Категорія: Великі Дані та Аналітика

Інформація про фото
Зображення Pexels

ОЛЕНА, Монт. – Міністерство торгівлі штату Монтана оголосило сьогодні, що 26 місцевих агенцій з безпеки поділять понад 1,4 мільйона доларів грантового фінансування для підтримки проектів екстрених служб, пов’язаних із туризмом у сільській місцевості. Фінансування здійснюється через Програму екстреної допомоги туризму Commerce в Монтані.

«Служби екстреної допомоги мають вирішальне значення в сільських районах штату, де останнім часом, можливо, спостерігалося збільшення кількості відвідувачів», — сказав Пол Грін, директор департаменту торгівлі Монтани. «У Commerce ми пишаємося тим, що підтримуємо перших служб реагування та інших, хто допомагає рятувати життя та покращувати громадську безпеку в наших сільських громадах».

Програма METAP розроблена для підтримки послуг, що надаються державними або приватними службами безпеки, включаючи правоохоронні органи, пожежну службу, швидку допомогу чи медичні послуги.

Грант METAP отримають:

• 15-90 Пошук і порятунок отримає 42 140 доларів США на придбання позашляховика Polaris із гусеницями для допомоги в пошуково-рятувальних роботах.
• Біверхедський сільський пожежний округ №2 отримає 69 344,31 доларів США на придбання пожежної машини типу 5 для дикої місцевості.
• The Пошуково-рятувальна служба округу Біг-Горн отримає $65 948,72 на придбання дрона, двох Polaris Rangers і транспортного ліжка Medlite для допомоги в пошуково-рятувальних роботах.
• The Добровільна пожежна команда «Місто Великий Ліс». отримає 47 440 доларів США на придбання генератора та виготовлення бетонної кріпильної площадки.
• Служба екстреної допомоги Сільвер Гейт міста Кук отримає 75 000 доларів на придбання пожежної машини екстрених служб.
• The Департамент поліції Діллон отримає 75 тис. доларів на придбання патрульного автомобіля.
• Пошуково-рятувальна служба Елкхорн отримає 75 000 доларів США на купівлю закритого причепа, борту Polaris Expedition ADV і радіостанцій зв’язку.
• Добровільна пожежна служба міста Джефферсон отримає $9 232,05 на придбання одягу та рятувального спорядження для пожежників.
• The Департамент поліції міста Ліббі отримає $75 000 на придбання поліцейського автомобіля.
• The Волонтерська пожежна частина Ліббі отримає $75 000 на придбання компресорної системи автономного дихального апарату та заправної станції.
• The Northeast STAT Ambulance Cooperative отримає 46 693,08 доларів США на придбання вдосконаленого монітора/дефібрилятора для оновлення обладнання служби екстреної допомоги.
• The Пожежна та аварійна служба Paradise Valley отримає 57 395 доларів на придбання інструментів для порятунку та визволення.
• The Офіс шерифа округу Парк отримає 75 тис. доларів США на придбання патрульної вантажівки та аварійного обладнання для автомобіля.
• The Філіпсбурзька волонтерська пожежна команда отримає $75 тис. на придбання пожежної машини та супутнього обладнання.
• The Пожежна служба міста Полсон отримає 66 000 доларів на закупівлю сучасного обладнання для підтримки життя, включаючи кардіомонітори та пристрої Lucas для автоматичного вимірювання пульсу.
• The Відділ поліції міста Полсон отримає 50 701 долар США на придбання двох причепів, змінного повідомлення та допоміжного обладнання.
• Пожежно-рятувальна частина Red Lodge отримає $64 478,76 на закупівлю мобільного командно-комунікаційного обладнання.
• Пошуково-рятувальна служба округу Річленд отримає $27 196,40 на придбання пошуково-рятувального причепа та обладнання.
• The Раундап Добровільна пожежна команда отримає 57 798 доларів США на закупівлю евакуаційного обладнання для пожежних автомобілів.
• Округ Сандерс отримає $62 858,25 на придбання поліцейського автомобіля.
• Seeley-Swan Search and Rescue отримає $21 075 на придбання пошуково-рятувального снігохода.
• The Шеріданська волонтерська пожежна команда отримає 4000 доларів на придбання знаків екстреної ситуації, жилетів підвищеної видимості та персональних ліхтарів.
• The Місто Томпсон-Фоллз отримає $65 814,25 на придбання поліцейського автомобіля.
• The Місто Томпсон-Фоллз отримає $75 000 на придбання двох поліцейських автомобілів.
• The Сільська пожежна служба Thompson Falls отримає 61 685 доларів США на придбання інструментів для визволення та аксесуарів для допомоги в екстрених ситуаціях.
• The Місто Вест-Єллоустоун отримає 66 756 доларів на придбання поліцейського автомобіля.

Прийнятні заявники на фінансування METAP включають сільські міста, округи, консолідовані уряди, племінні уряди та будь-які організації, які надають служби екстреної допомоги або підрозділи реагування в сільській місцевості. METAP – це можливість, що фінансується державою, дозволена законодавчим органом у 2023 році, коли Сенат ухвалив законопроект 540.

Для отримання додаткової інформації про гранти METAP відвідайте commerce.mt.gov.

---

Теги: прес-реліз

Покращте рівень безпеки за допомогою виявлення загроз на основі штучного інтелекту

Третя стратегія полягає в посиленні безпеки за допомогою інструментів виявлення загроз на основі ШІ, вбудованих у хмару. Наприклад, такі інструменти, як Azure Arc, забезпечують узгоджену безпеку та керування, а Azure Update Manager надає уніфікований сервіс, який допомагає відстежувати та керувати відповідністю в гібридних і багатохмарних мережах. Користувачі також можуть спробувати Hotpatch із підтримкою Arc, хірургічне виправлення безпеки, яке працює шляхом виправлення коду запущених процесів у пам’яті без необхідності перезавантаження.

Зрештою, інтеграція штучного інтелекту в операції безпеки дозволяє здійснювати безперервний моніторинг, проактивне виявлення вразливостей у величезних наборах даних і кращі механізми захисту, сказав Гатрі.

Використовуйте штучний інтелект і Inscape від CDW, щоб оптимізувати хмарні витрати

І, нарешті, подумайте про використання власної хмарної платформи CDW Inscape, щоб отримати персоналізовані фінансові рекомендації для вашого мультихмарного середовища.

«Ми створили Inscape близько 10 або 11 років тому з метою дійсно допомогти людям отримати кращу ясність щодо своїх витрат на хмару», — сказав Тоні Суффолетто, директор інструментів і підтримки Microsoft у CDW.

Платформа, яка ідеально підходить для FinOps, дає рекомендації щодо розподілу ресурсів, виявлення тенденцій і створення бюджетів за допомогою індивідуальних сповіщень. Він також пояснив, що Inscape може допомогти користувачам вирішити, які хмарні ліцензії їм підходять, і перевірити наявність аномалій.

Такі інструменти, як керування витратами та виставлення рахунків Azure, також покращені можливостями штучного інтелекту, щоб передбачати моделі використання, рекомендувати заходи економії та автоматизувати масштабування ресурсів. Це гарантує, що витрати на хмару відповідають реальним потребам бізнесу.

ДІЗНАЙТЕСЯ БІЛЬШЕ: Опануйте мистецтво керування хмарою за допомогою платформи CDW Inscape.

«Занадто часто компанії купують ці інструменти, але потім розуміють, що їх технічна готовність не зовсім там, де вона повинна бути», — сказав Ел Маккіннон, архітектор рішень у практиці CDW Digital Experience Productivity. Тоді вони застрягли.

«Скажімо, ви хочете розмістити копілот Microsoft у хмарі: у нас є тренінги для цього. Ми пропонуємо тренінги для кожної програми Microsoft, що є чудовим ударом, — додав Суффолетто.

Маючи більше знань, хмара стає набагато більш керованим середовищем для організації. «Багато переваг приносить можливість розблокувати потужність цих інструментів», — сказав він.

Щоб дізнатися більше про Microsoft Ignite, відвідайте наш сторінка конференції. Ви також можете слідкувати за нами на соціальній платформі X за адресою @BizTechMagazine побачити моменти за кадром.

В AWS ми прагнемо надати організаціям інструменти, які оптимізують аналіз даних і процеси трансформації. Ми раді повідомити, що адаптер dbt для Amazon Athena тепер офіційно підтримується в dbt Cloud. Ця інтеграція дозволяє групам обробки даних ефективно перетворювати та керувати даними за допомогою Athena з надійними функціями dbt Cloud, покращуючи загальний досвід роботи з даними.

У цій публікації ми обговорюємо переваги dbt Cloud над dbt Core, загальні випадки використання та те, як розпочати роботу з Amazon Athena за допомогою адаптера dbt.

Необхідність упорядкованих перетворень даних

У міру того, як організації все більше використовують хмарні озера та сховища даних, попит на ефективні інструменти перетворення даних зростає. Athena відіграє важливу роль у цій екосистемі, надаючи безсерверну інтерактивну службу запитів, яка спрощує аналіз величезних обсягів даних, що зберігаються в Amazon Simple Storage Service (Amazon S3) за допомогою стандартного SQL. Це дає змогу витягувати статистичні дані зі своїх даних без складного керування інфраструктурою.

dbt став провідною структурою, що дозволяє групам даних ефективно трансформувати та керувати конвеєрами даних. Завдяки адаптеру dbt для адаптера Athena, який тепер підтримується в хмарі dbt, ви можете легко інтегрувати свою архітектуру даних AWS із хмарою dbt, використовуючи переваги масштабованості та продуктивності Athena для спрощення та ефективного масштабування робочих процесів даних.

Переваги адаптера dbt для Athena

Ми співпрацювали з dbt Labs і спільнотою з відкритим кодом над адаптером для dbt, який дозволяє dbt взаємодіяти безпосередньо з Athena. Раніше адаптер dbt для Athena був сумісний лише з dbt Core, вимагаючи від команд вручну керувати конфігураціями та виконувати перетворення локально або за допомогою спеціальних налаштувань. Тепер, завдяки підтримці dbt Cloud, ви можете отримати доступ до керованого хмарного середовища, яке автоматизує та вдосконалює ваші робочі процеси перетворення даних. Це оновлення дозволяє створювати, тестувати та розгортати моделі даних у dbt з більшою легкістю та ефективністю, використовуючи всі функції, які надає dbt Cloud.

Підтримка dbt-адаптера для Athena в dbt Cloud пропонує кілька переваг перед його використанням з dbt Core:

• Керована інфраструктура – dbt Cloud забезпечує повністю кероване середовище для запуску проектів dbt, усуваючи необхідність локального налаштування, обслуговування та конфігурації. Це економить час і зусилля, особливо для команд, які прагнуть мінімізувати управління інфраструктурою та зосередитися виключно на моделюванні даних.
• Планування та автоматизація – dbt Cloud поставляється з планувальником завдань, що дозволяє автоматизувати виконання моделей dbt. Ця функція гарантує, що ваші набори даних завжди актуальні без необхідності налаштовувати та підтримувати зовнішні системи планування, такі як Apache Airflow. Ви також можете легко встановити залежності між завданнями в dbt Cloud, переконавшись, що перетворення виконуються в правильній послідовності без ручного контролю.
• Покращена співпраця та контроль версій – Ви можете використовувати веб-інтерфейс для редагування та перегляду dbt-моделей, уможливлюючи співпрацю між групами даних. Ви можете переглядати зміни коду безпосередньо на платформі, сприяючи ефективній командній роботі. Крім того, dbt Cloud інтегрується з постачальниками Git, що спрощує контроль версій і співпрацю над кодом. Це гарантує, що ваші моделі даних добре задокументовані, мають версії та прості для керування в середовищі спільної роботи.
• Спостереження та оповіщення – Ви отримуєте вбудовані інструменти для моніторингу виконання завдань і продуктивності, щоб налаштовувати попередження та сповіщення про збої завдань, забезпечуючи швидкий час відповіді та мінімізуючи збої. Крім того, ви можете отримати уявлення про продуктивність ваших перетворень даних за допомогою детальних журналів виконання та показників, доступних через інтерфейс dbt Cloud.

Загальні випадки використання адаптера dbt з Athena

Нижче наведено типові випадки використання адаптера dbt з Athena:

• Побудова сховища даних – Багато організацій рухаються до архітектури сховищ даних, поєднуючи гнучкість озер даних із продуктивністю та структурою сховищ даних. Використовуючи Athena та адаптер dbt, ви можете перетворювати необроблені дані в Amazon S3 у добре структуровані таблиці, придатні для аналітики. Це налаштування дозволяє компаніям створювати масштабоване та ефективне озерце даних, де вони можуть виконувати перетворення на основі SQL і переконатися, що дані чисті та готові для аналітики, не вкладаючи значних коштів в інфраструктуру сховища даних.
• Інкрементна обробка даних – Адаптер дозволяє здійснювати поступову обробку даних, де перетворюються та обробляються лише нові або оновлені дані. Ця функція зменшує обсяг даних, сканованих Athena, що призводить до швидшої роботи запитів і зниження витрат. Наприклад, замість того, щоб обробляти весь набір даних щодня, dbt можна налаштувати на перетворення лише даних, отриманих за останні 24 години, що робить операції з даними більш ефективними та рентабельними.
• Управління та оптимізація витрат – Оскільки Athena стягує плату на основі обсягу даних, сканованих за кожним запитом, оптимізація витрат є надзвичайно важливою. Адаптер дозволяє групам даних оптимізувати перетворення шляхом створення ефективних моделей даних, таких як розділення та стиснення даних для мінімізації витрат на сканування. Крім того, автоматизоване планування dbt у хмарі dbt можна використовувати для керування частотою перетворень даних, гарантуючи, що запити виконуються лише за необхідності, допомагаючи ефективно контролювати витрати.
• Архівація даних і багаторівневе зберігання – Організації з великою кількістю історичних даних можуть використовувати Athena для запиту архівних даних, що зберігаються в недорогих класах зберігання Amazon S3 (таких як Amazon S3 Glacier). За допомогою адаптера групи обробки даних можуть створювати моделі, які сегментують і обробляють дані на основі моделей використання, гарантуючи, що дані, до яких часто звертаються, оптимізовані для швидких запитів, а старі дані залишаються доступними, але економічно ефективними. Крім того, ви можете використовувати Amazon S3 Intelligent-Tiering, щоб оптимізувати витрати на зберігання, переміщуючи дані між двома рівнями доступу, коли шаблони доступу змінюються. Цей підхід допомагає в управлінні витратами на зберігання, зберігаючи при цьому гнучкість для аналізу історичних тенденцій, коли це необхідно.
• Перетворення даних, керовані подіями – У сценаріях, коли організаціям потрібно обробляти дані майже в режимі реального часу, наприклад для потокової передачі журналів подій або даних Інтернету речей (IoT), ви можете інтегрувати адаптер у керовану подіями архітектуру. Наприклад, дані про події можна безперервно завантажувати в Amazon S3, а моделі dbt можна налаштувати на поступовий запуск, перетворюючи нові дані в структуровані формати для негайного аналізу. Це налаштування підтримує гнучку обробку даних, одночасно використовуючи переваги безсерверної архітектури Athena, щоб підтримувати низькі операційні витрати.
• Відповідність і управління даними – Для організацій, які керують конфіденційними або регульованими даними, ви можете використовувати Athena та адаптер для забезпечення дотримання правил керування даними. За допомогою dbt команди можуть визначати перевірку якості даних і контроль доступу як частину робочого процесу трансформації. Це гарантує, що для аналітики доступні лише сумісні високоякісні дані, а витрати оптимізуються шляхом обробки лише даних, які відповідають стандартам управління. Крім того, функції документування dbt допомагають підтримувати чіткий облік перетворень даних, підтримуючи зусилля з аудиту та відповідності.

Як користуватися адаптером dbt для Athena

Щоб почати, створіть проект і налаштуйте з’єднання з Athena в dbt Cloud. На наступному малюнку показано кроки для створення проекту за допомогою dbt Cloud і налаштування підключення Athena.

Далі скористайтеся інтерактивним середовищем розробки dbt Cloud (IDE), щоб розгорнути свій проект. На наступному малюнку показано, як створити запуски dbt і розгорнути зміни в Athena за допомогою інтерфейсу dbt Cloud.

Висновок

У AWS ми прагнемо надати вам найкращі інструменти та послуги, які допоможуть вам досягти успіху в хмарі. dbt стала провідною платформою перетворення даних, якій довіряють тисячі організацій по всьому світу. Завдяки партнерству з dbt Labs ми можемо перенести потужність dbt безпосередньо в хмару AWS, дозволяючи вам бездоганно інтегрувати робочі процеси перетворення даних у ширшу хмарну інфраструктуру. Це партнерство є свідченням нашого спільного бачення зробити дані більш доступними, надійними та цінними для організацій будь-якого розміру.

Ми з нетерпінням чекаємо, як ви використовуватимете dbt Cloud-сумісний адаптер dbt для Athena, щоб просувати свої ініціативи на основі даних. Поєднання dbt і Athena створює потужне й ефективне середовище для перетворення й аналізу даних у безсерверній архітектурі. Ця синергія дозволяє використовувати переваги обох інструментів, спрощуючи керування складними конвеєрами даних, зменшуючи витрати та масштабуючи свої операції.

---

Про авторів

Даршит Таккар є менеджером із технічних продуктів AWS і працює з командою Amazon Athena.

Селман Ай є архітектором даних у команді AWS Professional Services.

ВР сьогодні є старшим архітектором партнерських рішень в AWS, який допомагає клієнтам розробляти рішення для великих даних для обробки даних у масштабі

Застарілі системи «пакетної» обробки даних давно містять інструменти для керування продуктивністю та забезпечення безпеки. StarTree надає ті самі можливості для аналізу даних у реальному часі та операцій ШІ.

StarTree доповнює свою платформу аналізу даних у реальному часі набором нових можливостей, включаючи інструменти управління продуктивністю та безпеку даних, які, за словами компанії, необхідні для прискорення впровадження систем аналітики в реальному часі.

Багато нових функцій і методів, які додаються до StarTree Cloud, уже давно доступні в застарілих системах «пакетної обробки даних». Але зі зростаючим використанням систем даних у режимі реального часу для завдань штучного інтелекту та аналітики, відповідно до StarTree, ці можливості також стають все більш потрібними.

«Управління даними в режимі реального часу представляє зовсім інший набір проблем», — сказав Чад Мелі, старший віце-президент зі зв’язків із розробниками та маркетингу StarTree, під час брифінгу з CRN.

[Related: StarTree Extends Cloud Platform’s Real-Time Analytics Capabilities]

StarTree, заснована в 2018 році зі штаб-квартирою в Маунтін-В’ю, штат Каліфорнія, продає свою систему аналітики в реальному часі StarTree Cloud для цілого ряду аналітичних програм, орієнтованих на клієнтів, включаючи аналіз фінансових операцій, показники залученості в соціальних мережах, націлювання реклами, послуги на основі місцезнаходження, динамічне/стрибкове ціноутворення та таблиці лідерів відеоігор.

Платформа компанії заснована на Apache Pinot, розподіленій аналітичній базі даних у реальному часі з відкритим вихідним кодом, розробленій для високомасштабних запитів із низькою затримкою. (Засновники StarTree, генеральний директор Кішор Гопалакрішна та інженер-засновник Сян Фу спочатку розробили Піно.)

Сьогодні більшість операцій з переміщення даних, таких як отримання даних із ERP і систем продажів для завантаження в сховище даних для аналізу, виконується за допомогою «пакетної обробки», коли дані періодично збираються та переміщуються — щогодини, щодня, щотижня тощо. .

Але для ефективності аналітичним системам і системам штучного інтелекту все більше потрібні дані в реальному або майже реальному часі. «Все стає все більше і більше в реальному часі. Раніше це було від днів до годин і хвилин, а тепер навіть хвилини неприпустимі. Тепер ми переходимо до секунд», — сказав Чінмай Соман, керівник відділу продуктів у StarTree. CRN інтерв'ю.

Соман також зазначив, що «масштаб даних значно змінився». Обсяги даних стають більшими, набори даних більшими, темпи споживання даних вищі, і більше бізнес-користувачів і програм отримують доступ до цих даних і використовують їх, сказав він.

«Те, що раніше робилося вручну або неефективно, більше не прийнятне, особливо в системах реального часу», — сказав Соман. «Ми бачимо, як наші клієнти підштовхують нас як до масштабу даних, так і до «реального часу» [analytics systems] можна отримати».

«Я думаю, що ми на початку гри з точки зору реального часу», — додав Мелі, порівнюючи використання обробки даних і аналітики в реальному часі з традиційною пакетною обробкою. «Я думаю, що основна тема того, що ми тут оголошуємо, полягає в тому, щоб справді отримати більш широке впровадження» аналітики в реальному часі.

Мелі сказав, що ці нові можливості допоможуть StarTree та її партнерам-постачальникам хмарних послуг стимулювати впровадження Pinot і StarTree для більш широкого спектру програм. Очікується, що розширена функціональність також створить можливості для системних інтеграторів і партнерів з розробки, зокрема він згадав EPAM, з якими StarTree будує партнерські відносини.

Нові можливості StarTree Cloud включають:

– Завантаження без паузи: забезпечує свіжість даних, підтримуючи безперервний потік даних на етапах створення та завантаження даних.

-Performance Manager: за допомогою інтерфейсу машинного навчання ця функція автоматизації спрощує процес оптимізації продуктивності запитів.

– Розвиток схеми: ця можливість дозволяє системі баз даних вміщувати нові поля, індекси, змінені типи даних та інші структурні модифікації, не перериваючи операцій.

-Заповнення даними: ця автоматизована функція усуває неправильні або відсутні дані, коли дані не завантажуються або передаються належним чином, надаючи можливість перезавантажувати дані з минулих подій, заповнюючи прогалини в даних і зберігаючи цілісність даних.

-Управління контролем доступу на основі ролей: RBAC дозволяє організаціям призначати та контролювати доступ користувачів до даних на основі їхніх ролей, забезпечуючи безпеку конфіденційних даних, навіть якщо вони надходять та аналізуються протягом секундних вікон.

Нові можливості в StarTree Cloud наразі знаходяться в режимі приватної попередньої версії, і очікується, що вони стануть загальнодоступними в першому кварталі 2025 року.

Попит на спрощену роботу обладнання стає більш очевидним, оскільки промислові процеси стають більш складними та диверсифікованими. Аналіз даних і штучний інтелект змінюють принцип роботи всіх галузей, підвищуючи продуктивність і результативність. Ці технологічні досягнення автоматизують операції та дозволяють підприємствам виділяти більше ресурсів на покращення послуг, обслуговування клієнтів та інновації.

Аналіз даних у режимі реального часу та штучний інтелект також вдосконалюють різні аспекти індустрії важкого обладнання, ще більше сприяючи бездоганності та автоматизації. Подивіться на деякі способи аналізу даних і ШІ трансформують сектор.

Покращує операційну ефективність

Аналітика даних і штучний інтелект можуть покращити процес прийняття рішень, обробляючи величезні масиви даних і перетворюючи їх на практичні висновки, які професіонали можуть використовувати для покращення операцій. Ці дані містять інформацію в режимі реального часу та історію, яка може допомогти спроектувати точні прогнози та пропозиції, підвищуючи ефективність роботи.

Датчики та системи на основі штучного інтелекту також можуть підвищити продуктивність. Аналіз у реальному часі зменшує кількість помилок, заощаджуючи витрати, пов’язані з їх виправленням. Ця перевага покращує процеси, економить час і ресурси, оптимізує послуги та задовольняє клієнтів.

AI та аналіз даних також підвищують точність операцій. Наприклад, менеджери можуть ефективно розпізнавати моделі використання обладнання за допомогою даних, як-от частота використання та місцезнаходження. Ця можливість гарантує пріоритетність сайтів, які потребують найбільше ресурсів, таким чином скорочуючи час простою.

Крім того, AI покращує автоматизацію за допомогою датчиків, камер і алгоритмів. Важка техніка тепер може працювати з мінімальним втручанням людини, що зменшує витрати на робочу силу. Цей прогрес також відкриває шлях до нових досліджень і розробок для високої точності.

Автоматизує прогнозне та профілактичне обслуговування

У США більше 45% програм технічного обслуговування є реактивними, тобто вони зобов’язуються ремонтувати обладнання, коли воно виходить з ладу. Реактивне технічне обслуговування має багато недоліків, таких як збільшення кількості ремонтів, непередбачувані простої та вищі витрати на оплату праці. Штучний інтелект і аналіз даних можуть допомогти вирішити це, заохочуючи прогнозне та профілактичне обслуговування.

Аналіз даних і аналіз AI можуть передбачити, коли обладнання потребує технічного обслуговування або ремонту. Ця здатність може подовжити термін служби машини, оскільки вона не повинна функціонувати, доки її не визнають непридатною. Ці діагностичні дані за допомогою прогнозного аналізу є революційними в тому, що вони зменшують час простою, підвищують продуктивність і покращують економію коштів.

Профілактичне обслуговування передбачає періодичне обслуговування обладнання. AI може допомогти в цьому, автоматизувавши графіки обслуговування та надсилаючи нагадування менеджерам про зустрічі. Профілактичне технічне обслуговування може підвищити ефективність обслуговування обладнання, продовжити термін служби машини та зменшити кількість ремонтів і поломок. Організації, які використовують реактивне обслуговування, можуть значно заощадити час і гроші за допомогою профілактичного обслуговування.

Збільшення терміну служби та здоров’я обладнання означає кращу ефективність використання палива та більш стійкі практики, зменшення викидів парникових газів і вуглецевого сліду та менший вплив на зміну клімату. Ці переваги, у свою чергу, підвищують привабливість обладнання для потенційних клієнтів, які віддають перевагу екологічно свідомим практикам.

Сприяє безпечнішому робочому середовищу

Завдяки штучному інтелекту та аналізу даних менеджери можуть отримувати оперативні попередження про небезпечні умови праці. Інструменти на базі штучного інтелекту можуть визначати та обробляти потенційні небезпеки на місці, такі як погодні умови, ненормальні показання параметрів і аномалії в обладнанні та матеріалах. Потім ці дані перетворюються на сповіщення, які менеджери можуть використовувати для прогнозування небезпек і уникнення нещасних випадків до того, як вони відбудуться.

Крім того, штучний інтелект може виявляти аномалії обладнання, такі як перегрів і неправильне поводження. Ця інноваційна технологія покращує безпеку об’єкта, зменшує кількість нещасних випадків, підвищує продуктивність і наголошує на проактивних операціях, особливо під час складних місій.

З 2018 по 2020 роки об’єкти та обладнання стали причиною 32% будівельних травм, в середньому 25 000 травм на рік. Точність і прогнозування аналізу даних у реальному часі та штучний інтелект можуть зменшити кількість травм і підвищити безпеку працівників.

Аналіз даних у реальному часі та ШІ підвищують ефективність і безпеку

У сучасному світі комплексний аналіз даних і штучний інтелект є всюдисущими, легко доступними, інтуїтивно зрозумілими та проактивними. Ці промислові руйнівники створять більше можливостей для кращої безперебійної роботи в промисловості важкого обладнання.

Про автора

Еллі Гейбел — письменниця-фрілансер, яка захоплено висвітлює останні інновації в науці й технологіях і те, як вони впливають на світ, у якому ми живемо й працюємо. Коли вона не зайнята писанням, ви можете побачити, як вона проводить час зі своїм чоловіком та їх коти.

Підпишіться на безкоштовну розсилку InsideAI News.

Приєднуйтесь до нас у Twitter: https://twitter.com/InsideBigData1

Приєднуйтесь до нас на LinkedIn: https://www.linkedin.com/company/insideainews/

Приєднуйтесь до нас на Facebook: https://www.facebook.com/insideAINEWSNOW

Подивіться на нас на YouTube!

Загальне бачення Ілона Маска для різних технологічних секторів тепер зосереджено на штучному інтелекті (ШІ) за допомогою xAI, компанії, створеної з метою розробки ШІ. У центрі цих зусиль знаходиться Colossus, один із найпотужніших у світі суперкомп’ютерів, який може радикально змінити можливості ШІ.

Створення Colossus є ключовим досягненням не лише для xAI Маска, але й для спільноти штучного інтелекту в цілому, яка хоче відігравати провідну роль у впровадженні технології.

Витоки та бачення xAI

xAI був офіційно створений у середині 2023 року Маском, генеральним директором Tesla та SpaceX, з метою «дізнайтеся, як виглядає реальний світ».

Згідно з заявою про місію, «xAI — це компанія, яка працює над створенням штучного інтелекту для прискорення наукових відкриттів людиною. Ми керуємося нашою місією — покращити наше колективне розуміння Всесвіту».

За словами Маска, він заснував компанію, тому що почав турбуватися про небезпеку нерегульованого ШІ. xAI має заявлену мету використовувати штучний інтелект для наукових відкриттів, але в спосіб, який не є експлуатаційним.

Суперкомп’ютер xAI призначений для проведення передових досліджень штучного інтелекту, від машинного навчання до нейронних мереж із планом використання Colossus для навчання великих мовних моделей (наприклад, GPT-серії OpenAI) і розширення інфраструктури на такі сфери, як автономні машини, робототехніка та наука. моделювання.

Колос

Colossus був запущений у вересні 2024 року в Мемфісі, Теннессі. Центр обробки даних розташований на території колишнього виробничого майданчика Electrolux (фото тут) в індустріальному парку Південного Мемфіса.

Адміністрація долини штату Теннессі схвалила угоду про забезпечення місця понад 100 мегават електроенергії.

Система Colossus починалася зі 100 000 графічних процесорів Nvidia H100, що зробило її однією з найважливіших у світі платформ для навчання ШІ.

Розгортання цих графічних процесорів за 19 днів підкреслило зосередженість xAI на швидкому масштабуванні інфраструктури ШІ.

Враховуйте, що налаштування такої розгалуженої інфраструктури зазвичай займає місяці, навіть роки, саме розгортання привернуло значну увагу ЗМІ та галузі центрів обробки даних/ШІ.

Це початкове налаштування зі 100 000 графічних процесорів дозволило йому досягти високого рівня обробки, що зробило xAI здатним працювати над складними моделями штучного інтелекту на найсучасніших швидкостях.

Ця швидкість і ефективність є важливими з огляду на постійно зростаючу складність і розмір сучасних моделей штучного інтелекту, які потребують живлення величезних наборів даних і використання величезної обчислювальної потужності.

Багато в чому модель «якщо ви створите, вони прийдуть», проекти LLM зосереджені на використанні доступної обчислювальної потужності.

Плани розширення та оновлення

У листопаді 2024 року xAI оголосив, що подвоїть потужність Colossus за допомогою багатомільярдної угоди.

Фірма планує залучити 6 мільярдів доларів у найближчі роки, причому основна частина їх надходить із державних фондів Близького Сходу.

Він покриє витрати на додавання ще 100 000 графічних процесорів до існуючого набору, довівши його до 200 000.

Заплановане оновлення додасть нові графічні процесори Blackwell H200 від Nvidia, які є ще потужнішими, ніж графічні процесори H100, які спочатку постачалися.

NVIDIA натрапляє на заковику

Графічні процесори H200 забезпечують значне покращення продуктивності та ефективності та дозволять xAI швидше й точніше навчати моделі штучного інтелекту.

Ці графічні процесори оптимізовані для виконання глибокого навчання та навчання нейронних мереж, тому вони ідеально підходять для великих проектів штучного інтелекту xAI.

За словами Nvidia, графічні процесори Blackwell можуть бути в 20 разів швидшими за графічні процесори попереднього покоління, залежно від робочого навантаження.

Однак доставка графічного процесора Blackwell клієнтам зіткнулася з проблемою.

Доставка чіпів наступного покоління клієнтам вже була відкладена на чверть через те, що Nvidia виявила та виправила деякі недоліки конструкції.

Виникла нова затримка, оскільки було повідомлено, що конфігурація 72 GPU перегрівалася в спеціально розроблених серверних стійках Nvidia.

Yahoo Finance повідомила, що повідомлення про проблему призвело до падіння вартості акцій Nvidia майже на 3%, навіть незважаючи на те, що можлива затримка постачання GB200 у 2025 році не була підтверджена, а також Nvidia не бажала коментувати, чи остаточний дизайн для серверних стійок завершено.

Ця більша інфраструктура Colossus значно полегшить для xAI створення та тестування своїх моделей штучного інтелекту (зокрема LLM Grok).

Вони покликані кинути виклик і, можливо, навіть перевершити нині домінуючі системи штучного інтелекту, такі як GPT-4 від OpenAI і Bard від Google.

Розроблено для ШІ

Colossus відрізняється від інших суперкомп’ютерів не лише базовою обчислювальною потужністю, але й спеціально розробленою інфраструктурою ШІ.

Система створена для задоволення особливих потреб навчання штучного інтелекту — обробки величезних обсягів даних і запуску високорозвинених алгоритмів, які потрібно розпаралелювати.

Як повідомлялося, як Dell Technologies, так і Supermicro співпрацювали з xAI для створення суперкомп’ютера.

Комбінація графічних процесорів Nvidia H100 і H200 надасть Colossus явну перевагу, коли справа стосується швидкості та ефективності. Ці графічні процесори також мають спеціальні тензорні ядра, які допомагають прискорити алгоритми глибокого навчання.

Крім того, пропускна здатність пам’яті цих графічних процесорів достатньо потужна, щоб ефективно обробляти великі набори даних, необхідні для навчання останніх моделей ШІ.

Основним будівельним блоком Colossus є універсальна система графічного процесора Supermicro 4U Liquid Cooled.

Кожен сервер 4U оснащено вісьмома графічними процесорами NVIDIA H100 Tensor Core, що забезпечує значну обчислювальну потужність для завдань навчання ШІ.

Сервери організовані в стійки, кожна з яких містить вісім серверів 4U, що становить 64 графічних процесора на стійку.

Між кожним сервером 4U є колектор для рідинного охолодження, що займає 1U простору стійки, а основа кожної стійки містить насосну систему 4U CDU, що забезпечує резервне охолодження, і блок керування.

Мережа Ethernet

Сервери з’єднані між собою за допомогою мережевої платформи NVIDIA Spectrum-X Ethernet, що забезпечує зв’язок із високою пропускною здатністю та малою затримкою, необхідним для навчання ШІ.

Кожен сервер оснащено декількома з’єднаннями 400GbE, які працюють на кабелях з підтримкою 800 GBE, а не за допомогою опції Infiniband, яка також підтримується Nvidia для широкомасштабного розгортання.

У поточній архітектурі кожен графічний процесор у кластері отримує спеціальну мережеву інтерфейсну карту на 400 ГБ з додатковим NIC на 400 ГБЕ, виділеним для сервера, для потенційної загальної пропускної здатності 3,6 ТБ на сервер.

Є 512 GPU на масив (8 стійок по 64 GPU) і майже 200 масивів.

У жовтні глава NVIDIA Дженсен Хуанг оголосив, що весь початковий суперкомп’ютер зі 100 000 графічних процесорів був створений лише за 19 днів, порівнюючи це з тим, що він назвав нормальним чотирирічним процесом створення середнього центру обробки даних.

Дорожня карта

Отже, що робить компанія з усією цією владою?

Сімейство великих мовних моделей Grok є основною метою xAI. Такі моделі інтерпретують і створюють текст, схожий на людину, як і серія GPT OpenAI.

Моделі Grok повинні бути ефективнішими та потужнішими, ніж поточні мовні моделі, завдяки обчислювальним можливостям Colossus.

Окрім мовних моделей, xAI також має намір розвивати інші програми ШІ, такі як автономні транспортні засоби, робототехніка та наукове моделювання. За допомогою Colossus xAI має намір випробувати можливості штучного інтелекту в цих сферах.

Компанія, наприклад, вивчає можливість використання ШІ в науці для пошуку нових матеріалів, економії енергії та навіть допомоги у пошуку нових ліків.

(І якщо ви думаєте, що вся ця потужність використовується для того, щоб зробити безпілотні автомобілі Tesla реальністю, існує зовсім інший суперкомп’ютер AI, призначений для цього завдання, тобто суперкластер Cortex AI із 50 000 графічних процесорів, розташований на заводі Tesla GigaTexas.)

Наприкінці минулого місяця веб-сайт ServeTheHome.com зміг опублікувати екскурсію по xAI Colossus, зазначивши, що хоча його розгортання тривало 19 днів, на створення всієї інфраструктури знадобилося лише 122 дні.

Сьогодні компанія з баз даних MongoDB Inc. оголосила про розширене партнерство з Microsoft Corp., яке включає нові інтеграції, спрямовані на покращення розробки програм штучного інтелекту, аналітику даних у реальному часі та гнучкість розгортання.

Перша інтеграція передбачає MongoDB Atlas, повністю керовану хмарну службу баз даних MongoDB, інтегровану в Microsoft Azure AI Foundry. Мета полягає в тому, щоб дозволити клієнтам створювати програми генерації або RAG із доповненим пошуком, поєднуючи можливості даних MongoDB із службою Azure OpenAI.

Завдяки інтеграції розробники можуть розширити великі мовні моделі за допомогою власних даних, що зберігаються в MongoDB Atlas, без додаткового кодування чи побудови конвеєра, спрощуючи процес створення чат-ботів, копілотів і корпоративних додатків ШІ. Функція «Chat Playground» від Azure AI Foundry ще більше спрощує розробку, уможливлюючи тестування LLM у реальному часі з корпоративними даними перед розгортанням.

Інтеграція пропонує користувачам спосіб доповнювати генеративні моделі штучного інтелекту своїми власними даними, щоб гарантувати, що їхні програми базуються на актуальному контексті. Поєднання MongoDB Atlas і Azure AI Foundry забезпечує гнучкість і ефективність у використанні корпоративних даних для розширених випадків використання ШІ.

У другому оголошенні, аналізі даних у реальному часі за допомогою Microsoft Fabric, MongoDB Atlas тепер підтримує Open Mirroring у Microsoft Fabric для підключення до OneLake майже в реальному часі. Ця функція синхронізує дані між двома платформами, дозволяючи компаніям генерувати своєчасну аналітику, прогнози ШІ та звіти бізнес-аналітики.

Завдяки забезпеченню статистичних даних у реальному часі компанії можуть використовувати оперативні дані MongoDB та інструменти аналітики Microsoft Fabric для прийняття стратегічних рішень і оптимізації продуктивності в різноманітних випадках використання, від передбачень на основі ШІ до звітності.

Останнє оголошення дозволяє користувачам «розгортати MongoDB своїм способом» за допомогою MongoDB Enterprise Advanced на Azure Marketplace, забезпечуючи більшу гнучкість для організацій, які розгортають програми в середовищах Kubernetes. Завдяки Kubernetes із підтримкою Azure Arc клієнти можуть розгортати екземпляри MongoDB і самостійно керувати ними в локальних, багатохмарних і межових середовищах.

«Інтегруючи MongoDB Atlas із потужним інструментом штучного інтелекту та аналізу даних Microsoft Azure, ми даємо нашим клієнтам можливість створювати сучасні додатки штучного інтелекту з неперевершеною гнучкістю та ефективністю», — сказав у заяві Сенді Гупта, віце-президент із розвитку партнерів ISV у Microsoft.

Сахір Азам, директор із продуктів MongoDB, у травні поспілкувався з theCUBE, студією прямих трансляцій SiliconANGLE Media, коли він обговорив, як компанія зміцнює свою екосистему баз даних і вдосконалює можливості штучного інтелекту з ключовими партнерами:

Зображення: SiliconANGLE/ідеограма

Alteryx, Inc. оголосив, що його останнє оновлення підтримує гібридні архітектуризустрічається з клієнтами в хмарі або локально та забезпечує безперебійну аналітику, яка може масштабувати статистику на основі даних.

«Наші останні вдосконалення платформи Alteryx підкреслюють наше прагнення розширити можливості бізнес-аналітиків для швидкого й ефективного досягнення бізнес-результатів за допомогою даних», — сказав Джей Хендерсонстарший віце-президент з управління продуктами в Alteryx. «Ці функції штучного інтелекту та підвищення продуктивності дозволяють їм витрачати менше часу на адміністративні завдання та більше часу на виявлення значущих ідей.

Нові можливості

Спрощені вдосконалення Alteryx включають нові з’єднувачі даних, зокрема підтримку Google Cloud Storage та

Єдиний магазин і підтримка аналітичних додатків у Alteryx Cloud Execution for Desktop для легкого розгортання, керування та використання власних додатків локально та в хмарі для клієнтів AWS, Azure та Google Cloud Platform.

Він також стверджує, що містить покращення корпоративних утиліт для більшого гнучкість і контроль а також удосконалення API сервера для додаткових дій, таких як планування аналітичних програм і отримання всіх завдань через API у їхніх даних».

ШІ та аналітика

Клієнти Alteryx також можуть максимізувати наступні функції для покращених рівнів ШІ та аналітика зручність використання: Magic Reports для створення, співпраці та спільного використання динамічних аналітичних звітів у комплексній, гнучкій і Розчин, введений штучним інтелектом; Стандартний режим, який містить більш потужний вибір нових інструментів Designer Prep і Blend; і LiveQuery, який стверджує, що покращує інтеграцію з хмарними сховищами даних, дозволяючи користувачам працювати з даними безпосередньо з хмарних сховищ даних.

Проміжне програмне забезпечення розширило свою хмарну платформу спостережуваності за допомогою Large Language Model (LLM) Observability та Query Genie.

Ладурам Вішної, засновник і генеральний директор Middleware, зазначив: «Штучний інтелект перетворює ІТ, і спостережливість не є винятком. Він прискорює реагування на інциденти, автоматизує виснажливі завдання та полегшує доступ до даних нетехнічним командам, підвищуючи ефективність і інтелектуальність прийняття рішень у всіх сферах проміжного програмного забезпечення має на меті використовувати цю силу для стимулювання інновацій».

Нещодавно представлений Query Genie полегшує аналіз даних, дозволяючи користувачам миттєво шукати та отримувати відповідну інформацію з інфраструктури та журналів за допомогою запитів природною мовою. Ця функція усуває потребу в ручному пошуку та складних мовах запитів, що дозволяє розробникам швидше приймати рішення на основі даних.

Query Genie також оснащено розширеними функціями спостереження для даних інфраструктури, а також інтуїтивно зрозумілим інтерфейсом користувача та можливостями аналізу даних у реальному часі, зберігаючи стандарти конфіденційності та конфіденційності даних.

Відповідаючи на підвищений попит клієнтів, Middleware доповнила свої інструменти спостереження ШІ за допомогою LLM Observability. Вішної зазначив: «У відповідь на величезний попит клієнтів ми розширили наші можливості спостереження за допомогою штучного інтелекту, представивши LLM Observability. Це вдосконалення дозволяє клієнтам отримати неперевершене розуміння своїх систем ШІ, забезпечуючи оптимальну продуктивність і швидкість реагування».

Функція LLM Observability на платформі Middleware пропонує моніторинг у режимі реального часу, усунення несправностей і оптимізацію для програм, що працюють на базі LLM, що дозволяє організаціям завчасно вирішувати проблеми продуктивності, виявляти упередження та покращувати процес прийняття рішень. Він включає комплексне відстеження та настроювані показники для глибокого розуміння ефективності LLM.

Для подальшого моніторингу та усунення несправностей проміжне програмне забезпечення включає в себе попередньо створені панелі інструментів та інтегрується з відомими постачальниками та фреймворками LLM, такими як Traceloop і OpenLIT.

Теджас Кок’є, керівник відділу розробки Middleware, пояснив: «Проміжне програмне забезпечення використовує AI та ML для динамічного аналізу та трансформації телеметричних даних, зменшуючи надмірність і оптимізуючи витрати за допомогою наших розширених можливостей конвеєра для журналів, метрик, трасування та моніторингу реальних користувачів (RUM). Завдяки підтримці різноманітних постачальників LLM, векторних баз даних, фреймворків і графічних процесорів NVIDIA проміжне програмне забезпечення дозволяє організаціям відстежувати продуктивність моделі за допомогою детальних показників, оптимізувати використання ресурсів і ефективно керувати витратами, одночасно надаючи сповіщення в режимі реального часу, що стимулює проактивне прийняття рішень. Зрештою, ми прагнемо забезпечити спостережливість на основі штучного інтелекту та розроблену для ШІ».