Категорія: Великі Дані та Аналітика

Слухайте цю статтю

Коли APPIDAN Investment Co., заснована на Excelsior, почала працювати в секторі центрів обробки даних близько дев'яти років тому, початковий проект компанії зустрівся з деяким скептицизмом.

“Щоб отримати нашу будівельну позику, нам довелося переконати банк у тому, що існує шлях до перетворення його на склад, якщо ця річ з центром обробки даних піде”, – згадує Дрю Джонсон, старший віце -президент з розвитку Опідана в регіоні Середнього Заходу.

Цей початковий проект у Північній Вірджинії був доставлений у 2018 році. Через сім років можна з упевненістю сказати, що розробка центру обробки даних не просто пішла. На сьогоднішній день OPPIDAN доставив понад 10 мільйонів квадратних футів простору центру обробки даних із комбінованою вартістю близько 5 мільярдів доларів.

У наступному інтерв'ю Джонсон розповідає про розвиток центру обробки даних у містах -побратимах і за її межами, серед іншого. Інтерв'ю було відредаговано на довжину та ясність.

З: Я бачив на Опідана веб -сайт що компанія зробила понад 10 мільйонів квадратних футів проектів центру обробки даних із комбінованою вартістю 4,9 мільярда доларів та 2800 мегават влади. Розкажіть про це.

A: Ми доставили наш перший центр обробки даних у 2018 році та почали працювати в просторі в 2016 році. Я все ще робив розробки змішаного використання. Центри обробки даних, я думаю, вже деякий час існували. Але що стосується інтерфейсу з боку нерухомості, порівняно з тим, що він був якоюсь угодою про бізнес-бізнес, це було лише в зародковому стані.

Перший центр обробки даних, який ми поставили у Північній Вірджинії у 2018 році, щоб отримати нашу будівельну позику, нам довелося переконати банк у тому, що існує шлях, щоб перетворити його на склад, якщо цей центр обробки даних піде. Таким чином, ми показували нокаути для доків вантажівки та причепних крапель та паркування, і говорили про глибини Бей.

Потрібно сказати, що темп просто прискорився з тих пір. З моменту нашого першого проекту у 2018 році ми поставили на обох узбережжях, працюючи з одним орендарем, почали потрапляти в багатоповерхові конструкції. А потім сайти стали більшими, потужність піднялася. Ми почали потрапляти в доставку підстанцій, дуже тісно працюючи з комунальними послугами. І тоді, приблизно три роки тому, ми висадили іншого гіпер-масштабного клієнта, якого ми надаємо на національному рівні.

Один із проектів на національному рівні був щойно затверджений в EAGAN, тому ми дуже раді цьому. Це менші центри обробки даних. Вони розроблені для підвищення мережі та на зразок спрощення обчислення, оскільки інформація переживає фібероптичні мережі по всій країні.

З: Ви згадали про проект EAGAN, про який я писав нещодавно. Скільки вашої діяльності в центрі обробки даних відбувається в штаті Міннесота?

A: Міннесота відставала, на національній основі, на багатьох інвестиціях в центрі обробки даних, тому не так сильно на місцевому рівні. Це може змінитися. У нас тут хороша інфраструктура порівняно з багатьма місцями. Ми робили один із цих центрів обробки даних [in another region] І нам довелося побудувати… бак для сплеску, щоб наша каналізація могла виходити протягом ночі, оскільки міська каналізаційна потужність не отримала великих інвестицій, і це стало бар'єром для розвитку будь -якого продукту в цьому місті. Мій сенс полягає в тому, що Міннесота не має таких проблем. Вода, каналізація, влада, дороги, інфраструктура дуже здорова порівняно з багатьма іншими частинами країни, в яких ми розвиваємо.

Міннесота є цікавим тим, що у нас є порівнянні стимули до центру обробки даних, який, ймовірно, ділиться половиною штатів по всій країні. Наші не настільки конкурентоспроможні, як деякі з інших регіонів чи деяких інших держав, але ми маємо хорошу інфраструктуру. У нас хороша робоча сила. У нас багато будівельних талантів. У нас є податкова програма стимулювання даних через дохід Міннесоти.

Але ми дійсно відставали від інвестицій в центрі обробки даних, як на душу населення, так і на відносній основі. Такі райони, як Де -Мойн та Омаха, значно більші – незважаючи на те, що вони менші міста та менші MSA – на присутності в центрі обробки даних. Ви могли б подумати, що це почне змінюватися, навіть якщо деякі наші мережі та наші витрати на владу та наші дозволені терміни довші. Але ми побачимо.

З: У той же час ми бачимо деякі великі проекти. Amazon придбав 348 десятин для великого проекту центру обробки даних у Беккері. Мета -проект у розмірі 800 мільйонів доларів будується в Rosemount. Чи вірите ви, що ми зараз починаємо продовжувати цю траєкторію вгору?

A: Я думаю, що ми є, і я думаю, що це буде трохи підходить і починається. Ми відстежуємо всі ці проекти і, наскільки нам відомо, проект у Беккері – і я думаю, що Microsoft також закрилася на землі – ми не бачили нічого публічного для подання земельних ділянок або дозволів на будівництво. Я думаю, що проект, який найдалі є, – це проект CloudHQ в Часці. Я думаю, що вони на 100% через місто. Мета – єдиний, хто насправді будується.

Це не так, як небо наповнене башти кранів, що піднімають усі ці речі. Проекти настільки великі, а строки дизайну настільки довгі, що ця ідея, де все буде будуватися одразу – якщо хтось це скаже – не відповідає дійсності. Я думаю, що це буде виміряти через п’ять років, 10 років, коли вони наростають і будують, підключаються до потужності тощо.

Питання: Який загальний прогноз для проектів центру даних Twin Cities у 2025 році?

A: Ми сподіваємось, що цього літа/восени на нашому закладі Eagan. Час виконання настільки довгі на стільки цього великого обладнання. Ми жартуємо, що зазвичай замовляємо генератори, трансформатори, підрозділи HVAC, чекаємо три місяці, а потім починаємо шукати землю. І до того часу, як ви знайдете землю, розробляйте її, отримайте під назвою, ви можете почати будівництво. І ваші речі вже місяці.

Я не думаю, що тут буде багато для 2025 року, просто тому, що проекти забирають так довго, а час виступу так довгі. Чи може бути 2026, старти? Я думаю, що так. Але кайф, який ми чуємо на медіа -каналах, ця ідея про те, що хтось збирається прокинутися, а потім бути оточеним центри обробки даних та лінії електропередач, затемнення … ці проекти просто займають так довго, що це не так. Це не перемикач світла, або як склад специфікації, де вам просто потрібно, якщо ви маєте право, просто замовляйте сталеві та бетонні панелі, а потім ви виїжджаєте на перегони. У цих центрах обробки даних ви повинні замовити складні механічні та електричні системи років заздалегідь, щоб він був готовий у масштабі.

З: Повернувшись до історії про ваш перший проект, дивно, як далеко ми зайшли в цьому просторі.

A: Повністю. І навіть про прийняття капіталу, оскільки ці проекти збільшуються, є стільки ще пенсійних фондів та інституційних грошей, які дуже подобаються простором центру обробки даних. … Там стільки грошей, які намагаються отримати повернення. І для цих основних груп ці страхові компанії та пенсійні фонди, які просто хочуть, щоб стабільна депутатська прибутковість 5%, я думаю, що ця збірка, гідна кредитного центру обробки даних, справді корисна для цієї сторони ринку капіталу.

Пошук шаблонів та зменшення шуму у великих складних наборах даних, що генеруються за допомогою гравітаційного об'єкта, що виявлять хвилі, просто стало простіше, завдяки роботі вчених Каліфорнійського університету, Ріверсайд.

Дослідники UCR представили документ на недавньому семінарі з великими даними IEEE, що демонструє новий, непідконтрольний підхід машинного навчання для пошуку нових моделей у даних допоміжних каналів лазерного інтерферометра, що поєдинку гравітаційної хвилі або ліго. Ця технологія також потенційно застосовна для експериментів з прискорювачем великих масштабів та великих складних промислових систем.

Ліго – це об'єкт, який виявляє гравітаційні хвилі – перехідні порушення в тканині самої космічної часи, що генеруються прискоренням масивних тіл. Це було першим, хто виявив такі хвилі з об'єднання чорних дірок, підтвердивши ключову частину теорії відносності Ейнштейна. У Ліго є два широко розділені інтерферометри довжиною 4 км-у Ханфорді, Вашингтоні та Лівінгстоні, Луїзіана-які працюють разом, щоб виявити гравітаційні хвилі, використовуючи потужні лазерні промені. Відкриття цих детекторів пропонують новий спосіб спостерігати за всесвітом та вирішити питання щодо природи чорних дірок, космології та найгустіших станів речовини у Всесвіті.

Кожен з двох детекторів LIGO фіксує тисячі потоків даних або канали, які складають вихід екологічних датчиків, розташованих на ділянках детектора.

“Підхід до машинного навчання, який ми розробили у тісній співпраці з комісарами LIGO та зацікавленими сторонами, визначає закономірності в даних повністю самостійно”, – сказав Джонатан Річардсон, доцент фізики та астрономії, який очолює групу UCR Ligo. “Ми виявляємо, що він відновлює екологічні” держави “, відомі операторам на місцях детектора Ліго, без вкладу людини. Це відкриває двері до потужного нового експериментального інструменту, який ми можемо використовувати, щоб допомогти локалізувати шумні муфти та безпосередньо спрямовувати майбутні вдосконалення детекторів ».

Річардсон пояснив, що детектори LIGO надзвичайно чутливі до будь -якого типу зовнішніх порушень. Рух землі та будь -який тип вібраційного руху – від вітру до океанських хвиль, що вражають узбережжя Гренландії або Тихого океану – можуть вплинути на чутливість експерименту та якість даних, що призводить до «глюків» або періодів посиленого шуму, – сказав він .

“Моніторинг умов навколишнього середовища постійно проводиться на сайтах”, – сказав він. «LIGO має понад 100 000 допоміжних каналів із сейсмометрами та акселерометром, що відчувають середовище, де розташовані інтерферометри. Розроблений нами інструмент може визначити різні екологічні стани, що представляють інтерес, такі як землетруси, мікросайзми та антропогенний шум, у ряді ретельно відібраних та кураційних каналів зондування ».

DeepSeek закликає кінець домінування великих даних та великого ШІ, а не кінця Nvidia. Його фокус на ефективності стрибки запускає гонку для невеликих моделей AI на основі худорлявих даних, споживання струнких обчислювальних ресурсів. Ймовірним впливом недорогих та вільних моделей AI Deepseek буде переорієнтація великих технологій нас від того, щоб покладатися виключно на їх конкурентну орієнтацію “більшого” та прискорене розповсюдження стартапів AI, орієнтоване на ” маленький прекрасний “.

Більшість висвітлення Deepseek та всієї реакції Уолл -стріт були зосереджені на її претензії на розробку моделі AI, яка виконує, а також ведучи моделі США за часткою витрат на навчання. Окрім того, що є «обчислювальними» та використанням відносно невеликої моделі (отримана з більших), однак, підхід DeepSeek є ефективний.

Інженери DeepSeek зібрали та куратор навчальний набір даних, що складається з “лише” 800 000 прикладів (600 000 відповідей, пов'язаних з міркуваннями), демонструючи, як перетворити будь-яку велику мовну модель на модель міркування. Джек Кларк антропіки назвав цю “найбільш недооціненою частиною цього [DeepSeek model]

випуск. ” Тоді команда Гонконгського університету з науки та технологій оголосила, що повторив модель DeepSeek лише 8000 прикладів.

Там у вас є: ми вирушаємо на перегони, зокрема, починаємо нову гонку AI – невеликі змагання з даних.

Turing Post, інформаційний бюлетень, що повідомляє про AI Developments, під назвою DeepSeek “одним із найбільш захоплюючих прикладів досліджень, орієнтованих на цікавість в AI … на відміну від багатьох інших перегонів для перемоги в орієнтирах, DeepSeek вирішив вирішити конкретні проблеми, сприяючи інноваціям, що виходить за межі звичайних метрик “.

У статті, що описує їхню останню модель AI, інженери DeepSeek виділяють одну з цих конкретних проблем: “Чи можна вдосконалити ефективність міркувань або конвергенція прискорена шляхом включення невеликої кількості високоякісних даних як холодного старту?” Проблема «Холодного старту» фіксує відсутність «досвіду», що програма навчання підкріплення має в новій ситуації без попередніх даних, щоб провести її, показуючи приклади правильних чи неправильних дій. Інженери DeepSeek описують декілька етапів, які вони розробляли для генерації, збору та тонкої настройки відповідних даних, що завершується “для кожного підказки, ми вибираємо кілька відповідей і зберігаємо лише правильні”. Винахідливість людини, а не автоматизація для очищення даних, на роботі.

Чому ця інновація є найбільш недооціненою частиною випуску DeepSeek? Чому кошти на 6 мільйонів доларів захопили всі заголовки, а не лише 800 000 прикладів, що успішно перекваліфікують великі мови? Через те, що я б назвав Законодавство Мура.

Дві домінуючі американські великі технологічні компанії США відповідали за годування та просування цієї залежності. IBM винайшов у 1950 -х роках термін “обробка даних” і став найважливішою комп'ютерною компанією, підкреслюючи обробку, продаж швидкості розрахунку, вища “продуктивність” будь -яких дій, які вживали його великі мейнфрейми. Щоразу, коли мейнфрейм задихався (часто через виклик пошуку розширення обсягів даних з того місця, де вони зберігалися), IBM сказав своїм клієнтам придбати більший мейнфрейм.

Коли епоха ПК приїхала, Intel взяла на себе посаду, сприяючи “Закону Мура”, переконаючими підприємствами (а пізніше споживачами), що більший і швидший кращий. Ця парадигма була настільки закріплена, що навіть нові стартапи з силіконової долини «цифрового походження» (наприклад, Google) прийняли це як мантру «в масштабі». Це приводить нас до сьогоднішніх “законів про масштабування”, переконання, що лише більші моделі з більшою кількістю даних, що працюють на останніх та найвищих процесорах, тобто Nvidia Chip , повністю ігноруючи ефективність даних DeepSeek та спостереження його колеги).

NVIDIA народилася, коли почала з'являтися нова ера «обробки даних» з додатковим, поступово сильним акцентом даніяк у “великих даних”. У 1993 році три співзасновники NVIDIA визначили ринок спеціалізованих мікросхем, які генеруватимуть швидше та реалістичнішу графіку для відеоігор. Але вони також вважали, що ці підрозділи обробки графіки можуть вирішити нові проблеми, які не можуть комп'ютерних мікросхем загального призначення.

Нові виклики здебільшого стосувалися зберігання, розповсюдження та використання швидко зростаючої кількості даних та оцифрування всіх типів інформації, чи то в тексті, аудіо, зображеннях чи відео. У 1986 році 99,2% усієї ємності для зберігання у світі було аналоговим, але в 2007 році 94% ємності зберігання було цифровим, повним відміною ролей. Веб здійснив цю оцифровку та вибух даних та розробку нового програмного забезпечення та алгоритмів управління даними, спеціально розроблених для використання великих даних. “Ідеальна буря” великих даних, вдосконалені алгоритми та графічні процесори призвели до повторного обміну методологією розпізнавання машинного навчання (штучні нейронні мережі) як “глибоке навчання”, а пізніше як “AI”.

Вже минулого року ми побачили деякий рух від парадигми “Більше краще”. Окрім питань практикуючих та спостерігачів щодо можливих меж «законів про масштабування», ряд стартапів представили достовірні спроби робити те, що робили великі хлопці, але з меншими моделями та/або менше даних. Навіть Nvidia хеджував свої ставки, виходячи за межі центру обробки даних, переслідуючи обчислення Edge та приводячи свої мікросхеми до настільних комп'ютерів розробників.

Увага, яка приділяється DeepSeek, з правильних і неправильних причин, ймовірно, прискорить цю тенденцію до “маленького прекрасного”. Ось до нової парадигми, яка може стати новою залежністю: менші моделі або ще більш складні моделі, які використовують невеликі дані.

Суть

• Активна допомога AI. Інструменти AI для маркетингу розвиваються від реактивних помічників до проактивних пілотів AI, які надають розуміння, перш ніж їх явно вимагають.

• Цілеспрямований AI. Інструменти AI підходять до конкретних організаційних потреб. Вони надають розуміння між відділами та підтримують розумніші рішення, керовані даними.

• Постійні можливості навчання. Пілоти AI навчаються та адаптуються з часом, і вони стають більш ефективними в передбаченні потреб користувачів та вдосконаленні їх допомоги.

Термін PILOT AI стає все більш поширеним у бізнес-програмному забезпеченні, але, як я бачу, багато реалізацій на ринку не відповідають справжній функціональності ко-пілот.

Більшість сьогоднішніх інструментів AI зазвичай чекають явних підказок, перш ніж надати цінність, що створює реактивні відносини, а не проактивні, спільні стосунки. Це трохи схоже на те, щоб мати у вашому розпорядженні студента-студент; Хоча вони можуть бути здатні надати певну інформацію, одразу видно, що вони не стали надійними експертами у своєму домені.

Крім цього, я розмовляю з багатьма людьми, які відчувають тиск, щоб стати експертом “оперативними інженерами”. Програми вимагають, щоб ми створили ідеальні запити для отримання цінності з систем AI, і люди мають дуже реальний страх, що випливає з початкового покоління інструментів AI для маркетингу, які вимагали точних, ретельно побудованих підказок отримати значущі результати.

Однак я вважаю, що припливи обертаються, і я прогнозую, що в наступному році ми налаштовані побачити велику зміну в майбутньому допомоги AI, з проактивними системами, які можуть передбачити потреби та забезпечити вартість автоматично. Я сподіваюся, що це буде еволюція, яка відобразить пілоти людини, які передбачають потреби та активно поділять відповідні уявлення.

Зрештою, ми прагнемо до майбутнього, де спільні пілоти включають поінформованість контексту та постійне навчання для переходу від простих інструментів реагування на запит до справжніх партнерів спільної роботи.

Зміст

Обіцянка цільової побудованої AI

Для великих організацій проактивна допомога AI, ймовірно, матиме великий вплив. Підприємства часто борються зі складними проблемами, з якими традиційні підходи щодо управління інформацією не можуть ефективно вирішити. Масові силоси даних, відключені бізнес -підрозділи та значні інформаційні прогалини створюють істотну неефективність.

Наприклад, як хтось із маркетингу продуктів, мені потрібно приймати рішення на основі даних, які існують майже в кожній команді моєї компанії. Протягом усієї своєї кар’єри мені довелося наполегливо працювати, щоб залишатися на вершині цих даних, або мені потрібно інстинктивно знати, чиє плече натиснути, щоб отримати доступ до цих даних.

Побудований цільовим AI може подолати ці поділи та діяти як інтелектуальна сполучна тканина по всій організації. Отримавши сенс складних організаційних ландшафтів, ці інструменти AI для маркетингу можуть зробити плече для мене та надати єдині, діючі розуміння, що перевершують межі відомства. Вони можуть визначити закономірності, виділити потенційні синергії та пропонувати рекомендації, які можуть бути невидимими для спостерігачів людини, обмеженими їх конкретними ролями чи перспективами.

На відміну від платформ, навчених на широких даних в Інтернеті, створений цільовим AI також ретельно розроблений для задоволення конкретних організаційних потреб. Ці інструменти ретельно розробляються, щоб зрозуміти нюансований, специфічний в галузі контексти, і вони дають розуміння, що виходять далеко за рамки загального збору інформації.

Навчання на цільових наборах даних

Ще одна ключова сила цих цільових систем AI полягає в їх здатності проходити навчання на цільових наборах даних. Орієнтуючись на конкретні типи даних та включення власної організаційної інформації, ці пілоти можуть забезпечити безпрецедентні рівні контекстуального розуміння. Вони не просто обробляють інформацію; Вони вивчають унікальну мову, виклики та цілі певного бізнесу чи галузі.

Пілоти AI також розроблені для постійного адаптації та навчання. Вони стають більш складними з кожною взаємодією та розвивають все більш вдосконалене розуміння потреб користувачів, стилів спілкування та організаційних тонкощів. Ця адаптивна здатність перетворює їх із простих інструментів у інтелектуальних співробітників, які можуть передбачити та підтримувати вимоги користувачів.

Пов’язана стаття: Роль AI у формуванні майбутнього досвіду клієнтів

Перехід від реактивної до активної допомоги AI

Наступна еволюція пілотів AI буде стосуватися проактивності. Замість того, щоб чекати конкретних запитів, ці вдосконалені інструменти AI для маркетингу в основному змінять те, як ми працюємо. Вони розроблять можливість передбачити потреби користувачів та надавати небажані, але контекстно відповідні уявлення. Що ще важливіше, вони навчатимуться та адаптуються до індивідуальних стилів роботи та стають все більш персоналізованими та ефективними з часом.

Уявіть собі інструменти AI для маркетингу, які автоматично генерують щомісячні звіти про больові точки клієнтів, не будучи явно. Цей інструмент проактивно проаналізує джерела зворотного зв’язку користувача, такі як квитки на підтримку, огляди магазину додатків та дзвінки з продажу на поверхневі тенденції, проаналізують складні набори даних та нададуть розуміння, які в іншому випадку можуть залишатися непоміченими. Це по суті виступає як асистент безперервного навчання, який розуміє та прогнозує потреби користувачів, перш ніж вони навіть сформульовані.

Пов’язана стаття: 3 випадки використання AI, які можуть серйозно підвищити досвід клієнтів

Нова епоха AI-пілотів у маркетингу

Зрештою, пілоти AI будуть представляти зміну парадигми в технологіях на робочому місці. Вони потребують лише мінімальної тривалої підготовки, інтуїтивно розуміють контекст і надають цінність без постійного ручного втручання або замовлення. Ця модель виконає обіцянку такого типу AI, на який ми сподіваємось, що може тримати вкладки про все, що відбувається у світі, що професіонали не встигають стежити, тим самим залишаючи їм більше часу для творчого мислення, що призводить до кращого бізнесу результати.

З міцною місцевістю та мобільністю, зосередженими на особистій власності автомобілів, об'єднання жителів Окінави з зручним та екологічно чистим транспортом-це нелегкий подвиг.

Але стійкий транзит є ключовим як для декарбонізації, так і для інклюзивної регіональної мобільності. І тепер, новий дослідницький проект, який отримав назву So-Smart (проактивна соціальна основа для розумного транспорту), має на меті знайти стійкі та доступні громадські транспортні засоби за допомогою інноваційного підходу, побудованого на участі громадян. Щоб відзначити початок проекту, експерти з місцевих муніципалітетів, а також національних та міжнародних дослідників приєдналися до жителів районів Онна та Ішикава Окінава в Інституті науки і техніки Окінава (OIST) в Ідіатоні 5 грудня 2024 року.

Замість того, щоб створювати дорогі нові транспортні засоби, дослідження налаштовані на створення модульної, інтерактивної платформи для оптимізації існуючих засобів комунального транспорту, наприклад, надання єдиного огляду різних графіків автобусних та трансферних автобусів, а також вивчення нових варіантів транспорту з використанням Великі дані, машинне навчання та залучення громад. So-Smart керується спільним підходом до проведення досліджень, де мешканці беруть участь у всьому проекті, від проектування до впровадження. Як професор Крістоф Кларамунт з Інституту мистецтв та Метьє технологічного інституту у Франції та вченим з відвідування OIS Процес вони знають свої спільноти та особисті потреби, а інтеграція своїх перспектив у процес досліджень може сприяти інноваційним дизайнерським рішенням “.

Окрім того, щоб зробити перші, невеликі кроки до вдосконалення громадського транспорту в районах Онна та Ішікава Окінава, So-Smart буде служити справою для майбутніх проектів для створення розумних транспортних систем у префектурі, по всій Японії та міжнародного. “Я сподіваюся, що цей дизайн досліджень стане прототипом пошуку інноваційних рішень для транспортних питань у всьому світі”, – передбачає професор Кларамунт.

IDATHON була організована за допомогою програми відвідування OIST. Після переговорів про проблеми мобільності в Окінаві, тематичні дослідження низових зусиль для створення доступних рішень громадського транспорту по всій Японії та дослідження майбутнього електромобілів, змішаних груп представників місцевих муніципалітетів та від префектурного уряду, національних та міжнародних дослідників, місцевих Лідери бізнесу та мешканці були сформовані, щоб придумати розумні (специфічні, вимірювані, досяжні, реалістичні та своєчасні) транспортні рішення. Їх дискусії були обґрунтовані статистикою про поточний стан транспорту в Окінаві та Японії, а також про тверезих історій про те, що означає мобільність у повсякденному житті: один житель Онна поділився своїми труднощами з приведення своїх дітей до школи та їхати на роботу в районі недооцінений громадським транспортом та домінував сильно перевантажені дороги.

Групова сесія гудувала з позитивною енергією – один учасник зазначив, наскільки цікаво було бачити різних зацікавлених сторін, як представник автобусної компанії та дослідник, зібратися разом, розважитися та мозковий штурм. Незважаючи на те, що дослідницький проект знаходиться на ранній стадії, учасники чітко об'єднані у своїй загальній рішучості та ентузіазмі створити підґрунтя для створення стійкої та доступної мобільності.

Містер Акіхіко Хоші, директор з транспорту та туризму в Генеральному бюро кабінету Окінава, подає основну адресу про стан мобільності в Окінаві та поточні зусилля щодо переробки транспорту в префектурі. Коли він завершив, “ми раді бути частиною міжнародного альянсу, щоб створити кращу стратегію мобільності. Давайте почнемо інтегрувати наші знання, щоб розробити кращий світ разом!”

Джефф Прін / Ойст

Наприкінці ідейтона групи представили широкий спектр ініціатив, від простих, але ефективних засобів для поліпшення громадського транспорту, над цілеспрямованою рамкою для встановлення правильних показників для вимірювання успіху SO-Smart, до визначення потреб громадян через Додаток та заохочення міжрегіональної співпраці. Доктор Джонас Фішер, менеджер секції відвідувальної програми та ведучий проекту So-Smart в OIST, узагальнює подію: “Захоплююче з'єднати міжнародні експерти з місцевою спільнотою Окінаван, щоб спільно створити рішення, що сприяють більш стійкому та Зручна мобільність в нашій місцевості, сприяючи глобальним дослідженням розумних транспортних рішень “.

So-Smart-це співпраця між університету Сезегед в Угорщині, Університет Карабюк в Тюркіє, Університет Західної Бретані у Франції та Інститут технологій Кіото (KIT), Інститут науки та технологій NARA (наївство) та OIST в Японії. Він фінансується концертом Європейської групи інтересів (EIG), спільною ініціативою про сприяння та підтримці співпраці в галузі науки, технологій та інновацій між європейським регіоном та Японією.

Мешканці ONNA та Ishikawa вже можуть внести свій внесок у дослідження, подавши відгуки про їх місцевий транспорт через додаток Line, доступний тут.

Групове фото від Idathon, на якому були багато професорів OIST, національних та міжнародних дослідників, місцевих жителів та кількох експертів з муніципальних та префектурних агентств.

Джефф Прін / Ойст

Keysight представляє комплексне рішення LPDDR6 для наскрізного проектування пам’яті та робочих процесів тестування

• Надає повне рішення для проектування та перевірки для Low-Power Double Data Rate 6 (LPDDR6)пам'ять у мобільних, клієнтських обчисленнях і програмах ШІ.

• Підтримує постійну розробку JEDEC нового стандарту пам'яті LPDDR6.

• Забезпечує розширений аналіз продуктивності, зосереджуючись на оптимізації швидкості, енергоефективності та перевірці надійності.

• Має вдосконалену технологію компенсації шуму на основі вимірювань для чудової цілісності сигналу.