Категорія: Великі Дані та Аналітика

ОКРУГ ПРИНЦ-ВІЛЬЯМ, Вірджинія – Мешканці округу Принс-Вільям знову збираються мітингувати проти пропонованих центрів обробки даних у своєму районі.

Демонстрація в середу відбулася в той момент, коли компанія Dominion Energy розглядає план будівництва лінії електропередач довжиною шість миль для з’єднання своїх станцій.

Що вони кажуть:

Домініон проводить день відкритих дверей на кампусі університету Джорджа Мейсона, щоб залучити сусідів до їхніх проблем щодо цього проекту, тому організатори провели мітинг у середу.

Організатори мітингу проти дата-центрів кажуть, що їм набридло відчуття, що їхні райони стають подовжувачами для великих даних.

Звичайно, ми знаємо, що в Північній Вірджинії неймовірно велика щільність центрів обробки даних, і ці люди хочуть покласти цьому край.

“Вони пройдуть прямо через мій двір”, – сказав Роб Плейс, чий дім знаходиться на одному із запропонованих маршрутів для проекту. “Між мною та моїм сусідом, поставте ці вежі, знецініть моє майно, крім того, що мене справді хвилює, це здоров'я та безпека моєї родини”.

«Дика природа в лісі, причина, чому ви тут, в першу чергу, перетворюється на це. Вона перетворюється на гігантські лінії електропередачі, про які ніхто не просив», — сказала під час мітингу сенатор штату Вірджинія Даніка Роем.

Передісторія:

Нова запропонована Dominion лінія електропередачі призначена для з’єднання існуючої підстанції Nokesville з майбутньою комутаційною станцією Bristow.

За словами Домініон, він матиме довжину близько 6,5 миль з трьома потенційними варіантами маршруту, які зараз оцінюються.

Домініон стверджує, що лінія забезпечить надійне електропостачання, але жителі цього не хочуть, кажучи, що щільність центрів обробки даних в окрузі Принс-Вільям вже є надзвичайною.

Ці жителі кажуть, що запропоновані маршрути негативно вплинуть на райони, школи округу та природні території.

FOX 5 звернувся до Dominion. Ми ще не отримали відповіді.

Новини графства принца Вільяма

Ви претендуєте на роботу; чи етично для бота зі штучним інтелектом переглядати ваше резюме до того, як воно потрапить до реальної людини? А як щодо вашого відділу кадрів, який використовує комп’ютерний бот для відстеження продуктивності? І чи прийнятно, щоб штучний інтелект відстежував і аналізував залученість, задоволеність і настрої співробітників без відома співробітників?

Подібні запитання вивчає Сальваторе Фаллетта, який став керівником відділу кадрів і став академіком, у своєму дослідженні проблем етики та конфіденційності в кадровій сфері, аналітики персоналу та прийняття рішень на основі доказів.

«Мої дослідницькі, викладацькі та професійні інтереси лежать на перетині освіти, психології та бізнесу», — сказав Фаллетта, професор практики на кафедрі людського та організаційного розвитку та лідерства, політики та організацій у коледжі освіти та людського розвитку Пібоді.

АНАЛІТИКА ЛЮДЕЙ

Одна зі сфер компетенції Falletta пов’язує штучний інтелект безпосередньо з кадровою аналітикою — використання даних і аналізу для отримання інформації про робочу силу організації, щоб, сподіваємося, приймати більш обґрунтовані бізнес-рішення.

Фаллетта вважає, що аналітика людей або робочої сили має величезний потенціал, щоб допомогти організаціям отримати інформацію, необхідну для формування креативних стратегій у сфері управління персоналом. До них входять інструменти, які вимірюють досвід співробітників, продуктивність і тенденції щодо робочої сили.

Але є важливе застереження.

“Багато організацій закінчаться і приймуть керовані штучним інтелектом рішення, такі як інструменти перевірки резюме та прогнозована аналітика людей, у контексті HR. Але вони роблять все це, не повністю враховуючи та не розуміючи етичних, правових і трудових наслідків”, – сказав він.

“Ключ до будь-якого інструменту штучного інтелекту полягає в тому, що ви завжди повинні тримати людей у ​​центрі. Ви ніколи не повинні дозволяти штучному інтелекту самостійно приймати рішення щодо робочої сили”.

Серед улюблених нових інструментів штучного інтелекту Falletta є ті, які можуть слухати та вимірювати відгуки та залученість співробітників, за умови, що вони роблять це етично та прозоро.

«Це дає співробітникам право голосу в режимі реального часу, якщо організації не просто слухають і вживають дій», — сказав він.

Він сказав, що інструменти штучного інтелекту також можуть бути чудовими для посилення роботи рекрутера, наприклад допомагати сканувати тисячі резюме, якщо компанія розуміє дані, які використовуються для навчання інструменту штучного інтелекту.

УНИКАЙТЕ «МОТОШНУ АНАЛІТИКУ»

Збір даних про співробітників та їхню роботу також має темну сторону, наприклад, організації розширюють межі за допомогою інструментів опитування на основі штучного інтелекту, які відстежують вирази обличчя, або інструментів спостереження, які фотографують рух робочого столу працівника.

Але Фаллетта все ще вірить, що аналітика людей може залишатися силою добра, якщо з нею поводитися правильно. Він об’єднав свої останні дослідження в книзі під назвою Моторошна аналітика: Уникайте перетину межі та запровадьте етичну кадрову аналітику для прийняття розумніших рішень щодо персоналу.

«Ми спостерігаємо поступову ерозію конфіденційності на робочому місці через ці поширені інструменти збору даних, тому я спробував запропонувати дослідження та експертизу щодо того, як компанії та організації в будь-якому секторі чи галузі можуть розробити надійні можливості аналітики людей, не переходячи межі», — сказав він.

МАЙБУТНІ ДОСЛІДЖЕННЯ

Окрім подальшої роботи зі штучним інтелектом, дослідження Фаллетти аналізуватимуть залученість співробітників і лідерів.

«Я переконаний, що драйвери, які є найбільш важливими для лідера, відрізняються від працівників загалом, і я хочу дослідити, що відбувається в результаті цього», — сказав він.

За його словами, Вандербільт є ідеальним місцем для такого типу досліджень, частково через унікальність і міждисциплінарний характер людського та організаційного розвитку.

“У нас є викладачі, які вийшли зі шкіл психології, освіти, навчання дорослих, технологій, лідерства та бізнесу. Отже, програма HOD знаходиться на цьому дуже практичному перетині. Я з нетерпінням чекаю на вигідну кар'єру тут”, – сказав він.

Стадіони Вищої бейсбольної ліги стають не просто місцями для перегляду гри. По всій країні нові забудови перетворюють футбольні стадіони на райони, де поєднуються спорт, житло, ресторани та роздрібна торгівля.

Новий звіт JLL показує, що ці «райони стадіонів» добре працюють з точки зору нерухомості, допомагаючи командам утримувати вболівальників протягом року. У цій статті розглядається, як почалася ця тенденція, висвітлюються приклади, які працюють, і пояснюється, що це може означати для Tampa Bay, коли нові власники Rays шукають власну ділянку.

Процес дослідження

JLL дослідила показники нерухомості поблизу великих спортивних об’єктів у США. Дослідження виявило вищу заповнюваність і пішохідний рух у цих районах порівняно з сусідніми ринками.

Будівництво стадіону різко сповільнилося у 1980-х роках, як показує ця діаграма JLL.

Аналітики розглянули ставки оренди, роздрібну оренду та показники відвідуваності для команд із прилеглими багатофункціональними районами. Звіт об’єднує дані з національних баз даних лізингу, дослідження внутрішнього ринку JLL і записи про відвідуваність MLB.

Такі команди, як Atlanta Braves, продемонстрували ефективність цього підходу. Battery Atlanta, яка включає мільйон квадратних футів комерційних площ, 500 будинків і готель, залишається еталоном. Бравс займає майже 90 відсотків своїх місць навіть у невдалий рік.

Як тренд досягає Тампа-Бей

Тепер ця модель привернула увагу нової групи власників Tampa Bay Rays.

Керуючий партнер Патрік Залупскі, генеральний директор Кен Беббі та співголова Білл Косгроув заявили на жовтневій прес-конференції, що вони планують побудувати новий стадіон у багатофункціональному районі до 2029 року.

Залупскі сказав, що група шукає приблизно 100 акрів, щоб включити роздрібну торгівлю, ресторани, бари та житлові приміщення поряд зі стадіоном. Він назвав цей розвиток «критично важливим» для довгострокового успіху команди.

ПРОЧИТАЙТЕ: USF щойно досяг 750 мільйонів доларів фінансування досліджень; ось чому це важливо

«Ми вважаємо, що без такого доходу конкурувати буде дуже складно або майже неможливо», — сказав Залупскі на своїй вступній прес-конференції. “Ми хочемо побудувати стійку чемпіонську команду. Ми впевнені, що зможемо досягти успіху в Тампа-Бей”.

Серед можливих місць — Ібор-Сіті, кампус Dale Mabry Community College Хіллсборо та власність Tropicana Field у центрі Санкт-Петербурга.

Навчання від акумулятора

Залупскі сказав, що його команда уважно вивчила The Battery Atlanta, назвавши її «золотим стандартом» для того, що Rays сподіваються створити. Проект Бравсів використовував фінансування податкових надбавок, структуру, яка реінвестує майбутні надходження податку на нерухомість від сусідніх підприємств для фінансування витрат на реконструкцію.

ПОВ'ЯЗАНО: Район газового заводу Санкт-Петербурга переосмислять у проекті вартістю 6,8 мільярда доларів

Мер Тампи Джейн Кастор, яка була присутня на прес-конференції, заявила, що не планує використовувати гроші платників податків для будівництва стадіону, але погодилася з ширшою концепцією.

«Вони розуміють, що дні самотнього бейсболу, ймовірно, позаду», — сказав Кастор. «Їм потрібен район, який оточує бейсбольне поле».

Що це означає для Тампа-Бей

Якщо Rays вдасться, проект може змінити економіку та горизонт Тампа-Бей.

Район стадіону площею 100 акрів міг би залучити національні інвестиції, розширити податкову базу регіону та створити нове цілорічне місце для вболівальників і жителів.

Виклики та наступні кроки

Графік «Променів» амбітний. Залупскі хоче, щоб стадіон був готовий до 2029 року, і назвав час «вирішальним». Група має остаточно визначити місцезнаходження, структурувати фінансування та отримати громадську підтримку для інфраструктури та зонування.

Генеральний директор Кен Беббі сказав, що увага залишатиметься локальною.

«План А — розібратися тут, у Тампа-Бей», — сказав Беббі. «Ми впевнені, що нам це вдасться».

На винос

Райони, зосереджені на стадіонах, змінюють те, як ростуть міста та як вболівальники відчувають гру. Для Тампа-Бей наступна глава Рейсів може створити більше, ніж новий дім для бейсболу. Це могло б створити новий центр тяжіння для регіону — місце зустрічі спорту, бізнесу та громади.

Залишайтеся на зв'язку

Підпишіться на інформаційний бюлетень TBBW

Слідкуйте за TBBW у соціальних мережах

Читайте більше історій TBBW

Зображення автора

# вступ

Ви, мабуть, чули кліше: «Дані — це основа сучасних організацій». Це вірно, але тільки якщо ви можете покластися на цей хребет. Я не обов’язково говорю про стан самих даних, а радше про систему, яка створює та переміщує дані.

Якщо інформаційні панелі ламаються, конвеєри виходять з ладу, а показники змінюються випадковим чином, проблема полягає не в недостатній якості даних, а у відсутності спостережуваності.

# Що таке спостережуваність даних?

Спостереженість даних — це процес моніторингу працездатності та надійності систем даних.

Цей процес допомагає групам обробки даних виявляти, діагностувати та запобігати проблемам у стеку аналітики — від прийому даних до зберігання й аналізу — перш ніж вони вплинуть на прийняття рішень.

Завдяки можливості спостереження за даними ви відстежуєте такі аспекти даних і системи.

Зображення автора

1. Актуальність даних: відстежує, наскільки актуальні дані порівняно з очікуваним графіком оновлення. Приклад: якщо щоденну таблицю продажів не оновлено до 7 ранку за розкладом, інструменти спостережень видають сповіщення, перш ніж бізнес-користувачі скористаються звітами про продажі.
2. Обсяг даних: вимірює, скільки даних надходить або обробляється на кожному етапі. Приклад: падіння записів транзакцій на 38% за одну ніч може означати, що завдання прийому даних було порушено.
3. Схема даних: виявляє зміни в назвах стовпців, типах даних або структурах таблиць. Приклад: якщо новий виробник даних надсилає оновлену схему до виробництва без попередження.
4. Розподіл даних: перевірте статистичну форму даних, тобто чи виглядають вони нормально. Приклад: відсоток клієнтів преміум-класу впадає з 29% до 3% за ніч. Спостережливість виявить це як аномалію та запобіжить оманливому аналізу швидкості відтоку.
5. Походження даних: візуалізує потік даних у екосистемі, від прийому через перетворення до кінцевих інформаційних панелей. Приклад: вихідна таблиця в Snowflake не вдається, і в поданні походження буде показано, що три інформаційні панелі Looker і дві моделі машинного навчання залежать від неї.

# Чому спостережуваність даних важлива

Переваги спостережуваності даних в аналітиці показано нижче.

Зображення автора

Кожен із параметрів або стовпів спостережуваності даних, про які ми згадували раніше, відіграє певну роль у досягненні загальних переваг спостережуваності даних.

1. Менше поганих рішень: можливість спостереження за даними гарантує, що аналітика відображає поточні умови бізнесу (параметр актуальності даних) і що цифри та шаблони даних мають сенс, перш ніж використовувати їх для аналізу (розмір розподілу даних), що призводить до меншої кількості рішень, які можуть піти не так.
2. Швидше виявлення проблеми: коли системи раннього попередження сповіщають вас про те, що дані завантажуються неповно або дублюються (розмірність обсягу даних) та/або є структурні зміни, які могли б тихо зламати трубопроводи, аномалії виявляються ще до того, як бізнес-користувачі їх навіть помітять.
3. Покращена продуктивність команди даних: параметр походження даних відображає те, як дані переходять між системами, що полегшує відстеження, звідки почалася помилка та які активи зазнали впливу. Команда обробки даних зосереджена на розробці, а не на боротьбі з пожежами.
4. Краща довіра зацікавлених сторін: це останній бос переваг спостереження за даними. Довіра зацікавлених сторін є кінцевим результатом трьох попередніх переваг. Якщо зацікавлені сторони можуть довіряти групі обробки даних, що дані є актуальними, повними, стабільними, точними, і всі знають, звідки вони взялися, довіра до аналітики випливає природно.

# Життєвий цикл і методи спостереження за даними

Як ми вже згадували раніше, можливість спостереження за даними – це процес. Його безперервний життєвий цикл складається з цих етапів.

Зображення автора

// 1. Етап моніторингу та виявлення

Мета: надійна система раннього попередження, яка в режимі реального часу перевіряє, чи щось дрейфує, зламається чи відхиляється у ваших даних.

Що тут відбувається:

Зображення автора

• Автоматизований моніторинг: Інструменти спостереження автоматично відстежують доступність даних за всіма п’ятьма основними компонентами
• Виявлення аномалії: машинне навчання використовується для виявлення статистичних аномалій у даних, наприклад, несподіване падіння кількості рядків
• Системи оповіщення: щоразу, коли відбувається будь-яке порушення, системи надсилають сповіщення Млява, PagerDutyабо електронною поштою
• Відстеження метаданих і показників: системи також відстежують інформацію, таку як тривалість завдання, рівень успіху та час останнього оновлення, щоб зрозуміти, що означає «нормальна поведінка».

// Методи моніторингу та виявлення

Ось огляд поширених прийомів, які використовуються на цьому етапі.

// 2. Етап діагностики та розуміння

Мета: зрозуміти, з чого виникла проблема та на які системи вона вплинула. Таким чином, відновлення може бути швидким або, якщо є кілька проблем, їх можна визначити за пріоритетністю залежно від тяжкості їх впливу.

Що тут відбувається:

Зображення автора

• Аналіз походження даних: Інструменти спостереження візуалізують дані від необроблених джерел до остаточних інформаційних панелей, що полегшує визначення місця виникнення проблеми
• Кореляція метаданих: тут також використовуються метадані, щоб визначити проблему та її місце розташування
• Оцінка впливу: Що вплинуло? Інструменти ідентифікують активи (наприклад, інформаційні панелі чи моделі), розташовані нижче за місцем виникнення проблеми, і покладаються на дані, на які впливає проблема
• Дослідження першопричини: походження та метадані використовуються для визначення першопричини проблеми

// Методи діагностики та розуміння

Ось огляд технік, які використовуються на цьому етапі.

// 3. Етап профілактики та покращення

Мета: вчитися на тому, що зламалося, і робити системи даних більш стійкими з кожним інцидентом шляхом встановлення стандартів, автоматизації виконання та моніторингу відповідності.

Що тут відбувається:

Зображення автора

• Контракти даних: Угоди між виробниками та споживачами визначають прийнятну схему та стандарти якості, тому немає неоголошених змін даних
• Тестування та перевірка: Автоматизовані тести (наприклад, через dbt тести або Великі сподівання) переконайтеся, що нові дані відповідають визначеним пороговим значенням перед опублікуванням. Для команд, які покращують свої навички аналітики даних і налагодження SQL, такі платформи, як StrataScratch може допомогти практикам розвинути аналітичну точність, необхідну для виявлення та запобігання проблемам якості даних
• СЛАМ & СЛАМ Відстеження: команди визначають і контролюють вимірювані цілі щодо надійності (угоди про рівень обслуговування та цілі рівня обслуговування), наприклад, 99% конвеєрів завершено вчасно
• Розслідування інциденту: кожне питання переглядається, що допомагає покращити правила моніторингу та спостережливість загалом
• Управління та контроль версій: Зміни відстежуються, документація створюється, і є призначення права власності

// Методи профілактики та покращення

Ось огляд технік.

# Інструменти спостереження за даними

Тепер, коли ви розумієте, що робить спостереження даних і як воно працює, настав час познайомити вас з інструментами, які ви використовуватимете для його впровадження.

Нижче наведено інструменти, які найчастіше використовуються.

Зображення автора

Ми розглянемо кожен із цих інструментів докладніше.

// 1. Монте-Карло

Монте Карло є галузевим стандартом і першим формалізував модель п’яти стовпів. Він забезпечує повну видимість стану даних у конвеєрі.

Ключові переваги:

• Охоплює всі стовпи спостереження за даними
• Аномалії та зміна схеми відбуваються автоматично, тобто не потрібно налаштовувати правила вручну
• Детальне відображення походження даних і аналіз впливу

Обмеження:

• Не зовсім підходить для невеликих команд, оскільки розроблено для масштабного розгортання
• Ціноутворення підприємства

// 2. Datadog

Datadog починався як інструмент для моніторингу серверів, програм та інфраструктури. Тепер він забезпечує уніфіковану можливість спостереження за серверами, програмами та конвеєрами.

Ключові переваги:

• Співвідносить проблеми з даними з показниками інфраструктури (ЦП, затримка, пам’ять)
• Інформаційні панелі та сповіщення в реальному часі
• Інтегрується, наприклад, з Apache Airflow, Apache Spark, Апач Кафкаі більшість хмарних платформ

Обмеження:

• Більша увага приділяється працездатності, а не глибоким перевіркам якості даних
• Не вистачає розширеного виявлення аномалій або перевірки схеми в спеціалізованих інструментах

// 3. Велике око

Велике око автоматизує моніторинг якості даних за допомогою машинного навчання та базових статистичних даних.

Ключові переваги:

• Автоматично генерує сотні показників свіжості, обсягу та розповсюдження
• Дозволяє користувачам візуально встановлювати та контролювати дані SLA/SLO
• Просте налаштування з мінімальними інженерними витратами

Обмеження:

• Менше уваги до глибокої візуалізації походження або моніторингу на рівні системи
• Менший набір функцій для діагностики першопричин порівняно з методом Монте-Карло

// 4. Сода

Сода це інструмент із відкритим вихідним кодом, який підключається безпосередньо до баз даних і сховищ даних для тестування та моніторингу якості даних у реальному часі.

Ключові переваги:

• Зручний для розробників із тестами на основі SQL, які інтегруються в робочі процеси CI/CD
• Версія з відкритим кодом доступна для невеликих команд
• Сильна співпраця та особливості управління

Обмеження:

• Потрібне ручне налаштування для складного текстового покриття
• Обмежені можливості автоматизації

// 5. Acceldata

Acceldata це інструмент, який поєднує перевірку якості даних, продуктивності та вартості.

Ключові переваги:

• Спільно відстежує надійність даних, продуктивність конвеєра та показники вартості хмари
• Управління гібридними та багатохмарними середовищами
• Легко інтегрується з Spark, Hadoopта сучасні сховища даних

Обмеження:

• Орієнтоване на підприємство та складне налаштування
• Менше уваги до якості даних на рівні стовпців або виявлення відхилень

// 6. Ненормальний

Аномальний це платформа на базі штучного інтелекту, орієнтована на автоматичне виявлення аномалій, що вимагає мінімальної конфігурації.

Ключові переваги:

• Автоматично вивчає очікувану поведінку з історичних даних, правила не потрібні
• Чудово підходить для моніторингу змін схеми та розподілу значень
• Виявляє тонкі, неочевидні аномалії в масштабі

Обмеження:

• Обмежене налаштування та ручне створення правил для розширених випадків використання
• Зосереджено на виявленні з меншою кількістю інструментів діагностики чи керування

# Висновок

Спостереженість даних — важливий процес, який зробить вашу аналітику надійною. Процес побудований на п’яти стовпах: свіжість, обсяг, схема, розподіл і походження даних.

Його ретельне впровадження допоможе вашій організації приймати менше неправильних рішень, оскільки ви зможете уникнути проблем у конвеєрах даних і швидше їх діагностувати. Це покращує ефективність роботи групи обробки даних і підвищує достовірність їхніх ідей.

Нейт Росіді є науковцем із обробки даних і займається стратегією продуктів. Він також є ад’юнкт-професором, який викладає аналітику, і є засновником StrataScratch, платформи, яка допомагає дослідникам даних готуватися до інтерв’ю за допомогою реальних питань для інтерв’ю від провідних компаній. Нейт пише про останні тенденції ринку кар’єри, дає поради на співбесідах, ділиться науковими проектами з даних і охоплює все, що стосується SQL.

Група мурах's Служба охорони здоров’я ШІ AQ відкриває нові Функції на основі ШІ для лікування хронічних захворювань і догляду за людьми похилого віку.

Ant Group сподівається, що безперервні інновації в охороні здоров’я сприятимуть «побудові більш надійної, ефективної та інклюзивної екосистеми охорони здоров’я в Китаї, підвищенню ефективності обмежених медичних ресурсів і сприянню медичної інклюзії для всіх».

«Ми сподіваємося, що штучний інтелект зможе розширити можливості лікарів, розширивши охоплення більшої кількості пацієнтів, звільнивши час для медичних досліджень і боротьби зі складними захворюваннями, одночасно оснастивши лікарів у громаді потужними помічниками зі штучним інтелектом», — сказав він. Кирило Хегенеральний директор Ant Group.

Нові інновації ШІ

Серед нещодавно запущених інновацій у сфері охорони здоров’я на основі штучного інтелекту:

• Інтелектуальне розпізнавання даних: користувачі можуть насолоджуватися легкістю інтелектуального аналізу даних, подальших запитань і сповіщень про аномальні дані, просто надіславши фотографію свого тонометра або глюкометра.
• Моніторинг артеріального тиску на основі AI: у партнерстві з Ювеллтонометр на основі штучного інтелекту автоматично завантажує дані та створює щотижневі звіти про здоров’я для підтримки контролю артеріального тиску.
• Нагадування про ліки: допомагає користувачам із хронічними захворюваннями приймати ліки вчасно.
• Обмін інформацією про стан здоров’я сім’ї: AQ тепер сприяє відчуттю зв’язку, забезпечуючи обмін даними про здоров’я в режимі реального часу між членами сім’ї, підтримуючи лікування хронічних захворювань і догляд за людьми похилого віку.

Завдяки великій моделі охорони здоров’я Ant Group компанія AQ стверджує, що надає передові медичні аргументи та можливості мультимодальної взаємодії.

Служба охорони здоров’я ШІ

Служба охорони здоров’я зі штучним інтелектом Ant Group AQ зараз входить до 7 найкращих у Китаї Власні програми зі штучним інтелектом і єдиний медичний додаток у списку, заснований на кількості активних користувачів щомісяця. Він надає доступ до цифрових послуг із понад 5000 лікарень, онлайн-консультації з 200 000 лікарями та підтримку від понад 300 агентів AI Doctor Agents.

54^тис Міжнародний симпозіум із високоефективного розділення рідких фаз (HPLC 2025) об’єднав 1111 вчених із 54 країн, які представляють різноманітне та динамічне хроматографічне співтовариство, готове ділитися інноваціями, кидати виклик умовам і надихати наступне покоління вчених (рис. 1). Конференція була повністю насичена науковим змістом про розділення. Автоматизація та штучний інтелект/машинне навчання займають центральне місце та готові сформувати майбутнє лабораторії. Олігонуклеотиди домінували в центрі уваги додатків, стійкість продовжувала збільшувати свою присутність, а студенти та старші вчені однаково черпали натхнення з плакатів, усних презентацій, навчальних посібників/семінарів, взаємодії з постачальниками та імпровізованих обговорень.

Подібно до попередніх оглядових статей на симпозіумі ВЕРХ (1–7), багатьох колег, присутніх на симпозіумі, попросили висловити думку щодо найцікавіших тем, які вони розглядали на заході. Далі наведено короткий опис цих виділених тем разом із деякими особистими поглядами та спостереженнями.

ChatHPLC?

Найбільш обговорюваною темою HPLC 2025 був штучний інтелект (ШІ) та його зростаючий вплив на науку про розділення. Сесії з штучного інтелекту, машинного навчання (ML) і автоматизації лабораторій відвідували добре. Хоча як ентузіазм, так і скептицизм повні, Пітер Шенмейкерс висловив гостру точку зору: «Немає ChatHPLC, який би захопив нашу роботу». Під час заходу були проведені семінари, короткі курси та навчальні посібники, присвячені штучному інтелекту та машинному обігу, що відображало зростаючий інтерес до розуміння того, як керовані даними інструменти можуть (і не можуть) допомогти в розробці методів. Декого викликає серйозне занепокоєння якість даних, які AI/ML використовує як основу для вирішення проблем або прийняття рішень. Незважаючи на те, що для багатьох ШІ знаходиться в зародковому стані щодо користі в науці про розділення, програми ШІ та ML, ймовірно, залишатимуться гарячою темою протягом багатьох років.

Олігонуклеотиди

Як і під час кількох останніх зустрічей ВЕРХ (1,7), олігонуклеотиди та терапевтичні засоби РНК домінували у сфері застосування під час HPLC 2025. Основна доповідь Коена Сандри задала тон конференції, обговорюючи структурний аналіз і посилюючи потребу в ортогональних методах, таких як рідина з оберненою фазою іонних пар (IP-RPLC), рідинна хроматографія з гідрофільною взаємодією (HILIC) і аніонообмінна (AEX) хроматографія, щоб більш повно охарактеризувати ці складні молекули. Численні доповіді, включно з Дуайтом Столлом і Мартіном Гіларом, наголошували на дизайні пор, селективності колонки та роздільній здатності як ключових інструментах роботи з цими складними аналітами та їх розуміння.

Стійкість у науці про розділення

На конференції HPLC продовжує зростати важливість сталого розвитку. Як зазначив Елія Псілакіс, «[this was] вперше сесія про стійкість з'явилася в [HPLC] програма». Розмови про екологічніші розчинники, зменшення використання розчинників завдяки мініатюризації та спрощення методів привернули серйозну увагу. Відзначений нагородою постер Хелени Грушкової про аналіз пептидних гормонів в органоїдах острівців був одним із прикладів поєднання екологічних та аналітичних інновацій. Капілярна РХ і тривимірна (3D)-друкована колонка також рекламувалася за їхню роль в економії розчинників. Розмови Дейва Анспача та Франчески Рігано припустили, що капілярний накип може бути «солодким місцем» між перевагами для навколишнього середовища та ефективністю.

Досягнення протеоміки

Протеоміка також зробила потужну появу: Райан Келлі, Ліхуа Чжан, Джон Єйтс і Дженніфер Ван Ейк представили далекоглядні підходи від 5-хвилинних одноклітинних робочих процесів до нових підходів до просторової протеоміки. Чудова робота в цій галузі забезпечує нові підходи до дослідження таких захворювань, як хвороба Альцгеймера та муковісцидоз.

Виховання наступного покоління

Однією з гучних тем була освіта. Від презентації нової книги Боба Пірока та Пітера Шонмейкерса (8) до динамічної освітньої сесії, організованої Сімоне ДіМартіно, Андреа Гаргано та Мартіною Катані, акцент на викладанні науки про розлуку був безпомилковим. Після серії блискавичних розмов про інновації в навчанні — від нещодавно опублікованих книг і програмного забезпечення для моделювання учнів до навчання підприємництву та проектних навчальних програм — сесія завершилася потужною груповою діяльністю просто неба на терасі BMCC. Учасники спільно розробили профіль ідеального вченого-аналітика майбутнього, визначивши ключові знання (такі як основи, штучний інтелект та програмування), ключові навички (наприклад, спілкування, критичне мислення та лідерство) та основні склади мислення (включно з мотивацією, емпатією, цікавістю та відкритістю).

Короткі курси охоплювали теми від проектування методу оберненої фази (Euerby) до (знову) застосувань штучного інтелекту (Pirok і Bos), наголошуючи на важливості базової та перспективної підготовки.

Одним із видатних доповнень цьогорічного симпозіуму ВЕРХ став Інноваційний центр — спеціальний простір під керівництвом Сімоне Дімартіно, створений для стимулювання творчого мислення та спільного вирішення проблем.

Разом ці сесії збагатили технічну програму незабутнім, зосередженим на людині контрапунктом, де креативність, ясність і колективне розуміння були такими ж життєво важливими, як хроматограми.

Вчені на початку кар’єри не просто навчалися, вони були лідерами. Флеш-стендові презентації дали цим ученим шанс сяяти, і учасники аплодували їхній виваженості, креативності та фундаментальній науці. Кар’єрний захід також викликав значний інтерес, запропонувавши зрозуміти галузеві тенденції та забезпечивши необхідні навички.

Одним із найвідоміших моментів конференції стала презентація одного з наших багатообіцяючих вчених із розділення «нового покоління» Гаєл Спілєрс із групи Фредеріка Лінена в Гентському університеті. Дослідження Спілєрса продемонструвало першу успішну інтеграцію рентгенівської флуоресцентної спектроскопії (XRF) як додаткового проточного універсального детектора для ВЕРХ (рис. 2). XRF забезпечує молекулярно-незалежну реакцію на основі елементів, схожу на ICP-MS, але без складності підготовки зразка чи головного болю через переноси. Хоча XRF не є чужим для аналітичної науки, він рідко використовувався в роботі з динамічним розділенням і ніколи раніше не поєднувався з ВЕРХ. Ця комбінація пропонує кілька переваг: вона кількісно визначає сполуки без необхідності використання стандартів, точно вимірює цілі групи сполук і успішно працює разом з іншими детекторами, такими як MS, щоб додати елементарну інформацію до структурного з’ясування. Хоча чутливість цієї системи першого покоління скромна, вона не є властивим обмеженням XRF; удосконалення збору даних і джерел рентгенівського випромінювання обіцяють значні покращення. Результатом є доказ принципу того, що ВЕРХ-XRF може поєднати розділювальну здатність хроматографії з універсальною лінійною реакцією XRF, потенційно пропонуючи науковому співтовариству доступний, надійний і освіжаюче нескладний варіант виявлення елементів.

HILIC… Я повинен згадати HILIC

HILIC продовжує розвиватися як потужна платформа, що розвивається, завдяки своїй зростаючій ролі в аналізі складних біомакромолекул і терапевтичних засобів нуклеїнових кислот. Досягнення в механістичному розумінні були підкреслені в доповіді Марка Шуре та плакаті від Hsiao-Feng Liu та ін., де молекулярне моделювання виявило пряму взаємодію розчиненої речовини з силанолами та лігандами, що кидає виклик традиційному погляду на поділ на шар стоячої води. Доповіді, орієнтовані на застосування, продемонстрували універсальність HILIC: Джонатан Маурер використовував HILIC для оцінки ефективності інкапсуляції ліпідних наночастинок у терапії мРНК, тоді як група Андреа Гаргано продемонструвала HILIC для створення іонних пар для профілювання домішок з високою роздільною здатністю фосфоротіованих олігонуклеотидів, подолавши аналітичну проблему різниці маси в 1 Да. Подальші інновації відбулися завдяки розробці монолітних стаціонарних фаз на основі акриламіду для селективного поділу глікоформ в інтактних моноклональних антитілах, досягнувши безпрецедентного дозволу тонких варіантів складу цукру в білках 150 кДа. У сукупності ці внески позиціонують сучасний HILIC, особливо в поєднанні зі стратегіями утворення іонних пар, вдосконаленими стаціонарними фазами та глибшим механістичним розумінням, як критичний інструмент для розділення наступного покоління в терапевтичних олігонуклеонах, мРНК і великих біомолекулах.

Від флеш-презентацій до фундаментальної філософії

Стендові презентації є важливою частиною конференції HPLC. Постерні сесії були яскравими та забезпечили потенційні кар’єрні трампліни як для молодих, так і для досвідчених професіоналів. З 515 постерами (247 у конкурсі) і спеціальними нагородами в таких сферах, як біофармацевтика, розробка методів і стійкість, плакатний зал вирував від енергії. Хелена Кім, Юліус Швігер і Атанасіос Цалмпуріс здобули значну відзнаку (Таблиця I), а такі учасники, як Ксав’є Субіратс, підкреслили важливість виконання обов’язків у журі плакатів, зазначивши «Те особливе відчуття, яке відчуваєш у себе, коли наука оживає».

І так багато іншого…

Учасники відобразили багато, багато інших важливих моментів, у тому числі розробки в багатовимірному відриві, слалом LC і мікрофабричні стаціонарні етапи, щоб назвати декілька. Ці доповіді та сесії були висвітлені такими спікерами, як Адам Вуллі, Андреа Гаргано та Фабріс Грітті. На додаток до більш академічних наукових дискусій, цьогорічна HPLC також могла похвалитися особливим промисловим напрямком. Більш детальну інформацію щодо результатів ініціативи промислових колій обіцяють отримати в майбутньому LCGC International публікацій.

Висновки

54-й симпозіум ВЕРХ у Брюгге запропонував комплексне та продумане бачення поточного стану та майбутнього напряму наук про розділення рідин. Від нових застосувань штучного інтелекту та машинного навчання до прогресу в аналізі олігонуклеотидів, підходів, орієнтованих на сталість, і постійного прогресу в розробці методу HILIC, програма відображала різноманітність поточної роботи в цій галузі. Презентації з протеоміки, нових стратегій виявлення та механістичних досліджень висвітлювали роботу над вирішенням складних аналітичних завдань. Акцент на освіті та співпраці гарантує, що як відомі науковці, так і вчені, які починають кар’єру, добре оснащені для того, щоб зробити свій внесок у майбутні розробки.

Тепер ми очікуємо HPLC 2026, яка відбудеться 6–11 червня 2026 року в Індіанаполісі, штат Індіана. Ця зустріч обіцяє й надалі забезпечувати платформу для обміну досягненнями, обговорення проблем і побудови професійних зв’язків, які підтримують розвиток розділення рідкої фази в усьому світі.

Подяки

Особлива подяка учасникам, чий вдумливий внесок сформував цей огляд: Дейрдре Кабутер, Елія Псілакіс, Фабріс Грітті, Кевін Шуг, Мартіна Катані, Девід Маккеллі, Дженніфер Філд, Сяолі Ван, Пол Джейкобс, Боб Пірок, Пітер Шонмейкерс, Фредерік Лінен, Стефан Ламотт, Емануела Гіонфріддо, Том Волтер, Саболч Фекете, Стівен Рей Вілсон, Бо Чжан, Андреа Гаргано, Френк Мішель, Сімоне ДіМартіно, Джеймс Грініас, Ксав’єр Субіратс, Кері Сімпсон та Егідіюс Махтеєвас.

І щиро вітаємо організаційний комітет: Герта Десмета, Кена Брукховена, Дейрдре Кабутер, Себастьяна Елтінка, Фредеріка Лінена та почесного голову Пет Сандру.

Список літератури

1. Белл, Д. С. Основні моменти 51-го Міжнародного симпозіуму з високоефективного розділення рідкої фази та відповідних методів (ВЕРХ 2023). LCGC North Am. 2023 рік, 41 (8), 322–327. DOI: 10.56530/lcgc.na.hq8476g7
2. Белл, Д.С.; Muraco, C.; Фланнері, К. Основні моменти симпозіуму HPLC 2018. LCGC North Am. 2018 рік, 36 (10), 736–743.
3. Белл, Д. С. Основні моменти симпозіуму HPLC 2018. LCGC North Am. 2017 рік, 35 (9), 650–658.
4. Белл, Д. С. Основні моменти з HPLC 2016. LCGC Європа 2016 рік, 29 (9), 506–515.
5. Белл, Д. С. Основні моменти симпозіуму HPLC 2019. LCGC North Am. 2019 рік, 37 (10), 732–739.
6. Белл, Д.С.; Ван, X.; Майорс, RE Основні моменти симпозіуму HPLC 2015. LCGC Європа 2015 рік, 28 (9), 500–505.
7. Muraco, CE Основні моменти з 52-го Міжнародного симпозіуму з високоефективного розділення рідкої фази та відповідних методів (HPLC 2024). LCGC Int. 2024 рік, 1 (8), 12–17. DOI: 10.56530/lcgc.int.dg8577l7
8. Пірок, Б.В.; Швець, П.Ж Наука про аналітичне розділення; Королівське хімічне товариство, 2025

У новинах аналітики в реальному часі цього тижня: конференція Confluent Current 2025 цього тижня була зосереджена на об’єднанні даних у реальному часі та ШІ.

Слідкувати за новинами та подіями на ринку аналітики в реальному часі та штучного інтелекту може бути складним завданням. На щастя, у нас є короткий виклад елементів, з якими наші співробітники стикаються щотижня. І якщо ви віддаєте перевагу його в папці “Вхідні”, зареєструватися тут!

Конфлюентний зробив ряд повідомлень на поточній конференції цього тижня. Тема цьогорічної конференції «де поєднуються дані в реальному часі та штучний інтелект» демонструє зростаючу потребу тих, хто розробляє ініціативи штучного інтелекту, включати в свої зусилля потоки, події та інші форми даних у русі. Оголошення, зроблені на конференції, відображали цю вимогу. Зокрема, компанія повідомила:

• Запуск Confluent Intelligence для створення та підтримки контекстно-насиченого штучного інтелекту (AI) у реальному часі. Створений на основі Confluent Cloud, повністю керований стек безперервно передає та обробляє історичні дані та дані в реальному часі, доставляючи цей контекст безпосередньо в програми AI. Завдяки Confluent Intelligence компанії можуть створювати системи штучного інтелекту, які базуються на динамічних, надійних даних.
• Загальна доступність (GA) інтеграції Delta Lake та Databricks Unity Catalog у Confluent Tableflow, а також доступність Early Access (EA) на Microsoft OneLake. Ці функції роблять Tableflow повністю керованим наскрізним рішенням, яке об’єднує операційні, аналітичні системи та системи штучного інтелекту (AI) у гібридних і багатохмарних середовищах. Крім того, Confluent тепер отримує теми Apache Kafka безпосередньо в таблиці Delta Lake або Apache Iceberg із автоматизованим контролем якості, синхронізацією каталогу та безпекою корпоративного рівня.
• Представлення механізму контексту реального часу, повністю керованого сервісу з використанням протоколу модельного контексту (MCP). Сервіс надає структуровані дані в режимі реального часу та точний релевантний контекст будь-якому агенту штучного інтелекту (AI), другому пілоту або програмі на базі великої мовної моделі (LLM). За допомогою Real-Time Context Engine розробники можуть використовувати платформу потокової передачі даних Confluent, щоб керувати своєю інфраструктурою даних і швидко розблокувати надійний контекст для всіх своїх агентів ШІ та програм будь-де.

Коротко про новини аналітики в реальному часі

NVIDIA і її партнери зробили ряд оголошень, пов’язаних зі штучним інтелектом і аналітикою в реальному часі, на конференції NVIDIA GTC цього тижня. Серед елементів NVIDIA компанія анонсувала NVIDIA NVQLink, відкриту системну архітектуру для тісного поєднання екстремальної продуктивності графічного процесора з квантовими процесорами для створення прискорених квантових суперкомп’ютерів. NVQLink поєднує численні підходи до квантових процесорів і апаратних систем керування безпосередньо до суперкомп’ютерів зі штучним інтелектом, надаючи уніфіковане готове рішення для подолання ключових проблем інтеграції, з якими стикаються квантові дослідники під час масштабування свого апаратного забезпечення.

Серед інших помітних повідомлень від партнерів компанії:

• Hammerspace представила своє рішення, призначене для оптимізації доступу до корпоративних даних для програм агентського штучного інтелекту. Нове рішення, узгоджене з еталонним дизайном платформи даних NVIDIA AI Data Platform, усуває потребу у дорогому капітальному ремонті інфраструктури або нових накопичувачах, дозволяючи підприємствам безперешкодно використовувати наявні дані для прискореного штучного інтелекту.
• Червоний Капелюх оголосила про підтримку Red Hat OpenShift на ЦП NVIDIA BlueField. Компанія також оголосила, що поширюватиме NVIDIA CUDA Toolkit серед RHEL, OpenShift і Red Hat AI. Він також представив Red Hat захищений від STIG UBI для графічних процесорів NVIDIA на Red Hat OpenShift.

Актіанвідділ обробки даних HCLSoftware, оголосив про запуск сервера Actian Model Context Protocol (MCP), нової можливості платформи Actian Data Intelligence Platform. Сервер MCP дозволяє підприємствам передавати керовані високоякісні дані безпосередньо в асистенти зі штучним інтелектом (AI), створені на основі великих мовних моделей (LLM), таких як Claude і ChatGPT.

Технології Akamai запустив Akamai Inference Cloud, платформу, яка розширює висновки від основних центрів обробки даних до краю Інтернету. Зокрема, це рішення забезпечує інтелектуальний, агентний штучний інтелект на межі, поблизу користувачів і пристроїв. Платформа спеціально створена для забезпечення обробки периферійного штучного інтелекту в режимі реального часу з низькою затримкою в глобальному масштабі. Цей запуск Akamai Inference Cloud використовує глобальну розподілену архітектуру Akamai та NVIDIA Інфраструктура Blackwell AI.

Альтаїр анонсувала основні оновлення в Altair RapidMiner, щоб допомогти організаціям запровадити інтелектуальні дані, поєднавши людське розуміння, автоматизацію даних і агентську співпрацю ШІ в єдиній екосистемі. Останні оновлення зміцнюють аналітику даних Altair і екосистему ШІ, дозволяючи організаціям створювати масштабовані, надійні та інтелектуальні середовища даних.

Аномальний представила AIDA, Intelligent Data Analyst від Anomalo, аналітик даних AI, створений безпосередньо на платформі якості даних. Завдяки AIDA кожен користувач даних може взаємодіяти зі своїми даними за допомогою природної мови, миттєво відкриваючи статистику та знаючи, що кожна відповідь надходить із контрольованих високоякісних наборів даних. AIDA використовує існуючі готові з’єднувачі Anomalo для більш ніж 17 різних джерел даних, у тому числі Google BigQuery, Databricksі Сніжинка.

CelerData оголосила про загальну доступність StarRocks 4.0, останнього великого випуску проекту аналітичної бази даних з відкритим вихідним кодом, який забезпечує високоефективну аналітику для сучасних підприємств. StarRocks 4.0 поєднує гнучкість відкритого озера даних із надзвичайною продуктивністю та уніфікованим керуванням, підвищуючи швидкість, послідовність і масштабованість у відкритій екосистемі аналітики.

Commvault представила Data Rooms, безпечне середовище, яке дозволяє підприємствам безпечно підключати свої довірені дані резервного копіювання до платформ ШІ, на які вони покладаються, або до власних ініціатив ШІ, таких як внутрішні озера даних. Компанія також оголосила, що розмова стала новим інтерфейсом для управління стійкістю підприємства. Це стало можливим завдяки серверу Model Context Protocol (MCP) Commvault. Завдяки цьому користувачі можуть взаємодіяти з Commvault Cloud простою мовою, щоб налаштовувати, керувати та виконувати завдання стійкості.

DeltaStream оголосила про ширшу доступність DeltaStream Fusion, своєї уніфікованої платформи потокових даних, яка об’єднує потокову, реальну та пакетну аналітику в одному безсерверному інтерфейсі. DeltaStream Fusion, спочатку запущений у ранньому доступі, тепер готовий до виробництва та перевірений клієнтами. Він також доступний на Microsoft Azureнадаючи організаціям ще більшу гнучкість для розгортання там, де знаходяться їхні дані.

AI Еспресо запустив нове рішення, яке перетворює Databricks в агентський озерний будинок. Рішення використовує машинне навчання для оптимізації сучасних сховищ даних у реальному часі. Зокрема, Espresso AI для Databricks побудовано на трьох стовпах, які пропонують агент автомасштабування, агент планування та агент запитів.

InfluxData оголосив, що InfluxDB 3.6 тепер доступний як для Core, так і для Enterprise. У цьому випуску представлено оновлення 1.4 для InfluxDB 3 Explorer із запуском бета-версії Ask AI. InfluxDB 3 Core є безкоштовним і відкритим вихідним кодом, оптимізованим для останніх даних і ліцензованим згідно з MIT і Apache 2. InfluxDB 3 Enterprise розширює можливості Core за допомогою довгострокового збереження даних, кластеризації, точної безпеки та можливостей керування.

Інформатика оголосила про випуск восени 2025 року, який представляє нові функції та можливості, які підключають корпоративні дані до наступного покоління агентів ШІ. Зокрема, нові можливості на платформі компанії Intelligent Data Management Cloud (IDMC) розроблені, щоб допомогти клієнтам розблокувати продуктивність, посилити безпеку даних і зміцнити довіру до прийняття рішень на основі ШІ. Прикладом є випуск перших агентів CLAIRE, які дають змогу користувачам автоматизувати складні цілі управління даними.

Leaseweb оголосив про наявність NVIDIA Графічні процесори L4 у своїй платформі Public Cloud у Сполучених Штатах і Канаді. Це вже доступно в Європі, це знаменує розширення прискорення графічного процесора на суверенну хмарну інфраструктуру Leaseweb по всій Північній Америці, розширюючи його готову до штучного інтелекту хмару за межі виділених серверів і дозволяючи організаціям виконувати вимогливі робочі навантаження з більшою продуктивністю, гнучкістю та економічною ефективністю.

НЕПОЗОРИЙ оголосила про створення OPAQUE Studio для прискорення безпечної розробки агентів Confidential AI. Створена на базі LangGraph і тепер доступна на платформі конфіденційного штучного інтелекту OPAQUE, OPAQUE Studio має довіру, що перевіряється під час виконання, що дозволяє організаціям швидше та впевненіше переміщувати агентське розгортання з пілотного середовища в робоче.

Qlik оголосила про загальну доступність багатовимірних часових рядів (MVTS) у Qlik Predict, завдяки чому зрозуміле прогнозування, прискорене графічним процесором, додається безпосередньо до Qlik Cloud. Окрім MVTS, Qlik також виявив, що її можливість WriteTable буде загальнодоступною в грудні 2025 року. WriteTable дозволяє командам працювати з прогнозами, створеними штучним інтелектом, оновлюючи робочі таблиці та запускаючи подальші дії, не виходячи з Qlik.

SUSE анонсовано SUSE Linux Enterprise Server (SLES) 16. Новий випуск забезпечує глибшу видимість, розуміння та автоматизоване керування для оптимізації операцій. Крім того, SLES 16 представляє агентський ШІ з реалізацією стандарту Model Context Protocol (MCP). Реалізація агентського штучного інтелекту SUSE Linux пропонує безпечний, розширюваний спосіб підключення моделей штучного інтелекту до зовнішніх інструментів і джерел даних.

Терадата анонсував подробиці про свої нові послуги штучного інтелекту, які вирішують критичну корпоративну задачу: перетворення пілотних програм штучного інтелекту на готові до виробництва агентські рішення, які забезпечують значну цінність для бізнесу. Інтегрована пропозиція поєднує в собі вбудованих експертів із перевіреною методологією та платформу знань Teradata, щоб допомогти організаціям у розробці та масштабуванні агентів штучного інтелекту в їх бізнесі.

Партнерство, співпраця тощо

Амплітуда оголосив про співпрацю з метою запуску міжагентної інтеграції для корпоративних продуктів і груп інженерів. Ця інтеграція агентів забезпечує робочі процеси на основі штучного інтелекту, де Amplitude діє як агентний менеджер продукту, усуваючи розрив між інформацією про продукт і впровадженням коду.

Еластичний оголосив про нову інтеграцію з Лазурний AI Foundry, що забезпечує спостережуваність для агентських додатків ШІ та великих мовних моделей (LLM). Інтеграція дає змогу в режимі реального часу аналізувати навантаження LLM, генеративного штучного інтелекту та агентського штучного інтелекту, що дозволяє організаціям створювати, контролювати та оптимізувати інтелектуальні агенти на Azure AI Foundry.

SAS тепер пропонує SAS Viya Essentials, стандартне безпечне розгортання окремих продуктів SAS Viya на Microsoft Azure з керованими хмарними службами SAS. Готова до використання пропозиція полегшує клієнтам доступ до даних SAS і програмного забезпечення штучного інтелекту стандартизованим і спрощеним способом.

WEKA оголосила про розробку наступного покоління NeuralMesh від WEKA, своєї інтелектуальної системи зберігання даних, для нещодавно анонсованої NVIDIA Блок обробки даних (DPU) BlueField-4. Цей підхід усуває потребу в автономних серверах ЦП, натомість використовує пропускну здатність мережі та покращення обчислень NVIDIA BlueField-4 для сучасних інфраструктур даних ШІ.

Якщо у вашій компанії є аналітичні новини в реальному часі, надсилайте оголошення на адресу [email protected].

Якщо ви пропустили це, ось наші останні щотижневі аналітичні новини в реальному часі:

Щоб захистити вашу конфіденційність під час використання PS5, ви можете налаштувати певні параметри, щоб контролювати, яку інформацію бачать інші, обмежувати, хто може спілкуватися з вами, і керувати безпекою свого облікового запису. Це включає обмеження, хто може бачити ваш онлайн-статус, історію ігор та інформацію профілю, а також контроль доступу до вашого облікового запису та консолі.

Під Налаштуванняголова до Користувачі та облікові записи > Конфіденційність > Перегляньте та налаштуйте налаштування конфіденційності.

Тут ви можете контролювати, хто може бачити ваше справжнє ім’я, фотографію профілю, список друзів, ігрову активність та історію, а також хто може надсилати запити на дружбу або взаємодіяти з вами в Інтернеті. Для кожної зі змінних у цьому меню я рекомендую вибрати “Ніхто” і “Лише близькі друзі.” Це має значно зменшити небажані запити друзів або спам.

Також: як очистити кеш телевізора (і чому не варто чекати, щоб це зробити)

Якщо ви схожі на мене, ви не відчуваєте потреби наповнювати базу даних Sony більшою кількістю особистої інформації, ніж потрібно, як-от голосові дані, зібрані через мікрофон вашого контролера DualSense.

Під Конфіденційністьпрокрутіть униз до пункту «Контролюйте, як ваші дані збираються та використовуються», щоб отримати доступ до трьох параметрів: Дані, які ви надаєте, Персоналізаціяі Збір голосових даних.

Для колишніх (Дані, які ви надаєте), змініть налаштування на Обмежений. для Персоналізаціяя рекомендую вимкнути всі чотири підопції, включно з Стандартна персоналізація. Для останнього перейдіть на Не дозволяти для Збір голосових даних.

Я великий шанувальник Python для аналізу даних, але навіть мені цікаво, що ще доступно. R довгий час був основною мовою для статистики, але «Tidyverse» серйозно змінив цю мову. Ось чому я вирішив вивчити обидві технології.

R популярний в наукових колах і промисловості

Якщо ви проходите курси статистики в коледжі, ви, ймовірно, вивчите мову R. Завдяки тому, що мова була створена статистиками, ця мова широко використовується в статистичній академії, а також академічними дослідниками в інших галузях, які займаються статистичним аналізом, наприклад, у соціальних науках. Якщо ви візьмете підручники зі статистичних даних, згадані пізніше, ви побачите, що більшість прикладів коду буде на R. R також використовується для аналізу в діловому світі.

Якщо ви читаєте журнали, хоча все частіше згадуються інші мови, такі як Python, більшість обговорюваного програмного забезпечення працюватиме під R. Триваюче домінування R демонструється в Журнал статистичного програмного забезпеченнянауковий журнал із відкритим доступом, що охоплює статистичне програмне забезпечення.

На R сильно вплинула попередня мова. S. S було створено в Bell Labs для реалізації ідеї легендарного статистика Джона Т’юкі щодо «дослідницького аналізу даних». Як і інше творіння Bell Labs, Unix, S було ліцензовано практично безкоштовно. R базувався на цьому за допомогою ліцензії з відкритим вихідним кодом, коли він з’явився в 90-х роках. Таким чином, відношення R до S схоже на зв’язок між Linux і оригінальним Unix.

Tidyverse базується на цій спадщині статистичних обчислень, щоб запропонувати деякі вдосконалені інструменти для побудови графіків і обробки даних. Цей набір бібліотек R дозволяє будувати графіки та маніпулювати даними. Tidyverse містить ggplot2 для побудови графіків, dplyr для обробки даних, tidyr для очищення даних, readr для читання прямокутних даних з електронних таблиць або баз даних, purrr для функціонального програмування, tibble для керування кадрами даних, stringr для роботи з рядками, forcats для роботи з категоріальними змінними та lubridate для роботи з даними часу та дати.

Чудова графіка з ggplot2

Однією з претензій на популярність R є його здатність створювати статистичні графіки професійної якості за допомогою мінімуму коду. ggplot2, як частина Tidyverse, може стати його «програмою-вбивцею», для якої ви хотіли б використовувати R і Tidyverse.

ggplot може дозволити вам створювати гарні сюжети, які ви можете публікувати. І професійні організації це роблять: BBC використовує це для своєї інфографіки.

ggplot2 базується на ідеї «граматики графіки». Замість спеціальної команди для чогось на кшталт створення діаграми розсіювання з лінією регресії, ви будуєте діаграму частина за частиною з вибраних елементів. Ви визначаєте «естетику», яка містить вісь кадру даних, наприклад осі x і y, а потім додаєте такі елементи, як діаграма розсіювання та регресія. Хоча цей підхід здається складнішим, ніж побудова графіків функцій, які можна знайти в програмі для роботи з електронними таблицями, він набагато гнучкіший.

Ось приклад використання бази даних порад, які записав офіціант під час роботи в ресторані:

ggplot(tips, aes(x = total_bill, y = tip)) + geom_point() + geom_smooth(method = "lm")

Цей код повідомляє ggplot2, що я хочу, щоб вісь x або незалежна змінна була загальною сумою рахунку, а вісь y – відповідною чайовою. Визначивши естетику, я наказую їй накласти діаграму розсіювання, а потім провести лінію лінійної регресії над нею.

Багато доступних текстів і посібників з R

Ще одна причина, чому я вирішив додати програмування на R до свого репертуару, полягає в тому, що через існуючу популярність R в академічних колах є багато матеріалу для вивчення більш складних концепцій.

Якщо ви візьмете більш просунуті підручники зі статистики, ви часто побачите, що в них є приклади коду, написані на R. Хоча було б досить легко перекласти ці приклади на Python за допомогою потрібних бібліотек, я б краще зосередився на вивченні концепцій, а потім спробував застосувати їх на Python пізніше, якщо захочу.

Є багато книг і навчальних посібників для різних рівнів кваліфікації. Для студентів, які проходять вступний курс статистики, OpenIntro Введення в сучасну статистику знайомить їх зі статистикою за допомогою R для лабораторних робіт, без необхідності шукати значення в таблицях чи запам’ятовувати формули.

Розділ наданої документації на веб-сайті CRAN, відповідь R на індекс пакетів Python або CPAN, містить багато доступних текстів. Один, на який я випадково натрапив Практична регресія та Anova з використанням R Джуліан Фаравей. Оскільки лінійна регресія є одним із моїх популярних методів у Python, це може бути великою підмогою у вивченні більш просунутих методів з R.

Багато пакетів у CRAN

Окрім Tidyverse, широка доступність пакетів для R є ще однією перевагою мови. У Comprehensive R Archive Network або CRAN міститься майже 23 000 пакетів. Це показує, наскільки статистики лояльні до R. Пакети Tidyverse є серед них, але також існують «перегляди завдань» для всього, від економетрики до спортивної аналітики.

У CRAN є чимало, щоб ботаніки займалися статистикою протягом десятиліть.

Tidyverse полегшує очищення даних

Якщо ви коли-небудь завантажували набори даних з Інтернету, ви знаєте, що вони можуть бути не ідеальними. Tidyverse отримав свою назву від ідеї, що кожен стовпець у фреймі даних має бути змінною, кожен рядок має представляти спостереження, а окрема клітинка представляє значення.

Проблема полягає в тому, що коли люди створюють власні набори даних в електронних таблицях, вони можуть не думати про цей критерій. Хоча найкраще розміщувати дані таким чином із самого початку, коли це можливо, багато електронних таблиць використовуються людьми, які не навчені статистиці та не думають заздалегідь, як їхні дані можуть бути використані в майбутньому.

Tidyverse розробив бібліотеки, які можуть змінювати набори даних відповідно до охайної моделі даних. Ви можете розгорнути дані до «широкого» формату з кількома стовпцями, а також ви можете стиснути їх у довший формат, який більше підходить для побудови.

RStudio чудовий

Раніше я загалом скептично ставився до IDE, вважаючи за краще працювати з окремими компонентами, такими як редактор і термінал, інтерпретатор або компілятор (але переважно інтерпретатор).

Основним інструментом розробки Tidyverse є RStudio, багатоплатформна IDE, спеціально розроблена для статистичної роботи. У назві вказано «R», але він також офіційно підтримує інші мови, такі як Python. Звертання до інших мов є також причиною того, що його розробник змінив назву з R Studio на Posit.

Наразі мені подобалося працювати з R Studio. Здається, це не заважає. Хоча я зазвичай скептично ставлюся до монолітних інструментів розробника, робота з аналізу даних може просто відрізнятися від інших завдань програмування. Це набагато інтерактивніше. З R ви витрачаєте більше часу на дослідження даних і пробування, а не на роботу над циклом редагування чи налагодження.

RStudio також має привабливий спосіб відображення графіків із ggplot2 на панелі в нижньому правому куті програми. З цього вікна також легко зберігати сюжети.

Іноді тиск однолітків — це добре

Початківцям програмістам часто радять вивчити Lisp, навіть якщо вони будуть використовувати інші мови у своїй повсякденній роботі, тому що знання цього вплине на те, як вони підходять до проблем, коли кодуватимуть на інших мовах. Я думаю, що R може відігравати подібну роль в аналізі даних. Python кращий, коли вам потрібно адаптувати ваші моделі для взаємодії з іншими програмами або працювати з реальним світом, але R, розроблений статистиками для статистиків, має сильний вплив на інші інструменти аналізу даних.

pandas DataFrames у Python явно зазнали впливу фреймів даних R.

Зрештою, бути прив’язаним до однієї мови – погана ідея. Незважаючи на популярність Python, я думаю, що знання кількох мов аналізу даних допоможе мені в довгостроковій перспективі.