сумісну архітектуру, яка забезпечує єдине джерело істини для таких служб, як BigQuery та Spanner, що призвело до 22-кратного підвищення продуктивності для ключового випадку використання.
що далі
Щоб дізнатися більше про наше розміщення та про те, як, на нашу думку, ми можемо пришвидшити вашу подорож даних, завантажте безкоштовний файл Звіт Gartner Magic Quadrant for Cloud Database Management Systems за 2025 рік.
Gartner, Magic Quadrant for Cloud Database Management Systems, Генрі Кук, Сінгю Гу, Рамке Рамакрішнан, Аарон Розенбаум, Масуд Міраз, 18 листопада 2025 р.
Gartner, Critical Capabilities for Cloud Database Management Systems for Operational Use Cases, Ramke Ramakrishnan, Masud Miraz, Xingyu Gu, Henry Cook, Aaron Rosenbaum, 19 листопада 2025 р.
Gartner, Critical Capabilities for Cloud Database Management Systems for Analytical Use Cases, Аарон Розенбаум, Рамке Рамакрішнан, Генрі Кук, Сінью Гу, Масуд Міраз, 19 листопада 2025 р.
Gartner не підтримує жодного постачальника, продукт або послугу, описану в її дослідницьких публікаціях, і не радить користувачам технологій вибирати лише тих постачальників із найвищими рейтингами чи іншими позначеннями. Публікації досліджень Gartner складаються з думок дослідницької та консультативної організації Gartner і не повинні розглядатися як констатації фактів. Gartner відмовляється від будь-яких гарантій, явних чи непрямих, щодо цього дослідження, включаючи будь-які гарантії товарної придатності чи придатності для певної мети.
GARTNER є зареєстрованою торговою маркою та знаком обслуговування Gartner, Inc. та/або її філій у США та за кордоном, а MAGIC QUADRANT є зареєстрованою торговою маркою Gartner, Inc. та/або її філій і використовуються тут з дозволу. Всі права захищені.
Ця графіка була опублікована Gartner, Inc. як частина більшого дослідницького документа, і її слід оцінювати в контексті всього документа. Документ Gartner доступний за запитом від Google.
