Категорія: Великі Дані та Аналітика

Штучний інтелект (AI) став одним з найбільших розмов для підприємств за останні кілька років. Кількість S&P 500 Компанії, що згадують “AI” на своєму дзвінку заробітку, піднялися з менше 75 у 2022 році до 241 протягом першого кварталу, повідомляє Factset Insight.

Кілька компаній створили великий бізнес навколо попиту на штучний інтелект або інтегровані ШІ, щоб швидко розширити свої адресні ринки. Багато з цих компаній бачили, що ціни на акції зростають за останні кілька років.

Але не кожен високолітній акції AI варто купувати після масштабного підняття ціни. Аналітики на Уолл -стріт зіпсували двох найсильніших виконавців за останні кілька років. Зараз деякі аналітики бачать надзвичайні недоліки попереду.

Ось два акції AI, які могли б впасти протягом наступного року, за словами аналітиків на Уолл -стріт.

1. Palantir Technologies (74% потенціал)

Palantir Technologies (Фунгер 2,59%) за останні кілька років був одним з найкращих акцій. З початку 2023 року ціна акцій піднялася на прицільні 2290%, і тепер вона торгується з ринковою обмеженням, що перевищує 350 мільярдів доларів, станом на це написання.

Але кілька аналітиків вважають, що акція піднялася занадто далеко, занадто швидко. Лише сім аналітиків, що охоплюють ставку акцій, це покупка або еквівалент. Сімнадцять кажуть, щоб його утримувати, а Палантір має чотири рейтинги продажу. Найнижча ціна на вулиці – RISHI Jaluria RISHI RISHI RISHI, яка має цінову ціну в розмірі 40 доларів на акції, що на 74% знизився від його поточної ціни.

Причиною низької цінової ціль не вистачає фінансових результатів. Палантір бачив, що його дохід значно зростає протягом останніх кількох років, оскільки він розширює свій адресний ринок через свою платформу штучного інтелекту або AIP. Нова платформа полегшує користувачам взаємодіяти з програмним забезпеченням Big Data та знайти корисну інформацію про бізнес та допомагати приймати рішення. Це розширило випадки використання для програмного забезпечення Palantir, тим більше, що підприємства генерують все більше даних. Як результат, комерційний дохід США в США швидко піднявся, включаючи збільшення на 71% у першому кварталі.

Більше того, Palantir виявив величезні операційні важелі. Замість того, щоб зосередитись на маркетингу та продажах, генеральний директор Алекс Карп поставив більшу частину робочої сили Палантіра на створення кращого продукту. Ідея – кращий продукт зробить продаж для себе. Як результат, скоригована експлуатаційна маржа піднялася до 44% у першому кварталі, порівняно з 36% у першому кварталі минулого року.

Дійсно, Палантір стріляє по всіх циліндрах. Але Джалурія та багато інших на Уолл -стріт вважають, що оцінка запасів піднялася занадто високо. “Ми не можемо раціоналізувати, чому Палантір є найдорожчою назвою в програмному забезпеченні. Відсутній значний чверть, що піднімає в квартиру, що піднімає найближчу траєкторію зростання, оцінка здається нестійкою”,-сказав він.

В даний час акції Palantir торгують за 228 разів заробіток наперед і 78 разів очікування доходу протягом наступних 12 місяців. Якщо говорити про це, лише кілька акцій S&P 500 торгівлі за більш ніж у 100 разів заробіток, а інші не торгують більше, ніж у 26 разів, очікування продажів. Тим часом є інші компанії, які зростають продажі навіть швидше, ніж Палантір, тому це дуже важко виправдати.

2. Курестрик (26% потенціал)

Натовп (Хрустка 1,32%) З початку 2023 року на силі своєї платформи безпеки Falcon піднімається на 352%. Незважаючи на масштабне відключення, яке закрили численні ІТ -системи у всьому світі минулого липня, компанія швидко відскочила. Акція збільшилася більш ніж удвічі з його мінімумів минулого літа, досягнувши ринкової обмеження майже 120 мільярдів доларів.

Але аналітики починають дивитись на запас Crowdstrike з все більш критичним оком. Цього місяця акція отримала три зниження від покупки, а один аналітик також ініціював покриття з утриманням. За останні три місяці рейтинги купівлі на Уолл -стріт знизилися з 41 до 31. А найнижча ціна серед них становить 350 доларів, що передбачає зниження на 26% від ціни на це написання.

Знову ж таки, оцінка, як видається, найбільша турбота про акції. Оперативно, Crowdstrike вдалося виростити свою клієнтську базу, оскільки більше підприємств намагаються консолідувати свої потреби в кібербезпеці та вирішувати використовувати широкий портфель послуг Crowdstrike. Станом на кінець першого кварталу сорок вісім відсотків його клієнтів використовують щонайменше шість його модулів. Це зростає від 40% два роки тому.

CrowdStrike використовує AI на своїй платформі з агентичними можливостями AI через свою нову платформу Шарлотти, яка допомагає вжити заходів після виявлення загрози безпеці, щоб посилити вразливість. Це, крім його можливостей машинного навчання, які допомагають йому виявити ці загрози в першу чергу. І зі зростаючою клієнтською базою він має більше даних, щоб приймати в свої алгоритми AI, що дає йому значну перевагу перед меншими конкурентами.

За останні кілька років Crowdstrike вдалося дуже сильним зростанням. Його щорічно повторюваний дохід піднявся на 20% у першому кварталі, перевищивши свої вказівки, і керівництво очікує, що ця кількість прискориться протягом усього року, оскільки більше підприємств приймає свою платформу Falcon Flex.

Тим не менш, акції зараз торгують за співвідношенням ціни до продажу в 22 рази очікування доходу протягом наступних 12 місяців. І хоча це може здатися не таким дорогим порівняно з Палантіром, це робить його третім за висотою ціною в S&P 500 за цією показником оцінки. І якщо ви віддаєте перевагу дивитися на його заробіток, це одна з жменьки акцій в індексі, що торгує вище 100 разів, в 135 разів, якщо бути точним.

Хоча це можливо, натовп або Палантір продовжують підніматися вище звідси, напевно, варто зняти гроші зі столу та знайти кращі цінності на ринку.

“Департамент уряду” (DOGE) використовує штучний інтелект для створення “списку видалення” федеральних норм, згідно з повідомленням, пропонуючи використовувати цей інструмент для скорочення 50% правил до першої річниці другого інавгурації Дональда Трампа.

“Інструмент рішення про дерегуляцію AI Doge” проаналізує 200 000 державних норм, згідно з внутрішніми документами, отриманими The Washington Post, та вибрати ті, які він вважає, що більше не вимагається законодавством.

Дож, яким керував Елон Маск до травня, стверджує, що 100 000 цих правил можуть бути усунені, після деяких відгуків персоналу.

Презентація PowerPoint, оприлюднена POST, стверджує, що Департамент житлового господарства та містобудування (HUD) використовував інструмент AI для прийняття “рішень на 1083 регуляторних розділах”, тоді як Бюро фінансового захисту споживачів використовувало його для написання “100% дерегуляцій”.

Пост розмовляв з трьома працівниками HUD, які повідомили газеті AI, “нещодавно використовували для перегляду сотень, якщо не більше 1000, ліній норм”.

Під час своєї кампанії 2024 року Дональд Трамп стверджував, що урядові положення “збільшують вартість товарів” та пообіцяли “найагресивніше скорочення регуляторних норм” в історії. Він неодноразово критикував правила, спрямовані на боротьбу з кліматичною кризою, і, як президент, наказав керівникам усіх державних установ провести огляд усіх правил у координації з Дож.

На запитання про використання AI в дерегуляції постом, прес -секретар Білого дому Гаррісон Філдс сказав, що “всі варіанти вивчаються” для досягнення обіцянок дерегуляції президента. Філдс заявив, що “жодного єдиного плану не було затверджено або освітлене зеленим кольором”, а робота “на ранніх етапах і проводиться творчим способом за консультацією з Білим домом”.

Поля додали: “Експерти з дожів, що створюють ці плани, є найкращими та найяскравішими в бізнесі і розпочато, що ніколи не змінюється трансформація державних систем та операцій для підвищення ефективності та ефективності”.

Муск призначив до Дога безліч недосвідчених співробітників, серед яких 19-річна Едварда Корристіна, яка раніше відома онлайн-ручкою “великі кулі”. На початку цього року Reuters повідомив, що Корристин була однією з двох соратників Дож, що сприяють використанню ШІ у федеральній бюрократії.

Змінні та атрибути

Набір даних ARMD²⁶ доступний у Dryad та охоплює широкий спектр змінних, які організовані в декілька пов'язаних таблиць, кожен з яких пропонує унікальну перспективу на мікробіологічні, демографічні та клінічні характеристики пацієнта. Для полегшення аналізів нижче за течією набір даних включає таблиці щодо мається на увазі відносин з сприйнятливості до антибіотиків та правил, застосованих для висновку, коли пряме тестування не було доступне. Дослідники також можуть використовувати поздовжні дані, фіксуючи терміни інфекцій, попередні медичні процедури та експозиції ліків щодо замовлень на культуру, що дозволяє тимчасово аналізувати.

В основі ARMD стоїть мікробіологічна когорта культур, яка включає деталі про типи культури – культури дихання та крові – разом із ідентифікованими організмами та їх сприйнятливістю до антибіотиків. Результати сприйнятливості до антибіотиків були включені для 55 антибіотиків та класифіковані на п'ять груп: сприйнятливі, стійкі, проміжні, непереконливі та синергізм. Синергізм відноситься до випадків, коли взаємодія між двома антибіотиками призводить до посилення ефекту, тобто комбіноване лікування є більш ефективним, ніж або антибіотик. Ця категорія фіксує екземпляри, позначені як “синергія” або “без синергії” у наборі даних. Додаткові функції включають режим впорядкування культури (стаціонарний або амбулаторний) та терміни порядку.

Набір даних розміщує кожну культурну подію в її клінічному контексті. Інформація про відділення надає розуміння середовища догляду, де були зібрані культури, розрізняючи стаціонарні підопічні, відділення інтенсивної терапії (відділення інтенсивної терапії), відділення екстреної допомоги (ЕД) та амбулаторні клініки.

Для захоплення потенційних впливів на результати культури ARMD включає записи попередніх експозицій антибіотиків. Цей компонент детально описує назву антибіотиків, клас та підтип, що дозволяє аналізувати, як попередні методи лікування можуть впливати на сприйнятливість організму та розвиток резистентності. Зафіксовано терміни цих експозицій щодо збору культури, що підтверджує дослідження впливу попереднього використання антибіотиків на розвиток резистентності. Крім того, набір даних відстежує тенденції мікробної резистентності як на індивідуальний, так і на рівні популяції з часом, записуючи еволюцію резистентності відносно культурних подій для конкретних організмів та антибіотиків. Дані про історичну інфекцію зафіксовані завдяки включенню попередньої таблиці зараження організму, яка документує організми, виявлені в попередніх культурах для кожного пацієнта. Це дозволяє поздовжній аналіз рецидиву інфекції та його потенційний вплив на поточну антимікробну резистентність. Таблиця фіксує ідентифікований організм та терміни попередньої інфекції відносно кожної зібраної культури.

Демографічні показники пацієнтів пропонують істотний контекст для стратифікуючих аналізів за віком (зафіксовані в заздалегідь визначені діапазони) та статі (бінарно кодували). Крім того, набір даних включає в себе соціально-екологічні фактори завдяки включенню балів ADI, які фіксують соціально-економічні характеристики на рівні сусідства на основі Zip-кодів пацієнта з Атласу сусідства²⁷. Оцінки ADI, розроблені для 9-значних поштових кодів, враховують такі фактори, як дохід, освіта, зайнятість та якість житла, забезпечуючи більш широкий контекст для розуміння відмінностей у ризику АМР. Для записів із лише 5-значними поштовими кодами, відсутні показники ADI були замінені на середній бал ADI, обчислений з 9-значних поштових кодів, що поділяють ті самі перші 5 цифр. Для інших випадків з недійсними або недоступними показниками ADI (наприклад, позначеними як P, U або NA), не було проведено імпутації, і ці записи залишалися як нульові значення в наборі даних.

Визнаючи роль закладів довгострокової допомоги в динаміці AMR, відвідування домашніх дому також задокументовано, визначаючи кількість днів між відвідуваннями та замовками культури, до 90 днів, щоб висвітлити потенційні фактори ризику резистентних інфекцій.

Комплексні лабораторні дані інтегруються в набір даних, фіксуючи ключові клінічні вимірювання, проведені за час кожного порядку культури. Змінні включають кількість лейкоцитів, гемоглобін, креатинін, лактат та прокальцитонін, серед інших регулярних зібраних досліджень. Кожна метрика узагальнюється за допомогою статистичних дескрипторів, таких як медіани, кварталі (Q25, Q75) та перші та останні записані значення. Крім того, дані життєво важливих ознак – включаючи серцевий ритм, артеріальний тиск, температуру та частоту дихання – забезпечують додатковий клінічний контекст, що дозволяє аналізувати фізіологічні реакції на інфекцію.

Коморбідні умови відображаються за допомогою стандартизованих індексів, таких як індекс коморбідності Elixhauser²⁸ та Агентство з питань досліджень охорони здоров'я та якості (AHRQ) Програмне забезпечення клінічних класифікацій (CCSR)²⁹. Кожна коморбідність є часовою позначкою щодо культури. Зокрема, поточні супутні захворювання позначаються за допомогою нульових значень у полі кінцевої дати, що вказує на те, що умова була активною під час збору культури. Ці нульові значення не представляють відсутні дані або відсутність умови. Крім того, також надається процедурна історія, записуючи медичні процедури (наприклад, центральні венозні катетерні розміщення, механічну вентиляцію), проведені до наказів про культуру, отримані з поточних кодів процедурної термінології (CPT).

Нарешті, таблиця сприйнятливості, що мається на увазі, спричиняє сприйнятливість до антибіотиків для препаратів, які не перевіряються, використовуючи широкий набір заздалегідь визначених правил. Ця таблиця фіксує випадки, коли сприйнятливість до одного антибіотика може означати сприйнятливість або резистентність до іншого на основі встановлених мікробіологічних та фармакологічних принципів. Таблиця призначена для підвищення інтерпретації даних про сприйнятливість, включаючи мається на увазі зв’язок між антибіотиками, що може бути критичним для керівництва клінічними прийняттям рішень та розуміння моделей стійкості. Крім того, ми ділимося правилами, застосованими для отримання цих мається на увазі, забезпечуючи прозорість та дозволяючи дослідникам зрозуміти та відтворювати логіку, що стоять за виведеними даними. Ця похідна таблиця використовує мікробіологічні принципи для захоплення взаємозв'язків між антибіотиками.

Дані демографії та мікробіологічної культури

ARMD включає 751,075 записів мікробіологічної культури, зібраних у 283 715 унікальних пацієнтів. Культури сечі становлять більшість зразків (50,0%), культури крові – 38,8%, а дихальні культури – 11,3%. Набір даних триває з грудня 1999 року по лютий 2024 року; Однак спостерігається помітне збільшення записаних замовлень на культуру, починаючи з 2008 року. Ця зміна узгоджується з прийняттям Епоса Стенфорда як системою EHR, яка значно покращила збір даних та документацію.

Населення пацієнтів демонструє широкий розподіл віку, як показано на рис. 2, середній вік 56,7 років. Розподіл статі в когорті виявляє переважання пацієнтів -жінок, що становить 66,9% (189 864 пацієнтів) загальної популяції, а пацієнти чоловічої статі – 33,0% (93 763 пацієнтів), тоді як мінімальна частка (0,03%, n = 82) має невідому позначення статі.

На малюнку 3 представлено щорічне розподіл перших найпоширеніших організмів, виявлених у культурах сечі, крові та дихання з 2013 по 2023 рік. У культурах сечі (рис. 3А), Escherichia coli (E. coli) є переважним збудником, послідовно становить більше 60% ізолятів. Klebsiella pneumoniae і Proteus чудовий є наступними найчастіше виявленими організмами, з невеликими варіаціями з часом. Ця стабільність у розподілі вказує на послідовний мікробіологічний профіль для ІПС у когорті, що відповідає встановленим епідеміологічним тенденціям по всій країні^30,31,32.

У культурах крові (рис. 3В) спостерігається більш різноманітний спектр збудників збудників порівняно з культурами сечі. В той час E. coli Залишається найпоширенішим збудником, стафілококом ауреус та коагулазо-негативними стафілококами є більш поширеними, що відображає тенденцію грам-позитивних коккі, щоб викликати інфекції крові.

У дихальних культурах (рис. 3С), Pseudomonas aeruginosa є найбільш часто ізольованим збудником, можливо, пов'язаним із зміщенням відбору серед пацієнтів, які проходили тестування дихальної культури з неінвазивних (наприклад, індукованих мокротиння), так і інвазивних (наприклад, бронхоальвеолярних промивання). Відмінність між мукоїдним та не мукоїдним Pseudomonas aeruginosa спостерігається, ймовірно, що відображає зміни стандартів звітності про мікробіологію. Мукоїдні штами є клінічно значущими, особливо при хронічних дихальних інфекціях. Інші помітні організми включають Klebsiella pneumoniae і Staphylococcus aureusобидва вони залишаються стабільними внесками на дихальні інфекції протягом усього періоду дослідження.

Походження обладнання фінансування зменшилося в червні на тлі постійної економічної невизначеності.

Новий обсяг бізнесу у фінансуванні обладнання становив 9,6 млрд. Дол. Асоціація лізингу та фінансів обладнанняІндекс фінансів CAPEX S (ELFA) випущений сьогодні. Новий обсяг бізнесу знизився на 1,8% за рік до червня і в 2025 році здійснився.

“Нестабільність багатьох показників зростає в 2025 році, тому я не приймаю занадто багато сигналу з одного місяця даних”, Президент ELFA та виконавчий директор Лі Лайтл зазначено у звіті. “І все -таки ми будемо пильно спостерігати за вхідними даними цього літа, щоб побачити, чи нарешті невизначеність торговельної політики починає зважувати на попит на обладнання та програмне забезпечення.

Тим часом правопорушення 30 днів або більше впали на 27 базових пунктів до 1,9%, а стягнення відзначили 6 базових пунктів до 0,5%. Середній рівень затвердження кредитів залишався сильним на рівні 76,8%, трохи нижче більш ніж дворічного максимуму-77,4% у квітні.

Падіння правопорушень та відносно низькі відшкодування свідчать про здорові фінансові умови, “забезпечуючи буфер проти економічного зміщення”,-сказала Лайтл, також зазначивши, що нещодавнє повернення 100% бонусної амортизації “повинно зміцнити попит на обладнання протягом наступних кількох років”.

Перегляньте наші ексклюзивні дані галузі ось.

(AP) – План президента Дональда Трампа щодо підвищення штучного інтелекту та побудови центрів обробки даних у США може прискорити будівельний бум, який, як очікується, буде напружувати здатність нації до влади.

Білий дім оприлюднив “План дій AI” в середу, пообіцявши прискоренням дозволу на будівництво енергоємних центрів обробки даних, оскільки, схоже, зробити країну лідером у бізнесі, в який технологічні компанії та інші вливають мільярди доларів.

План говорить про боротьбу з “радикальною кліматичною догмою”, ряд обмежень – включаючи закони про чисте повітря та воду – може бути скасовано, узгоджуючись з порядку денного “Американського енергетичного домінування Трампа” та його зусиллями щодо підрізання чистої енергії.

Ось що вам потрібно знати.

Що означає AI для навколишнього середовища

Для підтримки складних серверів, обладнання та іншого для ШІ необхідні величезні кількості електроенергії. Попит на електроенергію з центрів обробки даних у всьому світі встановлений на більш ніж удвічі до 2030 року, трохи більше, ніж усього споживання електроенергії Японії сьогодні, повідомляє Міжнародне енергетичне агентство на початку цього року.

У багатьох випадках ця електроенергія може надходити від спалювання вугілля або природного газу. Ці викопні паливи викидають планети, що погладжують викиди парникових газів, включаючи вуглекислий газ та метан. Це, в свою чергу, пов'язане з екстремальними погодними подіями, які стають більш серйозними, частими та дорогими.

Центри обробки даних, які використовуються для підживлення АІ, також потребують величезної кількості води, щоб зберігати прохолоду. Це означає, що вони можуть напружувати джерела води в районах, які можуть мало запастися.

Що говорить і робить великі технології щодо пошуку всієї цієї сили

Як правило, технічні гіганти, підприємці та інші розробники намагаються зберегти наявну електростанцію в Інтернеті, щоб задовольнити попит, кажуть експерти, і більшість існуючих електростанцій у США все ще виробляють електроенергію за допомогою викопних палив-найчастіше природним газом.

У деяких областях США поєднання відновлюваних джерел енергії та енергоносіїв у вигляді акумуляторів надходить в Інтернет.

Але використання ядерної енергетики особливо цікавить як спосіб зменшити викиди, спричинені центром обробки даних, при цьому все ще відповідає попиту та залишається конкурентоспроможним.

У минулому місяці Amazon заявив, що витратить 20 мільярдів доларів на сайти центрів обробки даних у Пенсильванії, включаючи одну поряд з атомною електростанцією. Інвестиція дозволяє Amazon підключитися прямо до заводу, ретельно, але швидший підхід до часової шкали розвитку компанії.

Нещодавно META підписав угоду щодо забезпечення ядерної енергетики для задоволення своїх обчислювальних потреб. Microsoft планує придбати енергію з атомної електростанції на три милі, і Google раніше підписав контракт на придбання з декількох невеликих модульних реакторів у роботі.

Що ставиться під загрозу в такому вигляді енергії, що живляє центром обробки даних

Центри обробки даних часто будуються там, де електроенергія найдешевша, і часто це не з відновлюваних джерел енергії. А іноді центри обробки даних цитуються як причина для продовження життя традиційних електростанцій, що спалюють викоп.

Але лише на цьому тижні генеральний секретар Організації Об'єднаних Націй Антоніо Гутеррес закликав найбільших у світі технологічних гравців, щоб до 2030 року повністю підживлювати свої потреби в центрі обробки даних. Необхідно використовувати менше викопних палив, сказав він.

Експерти стверджують, що розробники, інвестори та технологічна галузь можуть декарбонізувати.

Однак, хоча промисловість може багато зробити з чистою енергією, нові вимоги настільки великі, що не може бути чистою енергією, – сказав професор університету Пенсільванії Бенджамін Лі.

Більш генеративні AI, Chatgpt та масивні центри обробки даних означає, що “покладатися на вітер та сонячну енергію з батареями стає дійсно, дуже дорогим”, – додав Лі, отже, увага на природний газ, але також ядерний.

Що означає зростання AI для моїх рахунків за електроенергію?

Незалежно від того, які повноваження AI, простий закон попиту та пропозиції робить все, крім певного, що витрати для споживачів зростатимуть.

Нові проекти центрів обробки даних можуть вимагати як нового виробництва енергії, так і існуючого покоління. Розробники також можуть інвестувати в акумулятори або іншу інфраструктуру, як лінії передачі.

Все це коштує грошей, і це потрібно платити звідкись.

“У багатьох місцях у США вони бачать, що тарифи зростають, оскільки комунальні послуги роблять ці кроки, щоб спробувати планувати”, – сказала Аманда Сміт, старша науковця в розробці проекту дослідницької організації.

“Вони планують інфраструктуру передачі, нові електростанції для зростання та навантаження, яке проектується, що ми хочемо, щоб вони зробили”, – додала вона. “Але ми, як платники податків, закінчимо, бачачи, що тарифи зростають, щоб покрити це”.

Клімат та екологічне покриття Associated Press отримують фінансову підтримку від декількох приватних фондів. AP несе повну відповідальність за весь вміст. Знайдіть стандарти AP для роботи з філантропіями, список прихильників та фінансуваних областей покриття на AP.org.

Френк Балоніс

Фармацевтична промисловість стоїть на небезпечному перехресті. У той час як компанії готуються до використання штучного інтелекту для виявлення наркотиків, оптимізації клінічних випробувань та ефективності виробництва, нове галузеве дослідження Kiteworks виявляє шокуючу істину: лише 17% організацій впровадили автоматизований контроль, щоб запобігти протіканням конфіденційних даних через інструменти AI. Це означає, що 83% фармацевтичних компаній – включаючи багато CDMO – працюють без основних технічних гарантій, тоді як їхні працівники вставляють молекулярні структури, результати клінічних випробувань та записи пацієнтів у Chatgpt, Claude, Respexity та інші платформи AI.

У звіті, який опитував 461 кібербезпеку, ІТ, управління ризиками та фахівці з дотримання норм в галузях промисловості, розкриває критичний розрив між тим, що вважають керівники фармацевтичних препаратів про свою безпеку AI та те, що відбувається на місцях. Цей висновок узгоджується зі звітом про індекс AI в Стенфорді 2025 року, який задокументував збільшення інцидентів безпеки, пов'язаних з AI, зафіксовано на 56,4% лише за один рік. У галузі, де одна структура молекули, що витікає, може знищити мільярди в інвестиціях на дослідження, цей розрив являє собою не просто проблему безпеки, а екзистенційну загрозу для конкурентної переваги та дотримання регуляторних норм.

Стан безпеки AI в фармацевтичних препаратах: перевірка реальності

Цифри малюють тверезу картину фармацевтичної безпеки AI. Згідно з дослідженням Kiteworks, переважна більшість організацій покладаються на небезпечно неадекватні заходи щодо захисту своїх даних від впливу ШІ. У верхній частині піраміди безпеки лише 17% мають технологію, яка автоматично блокує несанкціонований доступ до AI та сканує чутливі дані – мінімум для захисту в сучасному середовищі.

Решта 83% залежать від все більш ненадійних підходів, орієнтованих на людину. Сорок відсотків покладаються на навчальні заняття з працівниками та періодичні аудити, по суті сподіваючись, що співробітники запам'ятають та дотримуватимуться правил під час роботи під тиском. Ще 20% надсилають попереджувальні електронні листи про використання AI, але ніколи не перевіряють відповідність. Десять відсотків просто видавали керівні принципи, тоді як вражають 13% не мають жодної політики.

Цей поломку безпеки стає особливо тривожним при розгляді унікального тиску, що стоїть перед фармацевтичними дослідниками. Під постійним тиском для прискорення термінів розвитку наркотиків вчені регулярно звертаються до інструментів AI для швидких аналізів, оглядів літератури та інтерпретації даних. Звіт про стан безпеки даних Varonis 2025 підсилює цю проблему, встановивши, що 99% організацій мають конфіденційні дані, небезпечно піддаються впливу інструментів AI, при цьому 90% мають чутливі файли, доступні лише через Microsoft 365 Copilot. Лікарський хімік може завантажувати власні молекулярні структури, щоб отримати уявлення про потенційні лікарські взаємодії. Аналітик клінічних даних може вставити результати пацієнтів на платформу AI для виявлення моделей. Кожна дія, хоча і цілеспрямована, створює постійне опромінення ризику, яке неможливо скасувати.

Що насправді піддається

Дослідження Kiteworks виявляють, що 27% організацій наук про життя визнають, що понад 30% їхніх оброблених даних містять конфіденційну або приватну інформацію. У фармацевтичних контекстах це являє собою катастрофічний рівень впливу, що охоплює найцінніші активи галузі.

Поміркуйте, що фармацевтичні працівники щодня діляться з інструментами AI. Власні молекулярні структури, які потребували років і мільйони доларів, щоб розробити завантажені для швидкого структурного аналізу. Неопубліковані результати клінічних випробувань, які могли б зробити або порушити шанси на затвердження препарату, вставляються в чатні боти для підсумкового покоління. Виробничі процеси, захищені так, як комерційна таємниця переходить у системи AI, коли якісні команди шукають пропозиції оптимізації процесів. Інформація про здоров'я пацієнтів, нібито захищена в рамках HIPAA, вводить публічні платформи AI, коли дослідники просять допомогу в аналізі несприятливих подій.

Постійність цього впливу не може бути завищена. На відміну від традиційних порушень даних, де компанії можуть змінити паролі або відкликати доступ, інформація, що поглинається в моделі навчання AI, стає постійно вбудованою. Як детально описано в дослідженні ризиків витоку даних AI, фармацевтичні компанії стикаються з унікальними вразливими місцями від запам'ятовування моделей, де системи AI можуть ненавмисно зберегти та пізніше викрити фрагменти чутливих даних, таких як ідентифікатори пацієнтів, діагнози або власні молекулярні структури – навіть з моделей, які виглядають належним чином санізованим.

Виклик відповідності

Для фармацевтичних компаній регуляторні наслідки неконтрольованого використання AI створюють ідеальну шторм. У звіті Kiteworks встановлено, що лише 12% організацій перераховують порушення відповідності серед своїх найкращих проблем ШІ – небезпечне сліпого місця, враховуючи прискорення регуляторного виконання. Звіт про індекс AI Стенфорда підтверджує цей регуляторний сплеск, документуючи, що федеральні агенції США видали 59 правил, пов'язаних з AI у 2024 році, більше ніж удвічі більше, ніж 25, видані в 2023 році.

Поточні практики одночасно порушують декілька регуляторних вимог. HIPAA вимагає комплексних аудиторських стежок для всіх електронних захищених інформаційних медичних наук (EPHI), але компанії не можуть відслідковувати те, що перетікає в тіньові інструменти AI. Частина 11 CFR 11 FDA вимагає валідованих систем та електронних підписів для будь -яких клінічних даних, що обробляють систему, стандарти, які публічні платформи AI не можуть відповідати. GDPR передбачає можливість видалити особисту інформацію за запитом, але дані, вбудовані в моделі AI, не можуть бути отримані або видалені.

Пейзаж правоохоронних органів продовжує посилюватися по всьому світу, і Стенфорд повідомляє, що законодавчі згадки про ШІ збільшилися на 21,3% у 75 країнах. Це не пропозиції – вони несуть значні покарання та потенційну кримінальну відповідальність за керівників. Коли регулятори вимагають документації про використання AI під час аудиту, “ми не знали”, стає визнанням недбалості, а не захисту.

Традиційний підхід до дотримання – політика, навчання та періодичні огляди – повністю не вдається в контексті ШІ. Використання Shadow AI відбувається поза корпоративною видимістю, часто на особистих пристроях, які отримують доступ до послуг AI споживачів. У звіті про Varonis встановлено, що 98% компаній мають працівників, які використовують несанкціоновані додатки, при цьому кожна організація в середньому складає 1200 неофіційних додатків. На той час, коли команди з питань дотримання норм виявляють порушення, чутливі дані вже постійно всмоктуються в системах ШІ.

Чому фармацевтичні компанії особливо вразливі

Сучасна розробка наркотиків передбачає великі партнерські стосунки з CDMO, CROS, академічними установами та постачальниками технологій. Кожен партнер потенційно представляє нові інструменти AI та вразливості безпеки. Останній звіт про розслідування даних про порушення даних Verizon показав, що участь сторонніх сторон у порушеннях даних збільшилася з 15% до 30% лише за один рік.

Фармацевтична інтелектуальна власність має надзвичайну цінність, що робить її привабливою ціллю. Одна молекулярна структура може представляти можливість наркотиків на мільярд доларів. Дані клінічних випробувань визначають успіх або невдачу на ринку. Виробничі процеси забезпечують конкурентні переваги, які варто захистити. Коли працівники випадково діляться цією інформацією з інструментами AI, вони по суті публікують комерційну таємницю на глобальній платформі.

Шлях вперед: Будівництво реального захисту

У звіті Kiteworks зрозуміло, що залежні від людини заходи безпеки не вдалося в кожній галузі, включаючи фармацевтичні препарати. Звіт про індекс AI Стенфорда підкріплює це, показуючи, що, хоча організації визнають ризики-64% посилаються на неточність AI та 60%, що виявляють вразливості кібербезпеки-менше двох третин активно впроваджують гарантії. Компанії повинні негайно перейти до технічного управління, який автоматично запобігає несанкціонованому доступу до ШІ та опроміненням даних.

Основні елементи ефективного фармацевтичного управління AI починаються з автоматизованої класифікації даних та блокування. Системи повинні розпізнавати та запобігти конфіденційній інформації – будь то молекулярні структури, дані пацієнта чи клінічні результати – до досягнення несанкціонованих платформ AI. Для цього потрібна технологія, яка працює в режимі реального часу, скануючи потоки даних, перш ніж вони залишають корпоративний контроль.

Постійний моніторинг взаємодій AI з такими рішеннями, як шлюз даних AI, забезпечує видимість фармацевтичних компаній в даний час. Організації потрібні єдині платформи управління, які відстежують кожну точку дотику AI через хмарні сервіси, локальні системи та тінь.

Висновок

Фармацевтична промисловість стикається з скороченням вікна для вирішення витоку даних AI до того, як прийде катастрофічні наслідки. Оскільки 83% організацій, що працюють без основних технічних гарантій, при цьому крововиливши їх найцінніші дані, а інциденти AI збільшуються на 56,4% за рік, згідно з дослідженнями Стенфорда, розрив між сприйнятою та фактичною безпекою досяг критичних рівнів.

Вибір є Stark: впровадити реальний технічний контроль зараз або стикається з неминучими результатами – конкурентним недоліком, оскільки комерційна таємниця просочується до конкурентів, регуляторні штрафи як порушення, та пошкодження репутації, оскільки вплив даних пацієнтів робить заголовки. Громадська довіра до компаній AI вже впала з 50% до 47% лише за один рік, згідно з висновками Стенфорда. Для галузі, побудованої на інноваціях та довірі, неспроможність забезпечити використання AI загрожує обом. Час дій зараз, до наступної завантаженої молекули або клінічного набору даних стане завтрашньою конкурентною катастрофою.

Про автора:

Френк Балоніс – головний директор з питань інформаційної безпеки та старший віце -президент з операцій та підтримки в Kiteworks, що має понад 20 -річний досвід роботи в ІТ -підтримці та послугах. З моменту приєднання до Kiteworks у 2003 році Балоніс контролює технічну підтримку, успіх клієнтів, корпоративну ІТ та безпеку та дотримання, співпрацюючи з командами з продуктів та інженерії. Він проводить сертифіковану сертифікат з питань безпеки інформаційних систем (CISSP) та служив у ВМС США. До нього можна звернутися за адресою fbalonis@kiteworks.com.

Нове дослідження Metacomp постачальника інфраструктури платежів підкреслює критичні прогалини у здатності інструментів, що знаходяться в ланцюзі та трансакції (KYT) для виявлення незаконної та високої ризику в мережах блокчейн.

Дослідження, проведене в Сінгапурі, оцінили понад 7000 прямих транзакцій, пов’язаних з USDT та USDC – двох найбільш широко використовуваних стабільців – через блокчейни Ethereum та Tron. У дослідженні було використано чотири провідних провайдерів KYT: Chainalysis, Elliptic, Merkle Science та Beosin, щоб визначити, наскільки ефективно були виявлені дії з високим ризиком, такі як порушення санкцій, вплив фондів Darknet та шахрайство.

Практика скринінгу

Дослідники перевірили кілька конфігурацій скринінгу, починаючи від єдиного інструменту до чотирьох налаштувань, і виявили, що покладатися лише на один-два інструменти KYT, що призвело до пропуску до 25% транзакцій з високим ризиком. Ці пропущені транзакції часто включали адреси гаманця, пов'язані з незаконними фінансами, потоками, пов'язаними з шахрайством, та санкціонованими організаціями, залишаючи значні сліпі місця для проти відмивання грошей (AML) та протидії фінансуванню тероризму (CFT).

“Для установ, що працюють в регульованому середовищі, особливо тих, хто має справу з стабільними потоками, вже не достатньо покладатися на один інструмент для скринінгу транзакцій”,-сказав Tin Pei Ling, співголова Metacomp. “Це дослідження свідчить про те, що шарування декількох інструментів KYT може значно зменшити сліпі плями та посилити цілісність екосистем платіжної ланцюга. Ми сподіваємось, що ці висновки допоможуть підвищити галузеві стандарти для моніторингу ризиків на ланцюзі та підтримають розробку більш надійного цифрового фінансового середовища”.

Дослідження визначило, що конфігурація трьох інструментів знизила швидкість “помилкової чистої” до нижньої 0,10%, зберігаючи швидкість скринінгу до двох секунд за транзакцію. Це демонструє, що посилена відповідність може бути досягнута без шкоди швидкості транзакцій, що є важливим для середовищ оплати в режимі реального часу.

Ефективність виявлення

Одним із ключових висновків досліджень Metacomp було те, що фрагментація серед рішень KYT створює системні слабкі сторони. Згідно з аналізом, п'ять основних питань сприяють цим прогалинам: непослідовне покриття ризику між інструментами, відмінностями в категоризації ризиків, відсутності стандартизованих результатів, оперативних труднощів у узгодженні результатів та збільшення часу обробки при використанні декількох постачальників.

У звіті також було виявлено відмінності в впливу ризику між двома вивченими блокчейнами. Трансакції TRON демонстрували більш високі сигнали ризику AML/CFT порівняно з Ethereum. З вибіркових транзакцій 6,95% на TRON були позначені як серйозний ризик проти лише 0,70% на Ethereum. Більше 20% транзакцій TRON оцінювали на середньому або гіршому рівні ризику.

Дослідження уточнило, що, хоча самі протоколи блокчейн не були оцінені, потоки транзакцій відрізняються між мережами, що говорить про необхідність індивідуальних стратегій відповідності. Tin Pei Ling зазначав: “Ми не порівнюємо технології блокчейн, а скоріше характер трансакційного ризику, що протікає через них. Кожен постачальник KYT бачить різні частини ландшафту ризику. Для установок, що пробігає на одну перспективу, вже не є життєздатними – узгодження множинних сигналів є критично важливим для підтримання регуляторної довіри. Наша мета – це закриття прогалин із захисту відбитливої інфраструктури.

Промислові рекомендації

USDT та USDC були в центрі уваги дослідження Metacomp через їх сильну присутність у випадках використання інституційних грошових переказів, розрахунків та торгових платежів. Зараз компанія рекомендує мінімум три одночасні перевірки KYT на транзакцію для досягнення оптимального балансу між ефективністю відповідності, операційною вартістю та швидкістю транзакцій. Два підходи з друкованого або одноружника, згідно з дослідженнями, дозволяють до чверті ризикованих транзакцій не виявитись.

Для подальшого зменшення цих ризиків Metacomp впровадив конфігурацію скринінгу з чотирьох інструментів для власних платформ табору та стабільних платформ, прагнучи забезпечити додатковий рівень безпеки та узгодження регуляторів.

Метод і обсяг

Проаналізований набір даних складав 7000 реальних, випадково вибраних транзакцій USDT та USDC, відібраних на Ethereum та TRON протягом червня 2025 року. Вибір навмисно виключав усієї діяльності, пов'язаної з метакомомами, для збереження незалежності дослідження. Використовувані чотири інструменти KYT були обрані на основі їх можливостей у аналізі даних, спеціалізації типології, інтеграції та відносній наявності ринку.

Дослідження прийняло фірмовий протокол скринінгу, стандартизує відображення категорії ризиків та узгодження конфігурацій з регуляторними очікуваннями. Аналіз охоплював початкові перевірки транзакцій, профілювання на рівні гаманця та оцінки впливу як на рівні гаманця, так і на рівні транзакцій.

Metacomp визнав, що обсяг дослідження був обмежений у часі та заохочував подальші дослідження для підтримки більш широких висновків для індустрії цифрових активів.

Штучний інтелект (AI) революціонізував і продовжить трансформувати багато галузей, що орієнтуються на клієнтів. Ділові додатки, що працюють на AI, пропонують відчутну цінність як для клієнтів, так і для бізнес-операцій. Однак існують істотні ризики для прийняття ШІ. Великі мовні моделі (LLM), побудовані на частково упереджених даних або моделюванні, показали, як галюцинації можуть призвести до негативних результатів бізнесу (A. pequeno, лютий 2024).

Ефективні результати АІ вимагають багатих, точних та неупереджених даних. Упереджені, неповні, не марковані та неточні дані про навчання чи ділові дані часто генеруватимуть “галюцинації”. Фактичні невідповідності або тонко упереджені результати, які можуть здатися точними та корисними, але насправді можуть негативно вплинути на прийняття бізнес -рішень. Навіть чисті дані бізнесу сприяють галюцинаціям, якщо дані навчання вгору за течією є упередженими або неповними, або якщо нагляд за результатами АІ не в змозі отримати доступ до високоякісних довідкових даних та пов'язаних з цим знань. Через це не дивно, що організації, які прагнуть скористатися ШІ, розглянуть виклики даних про основну перешкоду, коли вони працюють над тренуванням, розгортанням, масштабами та визначенням рентабельності інвестицій своїх ініціатив ШІ. Це вказує на зростаючу потребу в інструментах та методах для підтвердження надійності результатів ШІ.

Переміщення основних кроків у прикладі медичних даних у реальному світі окреслить практику якості даних, необхідні для забезпечення точних результатів ШІ. Почніть з профілювання, очищення та збагачення навчальних та ділових даних за допомогою автоматизованих правил та міркувань. Застосовуйте експертну семантику та візуально підтримуване пошукове покоління в умовах високої якості даних для інформованого та спостережуваного нагляду за якості та навчання (S. Hedden, 2024 р.). Автоматизуйте тестування КК та виправлення результатів із кураторним вмістом та збільшенням результатів, що підтримується експертом, підтримується діловими правилами та семантикою.

Запобігання галюцинаціям AI від перешкод бізнес -операцій вимагає комплексного підходу до якості даних, що містять дані про навчання “Золотий стандарт”; активно очищені та розширені ділові дані; та контрольовано навчання AI, що підтримується спостережуваним контентом, машинними міркуваннями та діловими правилами. Ці фактори повинні бути доповнені автоматизованим тестуванням та корекцією результатів, що підтримуються високоякісними довідковими даними, діловими правилами, машинними міркуваннями та ганчіркою.

Забезпечення точності в програмах AI може означати життя чи смерть для людей та підприємств

Дослідження класичного прикладу медичного ризику продемонструє критичну потребу в точному виході з AI – підтримується чистими даними, процесом та спостереженням за результатами та автоматизованим наглядом результатів.

У цьому сценарії специфічний препарат призначається як патч, а загальна доза – 15 міліграмів. Препарат також доступний як таблетка, яка вимагає нижньої 5 міліграмної дози. Додаток, що підтримується AI, може неправильно генерувати твердження, яке поєднує дві частини інформації, заявивши, що пацієнт може приймати “загальну дозу 15 мг, доступну у формі таблеток”. Легко пропустити помилку, навіть для людини, але це робить потенційно небезпечну галюцинацію AI. Експерт з медичної допомоги людини, яка приділяє пильну увагу, швидше за все, визнає помилку – прийом 15 міліграмів ліків у формі таблеток буде втричі більше рекомендованої дози, що потенційно спричиняє передозування. Лайперсон наївно просить заявку на AI про медичне дозування може вирішити взяти три 5 таблетки міліграм – потенційно смертельний результат.

Тут здоров'я та безпека пацієнта під загрозою та глибоко покладаються на чисті, добре марковані дані та точні результати AI. Ці помилки можна уникнути, поєднуючи високоякісні навчальні та довідкові дані. Спостережуваний нагляд та навчання результатів ШІ, що підтримуються семантичними машинними міркуваннями та правилами бізнесу, а також автоматизована перевірка результатів, що звертається до кураторних експертних ресурсів для перевірки чи виправлення результатів, все сприяє більш функціональній системі AI.

На додаток до включення традиційних операцій з якості даних, які очищають, інтегрують, гармонізують та збагачують дані, семантично поінформовані правила, що підтримуються хорошими даними, можуть забезпечити точні дані бізнесу та результати AI. Порівняння результатів з очікуваними результатами підтримує емпіричну точність. Експертна онтологія в поєднанні з кураційними медичними довідковими даними, такими як Уніфікована система медичної мови (UMLS), може автоматично визначати дозування ліків на основі його встановленого використання або формату. Система розпізнає та виправляє помилку самостійно, стверджуючи, що “для цього ліки таблетки не призначаються і не рекомендуються вище 5 міліграм”.

Як ми можемо забезпечити чисту, всебічну підготовку та ділові дані та точні результати додатків AI, пов'язаних з медичними даними? Важливо рекомендувати правильну дозу та маршрут введення для належних ліків.

Наступні практики розробляються навколо цього потенційно рятівного прикладу. Ці процеси можуть бути реалізовані за допомогою платформ з низьким кодом, без кодових платформ, які зменшують технічні вимоги, пов'язані з інженерними робочими процесами якісної якості даних.

Почніть з очищеної та доповненої підготовки та даних

Щоб забезпечити високоякісні набори даних про навчання, почніть з профілювання, очищення та збагачення даних про навчання та бізнесу, якщо це потрібно, з автоматизованими правилами та семантичним висновком. Щоб уникнути неточних результатів AI (галюцинації), важливо використовувати золоті стандартні довідкові набори даних та чисті точні бізнес-дані. Коли дані навчання та бізнесу є неточними, упередженими або відсутніми важливими метаданими, додатки AI дають неточні або іншим чином упереджені результати.

Кожен проект AI повинен починатися з активного та основного управління якістю даних, включаючи профілювання, дедуплікацію, очищення, класифікацію та збагачення. Подумайте про це як “чудові дані в – чудові результати бізнесу”. В ідеалі дані про навчання курації та інтегровані з декількох джерел для створення високоякісних демографічних, клієнтських, фірмографічних, географічних чи інших відповідних ресурсів даних. Крім того, якість даних та процеси, керовані даними, не є статичними і повинні оброблятися в режимі реального часу. З цієї причини активна якість даних (автоматизація якості даних) як звичайна бізнес-операція є важливою для будь-якого бізнес-програми з підтримкою AI. Це підтримує генерування та застосування активних правил для вирішення проблем, що виникають із профілювання даних до очищення, інтеграції, гармонізації та збагачення даних, на які посилається ваша програма AI. Усі ці фактори вказують на необхідність розробки додатків з підтримкою AI в середовищі активної якості даних, як засобу для сприяння кращому бізнес-розумінню та результатів без галюцинації.

У прикладі ліків, точні дані, багаті на метадані, необхідні та посилаються на систему. Чисті довідкові дані можуть застосовуватися на декількох кроках у робочому процесі AI:

1. По -перше, профілювання, очищення та збагачення вгору за течією забезпечують наявність точної та послідовної дозування та маршрутизації інформації про адміністрування.
2. Далі, ці дані можуть бути застосовані як доповнення до спостережуваного під наглядом або непідконтрольним навчанням, оскільки модель AI інформується оперативною та інженерною інженерією. Відсутня або неправильна доза або маршрут вмісту адміністрування будуть додані або виправлені.
3. Нарешті, результати AI можуть бути проінформовані та виправлені вмістом, отриманим з чистих довідкових даних автоматизованими способами, застосовуючи методи розширеного покоління (RAG) або з спостережуваним наглядом за допомогою методів графіки на основі графіків на основі графіків знань.

Ці методи можуть ідентифікувати та позначити або виправляти будь-який вміст або результат, який не відповідає очікуваному вмісту чи відносинах-запис або рекомендація, що посилається на таблетку 15 міліграм, буде позначений або виправлений.

Навчіть свою програму AI за допомогою спостережуваного, експертного семантичного нагляду

Далі, порівняння результатів з очікуваним авторитетним контентом та взаємозв'язками (багатий позначеними посиланнями та семантичними даними) є критичним кроком робочого процесу. Спостережність та походження особливо важливі на стадії розробки додатків AI та залишаються критичними для управління протягом усього терміну експлуатації застосування.

Поєднуючи високоякісні тренінгові та довідкові набори даних із семантично вирівняними онтологічними графіками, інженери додатків та науковці з даних можуть ефективно переглянути виявлені проблеми. Машинні міркування (або семантичний висновок) можуть застосовувати семантичний вміст та пов'язані з цим правила якості даних, проінформовані експертами, такі як, що надаються Національним центром біомедичних онтологій (NCBO) у прикладі ліків. Ці ресурси можуть сприяти нагляду за навчанням, наприклад, шляхом візуально підтримуваного покоління, що підтримується (Graphrag).

Це створює середовище для інформованої та спостережуваної контрольованої підготовки, яка підтримує створення та застосування існуючих або нових ділових правил для забезпечення точних результатів. Навчаючи програму AI в режимі реального часу, потенційні помилки можуть бути зроблені, позначити та виправити.

Автоматизуйте нагляд, пошук та збільшення/виправлення для просування AI у масштабі

Більшість сьогоднішніх систем AI розроблені з людьми, які контролюють результати. Програми бізнес -масштабів повинні автоматизувати можливість перевіряти результати та перевірити, чи відповідають вони очікувану якість даних та семантичне значення. Для виробництва розгортаються добре марковані довідкові дані та авторитетні семантичні ресурси для автоматизації застосування семантичних приводів (збагачення даних або виправлення, обґрунтованого в онтологічних міркуваннях). Виходячи з авторитетних джерел для пошуку довідкових даних та логіки, правила та міркування можуть бути використані та застосовані в масштабах до розширення, оцінки та виправлення генерації результатів AI. Незважаючи на те, що невідомі питання завжди можуть бути позначені для нагляду за людьми, більшість питань можна автоматизовано вирішувати за допомогою застосування правил, експертних онтологій та високоякісних даних. Золоті стандартні дані, на які посилаються раніше, доповнюють навчання та автоматизований нагляд за течією, порівнюючи результати з очікуваними моделями довідкових даних.

Незважаючи на те, що медичні діагнози та рецепти завжди можуть потребувати нагляду за людьми, ми можемо забезпечити точність у всіх наших важливих програмах AI, застосовуючи чисті, добре марковані дані та змістовне збільшення.

Галюцинаційні програми AI вимагають використання інструментів та ресурсів, що підтримують емпіричну точність. Щоб уникнути неправильного, закріпіть свої проекти AI у золотих стандартних довідкових даних для навчання, чистих та кураторних ділових даних та активних процесів якості даних із спостережуваним та семантично поінформованим наглядом результатів. Разом ці методи забезпечують принципово необхідну основу для змістовного, спостережуваного та автоматизованого створення, тестування та виправлення результатів ШІ.

Посилання

Малий, Ентоні. Суперечка Gemini Gemini пояснила: Модель AI критикувала Муск та інші за передбачувані упередження. Forbes. 26 лютого 2024 року.

Хедден, Стів. Як побудувати програму Graph Grag: Використання графіків знань та AI для отримання, фільтрування та узагальнення статей медичних журналів. До науки про дані. 30 грудня 2024 року.