Категорія: Великі Дані та Аналітика

  • Оскільки інструменти «розумного міста» зростають по всій країні, тож зростають проблеми конфіденційності та етики • Michigan Advance

    Оскільки інструменти «розумного міста» зростають по всій країні, тож зростають проблеми конфіденційності та етики • Michigan Advance

    Після майже тижня пошуків підозрюваного в наїзді на 81-річну жительку Св. Єлени, Каліфорнія цього літа, поліція знайшла та заарештувала чоловіка за допомогою камер зчитування номерних знаків, які його зареєстрували біля місця події.

    Департамент поліції використовував інформацію з камери автоматичної системи зчитування номерних знаків FLOCK, яка відстежує та записує дані номерних знаків у хмарну базу даних. Компанія виробляє камери, дрони, аудіодетектори та програмні засоби, які використовуються містами, правоохоронними органами та шкільними системами з метою виявлення злочинів і швидшого розкриття.

    Використання номерного знака для пошуку підозрюваного не є чимось новим у розкритті злочинів, але пошук цього номерного знака в автономно зібраному та організованому журналі даних, а не за допомогою перегляду відеозаписів із камерою безпеки чи особистого обшуку, є більш новим.

    Це частина зростаючої системи технологій «Інтернету речей» (IoT) — мереж фізичних об’єктів, які під’єднані до Інтернету та можуть обмінюватися даними з іншими пристроями чи програмним забезпеченням. Ці пристрої IoT часто називають пристроями «розумного міста», оскільки вони використовуються державами та містами, які прагнуть покращити послуги, зокрема зробити свої дороги безпечнішими та ефективнішими для водіїв і пішоходів.

    Ймовірно, люди на дорогах звикли до червоного світла та камер спостереження на перехрестях, але прогрес у хмарних технологіях і штучному інтелекті дозволяє транспортним агентствам і містам збирати набагато більше даних, ніж будь-коли раніше, і використовувати ці дані більш стратегічно.

    Але з посиленням моніторингу, збору та аналізу даних виникають проблеми етики та конфіденційності.

    Як сказав Джей Стенлі, старший політичний аналітик Американського союзу громадянських свобод у сфері мови, конфіденційності та технологій, ніколи не було проблем із перевіркою номерних знаків, щоб перевірити, чи автомобіль не викрадений чи якийсь інший розшук. Але коли дані про номерний знак зберігаються протягом невідомого часу та з невизначеною метою, це може порушити приватне життя та громадянські свободи.

    «Оскільки ця технологія стає дедалі щільнішою в наших спільнотах, і в певний момент у вас є приблизно три з них на кожному блоці, це стає еквівалентом відстеження всіх за допомогою GPS», — сказав Стенлі. «Це піднімає не лише політичні питання, а й конституційні».

    Мешканці острова Св. Єлени в долині Напа, ймовірно, не засмучені тим, що технологію використовували за прямим призначенням, щоб допомогти знайти злочинця, Харі Балакрішнана, дослідника з інформатики та ШІ та професора Массачусетського технологічного інституту. , розповів про серпневий арешт.

    «Я міг би припустити, що ми повинні перейти від того, які дані збираються, до того, що з ними робиться?» сказав він. «Ким і з якою метою?»

    Що таке технології розумних міст?

    В останні роки міста почали використовувати апаратне забезпечення, як-от камери та датчики, які записують і сортують інформацію в базах даних за допомогою ШІ. Зазвичай вони роблять це з певною метою, наприклад, відстежують безпеку пішохідного переходу, контролюють перевищення швидкості в районі або сприяють кращому руху транспорту через перехрестя в годину пік.

    Апаратні пристрої можуть сигналізувати міському програмному забезпеченню про вжиття заходів, наприклад, увімкнути світло зеленим або записати дані в збережену область для аналізу людьми пізніше. Багато з цих взаємопов’язаних систем називають інтелектуальними транспортними системами (ITS), сказав Натан Каутц, старший інженер з транспортної безпеки в Тампі, Флорида. Деякі навіть можуть виявляти дорожньо-транспортні пригоди та ініціювати відповідь EMS, а потім допомагати машині EMS швидше дістатися до місця аварії, освітлюючи її зеленим світлом через сигнали світлофора.

    Стратегічний план безпеки дорожнього руху Флориди від 2021 року визначає моніторинг швидкості як перевірений спосіб зменшити кількість смертельних випадків у ДТП і передбачає використання інфраструктури ІТС як контрзаходу. Технічні системи дозволяють здійснювати моніторинг без залучення поліцейських, розміщених на проїжджій частині.

    «Це дозволяє охопити цей коридор і намагатися підтримувати швидкість на належному рівні, коли ніхто не дивиться, щоб підвищити безпеку та виживання, скажімо, для пішохода чи велосипедиста», — сказав Каутц.

    Балакрішнан працював у IoT та мобільних обчисленнях протягом останніх двох десятиліть, а близько 15 років тому заснував Cambridge Mobile Telematics. Компанія з Кембриджа, штат Массачусетс, збирає дані з пристроїв Інтернету речей, таких як смартфони, підключені транспортні засоби, відеореєстратори та пристрої сторонніх розробників, щоб визначити поведінку водія.

    Компанія співпрацює зі страховими та автомобільними компаніями, а також компаніями, що надають спільні поїздки, щоб просувати безпечне водіння, використовуючи дані, отримані під час керування автомобілем, для оцінки ризиків, безпеки, претензій та програм покращення водія. Балакрішнан сказав, що, за оцінками компанії, це допомогло запобігти близько 80 000 аварій і близько 40 000 серйозних травм.

    Інша форма технології, яку використовують деякі міста, — це LiDAR, яка використовує лазери для вимірювання відстані. Це основоположна технологія Ouster, компанії, що розробляє програмне забезпечення сприйняття, яка працює з містами над проблемами дорожнього руху, а також із клієнтами в галузі безпеки, промисловості та автомобільної промисловості. На даний момент датчики дорожнього руху встановлені приблизно на 250 перехрестях у Каліфорнії, Флориді, Теннессі, Юті та Колорадо.

    Лазери цієї технології відбивають тепло від об’єктів і відображають відстань назад до датчика. Він використовує ці дані для створення 3-D анонімних моделей людей і транспортних засобів на рівні вулиці, сказав віце-президент компанії Bay Area з інтелектуальної інфраструктури Ітай Додон.

    «Ви розумієте глибину, ви розумієте масштаб, ви розумієте положення в просторі. Вам не потрібно робити все це висновки, як ми робимо з камерами», — сказав він. «І крім того, ви можете зробити це, не порушуючи конфіденційність ані своїх співробітників, ані спільноти, яку ви обслуговуєте».

    Проблеми етики та конфіденційності даних

    Існують перш за все два способи роботи технологій IoT — інфраструктура або мобільні пристрої. За словами Балакрішнана, фактор контролю над пристроєм – це те, що стосується конфіденційності.

    Прикладом мобільного пристрою є пристрій Cambridge Mobile Telematics, який користувачі добровільно розміщують у своєму автомобілі та спілкуються з іншими пристроями IoT для відстеження свого водіння. Це схоже на фітнес-трекер, який можна носити, який збирає дані під час тренувань або сну, сказав Балакрішнан.

    «Ви використовуєте це для себе. І я не думаю, що хтось розумно застосував би до цього слово «спостереження», — сказав Балакрішнан. «Якщо ви цього не хочете, не використовуйте».

    Але пристрої IoT, вбудовані в інфраструктуру, як-от камери чи датчики на стовпах стоп-сигналів, індуктивні петлі під тротуаром, які виявляють транспортні засоби на світлофорі, або автоматичні зчитувачі номерних знаків, — це не те, що люди вибирають.

    «Якщо хтось розмістить на дорозі купу камер і каже, що це призначено для вимірювання перевищення швидкості та надсилання штрафів, добре, є попередження, і це закон, або такі правила», — сказав Балакрішнан. «Але тепер, якщо хтось взяв ці дані та використав їх для цілей, які явно не передбачалися, тоді можна було б сказати: «Гей, ведеться якесь спостереження».

    Використання цих підключених камер і систем моніторингу дорожнього руху застосовуються по всій країні в кожному окремому випадку. Деякі штати, як-от Мен, забороняють камерам дорожнього руху контролювати порушення ПДР, за винятком платних доріг. Інші, як-от штат Міссурі, дозволяють це за законом, але Верховний суд штату визнав неконституційним видавати документи про порушення правил дорожнього руху, якщо штат не зможе підтвердити особу водія на момент цитування.

    Це часто зводиться до округу чи муніципалітету, оскільки немає федерального законодавства про конфіденційність даних у сфері дорожнього руху.

    «Усі міста та муніципалітети дуже різні і мають дещо різні проблеми, але всі вони хочуть, зрештою, … вигоди для громади», – сказав Додон. «Однак інколи їм бракує розуміння того, що насправді може зробити технологія, і, бажаючи робити добро, іноді бігають трохи швидше».

    Так було в Сан-Дієго, починаючи з 2016 року. Місто встановило 3200 «розумних вуличних ліхтарів» для запобігання злочинності та реєстрації даних із зчитувачів номерних знаків, але громадяни почали хвилюватися конфіденційністю, кажучи, що місто не скаже їм, як дані CBS8 повідомляв минулого року, що його можна буде використовувати, і ним будуть ділитися треті сторони.

    Зрештою поліцейське управління почало використовувати камери як інструмент спостереження для боротьби зі злочинністю, що спонукало членів спільноти стверджувати, що програма порушує їхнє приватне життя та спрямована на кольорових людей. Невдовзі місто припинило програму також через проблеми з бюджетом, але знову почало встановлювати камери у 2024 році.

    Відчуваною перевагою камер спостереження за дорожнім рухом є те, що менша кількість зупинок або прямих контактів з поліцейськими може зменшити кількість арештів кольорових людей. Але ця технологія не усуває расових факторів. Розслідування ProPublica у 2022 році показало, що програми спостереження за дорожнім рухом у Нью-Йорку, Маямі, Вашингтоні та Чикаго все ще виписують квитки на кольорових людей і людей із малозабезпечених районів більше, ніж на білих водіїв.

    І системи не можуть працювати на благо спільноти, якщо вони не використовуються належним чином. Жінка в Детройті подала до суду на поліцейське управління після того, як її неправомірно заарештували за стрілянину на автомобілі в 2023 році, коли поліція неправильно використала дані з міського автоматичного зчитувача номерних знаків.

    Замість того, щоб шукати номерний знак у системі, поліція шукала будь-які номерні знаки, які належать білим Dodge Chargers, і знайшла один на камері за дві милі від місця злочину. Жінка, яку вони заарештували, була зафіксована, коли їздила за кілька кварталів від свого дому, і не мала ніякого відношення до злочину, окрім аналогічної марки та моделі її автомобіля.

    IoT та законодавство про конфіденційність

    Оскільки немає федеральних вказівок щодо конфіденційності даних у системах розумних міст, містам чи навіть муніципалітетам залишатиметься право встановлювати власні правила, сказав Даніель Вайцнер, директор-засновник Ініціативи дослідження політики в Інтернеті в MIT.

    Міста часто співпрацюють із приватними технологічними компаніями для створення цих інтелектуальних транспортних систем і проводять тендерні закупівлі. Ось чому Балакрішнан сказав, що міста чи штати, які хочуть встановити ці технології, повинні чітко окреслити, які дані збираються та хто має до них доступ.

    Балакрішнан і Додон попереджають, що міста, які бажають укласти контракти з компаніями, що займаються системами розумного міста, повинні поставити правильні запитання про те, як і де зберігаються їхні дані. За їх словами, не було серйозних випадків, коли дані, зібрані цими дорожніми камерами, потрапляли в сторонні системи, але завжди існує ймовірність, що це могло статися, якщо компанії та їхні партнери з державного сектора не дотримуються однакових стандартів зберігання даних.

    Те, як ми оцінюємо стеження та конфіденційність у цифрову епоху, «піддається стресу», — сказав Вайцнер. Технології, що розвиваються, змушують законодавців постійно оцінювати, як виглядають права на конфіденційність даних у будь-який момент часу. Рішення Верховного суду, як-от Карпентер проти Сполучених Штатів, який уточнив, який доступ до даних про місцезнаходження з мобільних телефонів дозволений без ордера на обшук, і Райлі проти Каліфорнії, який постановив, що безсанкційний обшук і конфіскація цифрового вмісту мобільного телефону під час арешту є неконституційним, показує, як розвивалася ця сфера.

    «Усе це означає, що цифрова інформація може використовуватися набагато більше і може бути набагато більш показовою, ніж еквівалентна … аналогова інформація або інформація, доступна на папері», – сказав Вайцнер.

    Отже, збирати дані про номерні знаки щодо перевищення швидкості чи порушень правил дорожнього руху, можливо, не стосується, але використання цих даних для будь-яких інших цілей протягом необмеженого періоду часу є набагато більш чутливим, додав він. І поки Конгрес не прийме закон про стандартизацію для галузі, штати повинні будуть визначити, що для них найкраще підходить і які дії можуть бути поза межами.

    «Основна головоломка, яку ми маємо, полягає в тому, що ви можете об’єднати багато невинних, нешкідливих фрагментів даних», — сказав Вайцнер. «І отримати щось дуже цінне і дуже показове».

  • Дослідження: новий метод безпечно шифрує медичні дані за допомогою ШІ

    Дослідження: новий метод безпечно шифрує медичні дані за допомогою ШІ

    Експерименти під керівництвом UB показують, що ця техніка захищає інформацію про особисте здоров’я та більш ніж на 99% ефективна для виявлення апное уві сні

    БУФФАЛО, Нью-Йорк – Штучний інтелект може покращити здатність лікарів діагностувати та лікувати апное уві сні. Але ця технологія не отримала широкого поширення через побоювання, що вона не захищає дані пацієнтів.

    Незабаром це може змінитися.

    Нове дослідження під керівництвом Університету Баффало, профінансоване грантом IBM/Університету штату Нью-Йорк у розмірі 200 000 доларів США, показує, як безпечно шифрувати дані на основі ШІ, коли вони передаються від сторонніх постачальників хмарних послуг, таких як Google або Amazon, до лікарів та своїх пацієнтів.

    Метод, який ґрунтується на повністю гомоморфному шифруванні (FHE), довів 99,56% ефективності у виявленні апное уві сні з деідентифікованого набору даних електрокардіограми (ЕКГ), доступного для дослідження. Зрештою, ця техніка може прискорити та покращити виявлення та лікування апное уві сні, а також використовувати її в інших програмах охорони здоров’я, де безпека даних має першочергове значення.

    «Ця робота підкреслює, як безпечна зашифрована обробка даних може захистити конфіденційність пацієнтів, водночас забезпечуючи передові діагностичні інструменти на основі ШІ. Він пропонує значний потенціал для покращення безпеки охорони здоров’я в діагностиці апное сну та в інших сферах», – сказав провідний дослідник Наліні Рата, доктор філософії, професор інновацій SUNY Empire на кафедрі комп’ютерних наук та інженерії Університетського університету.

    Дослідження було опубліковано на Міжнародній конференції з розпізнавання образів (ICPR) 2024 року, яка відбулася 1-5 грудня в Калькутті, Індія. Серед співавторів — Чаранджит Джутла, науковий співробітник IBM; Арджун Рамеш Каушік, аспірант UB; і студенти MS Tilak Sharma і Bharat Yalavarthi, які нещодавно закінчили програму інформатики UB.

    Максимізація переваг, зменшення ризиків

    ШІ може принести користь як лікарям, так і пацієнтам, сказав Рата. Машинне навчання пропонує кілька переваг, зокрема швидший і ефективніший аналіз, здатність обробляти великі обсяги даних і потенціал для більш точної діагностики.

    Наприклад, алгоритми глибокого навчання навчені визначати шаблони в сигналах ЕКГ, які вказують на порушення дихання або зниження рівня кисню під час сну, що характерно для апное уві сні. Аналізуючи великі обсяги даних ЕКГ, ці моделі можуть навчитися виявляти тонкі аномалії, які може бути важко ідентифікувати лікарям, пояснив він.

    Непокоїть лише поширення даних, а також результати діагностики, оскільки це може порушити конфіденційність пацієнтів.

    «Якщо постачальник хмарних послуг, як-от Google або Amazon, проводить аналітику моїх даних, вони потенційно можуть з’ясувати, який у мене стан апное уві сні, а потім почати надсилати мені оголошення про те чи інше», — сказав він. «Постачальники хмарних послуг також можуть мати домовленості з іншими компаніями про перехресний продаж мені речей. Інформація про апное сну призначена лише для мого лікаря; це не для публічного споживання, особливо для отримання прибутку від реклами в моїй ситуації».

    Страхові компанії також могли б отримувати дані та потенційно підвищувати внески на пацієнтів із апное уві сні, оскільки їхні захворювання були виявлені.

    «Якщо перша стіна конфіденційності зруйнована, втрата інформації може коштувати пацієнту багато в чому», — сказав Рата. «Коли ви збираєте всі ці ЕКГ без будь-яких обмежень, ви можете спробувати зробити багато непотрібних зв’язків. Якщо хтось надсилає свою ЕКГ постачальнику послуг в Інтернеті, ось тут ми вступаємо в справу. Як ми запобігмо зловживанню цими постачальниками послуг даними?»

    Швидша та ефективна обробка зашифрованих даних

    Відомо, що аналітика на основі FHE є повільнішою та складнішою, ніж традиційні методи аналітики незашифрованих даних.

    Дослідники подолали ці недоліки, розробивши нові методи, які оптимізують ключові операції глибокого навчання, дозволяючи системі FHE працювати швидше та дешевше.

    Приклади цих методів, які охоплюють усі етапи глибокої нейронної мережі, включають згортку, яка є методом, що використовується для виявлення шаблонів; функції активації, як випрямлений лінійний блок, який допомагає моделі приймати рішення; об'єднання, яке використовується для зменшення розміру даних; і повністю підключений рівень, який є нейронною мережею, в якій кожен вхідний вузол з’єднаний з кожним вихідним вузлом.

    Посилаючись на стандартний приклад у домені FHE, Рата використав аналогію із золотом, щоб пояснити, як працює їхня система шифрування.

    «Якщо ви хочете створити прикрасу із золота, але не хочете віддавати її безпосередньо ювеліру, тому що ви не знаєте, що ювелір змішає з нею, ви кладете її в коробку», — сказав він. . «Ювелір може доторкнутися до золота, але ніколи не може вийняти його зі скриньки. Скринька — це наше шифрування, дані — це золото, а ювелір — це алгоритм на основі FHE, який приходить і торкається даних, але не може витягти їх із коробки».

    Рата підкреслив, що хоча вони використовували апное уві сні для цього дослідження, їхні висновки можуть бути застосовані до багатьох аналітичних даних рентгенівських зображень, МРТ, КТ та інших медичних процедур.

    «Є багато ситуацій, коли конфіденційність має першорядне значення», — сказав він.

  • Прогнози аналізу даних на 2025 рік

    Прогнози аналізу даних на 2025 рік

    аналізу даних на 2025 рік Прогнози аналізу даних на 2025 рік

    (Захарчук/Shutterstock)

    Знову та пора року – час для прогнозів! Ми починаємо 2025 рік прогнозів, оцінок і передбачень з теми, яка близька і дорога нашим серцям тут, на BigDATAwire: аналітика даних.

    Світ бачив усі види шаблонів для аналітики: озера даних, сховища даних, аналітика в пам’яті та вбудована аналітика. Але в 2025 році стандартом для аналітики стане озерце даних, каже Еммануель Даррас, генеральний директор і співзасновник Kestra, розробника оркестровальної платформи з відкритим кодом.

    «Очікується, що до 2025 року більше половини всіх аналітичних завдань працюватимуть на архітектурах lakehouse завдяки економії коштів і гнучкості, які вони пропонують», — каже Даррас. «Наразі компанії переходять від хмарних сховищ даних до озерних сховищ не лише для того, щоб заощадити гроші, але й для того, щоб спростити шаблони доступу до даних і зменшити потребу в дублюванні даних. Великі організації повідомили про економію понад 50%, що є серйозною перевагою для тих, хто потребує значної обробки даних».

    Одним із великих рушійних факторів Data Lakehouse є стандартизація відкритих форматів даних. Це тенденція, яка продовжуватиме розвиватися у 2025 році, прогнозує Адам Бельмар, головний технолог групи технологічної стратегії в Confluent.

    аналізу даних на 2025 рік Прогнози аналізу даних на 2025 рік

    За прогнозами, у 2025 році будинки на озері поширяться (FlorentinCatargiu/Shutterstock)

    «Наступного року ми побачимо широку стандартизацію відкритих форматів даних, таких як Apache Iceberg, Delta Lake і Apache Hudi», — говорить Бельмар. «Це буде зумовлено більшим попитом на сумісність, коли підприємства прагнуть безпроблемно поєднувати дані з різних платформ, партнерів і постачальників. Оскільки підприємства надають пріоритет доступу до своєчасних високоякісних даних, формати відкритих даних більше не будуть необов’язковими, а обов’язковими для успіху бізнесу. Ті, хто не прийме ці відкриті стандарти, ризикують втратити конкурентну перевагу, а ті, хто їх прийме, зможуть запропонувати високоякісні пропозиції та статистику міжплатформних даних у реальному часі».

    Двома найбільшими прихильниками центру даних є Snowflake і Databricks. Але у 2025 році люди втомляться від війни Snowflake/Databrick і звернуться до об’єднаних ІТ для вдосконаленої архітектури даних, каже Ендрю Медсон, технічний проповідник у Dremio та професор даних і аналітики в університетах Південного Нью-Гемпшира та Гранд-Каньйону.

    «Центральні ІТ-команди продовжуватимуть децентралізацію відповідальності між бізнес-підрозділами, створюючи більш об’єднані операційні моделі», — каже Медсон. «Тим часом, монолітні архітектури від великих постачальників, таких як Snowflake і Databricks, інтегруватимуть додаткові інструменти, спрямовані на підвищення економічної ефективності та продуктивності, створюючи гібридні екосистеми, які поєднують інновації та практичність».

    Моделювання даних роками потопало у відносній невідомості. У 2025 році практика матиме свій момент на сонці, каже Аді Полак, директор Confluent з адвокації та розробки досвіду розробників.

    1734576146 358 Прогнози аналізу даних на 2025 рік Прогнози аналізу даних на 2025 рік

    Айсберг увімкнув поширення даних Lakehouse

    «Моделювання даних уже давно є сферою діяльності DBA (адміністраторів баз даних), але з поширеним використанням форматів відкритих таблиць, таких як Apache Iceberg, моделювання даних — це навичка, якою потрібно оволодіти більшій кількості інженерів», — каже Полак. «Для розробки додатків інженерам все частіше доводиться створювати багаторазово використовувані продукти даних, які підтримують робочі навантаження як у режимі реального часу, так і пакетні, з одночасним прогнозуванням моделей споживання в подальшому. Щоб ефективно створювати ці продукти даних, інженери повинні розуміти, як дані будуть використовуватися, і на ранній стадії розробити правильну структуру або модель, придатну для споживання. Ось чому моделювання даних стане важливою навичкою для інженерів, яку необхідно опанувати в наступному році.

    Є одна тема, якої неможливо буде уникнути у 2025 році: штучний інтелект (так, незабаром у нас з’явиться матеріал про прогнози на 2025 рік). Вплив штучного інтелекту буде відчутним усюди, включно зі стеком аналітики даних, каже Крістіан Бакнер, старший віце-президент з аналітики та Інтернету речей Altair.

    «Сьогодні багатьом бізнес-лідерам важко знати, які питання поставити своїм даним або де знайти відповіді», — говорить Бакнер. «Агенти штучного інтелекту змінюють це, автоматично надаючи інформацію та рекомендації, не потребуючи, щоб хтось запитував. Цей рівень автоматизації матиме вирішальне значення для того, щоб допомогти організаціям розблокувати глибше розуміння та зв’язки в їхніх даних і дати їм змогу приймати більш стратегічні рішення для бізнесу. для компаній важливо встановити огорожі, щоб контролювати пропозиції, керовані штучним інтелектом, і підтримувати довіру до результатів».

    Коли ви сказали «аналітика», це раніше створювало образи того, як хтось запускає настільний інструмент BI для роботи з фрагментом даних зі сховища. Мої, часи змінилися. За словами генерального директора Sisense Аріеля Каца, 2025 рік призведе до загибелі традиційної бізнес-аналітики, яка буде замінена аналітикою на основі API та GenAI у кожному додатку.

    «У 2025 році традиційні інструменти BI застаріють, оскільки архітектури на основі API та GenAI безперешкодно вбудовують аналітику в реальному часі в кожну програму», — каже Кац. «Аналіз даних буде надходити безпосередньо в CRM, платформи продуктивності та клієнтські інструменти, що дасть змогу співробітникам усіх рівнів миттєво приймати рішення на основі даних – технічна експертиза не потрібна. Компанії, які приймуть цю зміну, отримають безпрецедентну продуктивність і клієнтський досвід, залишивши статичні інформаційні панелі та закриті системи в пилу».

    1734576146 882 Прогнози аналізу даних на 2025 рік Прогнози аналізу даних на 2025 рік

    Передбачається, що вбудована аналітика стане великою у 2025 році (ZinetroN/Shutterstock)

    Великі дані були великими, тому що… ну, вони просто були (повірте нам). Але у 2025 році рух великих даних відкриє нову главу, вітаючи родича великих даних під назвою малі дані, прогнозує Франсуа Аженстат, директор з продуктів Amplitude.

    «Останні кілька років спостерігали зростання обсягів даних, але 2025 рік перенесе фокус з «великих даних» на «малі дані», — каже Айенстат. «Ми вже спостерігаємо цю зміну мислення, коли великі мовні моделі поступаються місцем малим мовним моделям. Організації розуміють, що їм не потрібно надавати всі свої дані, щоб вирішити проблему чи завершити ініціативу – їм потрібно надати правильні дані. Надзвичайна кількість даних, яку часто називають «болотом даних», ускладнює отримання значущої інформації. Зосереджуючись на більш цілеспрямованих, високоякісних даних або «ставці даних», організації можуть забезпечити довіру та точність даних. Цей перехід до менших, релевантніших даних допоможе пришвидшити терміни аналізу, заохотить більше людей використовувати дані та збільшить рентабельність інвестицій від інвестицій у дані».

    Завжди було круто мати високоякісні дані. Але у 2025 році наявність високоякісних даних стане обов’язковим для бізнесу, каже Раджан Гоял, генеральний директор і співзасновник DataPelago.

    «Ми бачимо все більше повідомлень про те, що постачальники LLM борються з уповільненням роботи моделі, а закон масштабування штучного інтелекту все частіше ставиться під сумнів», — говорить Гоял. «Оскільки ця тенденція збережеться, наступного року стане загальноприйнятим, що ключем до розробки, навчання та тонкої настройки більш ефективних моделей штучного інтелекту є не більше даних, а кращі дані. Зокрема, ключовими будуть високоякісні контекстні дані, які відповідають передбачуваному варіанту використання моделі. Окрім розробників моделей, ця тенденція покладе більший обов’язок на кінцевих клієнтів, які володіють більшою частиною цих даних, щоб модернізувати свої архітектури керування даними відповідно до сучасних вимог штучного інтелекту, щоб вони могли ефективно налаштовувати моделі та підживлювати робочі навантаження RAG».

    Силоси даних подібні до грибів: вони з’являються природним шляхом без будь-якого втручання людини. Але у 2025 році компаніям потрібно буде вийти на вершину зростання накопичених даних, якщо вони хочуть досягти успіху, каже Моллі Преслі, старший віце-президент із глобального маркетингу Hammerspace.

    1734576146 374 Прогнози аналізу даних на 2025 рік Прогнози аналізу даних на 2025 рік

    Це не гриби — це накопичувачі даних (Aleutie/Shutterstock)

    «У 2025 році знищення силосних даних стане критичною архітектурною проблемою для інженерів обробки даних і архітекторів штучного інтелекту», — пише Преслі. «Здатність агрегувати й уніфікувати різні набори даних між організаціями буде важливою для розвитку розширеної аналітики, штучного інтелекту та машинного навчання. ініціативи. Оскільки обсяг і різноманітність джерел даних продовжують зростати, подолання цих ізоляції буде мати вирішальне значення для забезпечення цілісного розуміння та прийняття рішень, яких вимагають сучасні системи ШІ».

    Керуючи доступом користувачів до даних, іноді здається, що все відразу. Замість того, щоб боротися з розповсюдженням працівників і даних, у 2025 році команди навчаться ефективніше використовувати такі інструменти, як потокові дані, щоб підвищити свою продуктивність, прогнозує генеральний директор Arcitecta Джейсон Лорі.

    «Розвиток віддаленої роботи та територіально розподілених команд змінив принципи роботи компаній», — каже Лорі. «Потокова передача даних у режимі реального часу дозволяє організаціям записувати події та ділитися живими стрічками по всьому світу, дозволяючи співробітникам співпрацювати над безперервними потоками даних без необхідності бути фізично присутніми. Ця тенденція, ймовірно, прискориться у 2025 році, оскільки все більше компаній запровадять інструменти, які сприятимуть безперебійному мовленню та розподілу даних. Забезпечуючи співпрацю в режимі реального часу між розподіленою робочою силою, компанії можуть скоротити витрати на поїздки, підвищити ефективність і швидше приймати більш обґрунтовані рішення. Глобальне охоплення технології потокової передачі даних буде розширюватися, що дозволить організаціям залучати ширший пул талантів і створювати більш динамічні та гнучкі операційні структури».

  • Перевантаження ШІ: чи розумно ми витрачаємо кошти на штучний інтелект?

    Перевантаження ШІ: чи розумно ми витрачаємо кошти на штучний інтелект?

    ШІ чи розумно ми витрачаємо кошти на штучний інтелект Перевантаження ШІ: чи розумно ми витрачаємо кошти на штучний інтелект?

    У цій статті Джеймс Геймерс, старший віце-президент з аналітики RAPP, обговорює інвестиції в штучний інтелект і те, що галузь може зробити, щоб змусити ШІ працювати.

    Вибухове зростання інвестицій у штучний інтелект одночасно вихваляли як трансформаційний і критикували як надмірно роздутий. Обіцянка штучного інтелекту розблокувати нові рівні ефективності, персоналізації та розуміння спонукала до величезних фінансових зобов’язань. Але зростає дискуссія про те, чи справді цей сплеск інвестицій виправдав свої обіцянки, чи це призвело до «технічного перевищення», коли очікувані вигоди відстають від використаних ресурсів.

    Невиконана обіцянка великих даних

    Недавній звіт Goldman Sachs під назвою Gen AI: Забагато витрачається, замало користі? підкреслює значне занепокоєння: технічні гіганти та не тільки мають намір витратити понад 1 трильйон доларів США (8 мільярдів фунтів стерлінгів) на капітальні витрати на ШІ в найближчі роки, поки що мало що можна продемонструвати. Дарон Ацемоглу з Массачусетського технологічного інституту та Джим Ковелло з Goldman Sachs скептично ставляться до здатності штучного інтелекту створювати значні економічні переваги або вирішувати складні проблеми, які виправдовують такі високі витрати. Цей скептицизм відображає ширшу проблему нездійснених обіцянок великих даних. Величезні обсяги зібраних даних не завжди перетворювалися на практичні висновки чи значні переваги для бізнесу, що призвело до «технічного нависання».

    Простого збору даних недостатньо. Потрібно мати глибше причинно-наслідкове розуміння ефективності маркетингу. Інтегруючи різноманітні джерела даних, ми можемо краще зрозуміти чинники поведінки клієнтів і відповідно оптимізувати маркетингові стратегії.

    Людський елемент і розрив емпатії

    У той час як деякі експерти зберігають оптимізм щодо довгострокових переваг штучного інтелекту, інші вказують на поточні обмеження, включаючи відсутність «вбивчої програми», яка виправдовує інвестиції. Це узгоджується з концепцією «розриву емпатії», коли обіцянки компаній значно перевищують їхні результати, що призводить до розчарування клієнтів. Парадокс масштабу та серйозності підкреслює нашу меншу чутливість до результатів із зростанням чисельності. Ці концепції мають вирішальне значення для розуміння того, чому великі набори даних не завжди можуть призвести до кращих людських зв’язків або бізнес-результатів.

    Чіткість контексту та правильні дані

    1734524303 597 Перевантаження ШІ чи розумно ми витрачаємо кошти на штучний інтелект Перевантаження ШІ: чи розумно ми витрачаємо кошти на штучний інтелект?
    Джеймс Хеймерс, SVP Analytics, RAAP

    У звіті Goldman Sachs випливає, що проблема не в самому ШІ, а в тому, як він використовується. Це підтверджується важливістю контекстуальної ясності – розуміння того, що на поведінку клієнтів впливають різноманітні зовнішні та макрофактори, окрім того, що видно в даних першої сторони. Таким чином, дані першої сторони повинні бути збагачені іншими наборами даних у різних організаціях, а також сторонніми клієнтами, конкурентами та макроданими, щоб забезпечити більш повне уявлення про поведінку клієнтів. Цей підхід допоможе компаніям передбачити наслідки та прийняти обґрунтовані рішення, що зрештою призведе до кращих маркетингових стратегій і покращення рентабельності інвестицій.

    Створення міцної основи ШІ для сталого зростання

    Існують важливі компоненти, необхідні для створення міцної основи ШІ, яка підтримує стале зростання. Це стосується не лише технологій, але й стратегічних і культурних змін всередині організацій. Ось кілька ключових висновків:

    1. Стратегічний підхід: уникайте захоплення останніми блискучими об’єктами ШІ. Натомість зосередьтеся на стратегічній та стабільній інтеграції ШІ у ваші бізнес-процеси.
    2. Пов’язані дані, прийняття рішень і контент: штучний інтелект може збільшити творчий результат і стимулювати зростання, коли дані, прийняття рішень і створення контенту бездоганно пов’язані.
    3. Управління та етика. Встановіть надійні керівні та етичні принципи, щоб забезпечити відповідальне використання штучного інтелекту, зменшуючи такі ризики, як упередженість, проблеми з конфіденційністю даних і проблеми з інтелектуальною власністю.
    4. Культурна підтримка: розвивайте культуру, яка сприймає експерименти, готова терпіти невдачі та швидко навчатися. Цей гнучкий підхід може допомогти компаніям адаптуватися до середовища ШІ, що швидко розвивається.

    Від даних до емпатії: творче тестування та людське розуміння

    Щоб усунути розрив між потенціалом штучного інтелекту та його поточним впливом, компанії повинні переорієнтуватися на людський фактор і мати чіткий сценарій використання для створення цінності для кінцевого користувача в бізнесі або для клієнтів.

    Одним із прикладів є використання штучного інтелекту для тестування креативу, щоб забезпечити створення найбільш вражаючої роботи. Креативне тестування передбачає структурований підхід, щоб переконатися, що маркетингові кампанії резонують із цільовою аудиторією перед повномасштабним запуском. Це можна зробити за допомогою комбінації даних першої сторони та використання надійних і репрезентативних споживчих панелей цільової аудиторії.

    Завдяки профілюванню панелей можна краще зрозуміти їхні геодемографічні, соціально-економічні та особистісні риси. Це означає, що коли створюється новий вміст, компанії можуть розпочати передзапускове тестування кампаній, варіантів оголошень і повідомлень за допомогою панелей, щоб визначити, які варіанти найімовірніше забезпечать найвищу ефективність. Це включає оцінку легкості розуміння, відносності, подобання, інтересу, ймовірності залучення, володіння, диференціації та значущості.

    З цього моменту штучний інтелект може аналізувати та оптимізувати для розуміння продуктивності за допомогою поєднання аналізу вмісту, нейронауки та стеження за очима. Це означає, що подальші оцінки, створені штучним інтелектом, можуть допомогти визначити найефективніші варіанти вмісту, оптимізувати попередній запуск і внести точніші налаштування під час кампанії.

    Починаючи з попередньо перевіреного вмісту та постійно оптимізуючи на основі відгуків людей і аналізу штучного інтелекту, ми можемо запускати кампанії, які є точнішими, ефективнішими та досягають більшої конверсії аудиторії.

    Збалансування даних і людського розуміння

    Незважаючи на те, що організації вкладають значні кошти в штучний інтелект, ці інвестиції окупляться лише тоді, коли компанії навчаться збалансовувати дані та людське розуміння. Безсумнівно, існує потреба в більш тонкому підході до інвестування в штучний інтелект, який надає пріоритет людському зв’язку та контекстуальному розумінню так само, як і розвитку технологій. Зосереджуючись на контекстній ясності, співчутті та правильних сценаріях використання, компанії можуть перетворити штучний інтелект з модного слова на інструмент, який справді покращує успіх бізнесу. Головне — не більше даних, а розумніше, більш чуйне використання даних, які ми маємо.

  • Використання AI та ML у прогнозній аналітиці для прогнозування попиту на ліжка

    Використання AI та ML у прогнозній аналітиці для прогнозування попиту на ліжка

    Управління кількістю ліжок має вирішальне значення для систем охорони здоров’я, оскільки впливає на догляд за пацієнтами та безпеку, операційну ефективність, стійкість системи та фінансові результати. Зусилля, спрямовані на покращення та оптимізацію управління, часто є ізольованими від регіонів у центрі та можуть призвести до неоптимального використання ресурсів, непослідовного догляду за пацієнтами та неефективності між відділеннями для передачі та іншої координації догляду.

    Оцінка наскрізного управління попитом на ліжка в усьому світі від прийому до виписки усуває багато небажаних наслідків локальної оптимізації. Компанія Froedtert Health визначила покращення управління потенціалом як важливу та цільову мету, якої можна досягти за допомогою штучного інтелекту, машинного навчання та підходів до аналізу даних.

    Розуміння та аналіз потоку пацієнтів і його джерел дозволило команді створити набір інструментів прогнозування, розроблених спеціально для центру координації медичної допомоги. Froedtert Health змогла покращити догляд за пацієнтами, ввести в дію ключові показники ефективності та оптимізувати роботу за рахунок більш ефективного розміщення та використання персоналу та завчасного реагування на очікувані зміни в попиті на ліжка для пацієнтів.

    Це призвело до оптимізації розподілу ресурсів, покращення потоку пацієнтів, кращої координації між відділеннями та економії коштів.

    Раві Тея Каррі — інженер машинного навчання у Froedtert ThedaCare Health. Він і двоє його колег розкажуть про ці досягнення на HIMSS25 на сесії під назвою «Покращення планування потужностей і прогнозування попиту на ліжка за допомогою машинного навчання». Ми взяли інтерв’ю у Каррі, щоб коротко дізнатися, що він планує обговорити в березні на HIMSS25 під час сесії.

    З. Яка головна тема вашої сесії, і чому вона особливо актуальна для охорони здоров’я та медичних ІТ сьогодні?

    А. Основна тема нашої сесії зосереджена на вдосконаленні управління потужністю лікарень і прогнозуванні попиту на ліжка за допомогою застосування штучного інтелекту та методів машинного навчання. Ця тема стає все більш актуальною в охороні здоров’я, оскільки лікарні стикаються з непередбачуваними змінами кількості пацієнтів.

    Сезонні сплески, незаплановані госпіталізації та коливання потреб пацієнтів ускладнюють оптимальний розподіл ресурсів. Використання штучного інтелекту та машинного навчання для прогнозування попиту на ліжка та потоку пацієнтів дозволяє лікарням оптимізувати персонал, розподіляти ліжка та оптимізувати роботу, що призводить до покращення догляду за пацієнтами та загальної ефективності.

    Наша сесія також дослідить, як організації охорони здоров’я можуть використовувати штучний інтелект і машинне навчання для перетворення процесів у попередні робочі процеси, а не реактивні. Цей проактивний підхід дає змогу точніше прогнозувати кількість пацієнтів і покращувати міжвідомчу координацію, зрештою покращуючи досвід пацієнтів завдяки більш ефективному розподілу ресурсів і своєчасному наданню медичної допомоги.

    Інтеграція цих прогнозних моделей у повсякденну роботу дає змогу організаціям охорони здоров’я краще передбачати коливання попиту, мінімізувати ризики переповненості та покращити міжвідомчу координацію.

    З. Ви зосереджуєтеся на AI та ML, важливих технологіях у сфері охорони здоров’я сьогодні. Як вони використовуються в охороні здоров’я в контексті вашої тематики та змісту?

    А. Наша сесія присвячена технологіям штучного інтелекту та машинного навчання, зокрема їх застосуванню в прогностичній аналітиці для прогнозування попиту на ліжка та управління потужністю в лікарнях. Моделі ML розроблені для аналізу великих наборів даних, у тому числі історії госпіталізації пацієнтів, тенденцій виписки, моделей сезонних захворювань та інших факторів, для прогнозування майбутніх потреб у лікарні.

    Ми досліджуватимемо, як ці моделі можуть прогнозувати потік пацієнтів і попит на ліжко-місця, дозволяючи організаціям охорони здоров’я приймати більш обґрунтовані рішення щодо розподілу ресурсів, персоналу та управління доглядом за пацієнтами.

    Ці прогностичні моделі використовують алгоритми для виявлення закономірностей і тенденцій у надходженні пацієнтів, тривалості перебування та виписці, що дозволяє лікарням прогнозувати коливання попиту з високою точністю. ML об’єднує дані з багатьох джерел, у тому числі відділень невідкладної допомоги, хірургічних відділень та амбулаторної допомоги, щоб забезпечити комплексне уявлення про організаційну спроможність.

    Цей аналіз допомагає керівництву лікарень і координаторам медичної допомоги передбачити різке зростання попиту на ліжка, наприклад, під час сезонів грипу або після стихійних лих, і ефективно планувати, щоб забезпечити доступність ресурсів, коли це найбільше потрібно. Впроваджуючи ці технології, заклади охорони здоров’я можуть перейти від реактивного підходу до більш проактивної та випереджаючої моделі управління потоком пацієнтів.

    У нашій сесії ми розглянемо, як машинне навчання може бути ефективно застосоване в охороні здоров’я для прогнозування попиту на ліжка та покращення управління потужністю. Аналізуючи історичні дані, такі як кількість госпіталізованих пацієнтів, схеми виписки та сезонні тенденції, моделі ML можуть прогнозувати потреби лікарень у місткості.

    Ці прогнози дозволяють організаціям охорони здоров’я оптимізувати розподіл ресурсів, планувати потреби у персоналі та забезпечувати покращений догляд за пацієнтами, забезпечуючи проактивний, а не реактивний підхід до операцій.

    Ми також обговоримо, як ці моделі ML можна інтегрувати в робочі процеси охорони здоров’я, перетворюючи прогнози на дії для персоналу лікарні. Замість того, щоб залишатися в експериментальних середовищах або ізольованих інструментах, прогнози обробляються, зберігаються та стають доступними для прийняття рішень через платформи бізнес-аналітики.

    Ці інструменти BI дають медичному персоналу доступ до інформації для ефективного планування, наприклад розподілу ліжок, управління персоналом і координації виписки пацієнтів, що в кінцевому підсумку покращує ефективність роботи та результати пацієнтів.

    Запитання. З чим, як ви сподіваєтеся, учасники залишать вашу сесію та зможуть застосувати їх, коли повернуться додому до своїх організацій?

    А. Ключовий висновок, який ми сподіваємося, що учасники отримають від нашої сесії, це знання про впровадження інструментів прогнозної аналітики на основі машинного навчання для покращення управління потенціалом власної лікарні.

    Учасники дізнаються, як прогностичні моделі можуть точно прогнозувати попит на ліжка та визначати потенційні вузькі місця в потоках пацієнтів до того, як вони виникнуть. Ці знання допоможуть керівникам приймати рішення на основі даних, ефективніше розподіляти ресурси та уникати перевантаження підрозділів або персоналу в періоди пік.

    Використовуючи цей набір інструментів, постачальники медичних послуг можуть мінімізувати коригування персоналу в останню хвилину, оптимізувати використання ліжок і забезпечити безперервний догляд за пацієнтами в періоди високого попиту. Прогнозування потоку пацієнтів у всій лікарні, а не в ізольованих відділеннях, дозволяє оптимізувати розподіл ресурсів між відділеннями та мінімізувати затримки, спричинені невідповідністю між попитом пацієнтів і наявними ресурсами.

    Це сприятиме кращій комунікації між клінічними командами та оперативними керівниками, що призведе до плавніших переходів між етапами догляду за пацієнтами та покращення загального досвіду пацієнтів.

    Сесія Раві Теджа Каррі «Покращення планування потужностей і прогнозування потреби в ліжках за допомогою машинного навчання» запланована на вівторок, 4 березня, о 10:15 за адресою HIMSS25 в Лас-Вегасі.

    Слідкуйте за репортажами Bill's HIT на LinkedIn: Білл Сівіцкі
    Надішліть йому електронний лист: bsiwicki@himss.org
    Healthcare IT News — це видання HIMSS Media

  • Стаття про вплив APRA на малий бізнес є неповною

    Стаття про вплив APRA на малий бізнес є неповною

    У статті, опублікованій 29 листопада, Нік Ортнер обговорює свої занепокоєння щодо впливу американського Закону про права на конфіденційність (APRA) на малий бізнес. Коротко кажучи, APRA — це запропоноване федеральне законодавство про конфіденційність даних, яке вирішило б кошмар дотримання вимог, створений нинішнім мозаїкою державного законодавства про конфіденційність даних.

    Наразі існує 19 штатів із комплексним законодавством про конфіденційність даних із різними вимогами, обмеженнями та іншими положеннями.

  • Google Ads тестує інструмент звітування на основі штучного інтелекту

    Google Ads тестує інструмент звітування на основі штучного інтелекту

    Google Ads запускає бета-версію функції, яка використовує ШІ для спрощення створення звітів, дозволяючи рекламодавцям створювати спеціальні звіти, вводячи підказки природною мовою.

    Чому ми дбаємо. Інструмент звітування на основі штучного інтелекту спрощує аналіз даних, економить час і робить статистичні дані більш доступними, дозволяючи швидше та більш обґрунтовано приймати рішення для оптимізації кампанії. Дозволяючи «описати звіт, який ви хочете створити», це зменшує потребу в ручному налаштуванні та підвищує ефективність.

    Як це працює. Рекламодавці можуть ввести підказку простою англійською мовою (наприклад, «Покажи мені ефективність реклами за регіоном»), щоб створити індивідуальні звіти.

    Що вони говорять. Експерт із PPC Менахем Ані розповів про бета-версію в дії через X, поділившись знімком екрана Google Ads, який пропонує користувачам «описати звіт, який ви хочете створити».

    Gentx79XQAEPRWe

    Велика картина. Такі інструменти штучного інтелекту потенційно можуть розширити можливості рекламодавців, зробивши складні дані більш доступними.

    • Оскільки Google продовжує інтегрувати штучний інтелект на свої платформи, очікуйте більш зручних функцій, призначених для підвищення продуктивності.

    Що далі. Ця функція все ще перебуває в бета-версії та доступна вибраним рекламодавцям. Деталі ширшого розгортання залишаються незрозумілими, але його успіх може встановити новий стандарт для інструментів звітності рекламної платформи.


    Нове в Search Engine Land

    Про автора

    Ану АдегболаАну Адегбола

    Ану Адегбола була редактором платних медіа в Search Engine Land з 2024. Вона охоплює платний пошук, платні соціальні мережі, роздрібні медіа, відео тощо.

    У 2008 році почалася кар'єра Ану з

    проведення цифрових маркетингових кампаній (здебільшого, але не виключно, оплачуваного пошуку) шляхом розробки стратегій, максимізації рентабельності інвестицій, автоматизації повторюваних процесів і підвищення ефективності всіх відділів маркетингу через надихаюче лідерство як з боку агентств, клієнтів, так і з боку маркетингових технологій.

    Окрім редагування статті Search Engine Land, вона є засновником PPC-мережевого заходу – PPC Live і веде щотижневий подкаст PPCChat Roundup.

    Вона також є міжнародним спікером із деякими етапами, які вона представила на SMX (США), SMX (Мюнхен), Friends of Search (Амстердам), brightonSEO, The Marketing Meetup, HeroConf (PPC Hero), SearchLove, BiddableWorld, SESLondon , PPC Chat Live, AdWorld Experience (Болонья) тощо.

  • Зростання центрів обробки даних підвищує перспективи акцій Investing.com

    Зростання центрів обробки даних підвищує перспективи акцій Investing.com

    Iron Mountain Inc . (NYSE:), лідер у секторі комунікаційної інфраструктури США з ринковою капіталізацією в 32,84 мільярда доларів США, протягом 2024 року продемонструвала високі фінансові показники та ініціативи щодо стратегічного зростання. Компанія, відома своїми послугами зі зберігання даних і управління інформацією, успішно розширила свою операцій, зокрема в сегментах центрів обробки даних і управління життєвим циклом активів (ALM). Згідно з даними InvestingPro, IRM досяг вражаючого зростання доходу на 12,15% за останні дванадцять місяців і досяг 5,99 мільярда доларів США.

    Фінансові показники та перспективи

    Iron Mountain повідомила про хороші фінансові результати в третьому кварталі 2024 року, виправдавши очікування аналітиків і зміцнивши свої позиції на ринку. Прогноз компанії щодо досягнення найвищого рівня в 2024 році вказує на впевненість керівництва в подальшому зростанні та операційній ефективності. Аналіз InvestingPro свідчить про те, що зараз компанія торгується вище своєї справедливої ​​вартості, хоча вона зберігає потужну динаміку з чудовою прибутковістю 67,06% за минулий рік. Щоб глибше зрозуміти оцінку IRM і отримати понад 12 додаткових підказок, скористайтеся комплексними інструментами аналізу InvestingPro.

    У другому кварталі 2024 року Iron Mountain досягла рекордно високих доходів і скоригованої EBITDA, перевершивши консенсус-прогнози в усіх трьох бізнес-сегментах. Такі показники підкреслюють здатність компанії використовувати ринкові можливості та підтримувати сильну конкурентну позицію.

    Акції компанії продемонстрували значне зростання: станом на жовтень 2024 року з початку року вони зросли на 70%, що значно перевищило індекс RMZ, який виріс на 9% за той самий період. Це суттєве перевищення показників свідчить про довіру інвесторів до бізнес-моделі та перспектив зростання Iron Mountain.

    Стратегії розширення та зростання ЦОД

    Ключовою рушійною силою стратегії зростання Iron Mountain є її експансія на ринку центрів обробки даних, особливо в Європі. Компанія активно шукає можливості в цьому секторі, усвідомлюючи зростаючий попит на послуги зберігання та управління даними в регіоні.

    Гіперскейлерне контрактування стало ще одним важливим напрямком діяльності Iron Mountain. Ця стратегія передбачає націлювання на великих постачальників хмарних послуг як потенційних клієнтів для послуг центру обробки даних компанії. Враховуючи швидке зростання хмарних обчислень і зростаючу залежність від інтенсивних даних, цей підхід дає Iron Mountain можливість захопити більшу частку ринку, що розширюється.

    Управління життєвим циклом активів і диверсифікація

    Управління життєвим циклом активів (ALM) Iron Mountain було визначено як потенційний каталізатор подальшого підвищення курсу акцій. Компанія успішно використовує свій досвід в управлінні даними, щоб запропонувати комплексні рішення для всього життєвого циклу цифрових активів, від створення до утилізації.

    На додаток до своїх основних послуг, Iron Mountain вивчає нові можливості для бізнесу, такі як переробка ІТ-обладнання. Ця ініціатива узгоджується зі зростаючими тенденціями сталого розвитку та може забезпечити додатковий потік доходу, одночасно підвищуючи екологічність компанії.

    Модель ціноутворення та потоки доходів

    Аналітики відзначили довговічність моделі ціноутворення Iron Mountain, яка сприяла стійкому отриманню прибутку, незважаючи на коливання ринку. Ця цінова стратегія в поєднанні з успішними ініціативами щодо розширення дозволила компанії підтримувати високі фінансові показники та досліджувати нові шляхи зростання.

    Дивідендна політика

    Здійснюючи крок, який свідчить про впевненість у своїй фінансовій стабільності та майбутніх перспективах, Iron Mountain збільшила свої квартальні дивіденди на 10% у другому кварталі 2024 року. Це рішення не лише винагороджує акціонерів, але й демонструє позитивний прогноз керівництва щодо генерування грошових потоків компанії та довгострокового -строкова рентабельність. Дані InvestingPro свідчать про те, що IRM виплачує дивіденди протягом 15 років поспіль із поточною дивідендною прибутковістю 2,56%. Відданість компанії прибутку для акціонерів є частиною того, чому вона представлена ​​в докладних звітах InvestingPro про дослідження, доступних для понад 1400 американських акцій.

    Галузеві тенденції та позиція на ринку

    Iron Mountain працює в динамічному секторі, на який впливають швидкий технологічний прогрес і зміна потреб в управлінні даними. Зосередженість компанії на розширенні центру обробки даних, укладання контрактів із гіпермасштабуванням і послугах ALM дозволяє їй добре використовувати ці галузеві тенденції.

    Зростаюча важливість безпеки та управління даними в епоху цифрових технологій створює сприятливий фон для основного бізнесу Iron Mountain. Оскільки організації продовжують створювати та зберігати величезні обсяги даних, попит на безпечні, ефективні та сумісні рішення для керування даними, швидше за все, зростатиме.

    Ведмідь Кейс

    Як зростання конкуренції може вплинути на частку ринку Iron Mountain?

    Незважаючи на те, що Iron Mountain зайняла міцні позиції на ринку зберігання та управління даними, цей сектор стає все більш конкурентоспроможним. Нові учасники та існуючі гравці розширюють свої пропозиції, потенційно чинячи тиск на ринкову частку Iron Mountain.

    Компанія може зіткнутися з труднощами в підтримці темпів зростання, оскільки конкуренти розробляють подібні послуги або інноваційні рішення, які могли б зацікавити клієнтську базу Iron Mountain. Ця конкуренція може призвести до цінового тиску, потенційно вплинувши на норму прибутку та вимагаючи збільшення інвестицій у дослідження та розробки, щоб залишатися попереду.

    З якими ризиками стикається компанія під час експансії на нові ринки?

    Оскільки Iron Mountain розширюється на нові географічні ринки та бізнес-сегменти, вона стикається з кількома ризиками. Вихід на європейський ринок центрів обробки даних, наприклад, передбачає навігацію різними регуляторними середовищами, культурними нюансами та конкурентними ландшафтами.

    Підприємства компанії в нових сферах, як-от переробка ІТ-обладнання, хоч і перспективні, але також пов’язані з ризиками. Щоб досягти успіху на цих нових ринках, Iron Mountain потрібно буде отримати нові знання, налагодити нові операційні процеси та, можливо, зробити значні інвестиції. Будь-які помилки в цих розширеннях можуть призвести до фінансових втрат і завдати шкоди репутації компанії.

    Бул Кейс

    Як розширення центру обробки даних Iron Mountain може стимулювати майбутнє зростання?

    Стратегічний фокус Iron Mountain на розширенні центрів обробки даних, особливо в Європі, має значний потенціал для зростання. Зростаючий попит на хмарні послуги та рішення для зберігання даних у регіоні створює благодатний грунт для розширення.

    Використовуючи наявний досвід в управлінні та зберіганні даних, Iron Mountain має хороші можливості для захоплення більшої частки зростаючого ринку центрів обробки даних. Це розширення може призвести до збільшення регулярних потоків доходу та покращення ефекту масштабу, потенційно підвищуючи прибутковість компанії та ринкову оцінку.

    Який потенціал має сегмент управління життєвим циклом активів для збільшення доходу?

    Сегмент управління життєвим циклом активів (ALM) є перспективним напрямком зростання доходів. Оскільки організації все більше зосереджуються на ефективному управлінні даними протягом життєвого циклу своїх цифрових активів, комплексні рішення ALM від Iron Mountain добре підходять для задоволення цього попиту.

    Сегмент ALM дозволяє Iron Mountain пропонувати послуги з доданою вартістю, крім традиційного зберігання, потенційно збільшуючи дохід на клієнта та покращуючи утримання клієнтів. Оскільки обсяги даних продовжують експоненціально зростати, потреба в ефективних рішеннях для управління життєвим циклом, ймовірно, зросте, забезпечуючи Iron Mountain можливості для сталого зростання в цьому сегменті.

    SWOT аналіз

    Сильні сторони:

    • Сильні фінансові показники з постійним прибутком
    • Надійна модель ціноутворення забезпечує стійке отримання прибутку
    • Встановлена ​​позиція на ринку зберігання даних та управління інформацією
    • Успішне розширення до центрів обробки даних і послуг ALM

    Слабкі сторони:

    • Потенційні операційні ризики, пов'язані зі швидким розширенням
    • Залежність від постійного зростання потреб у створенні та зберіганні даних

    Можливості:

    • Розширення центрів обробки даних в Європі
    • Зростаючий попит на контрактні послуги гіперскейлера
    • Ринок утилізації ІТ-обладнання, що розвивається
    • Зростаюча потреба в комплексних рішеннях для управління життєвим циклом активів

    Загрози:

    • Загострення конкуренції на ринку управління та зберігання даних
    • Потенційні регуляторні проблеми на нових ринках
    • Швидкі технологічні зміни, що вимагають постійної адаптації
    • Економічний спад впливає на витрати клієнтів на послуги керування даними

    Цілі аналітиків

    • Barclays (LON:): 133,00 доларів США (7 листопада 2024 р.)
    • Barclays: 133,00 доларів США (9 жовтня 2024 р.)
    • Barclays: 91,00 долар США (2 серпня 2024 р.)
    • Barclays: 91,00 долар США (18 червня 2024 р.)

    Цей аналіз ґрунтується на інформації, доступній до 14 грудня 2024 року, і відображає показники компанії та ринкові умови на цю дату.

    InvestingPro: розумніші рішення, краща віддача

    Отримайте перевагу у своїх інвестиційних рішеннях за допомогою поглибленого аналізу InvestingPro та ексклюзивної інформації про IRM. Наша платформа Pro пропонує оцінки справедливої ​​вартості, прогнози продуктивності та оцінки ризиків, а також додаткові поради та експертний аналіз. Дослідіть весь потенціал IRM на InvestingPro.

    Чи варто інвестувати в IRM прямо зараз? Спочатку подумайте про це:

    ProPicks від Investing.com, керований штучним інтелектом сервіс, якому довіряють понад 130 000 платних учасників у всьому світі, надає прості у дотриманні модельні портфелі, розроблені для накопичення багатства. Цікаво, чи є IRM однією з цих перлин, обраних штучним інтелектом? Перегляньте нашу платформу ProPicks, щоб дізнатися та вивести свою інвестиційну стратегію на новий рівень.

    Щоб додатково оцінити IRM, скористайтеся інструментом справедливої ​​вартості InvestingPro для комплексної оцінки на основі різних факторів. Ви також можете побачити, чи є IRM у наших списках недооцінених або переоцінених акцій.

    Ці інструменти надають чіткішу картину інвестиційних можливостей, дозволяючи приймати більш обґрунтовані рішення про те, куди розподілити свої кошти.

    Цю статтю було створено за підтримки ШІ та перевірено редактором. Для отримання додаткової інформації перегляньте наші умови та умови.

  • CompKin очолює фінтех-революцію, просуваючи технологію кількісної торгівлі на нові висоти

    CompKin очолює фінтех-революцію, просуваючи технологію кількісної торгівлі на нові висоти

    НЬЮ-ЙОРК, НЬЮ-ЙОРК / ACCESSWIRE / 14 грудня 2024 р. / CompKin, компанія з передових кількісних технологій, розташована в Нью-Йорку, оголосила про запуск своєї останньої алгоритмічної торгової платформи. Ця платформа використовує штучний інтелект і аналітику великих даних, щоб надавати глобальним інвесторам більш точні та ефективні торгові рішення. Цей технологічний прорив ще раз підтверджує позицію CompKin як лідера в області фінтех-інновацій і зміцнює її репутацію піонера на ринку.

    AD 4nXeu74SqM9WQ6qf3eraT6JrlAchTXsXeclwAJ9z6DU443hGhLLRdK4DtSIK9UeGaF31bEQT5qRK72lD0VIu NCS9KEqYmlEMOocF0P XqYvbdZ jbn5NDBMfCQGNkzll3WX01hIQJ7oE mh4I20oJjw CompKin очолює фінтех-революцію, просуваючи технологію кількісної торгівлі на нові висоти

    З моменту заснування CompKin прагне змінити майбутнє фінансової торгівлі за допомогою передових обчислювальних технологій і алгоритмічних інновацій. Остання платформа компанії містить найсучасніші моделі машинного навчання, здатні аналізувати й обробляти тисячі ринкових даних і факторів у режимі реального часу, забезпечуючи прогнозування ринкових тенденцій і автоматизоване виконання торгових стратегій.

    «Наша мета — надати клієнтам безпечне та ефективне торгове середовище завдяки постійним технологічним інноваціям», — сказав генеральний директор CompKin. «Нещодавно запущена платформа не тільки забезпечує швидше виконання угод, але також містить передові функції управління ризиками, щоб гарантувати безпеку та прозорість транзакцій».

    Невпинне прагнення CompKin до технічної досконалості закріпило за ним лідерство в секторі фінансових технологій. Завдяки тісній співпраці з провідними світовими академічними установами та дослідницькими організаціями компанія досягла значних успіхів у алгоритмічній торгівлі, машинному навчанні та обробці великих даних. Ці досягнення не тільки зміцнили позиції CompKin на ринку, але й встановили нові технічні стандарти для всієї галузі.

    На додаток до технологічних проривів CompKin активно розширює свою команду досліджень і розробок, залучаючи фінансових інженерів вищого рівня та спеціалістів із обробки даних. Компанія планує продовжувати інвестувати в таланти та технології в найближчі роки, щоб зберегти свою конкурентну перевагу на світових фінансових ринках.

    «Конкуренція в кількісній торгівлі стає дедалі гострішою, але ми впевнені, що завдяки технологічним інноваціям і досвіду команди CompKin ми будемо на випередженні», — сказав головний технічний директор компанії. «Завдяки такому підходу ми не просто надаємо інструмент для торгівлі, але й допомагаємо сформувати більш справедливе та ефективне ринкове середовище».

    Довгострокове бачення CompKin полягає в тому, щоб стати світовим лідером у сфері фінансових технологій, надаючи ефективні та безпечні інвестиційні можливості завдяки постійним технологічним інноваціям і винятковому обслуговуванню клієнтів. У міру розвитку технологій компанії та розширення її присутності на ринку CompKin сподівається залучити більше міжнародних інвесторів і партнерів у найближчі роки.

    У міру того, як технологія кількісної торгівлі розвивається, CompKin продовжуватиме лідирувати в інноваціях, розробляючи практичні рішення, які створюють тривалу цінність для своїх клієнтів. Вибір CompKin означає партнерство з надійним союзником, щоб відкрити нову главу зростання добробуту завдяки технологіям.

    Про CompKin

    CompKin — це новаторська компанія з кількісних технологій, що базується в Нью-Йорку, США, і спеціалізується на використанні штучного інтелекту та аналітиці великих даних для надання неперевершених інвестиційних стратегій і аналізу ринку для клієнтів у всьому світі. Завдяки технологічним інноваціям CompKin надає інвесторам безпечне та ефективне торгове середовище, одночасно сприяючи розвитку всієї індустрії фінансових технологій.

    • Назва компанії: CompKin

    • Ім'я особи: Гаррі Деміан

    • Веб-сайт: www.compkin.org

    • Корпоративна електронна пошта: admin@compkin.org

    ДЖЕРЕЛО: CompKin

    Перегляньте оригінальний прес-реліз на accesswire.com

    CompKin очолює фінтех революцію просуваючи технологію кількісної торгівлі на нові CompKin очолює фінтех-революцію, просуваючи технологію кількісної торгівлі на нові висоти

  • У наступному році ринок програмного забезпечення для аналізу даних швидко злетить

    У наступному році ринок програмного забезпечення для аналізу даних швидко злетить

    Ринок ПЗ для аналізу даних

    Ринок ПЗ для аналізу даних

    Останній звіт розвідки, опублікований AMA Research під назвою «Перспективи світового ринку програмного забезпечення для аналізу даних до 2028 року. Детальне дослідження накопичено, щоб запропонувати останні відомості про гострі особливості ринку програмного забезпечення для аналізу даних. Цей звіт містить детальний огляд ключових факторів у глобальному Ринок програмного забезпечення для аналізу даних і такі фактори, як драйвер, стриманість, минулі та поточні тенденції, нормативні сценарії та розвиток технологій.

    визначення:
    Програмне забезпечення для аналізу даних – це спеціалізований інструмент, призначений для збору, упорядкування, обробки та інтерпретації даних для отримання значущої інформації та підтримки прийняття рішень. Це програмне забезпечення полегшує аналіз великих наборів даних, надаючи такі функції, як статистичний аналіз, візуалізація даних, прогнозне моделювання та можливості машинного навчання. Часто оснащений зручними інтерфейсами та можливостями інтеграції для різних джерел даних, він призначений для професіоналів у таких сферах, як бізнес, охорона здоров’я, дослідження та фінанси. Програмне забезпечення для аналізу даних допомагає визначити тенденції, закономірності та кореляції в даних, дозволяючи користувачам приймати обґрунтовані рішення, підвищувати ефективність і ефективно вирішувати складні проблеми.

    Основні гравці в цьому звіті включають:
    TIBCO Software (Сполучені Штати), Analyse-it Software (Велика Британія), SAS Institute (Сполучені Штати), Knime (Швейцарія), MaxStat Software (Німеччина), Qlik (Сполучені Штати), SAP (Сполучені Штати), IBM (Сполучені Штати Америки) ), Statwing (Сполучені Штати), Minitab (Сполучені Штати)

    Безкоштовний зразок звіту + усі відповідні графіки та діаграми @ : https://www.advancemarketanalytics.com/sample-report/140176-global-data-analysis-software-market?utm_source=OpenPR&utm_medium=Suraj

    Програмне забезпечення Global Data Analysis Software аналіз структури виробничих витрат на ринку базується на структурі основного ланцюга, інженерному процесі, сировині та постачальниках. Завод-виробник був розроблений для потреб ринку та розвитку нових технологій. Крім того, надається привабливість ринку програмного забезпечення для глобального аналізу даних відповідно до країни, кінцевого користувача та інших показників, що дозволяє читачеві оцінити найбільш корисні чи комерційні сфери для інвестицій. У дослідженні також міститься спеціальний розділ (якісний), щоб висвітлити проблеми, з якими стикаються учасники галузі у своєму виробничому циклі та ланцюжку постачання.

    Нижче наведено сегменти ринку програмного забезпечення для аналізу глобальних даних і розбивку ринкових даних:
    за платформою (Linux, Windows, Android, IOS), розгортанням (хмара, локально), функціями (інформаційна панель, виявлення даних, пошук природною мовою, прогнозована аналітика, аналітика самообслуговування), ціною (щомісячна, річна, одноразова ліцензія) )

    Драйвери ринку:
    Збільшення уваги до інтелектуального аналізу даних
    Зростання складності та обсягу даних

    Ринкова тенденція:
    Впровадження технології в аналізі даних

    Можливості:
    Збільшене впровадження інструментів аналізу даних на великих підприємствах і в різних галузевих галузях

    виклики:
    Відсутність кваліфікованої робочої сили для роботи з інструментами аналізу даних

    Запит на налаштування в Report @: https://www.advancemarketanalytics.com/enquiry-before-buy/140176-global-data-analysis-software-market?utm_source=OpenPR&utm_medium=Suraj

    Географічно світові ринки програмного забезпечення для аналізу глобальних даних можна класифікувати як Північна Америка, Європа, Азіатсько-Тихоокеанський регіон (APAC), Близький Схід, Африка та Латинська Америка. Північна Америка зайняла лідируючі позиції на світовому ринку і, як очікується, залишиться на цьому місці протягом наступних років. Зростаючий попит на ринки глобального програмного забезпечення для аналізу даних сприятиме зростанню північноамериканського ринку протягом наступних кількох років.

    В останньому розділі звіту були представлені компанії, відповідальні за збільшення продажів на глобальному ринку програмного забезпечення для аналізу даних. Ці компанії були проаналізовані з точки зору їхньої виробничої бази, основної інформації та конкурентів. Крім того, застосування та тип продукту, представленого кожною з цих компаній, також є ключовою частиною цього розділу звіту. У цьому дослідженні також було представлено нещодавні покращення, які відбулися на світовому ринку, та їхній вплив на майбутнє зростання ринку.

    Основні моменти звіту:
    • Комплексний огляд материнського ринку та ринку замінників
    • Поглиблене сегментування ринку (тенденції, зростання з історичним і прогнозним аналізом)
    • Останні тенденції в галузі та розвиток
    • Конкурентний ландшафт (аналіз теплової карти для гравців, що розвиваються, і аналіз частки ринку для основних гравців разом із детальними профілями)

    Стратегічні моменти, розглянуті у змісті глобального ринку програмного забезпечення для аналізу даних:
    Розділ 1: Вступ, рушійна сила ринку, продукт Мета дослідження та дослідження Обсяг ринку програмного забезпечення для аналізу даних
    Розділ 2: Ексклюзивне резюме – основна інформація про ринок програмного забезпечення для аналізу даних.
    Розділ 3: Змінний вплив на динаміку ринку – рушійні сили, тенденції, виклики та можливості програмного забезпечення для аналізу даних;
    Розділ 4: Представлення програмного забезпечення для аналізу даних. Аналіз ринкових факторів, п’ять сил Портера, ланцюжок постачання/вартості, аналіз PESTEL, ентропія ринку, аналіз патентів/торгових марок.
    Розділ 5: Відображення за типом, кінцевим користувачем і регіоном/країною 2017-2022
    Розділ 6: Оцінка провідних виробників ринку програмного забезпечення для аналізу даних, який складається з його конкурентного ландшафту, аналізу груп аналогів, матриці BCG і профілю компанії
    Розділ 7: Оцінити ринок за сегментами, країнами та виробниками/компаніями з часткою доходу та продажів за ключовими країнами в цих різних регіонах (2023-2028)
    …………….

    Придбайте це дослідження @ https://www.advancemarketanalytics.com/buy-now?format=1&report=140176?utm_source=OpenPR&utm_medium=Suraj

    Відповіді на ключові запитання
    • Хто є провідними ключовими гравцями та які їхні ключові бізнес-плани на ринку глобального програмного забезпечення для аналізу даних?
    • Які ключові проблеми аналізу п’яти сил на ринку програмного забезпечення для глобального аналізу даних?
    • З якими різними перспективами та загрозами стикаються дилери на ринку програмного забезпечення для глобального аналізу даних?
    • Які можливі заходи вживають гравці для подолання та стабілізації ситуації?

    Дякуємо, що прочитали цю статтю; ви також можете отримати окремий розділ для розділу або версію звіту для регіону, як-от Північна Америка, Близький Схід, Африка, Європа або Латинська Америка, Азія.

    Зв'язатися з нами:
    Крейг Френсіс (менеджер із зв’язків із громадськістю та маркетингу)
    AMA Research & Media LLP
    Блок № 429, Parsonage Road Edison, NJ
    Нью-Джерсі США – 08837
    Телефон: (+1 2017933837, +44 20 7097 9277)
    sales@advancemarketanalytics.com

    Про автора:
    Advance Market Analytics є світовим лідером індустрії маркетингових досліджень, надає кількісне B2B дослідження для компаній зі списку Fortune 500 щодо нових можливостей швидкого зростання, які вплинуть на понад 80% доходів компаній у всьому світі.
    Наш аналітик відстежує дослідження високих темпів зростання з докладною статистикою та поглибленим аналізом ринкових тенденцій і динаміки, які забезпечують повний огляд галузі. Ми дотримуємося широкомасштабної методології досліджень у поєднанні з критичним уявленням про галузеві фактори та ринкові сили, щоб створити найкращу цінність для наших клієнтів. Ми надаємо надійні первинні та вторинні джерела даних, наші аналітики та консультанти отримують інформативні та корисні дані, які відповідають потребам бізнесу наших клієнтів. Дослідження дозволяє клієнтам досягати різноманітних ринкових цілей – від розширення глобального присутності до оптимізації ланцюга постачання та від профілювання конкурентів до M&A.

    Цей випуск опубліковано на openPR.