Категорія: Великі Дані та Аналітика

  • Дослідники прагнуть зрозуміти, що робить корів ефективними

    Дослідники прагнуть зрозуміти, що робить корів ефективними

    Дані відділу тваринництва та птахівництва для кращого прийняття рішень на фермах.

    SASKATOON — Вражаючий набір інструментів — від аналізу даних і точного землеробства до вакцин для худоби, розвитку культур, геномної селекції тощо — відкриває майбутнє сільського господарства.

    Університет Саскачевану (USask), розташований у самому серці одного з сільськогосподарських центрів Канади, розробив вражаюче портфоліо досягнень, пов’язаних із створенням міцніших і стійкіших продовольчих систем.

    Міка Асаї-Коакуелл, професор кафедри тваринництва та птахівництва Коледжу сільського господарства та біоресурсів в USask, зосереджує свої зусилля на «пошуку ефективної корови» через проект під назвою «Аналіз геномної асоціації ефективності корму у м’ясних корів».

    «Коли у вас є тварини, які є більш ефективними в довгостроковій перспективі, одна перевага полягає в тому, що виробники можуть довше покладатися на цих корів – і їм не потрібно стільки замінних телиць, щоб стати племінними коровами», – пояснює вона. «Вищі показники отелення призведуть до підвищення продуктивності ферми в цілому».

    І коли виробники можуть вирощувати більше великої рогатої худоби з меншими ресурсами, говорить доктор Асаї-Коуквелл, це зменшує вплив на навколишнє середовище, зменшуючи вуглецевий слід, пов’язаний із цим аспектом виробництва яловичини.

    В якості першого кроку команда встановила ключові показники продуктивності корів. «З традиційної точки зору, тварина, яка менше їсть і набирає більше маси, вважається більш ефективною», — каже вона. «Але нещодавно ми розглядали нове визначення. Це відображає той факт, що дорослі корови більше не ростуть – і це робить перетворення корму на масу менш індикативним».

    Натомість те, що робить корову ефективною для м’ясного скотарства, — це «здатність завагітніти, народити здорове теля, відлучити це теля, а потім знову завагітніти в наступні роки», — каже доктор Асаї-Коуквелл. «Ефективна корова здатна зберегти своє здоров’я та жир у тілі протягом цих циклів з мінімальними кормовими добавками».

    Однак рівняння далеко не просте, і дослідникам доручено виділити маркери в геномі серед багатьох факторів, які можуть впливати на ефективність, включаючи управління стадом, розташування ферми та погодні умови. «Ця складність робить виявлення генетичного компонента більш складним», — каже доктор Асаї-Коакуелл. «Ми повинні визначити, які риси можна успадкувати, а які – через вплив навколишнього середовища».

    Цінні інструменти для дослідників і фермерів


    «В основі цих зусиль лежить система рейтингу, розроблена співавторами для однієї когорти корів, яку тепер команда прагне застосувати до значно більшої популяції», — говорить Ная Хопкінс, аспірант, який працює над проектом з доктором Асаї-Коуквеллом.


    Сама система рейтингу вже є дуже корисним інструментом, оскільки попередні методи перетворення корму вимагали вимірювання повного споживання корму твариною, каже пані Хопкінс. «Це не тільки дорого та довго, але для корів, які вирощуються на пасовищі, це майже неможливо».


    Нова система використовує показники, які регулярно отримують на фермах, такі як дати отелення, вага корови та стан тіла під час отелення, а також вага теляти при народженні та при відлученні, зазначає вона. «Отриманий показник ефективності вказує на те, наскільки корова здатна безперервно виробляти здорових телят, зберігаючи свою масу тіла на кормових дієтах».


    Наступним кроком є ​​ідентифікація генотипів, які вказують на вищу ефективність за допомогою генетичного аналізу матеріалу від «як високоефективних, так і не дуже ефективних корів», — каже пані Гопкінс. «Коли ми знаємо, які геномні регіони пов’язані з ефективністю, ми можемо розробити інструменти для тестування цієї генетики».


    Це геномне тестування, як пропонує пані Хопкінс, дозволить «швидшому та кращому процесу відбору. Кінцева мета — надати фермерам молекулярний інструмент для вибору тварин, яких вони хочуть мати у своєму стаді».



    Партнерство є свідченням внеску USask у сільське господарство


    Проект доктора Асаї-Коакуелла отримав потужну підтримку з боку Фонду розвитку сільського господарства уряду Саскачевану, Асоціації скотарів Саскачевану та окремих виробників.


    Вона бачить цей інтерес як ознаку того, що її робота спрямована на потребу в галузі м’ясного скотарства в методах селективного генотипування, які вже використовуються для визначення сприятливих ознак, наприклад, у молочній промисловості. «Існує багато можливостей для впровадження інструментів генотипування в промисловість м’ясного скотарства», — каже д-р Асаї-Коуквелл. «Ця робота є важливою для наших виробників».


    Крім конкретного інтересу до проекту геномного аналізу, Балджіт Сінгх, віце-президент з досліджень в USask, бачить співпрацю та фінансову підтримку як доказ того, що університет вважається надійним партнером не лише в сільськогосподарських дослідженнях, але й у всіх сферах впливу.


    «Ми заохочуємо наших науковців і аспірантів у кожному з наших закладів думати про те, як знання чи технології, які вони створюють, можуть допомогти нашим партнерам, будь то з уряду, промисловості чи громадських організацій», — каже він.


    Що робить роботу, пов’язану з продовольчими системами, особливо важливою, так це побачити, як результати досліджень перетворюються на кращі результати для виробників харчових продуктів, а також успіх Саскачевану як «сільськогосподарського центру», — каже доктор Сінгх, додаючи, що незліченні приклади свідчать про те, що університет грав ключову роль у забезпеченні сильних результатів.


    «Тільки врахуйте, що одна з найуспішніших вакцин для тварин, коли-небудь розроблених, була створена Університетом Саскачевану», — каже він. «Це допомогло врятувати мільйони кормових тварин у всьому світі, щоб підвищити продовольчу безпеку та заощадити мільйони доларів для фермерів».


    Організація з вакцин та інфекційних захворювань (VIDO) при USask проводить дослідження інфекційних захворювань і розробку вакцин протягом майже півстоліття. Вісім її вакцин були продані комерційно, шість були описані як перші в світі. З 2013 по 2022 роки операційні та будівельні проекти VIDO принесли економіці понад 511 мільйонів доларів США та створили або підтримали приблизно 2375 робочих місць на повний робочий день.


    Щодо розвитку рослинництва, USask має не менш вражаючий досвід, зазначає доктор Сінгх. «Наші дослідники з Центру розвитку рослинництва [CDC] надають передові переваги виробникам у Саскачевані та в усьому світі».


    З 1971 року CDC вивело та випустило понад 500 сортів понад 40 видів культур. У підсумку це означає внесок у валову продукцію сільського господарства з 1991 по 2022 рік у розмірі 17,8 мільярдів доларів.



    Зміцнення дослідницької та інноваційної екосистеми


    Хоча ці цифри впливу вражаючі, розвиток плідної дослідницької та інноваційної екосистеми вимагає постійних зусиль, підкреслює доктор Сінгх. «Ми повинні чуйно реагувати не лише на наших партнерів, але й на наших науковців і студентів, щоб вони могли співпрацювати та мати доступ до дослідницької інфраструктури, яка дозволяє робити новаторські відкриття».


    Доктор Асаї-Коакуелл цінує підтримку. «Цей університет надає нам багато інструментів, а також чудових студентів, які роблять внесок у такі дослідження», — каже вона. «Це дуже захоплююче».


    Геномний аналіз — пошук підказок щодо того, які гени задіяні в тому, щоб зробити стада здоровішими та продуктивнішими, щоб інформувати про вибір і рішення про розведення — покладається на «сильний відділ тваринництва з багатьма дослідниками, які вивчають різні аспекти тваринництва», — говорить доктор Асаї. -Коуквелл.



    — Надіслано USask Media Relations

  • Огляд: The Big Fix пропонує переконливий погляд на проблему Канади з монополіями

    Огляд: The Big Fix пропонує переконливий погляд на проблему Канади з монополіями

    Відкрийте цю фотографію в галереї:

    Велике виправлення: як компанії захоплюють ринки та завдають шкоди канадцям, Деніз Хірн і Васс Беднар.Поставляється

    • Назва: Велике виправлення: як компанії захоплюють ринки та завдають шкоди канадцям
    • Автори: Деніз Хірн і Васс Беднар
    • жанр: Нон-фікшн
    • Видавець: Книги дому Сазерленда
    • сторінки: 120

    Скарги на продуктивність і економічне зростання Канади не можна відокремити від структури нашої економіки, включаючи правовий режим, який дозволяє концентрацію корпоративної влади. У країні домінують великі, вкорінені бізнес-монополії, які погіршують життя як споживачам, працівникам, так і підприємствам. Так було десятиліттями, і мало вказівок на будь-які серйозні зміни, які вирівняють умови гри – або взагалі змінять гру. Але інерція не через брак ідей щодо того, як ми можемо стати кращими.

    Книги, які ми читаємо та любимо цього тижня: співробітники Globe діляться своїми книгами

    в Велике виправлення: як компанії захоплюють ринки та завдають шкоди канадцямДеніз Герн і Васс Беднар пропонують коротку, але глибоко досліджену та переконливу оцінку проблеми монополії в Канаді та начерки підходу до її вирішення. Починаючи з перебоїв у службі Роджерса у 2022 році, книга нагадує нам, що хоча понад 12 мільйонів користувачів постраждали від збою, який позбавив бездротового доступу до Інтернету, бізнес-платіжних систем і навіть доступу до 911, дохід компанії на кінець року зріс на майже 4 відсотки. Вони пишуть, що Роджерс «став занадто великим, щоб про нього піклуватися».

    «Занадто великий, щоб піклуватися» — це відповідна альтернативна назва Велике виправленняз одним важливим застереженням, а саме корпорації, що вкоренилися в Канаді дбають про захист своєї монополістичної частки на ринку та режимі регулювання – або, радше, відсутності режиму, – який дозволяє їм процвітати за рахунок усіх інших, що призводить до підвищення цін, зниження зарплат, стагнації досліджень і розробок і концентрації промисловості.

    Як пишуть Гірн і Беднар, «у нас є три великі телекомунікаційні компанії, п’ять бакалійних магазинів, кілька великих банків, дві великі авіакомпанії та одна залізнична компанія». У країні з майже 42-мільйонним населенням нашою економікою керує група керівників, які могли б зручно розміститися на одній із яхт, які могли б собі дозволити їхні найбільші заробітчани.

    Статус-кво добре служить великим компаніям. Монополії в Канаді, як і в усьому світі, зростають. Ці компанії наполегливо працюють, щоб скупити конкуруючі фірми та усунути конкуренцію, а не інвестувати, впроваджувати інновації та підвищувати продуктивність. Але вони також вкладають свій величезний капітал у вертикальну інтеграцію, контролюючи якомога більшу частину власної галузі, від постачання до роздрібної торгівлі, а також виходять на нові сегменти ринку, намагаючись стати «компанією, що займається всім».

    Loblaw, наприклад, володіє продуктовими магазинами, але також керує мережею аптек після того, як у 2014 році придбала Shoppers Drug Mart, банк, операцію з великими даними за допомогою програми винагород Optimum, бренд одягу та інвестиції в нерухомість. довіра.

    Велике виправлення є вражаючою та необхідною прочитанням для розуміння канадської економіки та стану конкуренції в ній. Він водночас стислий і вичерпний, із 316 цитатами на понад 100 сторінках тексту. Проза чітка, аргументи переконливі, а підтверджені докази викликають гнів у кожного, кого коли-небудь прибирала монополія, тобто майже кожного з нас.


    У травневому епізоді подкасту Lately 2024 року ведучий Васс Беднар поспілкувався зі співавтором Деніз Хірн про те, як Лоблау перетворився на іншу Амазонку та чому Канаді важко адаптуватися до нової конкурентної ери:


    Ступінь домінування монополій у Канаді може бути навіть більшим, ніж ви очікуєте. Гірн і Беднар наводять безліч прикладів цього домінування: авіакомпанії, телекомунікації, окуляри, потокове передавання, кінотеатри, магазини програм, квитки на концерти, бакалійні магазини, банки, готелі, транспорт, мінерали, зерно, свинина, індичка тощо.

    Від монополістів нікуди втекти, сховатися нікуди, а влада на їхньому боці. У них є капітал. Вони мають домінування на ринку. Але на їхньому боці також є правила. Як зазначено в книзі, нинішній режим конкуренції в Канаді, «оновлений» у 1980-х роках і сформований епохою неоліберальної ортодоксії та фанатизму вільного ринку, більше стурбований «економічною ефективністю», ніж запобіганням або розпадом монополій. Дійсно, країна ніколи не блокувала злиття. Жодного разу.

    Гірн і Беднар бачать «велике вирішення» проблеми, яке передбачає, що ми всі беремо участь у зміні конкуренції в Канаді, хоча держава має очолити зусилля через загальнодержавний підхід. Замість повністю розгорнутої програми, книга пропонує основу для мислення про зміни та кілька початкових ідей, включаючи структурні засоби захисту, щоб гарантувати, що компанії не мають контролю над кількома етапами виробництва, блокують злиття та виходять за межі зосередженості на ціні. як основний визначальний фактор монополії та спрямований на зосередження на владі – контроль, який великі компанії мають над капіталом, даними, спостереженням і впливом на переговори з робочими та іншими підприємствами.

    Як би ми не бажали інакше, Велике виправлення не вирішить проблему домінування монополій в канадській економіці. Але це сприятиме розумінню та вирішенню проблеми. Він стане першокласним посібником для тих, хто тільки знайомиться з цією проблемою, і зручним ресурсом для тих, хто з нею знайомий.

    Книга могла піти глибше, щоб дослідити сам капіталізм як рушій монополії, явища, про яке Маркс попереджав у 19 столітті. Однак, до їхньої честі, Хірн і Беднар називають владу причиною наших бід, а не просто гроші, і це допомагає нам продовжити розмови про майбутнє конкуренції та корпоративної власності в Канаді, а це послуга, яку ви можете не поставити ціну.

  • Залишайтеся конкурентоспроможними за допомогою швидкої автоматичної трансформації заводу

    Залишайтеся конкурентоспроможними за допомогою швидкої автоматичної трансформації заводу

    конкурентоспроможними за допомогою швидкої автоматичної трансформації заводу Залишайтеся конкурентоспроможними за допомогою швидкої автоматичної трансформації заводуконкурентоспроможними за допомогою швидкої автоматичної трансформації заводу Залишайтеся конкурентоспроможними за допомогою швидкої автоматичної трансформації заводу


    Щоб йти в ногу з мінливими вимогами клієнтів і змінами ринку, виробники автомобілів повинні прийняти розумні виробничі рішення, які дозволять їм швидко трансформувати свої виробничі потужності.

    Лідери автомобільної промисловості використовують інтелектуальні виробничі технології для швидкої трансформації заводів, щоб йти в ногу зі змінами клієнтів і ринкових тенденцій, впровадженням все більш складних технологій в автомобілях і дедалі більшою нестачею кваліфікації серед працівників заводу.

    Зокрема, вони використовують інтелектуальне виробництво, щоб забезпечити гнучкість швидкої зміни виробничих ліній, заводів і операцій, щоб вони могли представити нові моделі та функції в більш короткі терміни, необхідні на сучасному ринку.

    Чому потрібна швидка трансформація рослин

    Автомобільна промисловість зазнає значних змін, спричинених появою електромобілів (EV), передових систем допомоги водієві (ADAS) і зростанням споживчого попиту на персоналізований, підключений досвід. Традиційним виробничим потужностям часто важко адаптуватися до цих швидких змін, що вимагає переходу до інтелектуального виробництва для підтримки конкурентоспроможності.

    З огляду на це, перехід до електромобілів та інтеграція складних технологій, таких як ADAS, представляють унікальні виробничі проблеми. Традиційні виробничі лінії, розроблені в основному для автомобілів із двигунами внутрішнього згоряння та автомобілів із меншою кількістю функцій, визначених програмним забезпеченням, тепер мають включати нові компоненти, більш важкі конструкції транспортних засобів та складні програмні системи.

    Ця зміна збільшує кількість варіантів конструкції, ускладнює виробництво та потенційно впливає на якість і вартість. Крім того, поступова відмова від двигунів внутрішнього згоряння, які, як очікується, продовжуватимуть домінувати на дорогах протягом наступних 20-30 років, потребує гнучких концепцій складання, здатних обробляти різноманітні системи приводу одночасно.

    Стратегії швидкої трансформації заводу

    Щоб подолати ці виклики, галузь проводить швидку трансформацію заводу, що включає кілька ключових стратегій, зокрема:

    Розширена співпраця: Інтеграція розробки продукту та процесу дозволяє виробничим групам отримати доступ до інженерних даних на ранній стадії, забезпечуючи одночасне планування, оптимізацію та перевірку операцій під час проектування продукту. Цей спільний підхід сприяє повторному використанню найкращих практик і ефективному управлінню ресурсами, стимулюючи постійне вдосконалення.

    Розширена автоматизація: Оновлення застарілого обладнання інтелектуальними рішеннями автоматизації, такими як цифрові двійники, програмно-визначене керування, штучний інтелект (AI) і автоматичне створення коду, підвищує гнучкість і передбачуваність. Такий підхід дозволяє виробникам економічно модернізувати існуючі потужності, уникаючи значних витрат, пов’язаних із будівництвом нових заводів.

    Економічність і стійкість: стандартизація процесів і використання модульних, гнучких компонентів, адаптованих до конкретних потреб, покращують управління цехом і зменшують неефективність. Впровадження штучного інтелекту полегшує роботу периферійних пристроїв і промислових платформ Інтернету речей (IIoT) для моніторингу в реальному часі та прогнозної аналітики, сприяючи постійному циклу вдосконалення процесів і енергоефективності.

    Цифрова робоча сила: Вирішення проблем, пов’язаних із робочою силою, завдяки технологіям захоплюючого навчання, таким як навчання віртуального технічного обслуговування та віддалена допомога, підвищує кваліфікацію працівників і підвищує безпеку. Ці цифрові методи забезпечують стандартизоване, ефективне навчання, забезпечуючи швидке вирішення проблем і мінімізуючи незаплановані простої.

    Використання інтелектуальних виробничих технологій для швидкої трансформації

    Застосовуючи інтелектуальні технології виробництва, виробники автомобілів можуть підвищити операційну ефективність, відповідати мінливим очікуванням споживачів і вирішувати проблеми робочої сили, забезпечуючи конкурентну перевагу в галузі, що швидко змінюється.

    Деякі ключові елементи, необхідні для підвищення операційної ефективності та забезпечення швидких інновацій, включають:

    • Віртуальне введення в експлуатацію: Віртуальне введення в експлуатацію на виробництві означає використання цифрових імітаційних моделей для повторення та тестування виробничих процесів, машин, робочих клітин, виробничих ліній або цілих заводів перед впровадженням їх у реальному світі. Технологія дозволяє виробникам перевіряти та оптимізувати дизайн і функціонування виробничої системи без потреби у фізичних прототипах чи фактичних виробничих потужностях.
    • Цифрові близнюки: ці віртуальні копії фізичних активів дозволяють виробникам імітувати та оптимізувати виробничі процеси, що призводить до покращення якості продукції та скорочення часу виходу на ринок.
    • Штучний інтелект і машинне навчання: аналітика на основі штучного інтелекту забезпечує прогнозне уявлення про технічне обслуговування та оптимізацію процесів, мінімізуючи простої та підвищуючи продуктивність.
    • Автоматизація та робототехніка: вдосконалена робототехніка автоматизує повторювані завдання, підвищуючи точність і ефективність, водночас дозволяючи людям зосередитися на більш складних видах діяльності.

    Інтегруючи ці технології, виробники можуть створювати більш гнучкі та чутливі виробничі системи, які краще відповідають вимогам ринку та пом’якшують проблеми з робочою силою.

    Стратегічне впровадження для конкурентної переваги

    Для ефективного впровадження інтелектуального виробництва керівники автомобільної галузі повинні:

    • Інвестуйте в розвиток робочої сили: Надання навчальних програм для підвищення кваліфікації працівників гарантує, що вони зможуть ефективно керувати та підтримувати передові виробничі системи.
    • Сприяти спільним інноваціям: Партнерство з постачальниками технологій і дослідницькими установами може прискорити впровадження нових технологій і стимулювати постійне вдосконалення.
    • Приймайте рішення на основі даних: використання аналітики даних дозволяє здійснювати моніторинг і оптимізацію виробничих процесів у режимі реального часу, що веде до прийняття більш обґрунтованих стратегічних рішень.

    Останнє слово про швидку трансформацію заводу

    Розвиток автомобільної промисловості вимагає від виробників впровадження розумних виробничих рішень, щоб залишатися конкурентоспроможними. Завдяки розширеній співпраці, вдосконаленій автоматизації, економічній ефективності, комплексним цифровим двойникам і робочій силі з цифровими можливостями компанії можуть швидко й ефективно трансформувати свої виробничі потужності.

  • Стартап з біорізноманіття Darwin отримує 1,5 млн євро на аналіз природних даних

    Стартап з біорізноманіття Darwin отримує 1,5 млн євро на аналіз природних даних

    «Naturetech» Darwin залучила 1,5 мільйона євро від Astérion і бізнес-ангелів, які працюють у сфері клімату. Валід Шергі, колишній старший інженер Algolia, також приєднався до команди як технічний директор.

    Дарвін розробляє наукову та сувору методологію, яка відповідає провідним міжнародним стандартам, таким як SBTN (Науково обґрунтовані цілі для природи) і TNFD (Цільова група з розкриття фінансової інформації, пов’язаної з природою). Вони оцінюють як вплив на природу, так і залежність від неї. На практиці Дарвін оцінює вплив компаній на біорізноманіття, вимірюючи, як їхня діяльність впливає на п’ять видів тиску, визначених IPBES, які є основними факторами втрати біорізноманіття.

    Залежності аналізуються на основі впливу екосистемних послуг. Зі збільшенням робочого навантаження та зростанням складності та обсягу даних для аналізу зросла потреба в алгоритмах для організації даних. Дарвін підтримує їх на кожному етапі розробки стратегії біорізноманіття та природи: збір та обробка даних, оцінка впливу та ризику, побудова планів дій та траєкторій і звітність.

    Орор Фальк-П’єрротін, генеральний директор і співзасновник Darwin, заявив: «Ми в Darwin переконані, що приватний сектор відіграє вирішальну роль у вирішенні кризи біорізноманіття. Цей збір коштів дозволить нам прискорити розробку нашого продукту. , призначений для забезпечення консультантів та інших програмних платформ необхідними інструментами, щоб дозволити компаніям діяти. Наш непрямий підхід дозволяє нам співпрацювати з відомими гравцями ESG зростання потреб у продуктивності та точності на цьому ринку, що розвивається».

    «Ми вирішили інвестувати в Darwin, тому що ми твердо віримо в їх здатність трансформувати сектор біорізноманіття. Вони пропонують унікальне рішення для подолання проблем управління масивними, складними та різнорідними даними, які перешкоджають діям щодо біорізноманіття. Завдяки інтелектуальній автоматизації та надійній інфраструктурі , Дарвін виходить за рамки традиційних підходів і полегшує аналіз впливу, прокладаючи шлях до більш ефективних стратегій біорізноманіття». додав Марін Рейгробеллет, партнер Astérion.

    Завдяки цьому фінансуванню Darwin планує швидко зміцнити свою команду Tech & R&D, найнявши розробників, науковців з даних та експертів з екології для вдосконалення своєї моделі даних і вдосконалення своїх алгоритмів, розгорнути свій продукт у Франції та Європі за допомогою своєї мережі консультантів і програмних платформ. і розвивати нові функції, необхідні для збереження біорізноманіття.

  • Створення масштабованої інфраструктури великих даних: стратегії для лідерів

    Створення масштабованої інфраструктури великих даних: стратегії для лідерів

    Масштабованість не повинна бути запізнілою думкою. Лідери повинні віддавати пріоритет масштабованості на етапі проектування своєї інфраструктури великих даних. Це включає в себе передбачення майбутнього зростання, включення модульної архітектури та вибір технологій, які можуть розвиватися відповідно до потреб організації.

    Плануючи масштабованість із самого початку, підприємства можуть уникнути дорогих капітальних ремонтів і забезпечити безперебійну роботу в міру збільшення потреб у даних.

    Створення масштабованої інфраструктури великих даних має важливе значення для організацій, які прагнуть процвітати у світі, що керується даними. Застосовуючи такі стратегії, як використання хмари, впровадження розподілених систем, оптимізація сховища та зосередження на обробці в реальному часі, лідери можуть створювати інфраструктури, які розвиватимуться відповідно до їхніх бізнес-потреб. Безпека, автоматизація та кваліфікований персонал ще більше покращують масштабованість, забезпечуючи ефективність і надійність систем.

    Прогресивний підхід до масштабованості не тільки підтримує поточні потреби в даних, але й готує організації до майбутніх викликів, стимулюючи інновації та зберігаючи конкурентну перевагу.

  • Ринок розуміння природної мови перетне 99,8 доларів США

    Ринок розуміння природної мови перетне 99,8 доларів США

    Селбівіль, Делавер, 27 листопада 2024 р. (GLOBE NEWSWIRE) —

    Прогнозується, що до 2032 року оцінка ринку розуміння природної мови перевищить 99,8 мільярда доларів США, повідомляється в дослідницькому аналізі Global Market Insights Inc.

    Це зростання значною мірою зумовлене зростаючою інтеграцією рішень на базі штучного інтелекту в різних секторах, підвищеним попитом на покращений досвід клієнтів і зростаючою потребою в ефективному аналізі даних.

    Ринок розуміння природної мови в сегменті рішень склав понад 16 мільярдів доларів США. Зростання попиту на додатки з розширеними NLU, такі як чат-боти, віртуальні помічники та інструменти текстової аналітики, є ключовим фактором, що сприяє цьому зростанню. У цих складних рішеннях використовуються передові технології, такі як глибоке навчання та моделі трансформаторів, для ефективного аналізу та інтерпретації людської мови в різноманітних контекстах.

    Запит на зразок цього звіту про дослідження @ https://www.gminsights.com/request-sample/detail/11898

    Забезпечуючи такі функції, як розпізнавання намірів, виділення об’єктів і аналіз настроїв, ці інструменти дають змогу організаціям автоматизувати взаємодію з клієнтами, вдосконалювати процеси прийняття рішень і отримувати цінну інформацію з неструктурованих текстових даних.

    Режим розгортання — це ще один важливий аспект ринку розуміння природної мови, доступні як хмарні, так і локальні варіанти. Очікується, що між 2024 і 2032 роками CAGR у хмарному сегменті перевищить 18%. Швидке впровадження хмарних обчислень, а також зростання попиту на масштабовані та гнучкі рішення NLU сприяють цій тенденції. Хмарне розгортання пропонує численні переваги, зокрема зниження початкових витрат, бездоганну масштабованість і доступ до розширених можливостей NLU без значних інвестицій в інфраструктуру.

    Ця гнучкість дозволяє організаціям швидко впроваджувати технології NLU та легко оновлювати їх у міру появи інновацій. Крім того, об’єднання хмарних NLU з іншими хмарними технологіями, такими як аналітика даних і платформи машинного навчання, покращує їх загальну цінність, роблячи їх привабливим вибором для компаній будь-якого розміру.

    Зробіть запит на придбання цього звіту @ https://www.gminsights.com/inquiry-before-buying/11898

    Північна Америка лідирує на ринку розуміння природної мови, займаючи значну частку понад 35% у 2023 році. Регіон переживає помітне зростання завдяки присутності великих технологічних фірм і динамічній екосистемі стартапів. Значні інвестиції в дослідження та розробки в поєднанні з раннім впровадженням технологій штучного інтелекту зробили США лідером інновацій NLU. Крім того, посилення уваги до покращення досвіду клієнтів і автоматизації бізнес-процесів у різних секторах прискорює впровадження рішень NLU по всій країні

    Часткові розділи змісту звіту (TOC):

    Розділ 1 Методологія та сфера застосування

    1.1 Дизайн дослідження

    1.1.1 Дослідницький підхід

    1.1.2 Методи збору даних

    1.2 Базові оцінки та розрахунки

    1.2.1 Розрахунок базового року

    1.2.2 Основні тенденції для оцінки ринку

    1.3 Прогнозна модель

    1.4 Первинне дослідження та валідація

    1.4.1 Першоджерела

    1.4.2 Джерела інтелектуального аналізу даних

    1.5 Розуміння природної мови, обсяг і визначення ринку

    Розділ 2. Резюме

    2.1 Промисловість 3600 конспект, 2021 – 2032

    Розділ 3 Ринок розуміння природної мови Інсайти

    3.1 Аналіз екосистеми галузі

    3.2 Ландшафт постачальника

    3.2.1 Постачальники програмного забезпечення

    3.2.2 Постачальники послуг

    3.2.3 Канал збуту

    3.2.4 Кінцеві користувачі

    3.3 Аналіз норми прибутку

    3.4 Технологічний та інноваційний ландшафт

    3.5 Патентний аналіз

    3.6 Приклад

    3.7 Порівняльний аналіз НЛП, НЛУ та НЛГ

    3.8 Регуляторний ландшафт

    3.9 Ударні сили

    3.9.1 Драйвери зростання

    3.9.1.1 Збільшення впровадження рішень на основі ШІ

    3.9.1.2 Зростаючий попит на покращений досвід клієнтів

    3.9.1.3 Зростання потреби в ефективному аналізі даних

    3.9.1.4 Удосконалення машинного навчання та великих мовних моделей

    3.9.2 Підводні камені та виклики галузі

    3.9.2.1 Проблеми конфіденційності та безпеки даних

    3.9.2.2 Брак кваліфікованих фахівців з технологій НЛУ

    3.10 Аналіз потенціалу зростання

    3.11 Аналіз Портера

    3.12 Аналіз PESTEL

    Перегляньте пов’язані звіти:

    Розмір ринку мультимодального інтерфейсу користувача – За компонентом, взаємодією, платформою, вертикальним аналізом галузі кінцевого використання, часткою, прогнозом зростання, 2024 – 2032 рр.

    https://www.gminsights.com/industry-analysis/multimodal-ui-market

    Розмір ринку Deepfake AI – За рішенням, за розгортанням, за технологією, за програмою, за кінцевим використанням, аналізом, спільним використанням, прогнозом зростання, 2024–2032 рр.

    https://www.gminsights.com/industry-analysis/deepfake-ai-market

    Про Global Market Insights

    Global Market Insights Inc. зі штаб-квартирою в Делавері, США, є постачальником глобальних ринкових досліджень і консалтингових послуг, що пропонує синдиковані та індивідуальні дослідницькі звіти разом із консалтинговими послугами щодо зростання. Наші звіти про бізнес-аналітику та галузеві дослідження пропонують клієнтам проникливу інформацію та актуальні ринкові дані, спеціально розроблені та представлені для сприяння прийняттю стратегічних рішень. Ці вичерпні звіти розроблено на основі власної методології досліджень і доступні для ключових галузей, таких як хімічна промисловість, сучасні матеріали, технології, відновлювані джерела енергії та біотехнології.

    розуміння природної мови перетне 998 доларів США Ринок розуміння природної мови перетне 99,8 доларів США
                
  • У результаті аналізу великих даних у листопаді 2024 року репутація акторського бренду була проаналізована в ..

    У результаті аналізу великих даних у листопаді 2024 року репутація акторського бренду була проаналізована в ..

    Кім Те-рі. Фото Star Today DB
    Кім Те-рі. Фото Star Today DB

    У результаті аналізу великих даних у листопаді 2024 року репутація акторського бренду була проаналізована в порядку: 1 місце, Кім Те Рі 2 місце, Пак Шін Хе 3 місце та Чон Юн Че.

    Дослідницький інститут корпоративної репутації Кореї проіндексував 169 716 715 великих даних про бренди 100 акторів, які знімаються в драмах, фільмах і OTT, починаючи з 27 жовтня 2024 року, вимірявши участь споживачів у бренді, обсяг ЗМІ, обсяг комунікації та обсяг спільноти як алгоритм репутації бренду. Порівняно з 186 335 097 великими даними від брендів акторів у жовтні, це на 8,92% менше.

    Репутація бренду Actor розширила аналіз великих даних про акторів у міру того, як ринок OTT зростав і сфери діяльності акторів розширювалися. Це аналіз великих даних, який об’єднує акторів фільмів і драм, які активно працюють у веб-ЗМІ, а також фільми та радіомовлення.

    Для аналізу репутації бренду актора було проведено аналіз великих даних бренду з індексом участі, індексом медіа, індексом зв’язку та індексом спільноти. Індекс репутації бренду – це індекс, отриманий шляхом вилучення великих даних бренду та аналізу поведінки споживачів за допомогою алгоритму аналізу репутації, класифікуючи їх на цінність участі, комунікаційну цінність, медіа-цінність, суспільну цінність і соціальну цінність.

    Аналіз великих даних про бренди може виміряти позитивні оцінки брендів, медіа-джерел та інтересів, інтерес споживачів і комунікацію, розповсюдження спільноти щодо проблем, а також реакцію та популярність вмісту.

    Кім Те Рі, Пак Шін Хе, Чон Ен Че, Чон Хе Ін, Еом Те Гу, Лі Се Ён, Сон Син Хон, Ча Син Вон, Лі Сун Чже, Шін Ін Ин, Кім Нам Гіл, Ву До Хван, Сойон Кім, Рю Син Рьон, Ма Донг Сок, Джі Чанг Ук, Гонг Ю, Ко Юн Чжон, Шін Хе Сон, Чхе Вон Бін, Лі Джин Ук, Йон У Чжин, Ю Хе Чжин, Лі Ха Ні, Лі Чон Чже, Сон Сок Гу, Хван Ін Йоп, Сон Чжун, Го Су та Кім Чже Йон потрапили в рейтинг

    Бренд Kim Tae-ri, який посів перше місце в репутації бренду актора, був проаналізований як 8 274 222 з індексом участі 2 454 741, медіа індексом 1 466 499, комунікаційним індексом 2 373 947, індексом спільноти 1 979 035.

    На другому місці бренд Пак Шін Хе був проаналізований на 5 610 087 як індекс участі 1 395 632 індекс ЗМІ 1 439 879 індекс комунікації 1 310 507 індекс спільноти 1 464 069.

    На третьому місці бренд Jung Eun-chae був проаналізований з індексом репутації бренду 4 782 231, з індексом участі 1 470 457, медіа-індексом 1 473 014, комунікаційним індексом 855 459, індексом спільноти 983 301.

    Бренд Jung Hae-in посів четверте місце з індексом репутації бренду 3 963 875, індексом участі 818 849, медіа-індексом 823 474, комунікаційним індексом 1 063 990, індексом спільноти 1 257 562.

    На п’ятому місці бренд Um Tae-gu був проаналізований на рівні 3 785 075 з індексом участі 994 534, індексом медіа 736 870, індексом комунікації 1 058 458, індексом спільноти 995 212.

    Koo Chang-hwan, директор Корейського інституту дослідження корпоративної репутації, сказав: «У результаті аналізу репутації бренду акторів у листопаді 2024 року бренд Kim Tae-ri посів перше місце. Аналізуючи категорію брендів акторів, він знизився на 8,92% порівняно з до 186 335 097 акторських брендів у жовтні. Згідно з детальним аналізом споживання бренду впало на 12,35%. випуски впали на 9,39%, комунікація бренду впала на 10,08%, а поширення бренду впало на 4,64%».

    «Бренд Kim Tae-ri, який продемонстрував сильну енергію в останньому році, був проаналізований як бренд № 1. Бренд Park Shin-hye, який змусив споживачів зануритися в суддів з пекла, посів друге місце, а Jung Eun-chae Бренд, який продемонстрував нейтральний шарм у пенсійному віці, посів третє місце», – проаналізували в бренді.

    З 28 жовтня 2024 року по 28 листопада 2024 року це опитування про репутацію акторського бренду проводили Кім Те Рі, Пак Шін Хе, Чон Ен Че, Чон Хе Ін, Ум Те Гу, Лі Се Ён, Сон Син Хон, Ча Син Вон, Лі Сун Чже, Шін Ін Юн, Кім Нам Гіл, Ву До Хван, Сойон Кім, Рю Син Рьон, Ма Донг Сок, Джі Чан Ук, Гон Ю, Ко Юн Чжон, Шін Хе Сон, Чхе Вон Бін, Лі Джин Ук, Йон У Джин, Ю Хе Чжин, Лі Ха Ні, Лі Чон Чже, Сон Сок Гу, Хван Ін Лі Со Чжин, Кім Чон Хен, Кім Хе Су, Кан Дон Вон, Чон У Ха, Лі Чон Сок, Лі Дон Ук, Кім Джи Ён, Чан Дон Ган, Кім Йон Ган, Чон У, Чо Чон Сок, Пак Со Джун, Хюнбін , Кім У Бін, Кім Сон Гюн, Чо Син У, Хан Чхе Ён, Лі Су Кюн, Нам Юн Су, Ро Чже Вон, Лім Сі Ван, Ха Юн Кюн, Пак Джи Йон, Кім Сон Ён, Юн Ге Сан, Лі Хак Джу, Кім Донг Ук, Джін Сон Гю, Пак Джі Хван, Джо У Джин

  • Багаторічна база даних розумних лічильників на рівні кампусу

    Багаторічна база даних розумних лічильників на рівні кампусу

    По-перше, ми визначили статус усіх лічильників, щоб гарантувати, що ті, у яких є проблеми, були виключені з подальшого аналізу та статистики. Рисунок 5 ілюструє різні стани лічильників і відповідні підрахунки. Згідно з метаданими Brick, загалом було зафіксовано 1412 метрів. Однак лише 1394 лічильники мали доступні API для доступу до даних. Деякі з цих API повертали помилки під час доступу, що вказувало на те, що інформація API не підтримувалася належним чином або не оновлювалася, і в цій категорії було 65 лічильників. Крім того, є лічильники, для яких можна отримати звичайний доступ до API, але всі отримані значення даних є нулями. До цієї категорії відносяться 46 метрів. Отже, кількість лічильників, які можна надійно використовувати для аналізу, становить 1283.

    Рис. 5
    малюнок 5

    Статус збору даних лічильника.

    Відсутня ставка

    На рисунку 6 показано відсоток відсутніх точок даних для різних інтервалів вибірки та кварталів з 1 кварталу 2022 року до 2 кварталу 2024 року. На осі ординат наведено інтервали вибірки: 15 хвилин, 30 хвилин, 1 годину та 1 день, а вісь х охоплює різні квартали. Під час розрахунку пропущених показників ми враховували не лише лічильники, відібрані на кожному інтервалі, але й високочастотні лічильники, передискретизовані до нижчих частот. Наприклад, 15-хвилинний інтервал включає всі 15-хвилинні лічильники, 30-хвилинний інтервал включає всі 30-хвилинні лічильники плюс 15-хвилинні лічильники, оновлені до 30 хвилин, і так далі.

    Мал. 6
    малюнок 6

    Відсутні показники в даних електролічильника в різні періоди та квартали вибірки.

    15-хвилинний інтервал показує найвищі показники пропусків, коливаючись від 23,467% до 52,417%. Пік припадає на четвертий квартал 2022 року, що вказує на проблеми зі збором даних із такою деталізацією протягом цього періоду. У міру збільшення інтервалу вибірки кількість пропущених даних зменшується. 30-хвилинний інтервал коливається від 18,548% до 36,680%, 1-годинний інтервал від 13,988% до 29,656%, а 1-денний інтервал від 3,377% до 13,584%. Ця тенденція підкреслює труднощі у підтримці повних даних із вищою тимчасовою роздільною здатністю. Кілька причин можуть пояснити ці відсутні ставки. Вища частота збору даних (15 і 30 хвилин) може стикатися з технічними проблемами, такими як несправність датчика або помилки передачі даних. Ці проблеми менш виражені при збиранні з меншою частотою (1 година та 1 день), де передача та зберігання даних легші. Незважаючи на ці відсутні показники, дані зберігають значну цінність. Нижчі показники пропуску з інтервалами в 1 годину та 1 день все ще забезпечують повне уявлення про довгострокові тенденції та закономірності. Крім того, методи імпутації даних можуть пом’якшити вплив відсутніх значень, гарантуючи, що набір даних залишається надійним для аналізу. Крім того, тенденція до зменшення кількості пропущених даних з часом свідчить про вдосконалення процесів збору даних, що відображає зростаючу надійність набору даних.

    Для подальшого з’ясування ситуації з відсутніми даними ми провели щогодинний аналіз тарифів за відсутністю для лічильників у кожній будівлі. На малюнку 7 представлено відсоток відсутніх точок даних для різних будівель і кварталів за період з першого кварталу 2022 року до другого кварталу 2024 року. На осі ординат перелічені всі будівлі в кампусі.

    Рис. 7
    фігура 7

    Відсутні тарифи в даних електролічильників у різних будівлях і кварталах.

    Навчальні та дослідницькі будівлі, як-от навчальний корпус, будівля Cheng Yu Tung, завод IASR, бізнес-будівлі LSK і лабораторія NFF2, загалом показують хорошу якість даних у більшості кварталів, причому рівень браку зазвичай коливається від 0% до 20%. У випадку житлових будинків, приміщення для персоналу SSQ APT1-49 і Student Hall GGT демонструють надзвичайну якість даних, причому частота пропусків у більшості кварталів не перевищує 2%. Однак інші житлові будинки демонструють іншу тенденцію: значне збільшення кількості відсутніх, починаючи з третього кварталу 2022 року, яке було частково вирішено до третього кварталу 2023 року. Ця проблема виникла через проблеми зі збором даних під час Covid-19 пандемія. Незважаючи на те, що ці проблеми були частково вирішені після пандемії, подальше усунення неполадок все ще потрібне. Для рекреаційних будівель якість даних корелює з важливістю будівлі. Наприклад, Shaw Auditorium, визначна будівля, де часто проводяться великі вистави, має дуже високу якість даних. Навпаки, менш значні будівлі, такі як критий плавальний басейн і прибережна морська лабораторія, страждають від низької якості даних через недостатнє обслуговування.

    Аналіз невідповідності енергоспоживання

    У деяких зонах є головні лічильники, які вимірюють загальне споживання електроенергії на території, що дозволяє перевірити наші дані. Для цих зон ми порівнюємо значення основних лічильників із значеннями субметрів. Спочатку ми проводимо повторну вибірку всіх лічильників до щоденних даних і розраховуємо щоденне споживання для кожного лічильника. Потім ми порівнюємо загальне споживання основного лічильника із сумарним споживанням додаткових лічильників. Відносна похибка обчислюється шляхом ділення середньої абсолютної похибки (MAE) між ними на більшу з двох середніх. Визначення відносної похибки показано у формулі 1:

    $${\rm{R}}{\rm{e}}{\rm{l}}{\rm{a}}{\rm{t}}{\rm{i}}{\rm{v} }{\rm{e}}\,{\rm{E}}{\rm{r}}{\rm{r}}{\rm{o}}{\rm{r}}=\frac{\ mathop{\sum }\limits_{i=1}^{n}|\mathop{\sum }\limits_{k=1}^{p}{E}_{{\rm{m}}{\rm{a}}{ \rm{i}}{\rm{n}}}(i,k)-\mathop{\sum }\limits_{j=1}^{m}{E}_{sub}(i,j)|}{max\,\left(\frac{1}{n},\mathop{\sum }\limits_ {i=1}^{n},\mathop{\сума }\limits_{k=1}^{p},{E}_{{\rm{m}}{\rm{a}}{\rm{i}}{\rm{n}}},(, i,,,k,),,,\frac{1}{n},\mathop{\sum }\limits_{i=1}^{n},\mathop{\sum }\limits_{j=1}^{m},{E}_{sub},(,i,,,j,)\right)}$$

    (1)

    Де, Eосновний (i,k) споживання електроенергії, зафіксоване k-й головний лічильник на день i, Eсуб (i,j) споживання електроенергії, зафіксоване j-й підметр на день i, п це кількість днів, стор – кількість основних лічильників, а м це кількість субметрів.

    Під час обчислення відносної похибки ми додатково обробили дані, щоб забезпечити перевірку. Пристрої іноді перезапускаються, що спричиняє значні розбіжності в показаннях до та після перезапуску. Ми використали метод прямокутної діаграми, щоб усунути такі викиди, обчисливши квартилі та виключивши точки, які більше ніж у 1,5 рази перевищують інтерквартильний діапазон (IQR) вище третього квартиля або нижче першого квартиля. Крім того, як згадувалося на початку розділу технічної перевірки, деякі лічильники не змогли правильно отримати дані. Таким чином, якщо певні лічильники в межах зони не мають відповідних даних часового ряду, ця зона не буде перевірена. Результати відносної похибки наведено в таблиці 4.

    Таблиця 4 Результати відносної похибки для різних зон.

    Таблиця 4 показує, що значення відносної похибки в різних зонах значно відрізняються в межах від 9,40% до 30,75%. Кілька факторів можуть сприяти цим розбіжностям. Деякі пристрої, ймовірно, не під’єднані до додаткових лічильників, хоча вони все ще записуються основним лічильником, що призводить до можливих розбіжностей, оскільки додаткові лічильники не фіксують все споживання енергії в зоні. Крім того, втрата даних або перерви під час тривалого моніторингу можуть призвести до розбіжностей між показаннями додаткового та основного лічильників. Відмінності в точності лічильників також відіграють роль; сублічильники з нижчою точністю можуть неточно фіксувати невеликі коливання споживання електроенергії, що спричиняє кумулятивні розбіжності. Ці фактори разом, ймовірно, сприяють відносним помилкам.

    Аналіз об'єктів обліку

    У 1412 лічильниках, розглянутих раніше, 1268 вимірювальних приладів, 121 вимірювальна кімната та решта вимірювальних зон. Щоб визначити, які пристрої вимірюються, ми перелічуємо 20 найпопулярніших типів пристроїв на рис. 8.

    Рис. 8
    фігура 8

    Топ-20 типів вимірюваних пристроїв.

    Рисунок 8 показує, що 11,9% лічильників вимірюють «Освітлення та інше». Цікаво, що ці лічильники не контролюють виключно освітлення, що передбачає заходи економії, коли один лічильник може контролювати кілька пристроїв. Наступною за поширеністю категорією є «плата MCB», яка вказує на те, що деякі лічильники записують вимірювання плати мініатюрного автоматичного вимикача (плата MCB), не вказуючи інші пристрої. Перші 20 типів пристроїв складають 73,3% усіх лічильників. Це свідчить про те, що, незважаючи на те, що загалом вимірюється 104 типи пристроїв, решта пристроїв менш поширені в будівельному обладнанні, їх вимірюють лише меншість лічильників. Для подальшої перевірки наших даних ми провели цілеспрямований аналіз даних на пристрої, який найчастіше вимірювали, «Освітлення», деталізовано на рис. 9.

    Рис. 9
    фігура 9

    Погодинний розподіл кВт за 2 роки: будні проти вихідних у навчальному корпусі.

    На малюнку 9 зображено розподіл кВт за годину протягом двох років, порівнюючи будні та вихідні дні в навчальному корпусі. Перший поверх, будучи відкритим відкритим простором, демонструє менше споживання освітлення вдень (з 7:00 до 17:00) порівняно з нічним. Ця модель незмінна незалежно від буднього чи вихідного дня. Інші поверхи мають подібні візерунки. Будні показують збільшення використання освітлення близько 8:00 ранку, пік досягає опівдні та невелике зниження приблизно опівдні, типове для обідньої перерви. З 14:00 до 23:00 використання освітлення поступово зменшується, що вказує на зменшення заповнюваності ввечері. У вихідні дні спостерігається мінімальна зміна освітлення з невеликим збільшенням у другій половині дня, що відображає менше мешканців, які в основному активні в цей період. Ця схема споживання електроенергії відповідає типовим тенденціям у навчальних і дослідницьких будівлях, підтверджуючи надійність наших даних.

    Рисунок 10 ілюструє розподіл споживання електроенергії в спальнях і ванних кімнатах на першому поверсі гуртожитку GGT, класифікований за погодинними даними за чотирма сезонами: весна, літо, осінь і зима. У Гонконзі літні температури зазвичай коливаються від 80 до 88 градусів за Фаренгейтом, що вимагає тривалого охолодження для підтримки комфорту в приміщенні. Отже, споживання електроенергії влітку значно вище, ніж в інші пори року, тоді як взимку помітно зменшується через зменшення потреб в охолодженні. Протягом дня пік споживання електроенергії припадає приблизно на північ (12:00), що тісно пов’язане з інтенсивним використанням кондиціонерів та освітлення під час навчання або відпочинку студентів. З 12:00 до 6:00 споживання поступово знижується, що свідчить про те, що більше мешканців йдуть спати. Використання зростає приблизно о 7:00 ранку, трохи досягаючи піку між 10:00 ранку та 12:00 вечора, коли студенти починають свою повсякденну діяльність, використовуючи такі пристрої, як освітлення та комп’ютери. У другій половині дня спостерігається незначне зниження споживання електроенергії; однак споживання знову зростає ввечері — особливо після 19:00 — підкреслюючи, що ніч є основним періодом для діяльності студентів із частим використанням світла та електронних пристроїв. Ця модель споживання відповідає типовим тенденціям у студентських гуртожитках, підтверджуючи надійність наших даних. Через широкий спектр будівель і пристроїв детальний аналіз кожного з них є недоцільним у рамках цього дослідження.

    Рис. 10
    малюнок 10

    Погодинна схема споживання електроенергії за сезонами для GGT 1 F.

  • Чи може ШІ допомогти молодим спортсменам повірити в себе?

    Чи може ШІ допомогти молодим спортсменам повірити в себе?

    Звісно, ​​мій улюблений спортивний фільм усіх часів Moneyball. Насправді я часто надягаю його перед тим, як лягти в ліжко. Це завжди дивує мою дружину. Вона вважає, що це поганий фільм, особливо в порівнянні з більш оптимістичними історіями про повернення, як Вища Ліга— фактично мій другий улюблений спортивний фільм.

    Правда, Moneyball має свої негативні моменти. Але найсумніша частина фільму має наслідки ШІ. Великі.

    Щоб зрозуміти чому, давайте згадаємо передісторію Біллі Біна, оскільки вона інформує більшу частину сюжету. Бред Пітт грає старшого Біллі. До того, як він став генеральним менеджером «Окленд А» у 2001 році, році подій у фільмі, новобранці з нетерпінням звернулися до підлітка Біллі з дуже вигідною пропозицією грати за «Нью-Йорк Метс».

    «Більшість молодих людей, якими ми зацікавлені, мають один або два інструменти, і ми сподіваємося розробити ще один», — каже один агент Біллі та його батькам у чудовій сцені. «Ваш син має п'ять. Ми шукаємо хлопця, який є для нас потенційною суперзіркою в Нью-Йорку, і зараз саме час почати».

    На жаль, потенціал Біна ніколи не реалізується.

    Хоча він був зразковим спортсменом у середній школі Маунт-Кармел у Сан-Дієго, не лише в бейсболі, але й у баскетболі та футболі, Бін мав труднощі у вищій лізі. Розумна гра кинула його, особливо страйкаути, які вбивали впевненість. Він «взяв із собою додому кожного бійця», — пояснює автор Майкл Льюїс у своїй книзі джерел: Moneyball: мистецтво виграти в нечесній грі.

    Незважаючи на дивовижний справжній талант, Бін так і не знайшов свого шляху. Погана робота з Мец призвела до того, що його кілька разів обмінювали. Статистика за весь час показує, що він не зміг стартувати — після шести сезонів у мейджорах Бін отримав середній показник 0,219, маючи лише три хоум-рани та 29 RBI у 148 іграх.

    Погані результати Біллі відбулися у 1980-х роках, за десятиліття до комерційної появи ШІ. У якості експерименту цікаво уявити, як штучний інтелект міг би врятувати кар’єру Біллі, якби він жив в іншу епоху.

    Для цього ми можемо звернутися до компанії GameChanger та її нового продукту AI Film Room. Лаура Маккуоррі для Trendhunter.com описує це так: «Професійні спортсмени покладаються на передовий відеоаналіз, щоб удосконалити свої техніки та стратегії, тоді як аматорські ліги часто не можуть дозволити собі витрати на ці інструменти. GameChanger Film Room використовує штучний інтелект і комп’ютерне бачення, щоб скоротити години. відзнятий матеріал у тренувальні моменти для конкурентної переваги».

    Іншими словами, GameChanger надає молодіжним спортивним тренерам власний професійний інструмент аналізу відео. Замість того, щоб нескінченними годинами пробиратися безперервно в таких видах спорту, як баскетбол і волейбол, вони можуть швидко й ефективно отримати точні кадри, необхідні для покращення продуктивності гравців.

    Нещодавно я поспілкувався з президентом GameChanger Саміром Ахуджа, щоб зрозуміти, чому Film Room змінює спортивні ігри — каламбур. «Ми створили його спеціально для непрофесійних молодіжних спортивних команд. Подумайте про тих тренерів, які беруть участь. Багато є волонтерами, які приділяють свій час, щоб допомогти дітям. Зйомки ігор вже давно є інструментом для професійних спортивних команд, але не для цих тренерів. Як правило, найняти помічника, щоб пролити весь цей матеріал, було надто дорого та довго. Комп’ютерне бачення все це змінює».

    Комп’ютерне бачення, про яке згадує Ахуджа, ще одна зміна гри. Як описує це IBM: «Комп’ютерний зір — це область штучного інтелекту (ШІ), яка використовує машинне навчання та нейронні мережі, щоб навчити комп’ютери та системи отримувати значущу інформацію з цифрових зображень, відео та інших візуальних даних, а також давати рекомендації чи вживати дій. коли вони бачать дефекти чи проблеми».

    Film Room використовує такий комп’ютерний зір, щоб служити особистим помічником для всіх тих молодих спортивних тренерів, яким бракує ресурсів для використання кадрів відеоігор. «Замість того, щоб вручну переглядати весь цей вміст, щоб знайти повчальні перлини для своїх гравців, штучний інтелект тепер робить це. Раптом усі ці тренери мають швидкий спосіб краще зрозуміти, що їхні гравці роблять правильно, а що можна покращити», — пояснює Ахуджа.

    Це повертає нас до Біллі Біна. Уявіть собі, якби він жив у часи, коли міг би використовувати цей інструмент комп’ютерного зору — для себе. Фільм Moneyball чудово демонструє кризу впевненості Біллі. Кожен страйк-аут він терпить порізи, як ніж. Незабаром він подрібнений, нездатний виступати на тарілці.

    У нашому вигаданому сценарії Біллі Бін міг би щось зробити з усіма цими викресленнями. Замість того, щоб тушкуватись у власному гніві або ламати бити, як він робить у фільмі, він міг би «перейти до відеокасети». Повертаючись до роздягальні або в усамітнення свого дому після страйкауту, Біллі міг переглядати кожен зі своїх матчів проти пітчера, щоб точно визначити, що пішло не так, і як це виправити наступного разу.

    Таким чином, спортивні невдачі можуть перестати заважати кар’єрі. Вони насправді могли стати джерела розширення можливостейстимулюючи навчання.

    Інша компанія штучного інтелекту під назвою Nex, виробник програми HomeCourt, працює з таким мисленням. Поєднуючи комп’ютерне бачення з штучним інтелектом, це допомагає гравцям самостійно оцінювати свої баскетбольні навички, щоб покращити свою гру. «Відстежуючи різні показники продуктивності, спортсмени можуть визначити свої сильні та слабкі сторони, дозволяючи їм зосередитися на сферах, які потребують покращення», — повідомляє labellerr.com.

    У пропозиції HomeCourt є ще один елемент, який може допомогти вирішити проблему Біллі Біна. Це дозволяє гравцеві виконувати вправи перед камерою свого телефону, додаючи цілі в оточення. Це говорить про те, що будь-який гравець, який має труднощі, незалежно від виду спорту, незабаром зможе тренуватися в додатках ШІ з віртуальними завданнями в будь-який зручний для них час. Доступ до таких персоналізованих змагань одним натисканням кнопки не може не допомогти молодим спортсменам.

    Але є ще щось, що штучний інтелект може зробити для спорту, що гостро пов’язане з Біллі Біном. Зрештою, Moneyball це історія повернення. Бін не дозволяє, щоб його невдачі як гравця визначали його як людину. Багато років потому, будучи генеральним менеджером Oakland A's, він використовує свої помилки та важко здобуті уроки, щоб мислити нестандартно за допомогою Sabermetrics. Його сміливе звернення до Big Data дозволяє йому вирішити свій дефіцит таланту, змагаючись із набагато багатшими командами, такими як New York Yankees.

    Зменшивши масштаб того, що відбувається в суспільстві у 2024 році, ми маємо пов’язану проблему. Надто багато наших молодих спортсменів роблять те, від чого відмовився Біллі: вони відмовляються від спорту та інших соціальних заходів.

    чому Відсутність впевненості.

    Ми недостатньо говоримо про те, як COVID-19 сформував Generation Alpha, дітей, які виростуть на Film Room і HomeCourt. «Через пандемію багато з них роками були віддалені від фізичного світу», — каже Ахуджа. «У результаті деякі діти зараз відкладають або навіть утримуються від занять спортом, тому що це для них не нормально. Наша технічна мета полягає в підтримці молодих гравців. Працюючи з тренерами, які дбають про їхні інтереси, вони можуть використовувати штучний інтелект, щоб покращити гру дітей, додавши їм необхідної впевненості».

    Повертаючись до Біллі Біна, впевненість була відсутнім інгредієнтом, якого він потребував, щоб досягти успіху. Очевидно, у нього був справжній талант, який підхопили всі рекрутери. Він просто не вірив у себе, глибоко людська риса. Є надія, що завтрашній ШІ розширить можливості людства, починаючи з наших молодих спортсменів.

  • 5 тенденцій, що змінюють ландшафт даних

    5 тенденцій, що змінюють ландшафт даних

    5 тенденцій що змінюють ландшафт даних 5 тенденцій, що змінюють ландшафт даних5 тенденцій що змінюють ландшафт даних 5 тенденцій, що змінюють ландшафт даних


    Вебінар: опитування виявило, що підвищений інтерес до генеративного ШІ та інтелектуального штучного інтелекту з прогнозуванням, а також потреба підтримувати традиційні аналітичні робочі навантаження призводять до значного збільшення розповсюдження даних у галузях.

    Майже кожен бізнес звертається до штучного інтелекту та розширеної аналітики, щоб підвищити свою конкурентоспроможність, і, відповідно, переглядає свої дані та хмарні стратегії. Ця перебудова була предметом нещодавнього вебінару, проведеного RTInsights у партнерстві з Ocient, який спеціалізується на допомозі компаніям використовувати великі та складні робочі навантаження.

    Завдання утримання та використання даних, що масово розповсюджуються, «робить речі дорогими та складними, оскільки підприємства готують інструменти для своїх подорожей ШІ», — сказав Шантан Кетіредді, співзасновник і віце-президент із рішень для клієнтів компанії Ocient. Під час вебінару він поділився результатами останнього опитування 500 лідерів у галузі ІТ та обробки даних, проведеного компанією Ocient, яке дало п’ять ключових висновків:

    1) Інвестиції в штучний інтелект – і виклики – створюють розповсюдження даних

    2) Збільшення уваги до швидкості передачі даних, безпеки та сталого використання енергії

    3) Лідери не можуть точно передбачити витрати на аналітику

    4) Лідери переосмислюють свої інфраструктури даних і аналітики, що містять лише хмару

    5) Енергоспоживання та доступність змінюють масштабну аналітику даних

    «Усі ці теми переплетені», — сказав Кетіредді. «Вони вказують на розповсюдження та дублювання даних у системах, які з часом дійсно зростають».

    Звіт про опитування Beyond Big Data: Reaching New Altitudes Дізнайтеся, що показало 3-е щорічне опитування Ocient щодо лідерів ІТ та даних    Звіт про опитування Beyond Big Data: Reaching New Altitudes Дізнайтеся, що показало 3-е щорічне опитування Ocient щодо лідерів ІТ та даних

    Багатьом із сучасних організацій, зазначив він, бракує «належних глосаріїв даних або розуміння походження даних, а також належного контролю за тим, як окремі робочі навантаження для різних бізнес-підрозділів спричиняють щомісячні витрати».

    Зі збільшенням інтересу до генеративного штучного інтелекту та інтелектуального інтелекту з прогнозуванням, а також до підтримки традиційних аналітичних робочих навантажень, «ми спостерігаємо досить значне збільшення розповсюдження даних у галузях», — зазначив він. «Вони відслідковують усвідомлення багатьма нашими клієнтами того, що вони створили багато різних версій правдивих і силосних даних, які мають різні системи, як локальні, так і в хмарі».

    Серед багатьох клієнтів, з якими працює Kethireddy, «100% говорять, що їхні дані зростають. Я чую про необхідність консолідації для виконання все більш складних пріоритетів із даними. Їм потрібно зрозуміти походження даних, зменшити затримку чи застарілість даних і зменшити керування системами, на виконання яких найважливіші люди в їхніх технічних командах витрачають непропорційно багато часу».

    Опитування також виявило скорочення використання хмари для обробки штучного інтелекту або аналітичних навантажень. «Відсутність моделей повернення платежів, а також можливість використання самообслуговування, а також цей непередбачений ріст даних, про який ми щойно говорили, справді неочікувано збільшили витрати на хмару», — сказав Кетіредді. «Хмара стимулює величезні інновації, але що стосується масштабування бізнесу в рекламних технологіях або телекомунікаційних компаніях, найбільш інтенсивних обчислювальних навантажень, локальний все ще є найбільш життєздатним варіантом. Лідери засвоїли це на важкому шляху».

    Зростаючі витрати на хмару та додатки часто стають несподіванкою як для керівників компаній, так і для ІТ-керівників, оскільки понад дві третини респондентів, тобто 68%, зазнали несподіваних витрат на аналітику. Шістдесят чотири відсотки помітили, що витрати на хмару зросли більше, ніж планувалося, а 57% сказали, що витрати на інтеграцію систем вищі, ніж очікувалося. Ще 54% вказали, що вони зазнали непередбачених витрат на переміщення даних. «Кожен зацікавлений у продуктивності та масштабі, але для клієнтів, які потребують дуже великомасштабної аналітики з інтенсивними обчисленнями, все повертається до вартості», — сказав Кетіредді.

    Неочікувані витрати, пов’язані з цими ініціативами, «є серйозною проблемою в хмарі, де є вимірювання обчислень, з витратами щомісяця», – сказав він. Елемент несподіваних витрат доповнюється тим, що керівники та менеджери часто бувають засліплені несподіваними витратами на системи та дані. «Часто бізнес-підрозділи в межах підприємства мають доступ лише до своїх систем, чи своїх віртуальних машин, чи до своїх баз даних без будь-якої реальної спостережливості, керування чи керування використанням», — пояснив він. Як правило, інфраструктурні команди дотримуються реактивної стратегії, ставлячи запитання на кшталт «Хто проводив це гігантське тестове навантаження минулого місяця?» без можливості прогнозувати попит.

    Перш ніж компанії зможуть успішно використовувати штучний інтелект і розширену аналітику, необхідно терміново вирішити «проблеми безперервного руху даних і конвеєрів даних, які так часто зустрічаються на підприємствах», зазначив він. «Якщо ви думаєте про переміщення даних і конвеєри даних, більшість клієнтів мають транзакційні системи або застарілі середовища, які потім передають дані в подальші системи. Або вони отримують масу даних із різноманітних джерел, які надходять із хмари, і це можуть бути пакетні чи потокові дані».

    Що відбувається, так це те, що ці організації «беруть ці дані та перетворюють або споживають їх кількома бізнес-підрозділами, використовуючи власні рішення для вилучення, трансформації та завантаження (ETL),» — проілюстрував він. «Це можуть бути абсолютно різні типи даних. Зазвичай це перший вид відхилення або втрати єдиного джерела істини для даних». Рішення ETL, якими керує кожна група, «мають власне середовище для тестування прийнятності для користувачів або робоче середовище, що означає більше копій даних», зазначив він. «Потім ці дані передаються в декілька систем, можливо, для інформаційних панелей або для аналітики з меншою затримкою. Але він також надходить до їхніх систем, наприклад систем OLAP або озер даних».

    Якщо команда обробки даних «не може отримати дані туди, куди їм потрібно, вони не зможуть проаналізувати їх ефективним і безпечним способом», — сказав він. «Лідерам потрібно думати про масштаб по-новому. Існує дуже багато систем, які споживають дані. Масштабування цих середовищ, оскільки дані з кожним роком у багатьох випадках зростають майже на двозначні відсотки, стає громіздким».

    Проактивний підхід полягає у вирішенні цих витрат і розривів шляхом оптимізації та спрощення на єдиній загальній платформі, закликав Кетіредді, відзначаючи підхід Ocient, який полягає в тому, щоб «зменшити кількість екземплярів обладнання та хмари, необхідних для аналізу інтенсивних обчислювальних навантажень». Ми зосереджуємось на мінімізації витрат, пов’язаних із площею системи та споживанням енергії».

    Звіт про опитування Beyond Big Data: Reaching New Altitudes Дізнайтеся, що показало 3-е щорічне опитування Ocient щодо лідерів ІТ та даних    Звіт про опитування Beyond Big Data: Reaching New Altitudes Дізнайтеся, що показало 3-е щорічне опитування Ocient щодо лідерів ІТ та даних

    Крім того, оптимальним підходом до ціноутворення є «кількість ядер процесора або вузлів, а не кількість споживаного обчислювального ресурсу», що є стандартною практикою для хмарної інфраструктури та постачальників додатків у всій галузі, пояснив він. «Оскільки робочі навантаження стають складнішими, а фінансовим директорам потрібні передбачувані ціни для бюджету, ви побачите, що більше лідерів шукатимуть такі рішення».