Категорія: Великі Дані та Аналітика

Важливість приватності

Apple завжди наполягала на необхідності конфіденційності користувачів. Генеральний директор Apple Тім Кук говорив про загрозу економіки стеження, а Крейг Федерігі, віце-президент Apple з програмного забезпечення, виступив із розгорнутою промовою на цю тему на Європейській конференції із захисту даних і конфіденційності у 2020 році.

“Масова централізація даних ставить під загрозу конфіденційність, – сказав він тоді, – незалежно від того, хто збирає їх і якими можуть бути їхні наміри. Тому ми вважаємо, що Apple повинна мати якомога менше даних про наших клієнтів.

“Тепер інші дотримуються протилежного підходу. Вони збирають, продають і зберігають стільки вашої особистої інформації, скільки можуть. Результатом є індустріальний комплекс даних, де тіньові актори працюють, щоб проникнути в найінтимніші частини вашого життя та використовувати все, що вони можуть знайти, щоб продати вам щось, радикалізувати ваші погляди чи ще гірше. Це неприйнятно. І рішення має починатися з того, що в першу чергу не збираються дані”.

Вчорашні енергетичні мережі працювали згідно з правилами, ручним втручанням і процедурами. Сучасні сітки працюють на основі даних. Завдяки Інтернету речей (IoT) і цифровізації розумні технології формують те, як ми генеруємо, розподіляємо та споживаємо електроенергію. Тут Александр Пунценбергер, президент постачальника систем автоматизації COPA-DATA CEE/ME, досліджує перехід від відключеної, неефективної енергетичної мережі до розумної мережі майбутнього. Ласкаво просимо в епоху розумної енергії.

Енергетична мережа зазнала радикальних змін. Відбувся значний відхід від традиційних систем розподілу енергії, оскільки технологія виявила слабкі місця в мережах минулого. Раніше електромережі керувалися централізовано, технічне обслуговування планувалося заздалегідь, і вони керувалися на основі фіксованих, незмінних моделей.

Відключення електроенергії на північному сході в серпні 2003 року виявило вразливість застарілих мережевих систем. Одна лінія електропередач в Огайо, США, була відключена, але програмний збій запобіг роботі сигналізації, тобто оператори не були попереджені про проблему. За кілька годин каскадний збій залишив без електроенергії 50 мільйонів людей у ​​США та Канаді, зменшивши навантаження на 61 800 МВт, що коштувало 6 мільярдів доларів і призвело до щонайменше 11 смертей.

Інцидент показав, що людські помилки та застаріла інфраструктура можуть швидко розвиватися з катастрофічними наслідками. Ці проблеми в поєднанні зі зростаючим попитом на енергію, диверсифікацією поєднання відновлюваних джерел енергії та амбітними кліматичними цілями показали сувору правду: традиційні системи більше не відповідали меті.

Поява великих даних та Інтернету речей (IoT) змінила гру для грід-мереж. Інтелектуальні датчики, моніторинг у реальному часі та розширена аналітика дозволяють швидше приймати рішення на основі даних — перехід від реактивного до проактивного керування мережею. Це призводить до оптимізації потоків енергії, більш плавної інтеграції відновлюваних джерел енергії та зниження викидів.

Глобальні тенденції вказують на масове прискорення інвестицій у ці розумні системи. За прогнозами, світовий ринок IoT в управлінні енергетичними мережами, оцінений у 27,4 мільярда доларів США у 2023 році, до 2033 року зросте більш ніж утричі й досягне 87,9 мільярда доларів. За прогнозами, ринок розумних електромереж, оцінений у 44,56 мільярда доларів у 2024 році, до 2034 року зросте до понад 215 мільярдів доларів.

Краще, швидше, розумніше

Далекі від мереж минулого, розумні мережі, які ми бачимо сьогодні, є інтуїтивно зрозумілими, здатними динамічно реагувати на виявлені зміни. Використання сенсорів із підтримкою Інтернету речей, прогнозної аналітики та моніторингу активів у режимі реального часу дозволяє операторам мереж безперервно збирати дані про величезний діапазон параметрів, включаючи напругу, навантаження та умови навколишнього середовища. Ці дані можна обробляти й аналізувати, щоб позначати аномалії, визначати області, які потребують покращення, або прогнозувати невдачі.

Ця зміна дозволяє більш проактивно підходити до обслуговування. У минулому підстанції покладалися на звичайні перевірки або видимі ознаки пошкоджень, такі як застаріла інфраструктура або коливання напруги, щоб розпочати ремонт, часто після того, як збої в роботі вже відбулися.

Навпаки, величезні обсяги даних, зібраних у всій системі розумної електромережі, означають, що аналітичні системи можуть ідентифікувати закономірності та візуалізувати потенційні точки стресу, дозволяючи операторам активно втручатися.

Інтелект в дії

Використання концепцій Big Data та IoT є цінним не лише для повсякденної роботи та обслуговування мережі — воно може оптимізувати всю роботу. Програмні рішення для автоматизації електромереж інтегрують моніторинг і контроль у реальному часі разом із розширеною аналітикою в єдину уніфіковану платформу. Це дозволяє операторам дистанційно керувати мережами та активами за допомогою таких функцій, як автоматичні послідовності перемикання, визначення місця несправності та обчислення потоку.

Практичним прикладом цього є Gorenjske Elektrarne, словенський виробник відновлюваної енергії. Компанія використовує zenon від COPA-DATA для створення централізованої системи керування, яка доступна звідусіль. Це забезпечує видимість у реальному часі, швидке реагування на проблеми та оптимізацію на основі даних. У результаті Gorenjske Elektrarne скоротило час простою на 15 відсотків, а експлуатаційні витрати – на 30 відсотків. Тепер інженери швидше приймають рішення, використовуючи мобільний доступ до поточних даних про продуктивність заводу в 36 місцях.

Крім операційного контролю, розумні мережі також допомагають вирішувати одну з найдинамічніших проблем сучасності: коливання попиту на енергію. Управління навантаженням — це рівномірний розподіл енергії по мережі, що має вирішальне значення для запобігання перевантажень, відключень і втрат.

Програмне забезпечення може давати уявлення про моделі споживання, прогнозувати попит і автоматично регулювати потік енергії, коли це необхідно. Державний постачальник електроенергії KOMIPO в Кореї розгорнув систему інтелектуальної мережі на вітровій електростанції Jeju Sangmyeong за допомогою програмного забезпечення zenon із вдосконаленою системою зберігання енергії (ESS). Це дозволило електростанції автоматично зберігати надлишок енергії вітру та перерозподіляти її в мережу під час пікового попиту.

Влада народу

У той час як старіші електромережі надавали клієнтам небагато інформації про їхні власні звички користування, сучасні споживачі, які мають більшу екологічну та фінансову свідомість, потребують більшого. Зростання цін на енергоносії та усвідомлення проблем клімату означають, що люди хочуть як ефективності, так і цінності.

Заходи з енергоефективності на основі даних — наприклад, перенесення споживання в години непікової навантаження або зменшення навантаження за потреби — дозволяють здійснювати моніторинг у реальному часі та коригувати споживання. Такі технології, як інтелектуальні лічильники, які реагують на зміни цін або звички користувачів, допомагають оптимізувати використання енергії споживачем, підвищуючи стабільність мережі та знижуючи витрати на комунальні послуги.

Візьмемо австрійську комунальну компанію Stadtwerke Feldkirch. Він модернізував свої мережеві операції за допомогою zenon, що дозволило керувати активами з одного інтерфейсу з поточними даними процесу та автоматизованим контролем. Управління аварійними сигналами та аналіз тенденцій виявляють потенційні проблеми до їх загострення, а безпечний віддалений доступ дозволяє інженерам швидко й легко відстежувати та коригувати продуктивність із мобільних пристроїв, навіть на місці зі смартфонів.

Більше того, споживачі тепер отримують вигоду від хмарного інтерфейсу, який надає інформацію про їх споживання енергії, забезпечуючи розумніше використання енергії та більшу ефективність. У цьому випадку великі дані та IoT безпосередньо сприяють зменшенню викидів і відповідальному управлінню енергією.

Сучасні мережі відповідають сучасним викликам

Однак ці нові розумні технології пов’язані з ризиками. Оскільки системи автоматизації та програмного забезпечення стають складнішими, зростають і загрози, з якими вони стикаються. За останні роки кількість кібератак, спрямованих на енергетичні компанії, різко зросла, і тільки в 2023 році 90 відсотків найбільших постачальників зазнали порушень безпеки.

Наслідки можуть бути руйнівними, від збоїв до фінансових втрат. У відповідь уряди посилюють правила кібербезпеки для постачальників енергії, роблячи надійний захист необхідним під час модернізації. Такі стандарти, як IEC 62443, керують безпечною мережею та системою. Використання платформи, сертифікованої IEC 62443, як-от zenon, забезпечує безпеку, вбудовану в проектування, розробку та тестування.

Ще одним бар’єром для енергетичних компаній є інтеграція застарілого обладнання в сучасну підключену мережу. Заміна активів може бути дорогим і трудомістким, але наявне обладнання часто не сумісне з сучасними мережами. Щоб вирішити цю проблему, програмні платформи, що не залежать від постачальників, можуть з’єднувати будь-який тип апаратного забезпечення, дозволяючи провайдерам оцифровувати свої системи за допомогою модульного, поетапного підходу.

Майбутнє розумних мереж

Великі дані та IoT переносять мережу в епоху цифрових технологій, але в міру того, як розумні мережі стають все більш складними, штучний інтелект (ШІ) відіграватиме вирішальну роль у спрощенні операцій. Завдяки навчанню в режимі реального часу та адаптивному контролю AI може точніше прогнозувати попит, визначати ризики та неефективність і покращувати автоматизацію.

Цифрові близнюки — віртуальна копія фізичної мережі — дають операторам комплексне уявлення про роботу мережі, що дозволяє тестувати сценарії та приймати рішення на основі даних. Віртуальні підстанції, побудовані на програмно-визначеній архітектурі та підтримувані такими платформами, як zenon від COPA-DATA, пропонують спосіб подальшого покращення інтелектуальної мережі шляхом централізації керування, підвищення гнучкості та зменшення залежності від апаратного забезпечення. Оскільки утиліти віртуалізують функції захисту, автоматизації та контролю (PAC), вони закладають основу для масштабованої, стійкої та стійкої інфраструктури інтелектуальної мережі.

Щоб ще більше посилити захист від витоку даних, технологія блокчейн може запропонувати платформу для безпечних децентралізованих енергетичних транзакцій і запобігання зловживання даними.

Дивлячись вперед

Вчорашні електромережі створювалися для іншого світу, але сьогодні інтелектуальні системи, що працюють на основі даних, переосмислюють мережу, дозволяючи приймати рішення в режимі реального часу, розширюючи можливості споживачів і прискорюючи перехід до більш екологічної та стійкої енергії.

Дивлячись у майбутнє, еволюція розумних технологій не тільки модернізує мережу, але й сформує майбутнє самої енергетики.

Дізнайтеся більше про автоматизацію для енергетики.

COPA-DATA: © Adobe Stock

Розумні технології живлять мережу завтрашнього дня.

Про COPA-DATA

COPA-DATA — незалежний виробник програмного забезпечення, який спеціалізується на цифровізації для промисловості та енергетичного сектора. Його програмна платформа zenon® дозволяє користувачам у всьому світі автоматизувати, керувати, контролювати, інтегрувати та оптимізувати машини, обладнання, будівлі та електромережі. COPA-DATA поєднує десятиліття досвіду автоматизації з потенціалом цифрової трансформації та сильним прагненням до рішень, що сприяють стійкості. Таким чином компанія допомагає своїм клієнтам досягати своїх цілей легше, швидше та ефективніше.

Сімейний бізнес був заснований Томасом Пунценбергером у 1987 році в Зальцбурзі, Австрія. У 2024 році з більш ніж 450 співробітниками по всьому світу він отримав дохід у розмірі 99 мільйонів євро. Майнові права Ing. Punzenberger COPA-DATA GmbH були передані сімейному фонду в 2024 році. Метою фонду є довгострокове та орієнтоване на зростання збереження прибутковості та інноваційної корпоративної культури компанії-розробника програмного забезпечення.

Цю статтю написав

Слідуйте

Розкриття аналітика:Я/ми не маємо акцій, опціонів чи подібних похідних інструментів у будь-якій із згаданих компаній і не плануємо відкривати такі позиції протягом наступних 72 годин. Я сам написав цю статтю, і вона висловлює мою власну думку. Я не отримую за це компенсацію. Я не маю ділових стосунків із жодною компанією, акції якої згадуються в цій статті.

Шукаю розкриття Альфи: Минулі показники не є гарантією майбутніх результатів. Не надається жодних рекомендацій чи порад щодо того, що будь-який конкретний цінний папір, портфель, транзакція чи інвестиційна стратегія підходять для будь-якої конкретної особи. Автор не консультує вас особисто щодо характеру, потенціалу, цінності чи придатності будь-якої конкретної безпеки чи іншого питання. Лише ви несете повну відповідальність за визначення того, чи будь-яка інвестиція, безпека чи стратегія, або будь-який продукт чи послуга є доцільними чи придатними для вас на основі ваших інвестиційних цілей та особистої та фінансової ситуації. Стівен Кресс є керівником кількісної стратегії в Seeking Alpha. Будь-які погляди чи думки, висловлені в цьому документі, можуть не відображати думки Seeking Alpha в цілому. Seeking Alpha не є ліцензованим торговцем цінними паперами, брокером або інвестиційним консультантом США чи інвестиційним банком.

PROVO — Люди, які живуть у громаді проспекту Незалежності, готуються до значного збільшення внесків у товариства домовласників, щоб виправити низку дефектних палуб.

Кожен домовласник у районі Прово має заплатити — навіть якщо їхній будинок не є частиною проблеми.

«Я почуваюся розчарованою та засмученою», — сказала Меган Міллер, яка живе по сусідству понад 11 років. «Я не знаю, як я збираюся це заплатити».

Збільшення на 2,8 мільйона доларів США буде використано для ремонту колод у громаді, яка розташована поблизу Авеню Незалежності та 820 North. За даними HOA, проблема полягає в опорних балках, які не були побудовані належним чином і пропускали воду всередину, гниючи деревину та піддаючи настилу ризик обвалення.

У вівторок, 21 жовтня 2025 р., зображені палуби міських будинків у районі Авеню Незалежності в Прово. (Стюарт Джонсон, KSL TV)

Вартість за одиницю становить 17 550 доларів США, повідомляє HOA. Кожен домовласник, включаючи Кумена Джонсона, який не має колоди, зобов’язаний платити згідно з правилами та положеннями HOA.

“Це величезна сума грошей”, – сказав Джонсон. “Просто викликати це нізвідки, я не знаю, як я збираюся це зробити. Я не знаю, як інші домовласники збираються це зробити”.

Джонсон хотів би, щоб початковий розробник допоміг покрити витрати. Але компанія Georgetown Development, що базується в Прово, відмовилася, написавши в листі до правління HOA, що палуби відповідали «всім відповідним будівельним нормам і стандартам на момент розробки».

«Наша здатність запропонувати подальшу допомогу обмежена юридичними та практичними міркуваннями», — додав розробник.

У вівторок, 21 жовтня 2025 р., зображено пошкодження палуби міського будинку в районі Авеню Незалежності в Прово. (Стюарт Джонсон, KSL TV)

У вівторок KSL запросив інтерв’ю з Georgetown Development, але не отримав відповіді.

«Легко вимити руки і просто сказати… це не моя проблема, — сказав Джонсон, — але є ще така річ, як добра воля».

Тепер власники будинків стоять перед вибором: заплатити всю вартість авансом або протягом 15 років — але з відсотками.

«Я думав про продаж», — сказав Джонсон. «Але я відчуваю себе в пастці».

Кумен Джонсон розмовляє з KSL TV у своєму будинку в Прово у вівторок, 21 жовтня 2025 р. (Стюарт Джонсон, KSL TV)

Міллер, яка також не має палуби в своєму будинку, відчуває те саме.

«Незалежно від того, чи продам я, чи здам в оренду, я все одно маю заплатити таку суму грошей, і це божевілля», — сказала вона.

Представник Асоціації власників проспекту Незалежності не відповів на повідомлення у вівторок із запитом на коментар.

За темою: новий омбудсмен ТСЖ штату Юта допоможе вирішити суперечки між ОСББ та власниками будинків

Інтелектуальні зв’язані транспортні системи (ICTS) з’явилися як трансформаційний прогрес в інфраструктурі міської мобільності. Шляхом інтеграції технологій Інтернету речей (IoT) із передовими сенсорними пристроями (наприклад, підключеними транспортними засобами, радарами, системами моніторингу на основі візуалізації тощо), ICTS створюють кіберфізичну структуру, здатну здійснювати спостереження за дорожнім рухом із високою роздільною здатністю, забезпечуючи динамічну взаємодію між учасниками дорожнього руху, транспортними засобами та транспортною інфраструктурою.

Однак операційна ефективність ICTS, керованих даними, критично залежить від цілісності даних трафіку, зібраних датчиками. Незважаючи на широке розгортання сенсорних пристроїв у сучасних дорожніх мережах, залишаються постійні проблеми з досягненням повного охоплення просторово-часових даних. На певних ділянках доріг можуть бути обмежені діапазони виявлення або затримка оновлення даних через старіння обладнання або запізніле технічне обслуговування. Збої в роботі пристроїв для передачі даних і непередбачувані порушення навколишнього середовища часто призводять до втрати або пошкодження даних. Така неповнота даних ставить під загрозу надійність оцінки та прогнозування стану трафіку, тим самим перешкоджаючи розробці додатків нижче [9,28]. Таким чином, розробка ефективного методу імпутації даних трафіку залишається актуальною та критичною задачею в останні роки.

Еволюція методологій імпутації відображає постійні зусилля з подолання цих проблем. Звичайні статистичні методи, які в основному оцінюють відсутні значення на основі часових характеристик або історичних закономірностей, не можуть адекватно моделювати складні просторово-часові взаємозалежності, властиві даним трафіку [2,24]. Хоча тензорна декомпозиція може зберегти внутрішні шаблони трафіку за допомогою низьковимірного відображення, її математична жорсткість і обмеження масштабованості перешкоджають практичному розгортанню [1,46]. Навпаки, парадигми глибокого навчання демонструють чудові можливості нелінійного моделювання, а генеративні змагальні мережі (GAN) демонструють особливу перспективу в сценаріях із високим відсотком пропусків завдяки прихованому розподілу навчання. [50]. Одночасно дослідники досліджували стратегії інтеграції даних із багатьох джерел для підвищення точності оцінки стану трафіку [36,43,45]. Взаємодоповнюваність відсутніх даних у різних джерелах є багатообіцяючим шляхом для покращення імпутації. Коли одне джерело даних стикається з просторовими або часовими прогалинами, інші джерела часто забезпечують додаткове покриття. Використовуючи цю взаємодію між джерелами, можна значно підвищити точність імпутації, підвищивши точність і стійкість оцінок стану трафіку, незважаючи на властиву неповноту даних. Тим не менш, залишаються дві основні проблеми, які необхідно вирішити. (i) Експоненційне зростання даних про дорожній рух і широке розгортання гетерогенних сенсорних пристроїв у мережах доріг створюють значні перешкоди для міжсистемної передачі даних та інтерактивної обробки. Більшість існуючих інфраструктур на основі GAN покладаються на централізовані архітектури, які вимагають необмеженого обміну даними з центральними серверами, створюючи значні ризики конфіденційності та зростаючи витрати на передачу/зберігання, оскільки обсяги даних ICTS продовжують різко зростати. (ii) Дані про трафік з багатьох джерел, зібрані різними методологіями, демонструють значні відмінності в просторово-часовій деталізації та просторовому охопленні. Невибіркова інтеграція цих зразків часто призводить до забруднення функцій, що погіршує точність моделі. У той час як різнорідні джерела даних мають спільні базові шаблони трафіку, їхні відмінні характеристики вимагають спеціальної обробки, щоб зменшити плутанину характеристик і забезпечити можливість узагальнення моделі.

Останні досягнення у федеративному навчанні (FL) пропонують багатообіцяючу альтернативу, коли клієнти спільно навчають модель на основі своїх особистих даних і лише обмінюються проміжними параметрами моделі із сервером для агрегації [19,47]. Однак фундаментальна проблема полягає в несумісності між припущеннями традиційного FL і природою неоднорідних даних трафіку. Більшість існуючих реалізацій FL у програмах трафіку переважно використовують горизонтальні об’єднані архітектури, які передбачають уніфіковані структури даних для учасників. На практиці традиційні сенсорні пристрої демонструють притаманну неоднорідність у часовій роздільній здатності, просторовій деталізації та модальності даних. Зокрема, нещодавнє зростання кількості даних підключених транспортних засобів (CV) ще більше посилює цю неоднорідність, оскільки траєкторії CV забезпечують дрібнозернисті мобільні потоки зондування, які суттєво відрізняються від традиційних фіксованих датчиків. Безпосереднє застосування горизонтальної FL до таких даних призводить до двох критичних проблем. По-перше, це призводить до серйозної несумісності простору параметрів. Клієнти з різними вхідними розмірами (наприклад, 5-хвилинні дані детектора циклу проти 1-хвилинних даних траєкторії CV) не можуть усереднювати параметри моделі пошарово, оскільки ця операція є математично невизначеною або семантично безглуздою. По-друге, це змушує наївне злиття різнорідних ознак, створюючи проблему «неузгодженості характеристик». Просте об’єднання функцій з різних джерел (наприклад, об’єм на рівні зв’язку, потік на рівні повороту та дані траєкторії) в єдиний вектор створює простір ознак, що відрізняється від IID і невирівняним. Це призводить до семантичної плутанини, коли модель змушена вчитися на змішаній і несумісній семантиці, що в кінцевому підсумку погіршує її здатність до узагальнення та точність імпутації. Щоб максимізувати переваги цих різнорідних джерел даних, важлива ефективна стратегія інтеграції.

Нижче наведено гостьову статтю автора Вільям Кренк, головний операційний директор Fortified Health Security

Щодня кіберзлочинці надсилають понад шість мільярдів фішингових електронних листів, і достатньо одного кліка, щоб покращити їхній день. Більше половини всіх випадків програм-вимагачів починаються з, здавалося б, нешкідливого фішингового листа.

Важливо пам’ятати, що люди все ще становлять найбільший ризик для безпеки будь-якої організації. Співробітників не можна виправити чи переналаштувати, можна лише навчити.

У недавньому дослідженні охорона здоров’я мала найвищий показник кліків у відповідь на імітовані фішингові листи. Порівняно з іншими галузями, такими як фінанси та виробництво, працівники охорони здоров’я ловили наживку у вражаючих 45% випадків. Це тому, що вони працюють у швидкоплинному середовищі з високим стресом, де турбота про пацієнтів є найважливішою, а не гігієна електронної пошти.

У цьому ж дослідженні були й деякі обнадійливі новини: кількість кліків у сфері охорони здоров’я впала лише до 5% після року внутрішніх навчальних програм. Але деякі антифішингові ініціативи працюють краще, ніж інші. Ось кілька рекомендацій:

Проводьте навчання щомісяця невеликими шматками

Тригодинна презентація співробітників раз на рік не призведе до значного зниження кількості кліків. Антифішингові навчання мають бути короткими, але регулярними. 7-10-хвилинного повторення один раз на місяць цілком достатньо.

Не обмежуйте навчання лише фішингом

Медичні працівники повинні бути проінструктовані про інші загрози, як-от смішинг і вішинг. У вашу систему можна проникнути не лише через електронну пошту, а й через текстові повідомлення та відеопосилання.

Використовуйте моркву, а не батог

Похвала за те, що ви уникаєте фішингових електронних листів, є набагато кращим мотиватором, ніж поплескування за клацання. Люди, які рятують життя, не хочуть, щоб їх лаяли за натискання фішингового листа.

Освіта має бути ініціативою «зверху донизу».

Деякі заходи проти фішингу виключають вище керівництво – і це велика помилка. Зловмисникам легше, ніж будь-коли, націлюватися на керівників китобійних експедицій, оскільки їх можна швидко ідентифікувати за допомогою таких популярних програм, як LinkedIn. Керівники не менш схильні клацати по електронному листу, ніж медсестри чи лікарі, тож їм також потрібна підготовка.

Поділіться своїми результатами з усією організацією

Якщо деякі відділи перевершують інші в уникненні фішингової наживки, добре поділитися цією інформацією з усіма підрозділами організації. Це сприяє здоровій міжвідомчій конкуренції за зниження кількості кліків. Одного разу я провів симуляцію фішингової атаки, де одне відділення лікарні було лідером із частотою кліків 30%. Менеджер відділу негайно зв’язався зі мною, щоб організувати в мерії, як знизити ставку. Він також сказав своїм співробітникам, «Я більше ніколи не хочу бути номером 1 у цьому списку».

Метою антифішингової освіти є не присоромити чи збентежити працівників. Це підкреслює важливість виконання простих кроків, щоб уникнути проникнення, яке може поставити організацію на коліна.

Ціль — нуль, а не 5%

Навіть коли освіта знижує кількість фішингових кліків з 45% до 5%, це ще не перемога. Кіберзлочинці надсилають майже 74 мільйони фішингових електронних листів в секунду. Достатньо лише одному медичному працівнику клацнути один раз, щоб поставити вашу організацію під серйозну небезпеку.

Більшість працівників лікарні не мають часу на 3-годинний семінар з безпеки під час фішингу. Але якщо ви обмежите тренування звичайними легкозасвоюваними шматочками, ви побачите, що кількість фішингових кліків різко впаде.

Про Вільяма Кренка

Вільям Кренк є головним операційним директором компанії Посилена безпека здоров'язі штаб-квартирою в Брентвуді, Теннессі.

Культура клітин

Клітинні лінії раку підшлункової залози AsPC-1 (Cat# SCSP-5080), Capan-2 (Cat# SCSP-5310), Mia-PaCa-2 (Cat# TCHu271) і SW1990 (Cat# TCHu201) були отримані з банку клітин Китайської академії наук. PANC0203 (Cat# CRL-2553), PANC1005 (Cat# CRL-2547), Panc0327 (Cat# CRL-2549), BXPC3 (Cat# CRL-1687), Capan-1 (Cat# HTB-79) були отримані з Американської колекції типових культур (ATCC). HuP-T4 (кат. № CBP60540) було отримано від Cobioer. Ці клітинні лінії культивували в рекомендованих умовах. Усі клітинні лінії зберігали у зволоженому інкубаторі при 37 °C з 5% CO₂. BXPC3 і Capan-2 культивували в середовищі RPMI1640 (Bioagrio), доповненому 10% фетальної бичачої сироватки (FBS, Vazyme). Capan-1 культивували в середовищі Iscove, модифікованому Дульбекко (IMDM, Servicebio), доповненому 20% FBS. PANC0203, PANC1005 і Panc0327 культивували в RPMI1640 з 15% фетальної бичачої сироватки та 1‰ інсуліну. Mia-PaCa-2 підтримували в модифікованому середовищі Ігла Дульбекко (DMEM) (Bioagrio), доповненому 10% FBS і 2,5% кінської сироватки (Beyotime). SW1990 і AsPC-1 культивували в DMEM з додаванням 10% FBS. HuP-T4 культивували в модифікованому середовищі Ігла (MEM, Bioagrio) з 20% FBS і 1% незамінних амінокислот (Thermo Fisher) з 1 мМ пірувату натрію (Thermo Fisher).

У все культуральне середовище додавали пеніцилін-стрептоміцин (P/S, Bioagrio). Усі клітинні лінії регулярно перевіряли на контамінацію мікоплазмою за допомогою набору швидкого виявлення мікоплазми Quick Cell та аутентифікували за допомогою профілювання коротких тандемних повторів (STR), щоб підтвердити їхню ідентичність. Клітини пасували при 70-80% конфлюентності з використанням 0,25% трипсину-EDTA (Gibco).

Екстракція РНК, побудова бібліотеки та секвенування РНК з довгим зчитуванням нанопор

Із зразків екстрагували загальну РНК, і полі(А) + мРНК виділяли за допомогою модуля магнітної ізоляції мРНК NEBNext Poly(A) (New England BioLabs), дотримуючись протоколу виробника для вибіркового збагачення полі(А) РНК. Цей метод забезпечив видалення рРНК та більшості інших некодуючих видів РНК, таким чином забезпечуючи високоякісну мРНК для подальших застосувань. Для довгострокового секвенування РНК синтез кДНК проводили за допомогою протоколу перемикання ланцюгів, наданого Oxford Nanopore Technologies (ONT). У цьому протоколі синтез першого ланцюга включає унікальну послідовність на 3'-кінці кДНК, щоб отримати інформацію, специфічну для ланцюга. Повнорозмірні кДНК-бібліотеки потім були підготовлені з полі(А)-відібраної мРНК за допомогою ONT кДНК-ПЛР-набору для секвенування (SQK-PCS109). кДНК ампліфікували за допомогою ПЛР протягом 13-14 циклів, використовуючи спеціальні адаптери зі штрих-кодом із набору Oxford Nanopore PCR Barcoding Kit (SQKPBK004) для полегшення мультиплексування зразків. Після ПЛР-ампліфікації 1D-адаптер для секвенування лігували з кДНК, щоб підготувати зразки для секвенування. Ці підготовлені бібліотеки згодом завантажували в проточну кювету FLOPRO002 R9.4.1, яку потім вставляли в секвенатор PromethION для високопродуктивного секвенування. Процесом секвенування керували за допомогою MinKNOW (версія 23.07.12), власного програмного забезпечення ОНТ, яке дозволяло в режимі реального часу відстежувати продуктивність циклу та контролювати якість. Базовий виклик проводився за допомогою Dorado (версія 7.1.4, https://github.com/nanoporetech/dorado) з використанням моделі високої точності. Усе секвенування проводилося компанією Wuhan Benagen Technology Co., Ltd. (Ухань, Китай), забезпечуючи високоякісний вихід для подальшого аналізу.

Обробка даних тривалого зчитування RNA-seq

Файли FASTQ тривалого зчитування RNA-seq Baseзвані ONT вперше були оброблені за допомогою Porechop¹⁶ (версія 0.2.4, https://github.com/rrwick/Porechop), щоб видалити послідовності адаптерів. Потім обрізані зчитування піддавали контролю якості попереднього вирівнювання та фільтрації, щоб видалити зчитування з оцінкою Phred 13 (версія 1.4, https://github.com/BrooksLabUCSC/flair). Для вирівнювання, minimap2¹⁷ (версія 2.17-r941, https://github.com/lh3/minimap2) використовувався з такими параметрами: minimap2 -ax splice ./reference/ref-human-ont.mmi $i/out.pass.fq -t 10 -o $i/aln.sam. Інделі були видалені з вирівнювання, а сайти сплайсингу були уточнені за допомогою спеціальної функції FLAIR. Достовірними вважалися лише з’єднання сплайсингу, анотовані в наборі генів GENCODE v38, що підтверджувалися щонайменше трьома однозначно зіставленими зчитуваннями. Крім того, невідповідні сайти сплайсингу були виправлені шляхом відображення їх на найближчий дійсний сайт у вікні 10 нт. Цей процес гарантував, що лише точні та підтверджені події сплайсингу були включені до остаточного аналізу.

Основні статистичні дані базового секвенування нанопори довгозчитуваної РНК були підсумовані в таблиці 2. Більшість зчитувань секвенування показали високі середні показники якості (12,48) для всіх зразків (рис. 1а). Середня довжина зчитування в зразках становила приблизно 847 bp (рис. 1b). Більшість зчитувань із більшості зразків успішно зіставлено з геномом людини, але деякі зразки, зокрема AsPC-1-1 і AsPC-1-2, показали помітну частку нелюдських зчитувань (рис. 1c). Після таксономічної класифікації цих зчитувань за допомогою Kraken2 (версія 2.1.3, https://github.com/DerrickWood/kraken2) ми виявили, що більшість узгоджується з Мікоплазматіящо вказує на наявність зараження мікоплазмою, а не зараження іншими видами бактерій. Зараження мікоплазмою є загальновизнаною проблемою клітинної культури, яка може впливати на фізіологію клітини, експресію генів і результати експериментів^18,19. Хоча мікоплазму не було виявлено у всіх клітинних лініях, ми визнаємо це як обмеження в уражених зразках. Важливо, що ми підтвердили, що профілі транскриптомів людини залишаються високо корельованими між біологічними репліками, що свідчить про те, що забруднення суттєво не порушило загальний транскриптомний ландшафт, зафіксований у цьому наборі даних. Тим не менш, ми рекомендуємо користувачам пам’ятати про потенційні зчитування нелюдськими засобами та рекомендуємо застосовувати стратегії фільтрації зчитування, щоб виключити їх під час аналізу виразів або подальших обчислювальних досліджень. Зчитування з усіх зразків переважно продемонструвало хорошу якість секвенування з довжиною ≥200 п.о. і показниками якості ≥7 (рис. 1d). Згодом ми відфільтрували зчитування коротші за 200 bp, зчитування з показником якості нижче 7 і зчитування, зіставлені з нелюдськими геномами. Цей крок фільтрації трохи покращив загальні середні показники якості (рис. 1e) і середню довжину читання (рис. 1f).

Контроль якості попереднього вирівнювання зчитувань послідовності тривалого зчитування нанопор. (a) Графік щільності, що ілюструє розподіл середніх показників якості для попередньо відфільтрованих зчитувань послідовності в кожному зразку. (b) Графік щільності, що відображає розподіл довжини зчитування для попередньо відфільтрованих зчитувань послідовності в кожному зразку. (в) Стовпчасті діаграми, що представляють відсотки читань, зіставлених на різні види. (d) Стовпчасті діаграми, що показують відсоток зчитувань із різними довжинами та оцінками якості після виключення тих, які зіставлені з нелюдськими геномами. (д) Графік щільності, що ілюструє розподіл середніх показників якості для зчитування послідовності після фільтрації в кожному зразку. (f) Графік щільності, що відображає розподіл довжини зчитування для зчитувань послідовності після фільтрації в кожному зразку.

Відфільтровані зчитування були узгоджені з еталонним геномом людини (GRCh38), що призвело до високих коефіцієнтів відображення для всіх зразків (рис. 2а). Вирівняні зчитування були кластеризовані відповідно до геномних координат (±20 bp), розташування хромосом і шаблонів сплайсингу. У кожному кластері дублікати ПЛР ідентифікували шляхом обчислення подібності попарної послідовності з використанням відстані Левенштейна, позначаючи зчитування з ≥95% ідентичністю репрезентативної послідовності як дублікати. Ця стратегія враховує специфічну для нанопор мінливість вирівнювання та помилки секвенування без ненавмисного згортання біологічно відмінних ізоформ. Дублікати ПЛР були позначені за допомогою прапора SAM (0x400), що становить приблизно 0,5% від загальної кількості зчитувань у середньому для зразків (рис. 2b). Зчитування дублікатів ПЛР були виключені з наступних кількісних аналізів транскриптів. Потім ми розрахували нормалізоване охоплення між позиціями транскрипту за допомогою інструментарію picard (версія 2.20.4-SNAPSHOT, https://github.com/broadinstitute/picard), який показав незначне зниження від кінця 3' до кінця 5' (рис. 2c). У кожному зразку приблизно 85% читань охоплювали принаймні 80% їх вирівняної довжини транскрипту (рис. 2d). Нарешті, ми оцінили рівень помилок секвенування, обчисливши пропорції невідповідностей, вставок і видалень відносно загальної кількості вирівняних баз. Отримана середня похибка для зразків становила приблизно 7% (рис. 2e). ПЛР-дублікати та помилки секвенування оцінювали за допомогою спеціальних сценаріїв. Під час аналізу внутрішнього праймування ми виявили, що приблизно 7,7% зчитувань мали гомополімерні розтягнення A (≥6 A) поблизу своїх початкових місць, що свідчить про помірний ступінь внутрішнього праймування²⁰. Незважаючи на те, що цей артефакт не домінує, його слід враховувати під час інтерпретації меж транскрипту. Більшість зчитувань залишаються незмінними, а покриття транскриптів і кореляція між реплікатами вказують на надійність профілювання основного транскриптому.

Контроль якості даних секвенування довгострокового зчитування нанопор після вирівнювання. (a) Стовпчасті діаграми, що ілюструють частку зчитувань секвенування, успішно зіставлених з еталонним геномом людини (GRCh38) для кожного зразка. (b) Стовпчасті діаграми, що відображають кількість повторних зчитувань ПЛР, ідентифікованих на зразок. (в) Лінійні діаграми, що представляють розподіл нормалізованого охоплення читання між нормалізованими позиціями транскриптів у кожному зразку, обчислення за допомогою інструментарію Picard. (d) Стовпчасті діаграми, що відображають відсоток зчитувань, що охоплюють понад 80% вирівняної довжини транскрипту в кожному зразку. (д) Стовпчасті діаграми, що показують оцінені частоти помилок секвенування, розраховані як частка невідповідностей, вставок і видалень відносно загальної кількості вирівняних баз, для кожного зразка.

Примітка: Цей аналіз містить спойлери для Завантажити.

Завантажити це різка науково-фантастична комедія, яка спонукає до роздумів, де в недалекому майбутньому, 2033 році, люди зможуть завантажити свою свідомість у віртуальне цифрове загробне життя. У цій симульованій реальності люди можуть прожити решту своїх «днів» — або всю вічність, якщо ви можете дозволити собі за це заплатити — у розкішному курортному готелі.

Звичайно, це як будь-який інший «додаток». Є спливаюча реклама для «їжі». За продукти в міні-барі потрібно платити. Ви можете вибрати лише чотири кольори доріжок для обіднього столу! Однак завантаження в кінцевому рахунку дає одержувачам певне відчуття впевненості щодо життя після смерті.

Хоча на шоу можна дивитися просто як на веселу таємницю вбивства whodunnit, оскільки історія прагне з’ясувати, хто вбив головного героя, цифрового програміста Натана Брауна, насправді вона досліджує деякі глибокі питання.

Одне з основних зауважень полягає в тому, що багаті є єдиними, хто може відчути це загробне життя без проблем, втручань, дратівливих розчарувань або спливаючої реклами їжі. Багаті можуть купувати все, що їм заманеться, включно з зникаючими або вимерлими тваринами для годування, спілкуванням із реальним світом і нескінченними покращеннями свого житла та гардеробу. Багатство вимірюється не лише готівкою та активами, а й даними. Багаті сім’ї оголосять про себе як про сім’ї з «необмеженими даними».

З іншого боку, бідні можуть отримати лише 2 ГБ активності на місяць. Це може означати, що вони залишаються «замороженими» протягом більшої частини свого часу, нездатні робити більше, ніж просто «існувати».

Шоу є гострою критикою наслідків нерівності багатства. У той час як ті, хто живе в бідності, протестують і подають петиції про цифрове загробне життя як право людини, єдину людину, яка хоче створити загробне життя з вільним доступом, вбивають. Його ідея та код загрожують імперії вартістю 600 мільярдів доларів. Технічні корпорації не збираються залишатися осторонь і дозволяти людям отримати доступ до чогось безкоштовно, коли вони можуть змусити їх платити через ніс за той самий (або менший) продукт. Ті, хто не можуть собі цього дозволити, просто помирають природною смертю.

Є ті, хто виступає проти цифрового загробного життя. «Луддити» борються проти «великих даних» і намагаються викрити, як технологія використовується для збільшення прірви між багатими та бідними. Вони намагаються продемонструвати, як жадібність і капіталізм можуть увійти в будь-яку сферу життя, включно зі смертю.

Ісус часто навчав про турботу про бідних, прибульців і ізгоїв. У Святому Письмі є тема переваги Божої любові до бідних. Навпаки, Ісус має кілька різких слів для багатих і могутніх. Якщо система експлуатує бідних і створює божевільне багатство для небагатьох людей, то це система, яку християни мають справедливо поставити під сумнів і викрити.

Друга область, яка Завантажити досліджує смерть і реальність, якої так багато людей бояться її. Вони за всяку ціну хочуть уникнути смерті. Це досліджує наше розуміння душі. Він вмирає під час завантаження, тому що цей процес насправді вбиває вас? Це пішло в рай чи в пекло? Невже душа перестала існувати через те, що свідомість перебуває в іншому місці? Або душа приходить з вами в цифрове загробне життя?

Християнські богослови обговорюють цю концепцію протягом століть. Святе Письмо насправді не має багато сказати про загробне життя. Є відчуття, що є місце, де віруючі можуть бути з Богом і приєднатися до святкового богослужіння. Місце, де біль і смуток припинилися, і страждань більше немає. Місце досконалої Божої присутності та милосердної любові. Пекло є набагато суперечливішим. Стверджується, що це місце вічних страждань. Його також вважали місцем, де Бог відсутній. Або що пекло — це не місце, а знищення, щоб людина перестала існувати. Це часто розуміють як найбільш милосердний із трьох варіантів.

Третя сфера, яку досліджує Upload, — це охоплення та етична позиція Big Data.

Одне з цифрових місць загробного життя, Лейкв'ю, зрештою зазнає нападу луддитів. У результаті уряд дозволяє своєму корпоративному розробнику, Horizon, пом’якшити заходи безпеки та конфіденційності, щоб можна було контролювати та перевіряти жителів. Те, що пропагується як захід безпеки, насправді є набагато мерзеннішим.

Мрії мешканців Лейкв’ю можна завантажити на канали, схожі на YouTube, щоб будь-хто міг їх переглянути. Думки мешканців можна почути або прочитати в режимі реального часу, щоб ідентифікувати дисидентів. Усе, що знайдено, є інтелектуальною власністю Horizon і, отже, може монетизуватися. Конфіденційність більше не є частиною досвіду Завантажених і навіть не є їхнім правом. Для розробника все чесно, і вони продовжують нарощувати прибутки, більшу частину яких складають кишені власника.

Це критика поточної діяльності компаній Big Data, які працюють без значного державного регулювання. Такі програми, як Facebook, Instagram, YouTube і програми для знайомств, такі як Tinder, вивчають ваші особисті дані, історію пошуку, ваші запити Siri тощо, щоб дізнатися більше про вас. Це нібито для покращення досвіду клієнтів. Це може призвести до того, що ваші канали будуть заповнені небажаною рекламою та спонсорованим вмістом. Іноді цю інформацію можна використовувати для подальшого продажу іншим організаціям або платформам. Іноді уряди хочуть мати чорний доступ до нашої інформації з міркувань «безпеки».

Занепокоєння безпекою призвели до прийняття в Австралії першого в світі закону про вікові обмеження для соціальних мереж. Мета полягає в тому, що «платформи соціальних медіа з віковими обмеженнями повинні будуть вжити розумних заходів, щоб не дозволити австралійцям віком до 16 років створювати або зберігати облікові записи». У той час як уряд намагається захистити дітей і молодь від шкідливого контенту, який, безумовно, доступний в Інтернеті, інші попереджають, що це може мати непередбачені наслідки. Кожному, хто користується соціальними медіа та пошуковими системами, доведеться брати участь у певній перевірці віку, змінюючи сам спосіб користування Інтернетом. Цифрові компанії, звичайно, не хочуть такого роду обмежень.

Це не єдиний випадок, коли цифрові компанії хочуть розширити вплив без нагляду. Зараз ведеться політичне розслідування щодо компаній, що займаються авторським правом і штучним інтелектом. У серпні Комісія з питань продуктивності оприлюднила виняток із аналізу тексту та даних для Австралійського закону про авторське право, що означає, що автори та, можливо, інші творці не матимуть захисту від компаній ШІ, які використовують захищені авторським правом матеріали для навчання своїх великих мовних платформ (ChatGPT тощо) або платформ для створення мистецтва.

Ще одна проблема, яка викликає занепокоєння, полягає в тому, як штучний інтелект сприяє зростанню женоненависництва в онлайн-світі. Лаура Бейтс обговорює це питання в епізоді подкасту Ladies We Need to Talk на ABC. Однією з найбільших проблем є насильство на основі зображень, коли злочинці використовують штучний інтелект для створення жорстоких і образливих образів партнерів, колишніх і жінок загалом за допомогою глибоких фейків. Ці дуже реалістичні зображення потім поширюються в Інтернеті в групах, створених спеціально для розповсюдження такого типу зображень. Жіночий контент генерується легко, але створювати реалістичні зображення чоловіків дуже важко, оскільки на нього немає попиту, тому алгоритми не навчилися цього робити.

Хоча великі дані (поки що) не мають можливості завантажувати людську свідомість, наведені вище приклади є кількома способами використання цифрових технологій у спосіб, який не завжди сприяє процвітанню людства. На даний момент існує реальний сенс того, що Великі Дані хочуть, щоб люди повірили, що вони просто занадто великі, занадто складні та занадто громіздкі для регулювання. Однак, як християни, ми повинні продумати застосування цих нових технологічних досягнень і мати розуміння того, як вони можуть вплинути на людство як добре, так і погано. Було б дуже вигідно використовувати штучний інтелект, щоб допомогти виявити рак на ранній стадії або, наприклад, розрахувати наслідки зміни клімату. Це невигідно, коли воно використовується для експлуатації, залякування чи руйнування репутації людини, засобів до існування чи людства. Нам потрібна корисна та прозора інформація, щоб ми могли приймати рішення щодо використання. Нам також потрібна політика, яка захищатиме людей, забезпечуючи позитивний і справедливий доступ.

Повну серію Upload можна переглянути на Prime Video за підпискою

Новини IBL | Нью-Йорк

Цього місяця Amazon випустив свою нову агентську платформу Quick Suite, набір інструментів штучного інтелекту, які аналізують і збирають дані з багатьох додатків, перетворюючи запити на природній мові в корпоративні дії, процеси та робочі процеси.

Будучи об’єднаним цифровим робочим простором для повсякденної роботи, він з’єднує внутрішні документи, електронні листи та бази даних із зовнішніми програмами, джерелами та службами сторонніх розробників, зокрема Amazon S3, Snowflake, Google Drive і Microsoft SharePoint.

Він також інтегрується зі сторонніми службами, такими як Salesforce для даних клієнтів, Zendesk для запитів у службу підтримки та Slack для командної співпраці.

Ці корпоративні процеси часто вимагають консультацій зі спеціалізованими групами для аналізу розширених наборів даних,

Amazon Quick Suite містить такі можливості продуктивності, як дослідження, інтерактивні візуалізації (у конкуренції з Tableau і Microsoft Power BI), а також інструменти та агенти бізнес-аналітики та автоматизації.

Amazon зробив Quick Suite доступним у двох рівнях: професійний план від 20 доларів США за користувача на місяць і корпоративний план від 40 доларів США за користувача на місяць із розширеними функціями.

Керівник відділу маркетингу AWS Джулія Вайт сказала Bloomberg, що існуючим клієнтам програмного забезпечення Amazon Q Business AI, яке було запущено 18 місяців тому, буде запропоновано перейти на нову платформу.

Компанія заявила, що Quick Suite вже розгорнуто для десятків тисяч співробітників Amazon, повідомляючи про це «інструмент скоротив складні завдання аналізу даних з місяців до хвилин, наприклад, на основі внутрішнього використання».

Крім того, компанія розгорнула платформу для сотень корпоративних бета-клієнтів, навівши приклади економії коштів і підвищення ефективності.

Однак, оскільки Amazon не володіє власним пакетом продуктивності, таким як Microsoft 365 або Google Workspace, він повинен переконати користувачів прийняти його платформу як накладення на ці інструменти.

Цього місяця Google оголосила про уніфіковану підписку на агента штучного інтелекту Gemini Enterprise, що об’єднує її орієнтовані на бізнес інструменти ШІ.

Штучний інтелект змінює те, як страховики оцінюють ризики, цінову політику та розглядають претензії в морському секторі.

Штучний інтелект (ШІ) швидко трансформує комерційне та морське страхування, змінюючи все: від андеррайтингу та претензій до обслуговування клієнтів та управління ризиками. Для покупців страхування розуміння цих змін є ключовим для забезпечення найкращого покриття та випередження в мінливому ландшафті.

Штучний інтелект дозволяє страховикам аналізувати величезні набори даних — включаючи історію претензій, дані датчиків, погодні умови та звіти про перевірки — для більш точної оцінки ризиків. Результатом є динамічне індивідуальне ціноутворення, яке винагороджує добре керовані операції з меншим ризиком.

Що стосується претензій, штучний інтелект оптимізує процеси за допомогою автоматизації — від першого повідомлення про втрату до оцінки збитку за допомогою аналізу зображень і відео. Це покращує виявлення шахрайства та прискорює розрахунки. У морському страхуванні штучний інтелект може аналізувати дані бортового відеоспостереження та датчиків майже в режимі реального часу, щоб оцінювати інциденти та прогнозувати ризики, такі як збій обладнання або небезпечні маршрути.

ШІ також підвищує ефективність страхової компанії. Від чат-ботів до автоматизації завдань, страховики використовують штучний інтелект для покращення обслуговування та зменшення ручного навантаження, дозволяючи персоналу зосередитися на складних або стратегічних питаннях.

Отже, що це означає для покупців страхування? Коротко: будьте проактивними.

Почніть із запитань. Якщо ваші премії або покриття змінюються, запитайте, як штучний інтелект вплинув на це рішення. Розуміння даних, що стоять за цими оцінками, має вирішальне значення. Порівнюючи постачальників, запитайте, як вони використовують штучний інтелект — не лише для ціноутворення, але й для обробки претензій та обслуговування клієнтів. Це відкриває як можливості (наприклад, швидше обслуговування чи кращі умови), так і потенційні проблеми щодо конфіденційності даних.

Проведіть жорстку операцію. Оскільки штучний інтелект забезпечує більш детальний аналіз ризиків, компанії, які дотримуються надійних методів безпеки та чистих даних, можуть отримати вигоду від кращих ставок. Тим, хто має слабші записи, можуть чекати суворіші умови.

Знайте свої дані. Зрозумійте, що збирає ваш бізнес (наприклад, дані телематики, показання датчиків, операційні показники), переконайтеся, що вони точні, і будьте готові поділитися ними з контекстом, щоб показати, що ви працюєте з низьким рівнем ризику. Так само важливо: захистити його. Сувора політика безпеки даних і конфіденційності є важливою, і ваш страховик повинен відповідати цим стандартам або перевищувати їх.

Нарешті, попрацюйте з експертами. Брокери, які розуміють вплив штучного інтелекту, можуть допомогти інтерпретувати зміни, виявити можливості та забезпечити, щоб ваше покриття не відставало від ринку, що швидко розвивається.