Категорія: Великі Дані та Аналітика

Експериментальна установка

Усі обтисні операції проводилися за допомогою напівавтоматичної обтисної машини⁷який автоматично годує клеми, тоді як провідники вручну вставляються оператором. На наступному малюнку (рис. 2) представлено схематичне представлення напівавтоматичного процесу обтисання.

Блок-діаграма напівавтоматичного обтиснення.

Обтисна машина, використана в цьому дослідженні, працює за допомогою ексцентричної преси і здатна обтиснути ділянки дротяного перехрестя до 6 мм² з максимальною силою 20 кН. Детальні технічні характеристики машини наведені в таблиці 1. Машина обладнана датчиком сили⁸який був встановлений безпосередньо на з'єднувальному стрижні пресу. Датчик постійно фіксує застосовану силу під час обтиску, при цьому кожне обтисне з'єднання призводить до захоплення однієї кривої сили. Це призводить до одновимірного, дискретного часового ряду, в якому сигнал датчика змінюється через кут обертання преси, тим самим ефективно представляючи криву переміщення сили.

Набір даних кривих сил⁵ складається з двох чітких провідно-кінцевих пар: по-перше, 16-ядерна, 0,50 мм² Flry-B мідний провідник у поєднанні з роз'ємом MLK 1,2 Sm Ag F-Crimp, по-друге, 12-ядерним, 0,35 мм² Flry-B мідний провідник у поєднанні з терміналом MLK 1.2 ELA F-Crimp. Для збору даних використовуються два модульні інструменти швидкої зміни (MQC), кожен з яких налаштований для однієї з конкретних комбінацій провідника. Стандартизована система MQC дозволяє повне обмін інструментами при перемиканні продукту на обтисну машину. Цей підхід забезпечує повторювані умови виробництва та запобігає ненавмисним коригуванню функціональних компонентів, тим самим підтримуючи послідовність у серійному виробництві та в різних експериментальних тестах. Ці стандартизовані інструменти відрізняються лише двома специфічними для продуктів компонентів, обтиму та ковадлу, які спеціально підібрані виробником інструментів на основі геометрії та типу провідника та терміналу. Як показано на рис. 3 (с), лише обтимка та ковадло містять функціональні поверхні та торкаються матеріалу під час роботи.

Експериментальна установка для збору даних (), Вигляд крупного плану інструменту MQC в експлуатації (б) та схематичне зображення компонентів, що стосуються продукту, та функціональних поверхонь (c.).

Обтисна машина, використана в цьому дослідженні, не підтримує операції з різання або зачистки провідників, отже, ці підготовчі кроки проводили вручну за допомогою контактного проводу Phoenix 10⁹ інструмент для зачистки. Цей інструмент здатний зачиняти провідників з поперечним перерізом від 0,02 до 10 мм² і дозволяє зачиняти довжину до 18 мм. Хоча довжина зачистки була точно визначена для експериментів, довжина різання провідника не була стандартизована, оскільки це не впливає на криву обтиску. Отже, незначні зміни, спричинені ручною операцією в довжині різання, були переносилися та не задокументовані. Інтегрований дріт -різець інструменту для зачистки був використаний з метою різання. І навпаки, фіксовану довжину зачистки визначали для розмежування прийнятних (OK) та несправних (NOK) зразків, враховуючи значний ефект, який має тривалість зачистки на криву сили обтисків. Для зразків ОК довжина зачистки встановлювалася на 4 мм. Для зразків NOK класу обтисної ізоляції було використано тривалість зачистки 3 мм. Початкова перевірка довжини зачистки проводилася за допомогою візуального огляду експертами, які навчаються процесам, які оцінювали підданий провідник та ступінь ізоляції в рамках обтиску. Окрім зразків ОК, було навмисно створено дві часто спостерігаються дефектні категорії: відсутні нитки та обертання ізоляції. Клас відсутніх ланцюгів був підрозділений на три підкласи, зразки з видаленими одним, двома або трьома нитками. Для того, щоб створити їх, провідники були зняті до довжини ОК 4 мм, після чого зазначена кількість нитків була вилучена вручну. Що стосується класу обтисної ізоляції, диригент був позбавлений до визначеної NOK довжиною 3 мм, внаслідок чого часткова ізоляція обтисна. Вичерпний огляд процедур підготовки для всіх трьох класів якості наведено на рис. 4.

Етапі підготовки вручну трьох класів якості в напівавтоматичному робочому процесі.

Агрегація даних та анотація

Набір даних складається з ряду менших експериментів, проведених у рамках проекту під назвою «Розробка аналізу кривої сили на основі машинного навчання для цілісного моніторингу процесів та оцінки якості зв'язків CREMP (DeepCrimpact)». Незважаючи на послідовне виконання записів протягом наступних сеансів, всі експерименти проводилися в послідовних лабораторних умовах, використовуючи матеріал з однієї партії та стандартизованої методології, тим самим забезпечуючи порівнянність записів. Збір даних здійснювався різними підготовленими професіоналами, мінімізуючи ймовірність мінливості, пов'язаної з оператором, що впливає на вимірювання кривої сили. Використання стандартизованої процедури ще більше зменшило потенційний вплив зовнішніх факторів, таких як час доби. Крім того, найсучасніша система моніторингу сили обтисків¹⁰ (BB07I) був включений в експериментальну установку, яка здатна виявити відхилення процесів у режимі реального часу. Значні відхилення, такі як спричинені неправильним поводженням, були б позначені як NOK, тим самим забезпечуючи додаткову гарантію проти зовнішніх впливів. Враховуючи агрегацію менших серій до одного всебічного набору даних, важливо зазначити, що набір даних не був навмисно розроблений для збалансованого в різних класах якості. Натомість мета полягала в тому, щоб генерувати уніфікований, репрезентативний набір даних в умовах стабільних процесів. Цей підхід дозволяє користувачам впроваджувати конкретні стратегії балансування, які підходять до конкретних контекстів додатків. Розподіл класу викладено в таблиці 2.

Набір даних складається із загальної кількості 2439 кривих обтискних сил, з яких 1222 мають провідний переріз 0,50 мм² і 1217 мають 0,35 мм². 1628 кривих сил можуть бути віднесені до класу якості ОК, 297 до обтисної ізоляції, 172 до класу з однією відсутньою ниткою, 291 – до класу з двома відсутніми нитками та 51 до класу трьох відсутніх нитків. На малюнку 5 показані зразкові криві сили різних зразків провідника та клас якості з їх специфічними характеристиками. Очевидно, що 0,50 мм² Провідник вимагає більш високої сили обтиску порівняно з 0,35 мм² провідник. Крім того, зразки, класифіковані як обтисна ізоляція, демонструють помітно крутий нахил кривої сили, що починається приблизно з точки даних 150 даних, незалежно від поперечного перерізу провідника. На відміну від цього, клас відсутніх нитки дефектів демонструє лише незначний вплив на загальну форму кривої сили, з менш вираженими відхиленнями.

Зразкові екземпляри трьох класів якості та їх вплив на криву сили обтисків.

Обробка даних

Кожна записана крива сили автоматично зберігалася як файл CSV і призначила унікальний ідентифікатор (обтиски) інтегрованою системою моніторингу сили обтисків¹⁰. На додаток до придбання сигналу сили сили, позначеного як “крива сили сировини” і складається з 3566 точок даних, система також здійснила виявлення аномалії в режимі реального часу, порівнюючи вимірювану криву з попередньо записаною посиланням на ОК. Після процесу порівняння класифікація кожного зразка автоматично визначалася як OK, або NOK. Етикетка класифікації була вбудована безпосередньо у відповідний файл CSV поряд із обрізними та примусовими даними. Як раніше розмежовано, зразки провідника готували відповідно до заздалегідь визначених класів якості. Для того, щоб забезпечити відстеження та запобігання перехресному забрудненню класів, була реалізована спеціальна структура папки, з окремим каталогом, призначеним кожному класу якості. Під час збору даних кожна партія якості зразків була записана незалежно. Наприклад, 50 зразків ОК для 0,50 мм² Провідник спочатку був записаний та зберігався у визначеному каталозі OK. Цей процес повторювали для подальших партіїв, таких як 100 обтисних ізоляційних зразків, шляхом вручну переходу на відповідну папку до запису. Впровадження структурованої системи каталогів гарантувало чітке та систематичне розділення різних класів якості. За винятком ручного вибору відповідного каталогу папки, не потрібно було проводити подальші етапи анотації під час процесу збору даних. Система автоматично зберігала всі відповідні дані про якість, тим самим заперечуючи вимогу до ручного втручання в цьому плані. Робочий процес даних схематично проілюстровано на рис. 6.

Робочий процес агрегації даних.

Згодом загалом 2439 файлів CSV було отримано з визначених каталогів, специфічних для метаданих. Файли завантажували та агрегували в один панд -кадр Pandas, де кожна «крива сили сили» зберігалася як безліч масиву для подальшої обробки. Як попередній етап попередньої обробки, кожна крива була перевернута для врахування орієнтації на перевернуту датчика інтегрованої сили. Крім того, корекція базової лінії застосовувалася шляхом віднімання початкового читання датчика з усієї кривої. Це гарантувало, що всі криві сили почалися на загальному еталонному рівні (y = 0), тим самим дозволяючи змістовне порівняння між зразками. Перетворення, що застосовується до кожної кривої сили сили \ ({F} _ {raw} =[{F}_{raw0},{F}_{raw1},\ldots ,{F}_{raw3565}]\) визначається наступним рівнянням:

Однак лише специфічний сегмент, який називається область, що цікавить (ROI), зазвичай зберігається для аналізу кривої обтисків. Ця рентабельність інвестицій була визначена за консультацією з експертами з трьох різних промислових партнерів та проміжками з точки даних 1575 до 2074 року. Вилучення рентабельності інвестицій з базової кривої \ ({F} _ {baseline} =[{F}_{baseline0},{F}_{baseline1},\ldots ,{F}_{baseline3565}]\) можна офіційно визначити як:

Таким чином, отримана рентабельність інвестицій містить 500 точок даних і служить основною функцією введення для аналізу кривої обтисків. Незважаючи на те, що датчик сили записує додаткові дані до та після цього інтервалу, ці сегменти не є актуальними для оцінки якості обтисків, оскільки обтис не контактує з терміналом до та після цього інтервалу. Визначення відповідного регіону та особливостей якості підлягає різниці між виробниками моніторингу кривої кривих сил. Тому крива сирої сили також надається в наборі даних. Наприклад, система, використана в цьому дослідженні, використовує три чіткі області під кривою, щоб розмежувати з'єднання OK або NOK. Фіг.7 ілюструє процес перетворення від кривої сирого датчика до вилученої області, що цікавить.

Етапи обробки від сирої кривої () до базової лінії (б) та регіон інтересу (c) із зразкового екземпляра.

[co-author: Jake Heiges]*

Починаючи з весняних національних зборів, робоча група Національної асоціації страхових комісарів та штучного інтелекту (H) розробляє нові інструменти для регуляторів та вивчає, чи необхідний і в якій мірі законодавчий закон для управління використанням страховиків штучного інтелекту.

Регулюючі інструменти

Робочій групі було поставлено завдання щодо ліпних інструментів, які дозволять регуляторам ефективно та стандартизовано оцінити та стандартизовані ризики систем AI. Він структурував інструменти на чотири анкети, щоб доповнити існуючу поведінку на ринку, огляд продукції, подання форми, фінансовий аналіз та процедури огляду фінансового експертизи.

Група зібрала анкети на основі типу ідентифікації ризику або оцінки, що проводиться:

• Додаток A: Кількісно оцінити використання регульованих систем AI
  Зібрана інформація включає кількість системних моделей AI, що використовуються, та ті, що мають вплив споживачів та матеріальний фінансовий вплив; кількість моделей, що реалізовані за останні 12 місяців; кількість споживчих скарг, що виникають внаслідок моделей; та кількість майбутніх моделей системи AI.
• Додаток B: Рамка оцінки ризику управління системами AI (два варіанти: розповідний або контрольний список)
  Зібрана інформація включає в себе рамки оцінки ризику страховика та управління, що стосується використання систем AI; використання систем AI, які мають фінансові, споживчі або контрольні впливи на ризик; Розробка, тестування та впровадження систем AI, які відрізняються від встановлених ІТ -протоколів; використання та нагляд за постачальниками системи AI; використання AI з відкритим кодом; та розвиток ШІ в найближчі півроку.
• Деталі моделі високого ризику AI Systems Systems
  Цей експонат збирає більш детальну інформацію про моделі системи AI високого ризику, такі як ті, що приймають автоматизовані рішення або передбачають процеси, які можуть спричинити негативні наслідки споживачів, фінансової чи фінансової звітності.
• Додаток D: Деталі даних моделі Systems AI
  Зібрана інформація включає тип використовуваних даних (зовнішня та внутрішня) та те, як вони використовуються експлуатаційною областю; тип моделей AI (прогнозування проти генеративних); і джерело даних (внутрішні та зовнішні, включаючи ім'я постачальника).

Щоб допомогти регуляторам та страховикам, робоча група пояснила, який експонат використовувати наступним чином:

Інструмент був випущений 7 липня, а період публічного коментаря закінчився 6 серпня.

Модель AI Закон

Визначаючи, чи і як скласти модель закону про АІ, 15 травня робоча група оприлюднила запит на восьмипід запитів щодо інформації щодо закону про NAIC про використання штучного інтелекту в страховій галузі для 25-денного періоду публічних коментарів, що закінчується 9 червня 2025 року.

Зацікавлені сторони відрізнялися від необхідності модельного закону. Ті, хто не погодився з необхідністю модельного закону, закликали, що бюлетень моделі AI є відповідним курсом для регулювання. Ті, хто стверджував, що модельний закон необхідно, вважають, що існуючі закони та рамки недостатні для правильного захисту споживачів, оскільки існуючі закони не були розроблені з урахуванням програми AI.

Зацікавлені сторони, як правило, погодилися з тим, що робота групи повинна керуватися:

• Три-стовпчаста рамка управління, прозорість та підзвітність та підзвітність NAIC та підзвітності
• Модель повинна узгоджуватися з більш широкою регуляторною структурою NAIC
• Необхідність визначити, коли має відбутися прийняття рішень людини
• Підхід, заснований на ризику, розміром-агностичний підхід
• Гнучкість

Національна рада страхових законодавців (NCOIL) подала коментарі, які включали проект свого Закону про модель 2025 року щодо використання страховиків. Закон про модель вимагатиме “кваліфікованого людського професіонала”, щоб прийняти остаточне рішення щодо всіх претензій, вимагати від страховика вести записи про всі дії, вжиті кваліфікованим людським професіоналом, і вимагати від страховика пояснити споживачам, що AI використовувався в процесі прийняття рішень.

Наступні кроки

На зустрічі 12 серпня робоча група продовжить чути коментарі до RFI з метою роботи над єдиним рішенням. Буде заплановано ще одну зустріч для перегляду коментарів до інструментів регулювання.

*Правописник

Фонд просуває інновації AI для пошуку, спостережливості та аналітики як завантаження проектів
збільшити 78% за рік

Амстердам, 25 серпня 2025 року / Prnewswire/ – Саміт з відкритим кодом Європа – Фонд програмного забезпечення OpenSearchДім, що налічується постачальником, сьогодні проект OpenSearch, сьогодні відзначає першу річницю його формування під Фондом Linux. У свій вступний рік Фонд просунув свою місію щодо зростання та розвитку платформи з відкритим кодом OpenSearch для пошуку, спостережливості та аналітики, що працює на AI.

Завдяки постійній розробці функцій, більш широкій участі громади та збільшенню інтеграції в галузі, OpenSearch цементує свою позицію як основоположну технологію для сучасних додатків, керованих даними. У міру того, як галузь зміщується до агента AI, Фонд програмного забезпечення OpenSearch продовжить доставляти повністю відкриту платформу з відкритим кодом, розроблену для високоефективного пошуку інформації, що дозволяє швидше, ефективніше розробку AI та в режимі реального часу в масштабах.

“Просування OpenSearch в перший рік під Фондом Linux показує силу відкритої співпраці у вирішенні сучасних викликів даних”, – сказав Майк Доланстарший віце -президент з юридичних та стратегічних програм Фонду Linux. “Зростання проекту та залучення спільноти демонструють критичну роль з відкритим кодом у сучасній інфраструктурі пошуку та аналітики”.

З моменту запуску фонду в Вересень 2024Завантаження проекту OpenSearch збільшилось на 78% за рік, що призвело до загального завантаження до більш ніж 1 мільярда. У перший рік Фонд програмного забезпечення OpenSearch:

• Представляв участь громади з більш ніж 400 активними організаціями, що здійснюють, та понад 8 800 внесків
• Увімкнув глобальну співпрацю з найвищими внесками від США, Німеччина, Великобританія, Австралія і Індія
• Розширив свою базу членства до 16 організаційз додаванням Bytedance, DataStax, DTEX та Seacom SRL
• Створений технічний керівний комітет на 15 членів Представлення корпоративних та незалежних організацій, включаючи Aryn, AWS, Bytedance, IBM, Paessler, Salesforce, SAP та Uber

Зростання фонду відображає збільшення попиту галузі на AI з відкритим кодом і, у свою чергу, технологію пошуку як основоположного імперативу. Щоб задовольнити мінливі потреби в галузі, проект OpenSearch досяг величезних успіхів у своєму векторному двигуні, гібридному пошуку та можливостях спостереження, що дозволяє прискорити розробку додатків AI.

Кілька основних моментів запуску етапів 3.0 та наступних випусків 3.1 та 3.2 включають:

Поліпшений векторний двигун та агентські можливості AI мають генеративні інновації AI

• Розширена функція векторної бази даних: Полегшує розробку та розгортання зі швидкістю за допомогою підтримки Native Agentic AI за допомогою протоколу контексту моделі (MCP) та прискорення GPU.
• Підтримка нових типів FP16, байтів та бінарних векторів: Дозволяє більш ефективне та масштабоване використання ресурсів для створення більш широкого спектру додатків із прискореним GPU індексацією.
• Агентський пошук: Дозволяє залучати природну мову та простоту використання для розробників. Цей експериментальний тип запиту, запропонований у 3.2, запускає робочий процес, керований агентом для розуміння, планування та виконання.
• Агентна пам’ять: Експериментально в 3.2, це дозволяє розробникам будувати агенти AI, які використовують семантичний пошук, щоб відкликати відповідний контекст із попередніх взаємодій, що підвищує якість майбутніх сесій.

Збільшена гібридна швидкість пошуку та ефективність забезпечення розуміння в режимі реального часу

• Покращена ефективність пошуку: OpenSearch 3.2 збільшує швидкість запиту на 11x порівняно з OpenSearch 1.3, оскільки алгоритми гібридного пошуку забезпечують до 65% швидший час запитів і до 3,5x збільшення пропускної здатності.
• Загальна доступність підтримки GRPC: Дозволяє швидше та ефективніше транспортувати дані та обробку даних для розгортання OpenSearch.
• Підвищення наближення рамки: Нове в 3.2, це покращує як чутливість результатів пошуку, інформаційні панелі в режимі реального часу, так і додатки з “запитами пошуку_фтерів”, а також вдосконаленням продуктивності робочих навантажень аналітики та аналізом даних часових рядів з розширенням приблизних можливостей запитів до всіх типів числового поля.
• Функціональність потокової агрегації: Експериментальна функція в 3.2 побудована на потоковому транспорті та покращує розподіл ресурсів, зробивши координатора єдиною точкою до масштабу.

Просунута функція спостереження підвищує точність та ефективність

• Поперечний пошук слідів: Вмикає безшовний аналіз слідів у кластерах для підприємств, що працюють з розподіленими системами.
• Оновлення мови обробки трубопроводу (PPL): Підвищує продуктивність, точність та зручність використання для складних запитів у джерелах даних OpenSearch, що приносить легкість та ефективність до складних робочих потоків.

Модернізація платформи для забезпечення майбутньої співпраці громади

• Оновлення до Lucene 10: Покращує ефективність, ремонтопридатність та підтримку постійних внесків із зростаючої бази розробників з відкритим кодом

“Коли Фонд переходить на свій другий рік, ми зосереджені на тому, щоб нарощувати цей імпульс, щоб зробити OpenSearch найбільш здібною платформою з відкритим кодом для пошуку, аналітики та спостережливості в епоху ШІ”, – сказав Карл ЛукиГолова правління в Фонді програмного забезпечення OpenSearch та директор управління продуктами в Amazon Web Services (AWS). “Сильний фундамент, який ми створили з нашою громадою та членами, дозволяє нам приймати зміни в галузеві проблеми та продовжувати надати технології, на які можуть розраховувати розробники та підприємства”.

Лідери галузі сприяли та підтримали технічний прогрес проекту, включаючи:

• Bytedance: Внесли ідеї у похідну функцію джерела для OpenSearch K-NN та впроваджували значні покращення продуктивності для протоколу реплікації сегмента.
• IBM DataStax: Внесли двигун JVector до пошуку Vector OpenSearch, який пропонує ще одну чисту реалізацію на основі Java для векторних навантажень та пропонує інтеграцію з Astadb.
• Intel: Внесли SIMD до OpenSearch K-NN, що дозволяє збільшити продуктивність під час роботи на підтримуваному обладнанні.
• SAP: Сприяє відповідності FIPS, що дозволяє OpenSearch підтримувати навантаження, які потребують відповідності специфікаціям FIPS.
• Uber: Внесене на основі прийому на основі стягнення, знявши потребу у складній настройці та конфігурації клієнта, необхідних об'ємних API, що дозволяє Uber інтегрувати OpenSearch безпосередньо в існуючу систему.

Щоб дізнатися більше про Фонд програмного забезпечення OpenSearch, включаючи те, як долучитися, стати членом або внести свій внесок, відвідайте, відвідайте foundation.opensearch.org/. Побачити наш блог Для отримання додаткової інформації про 1-річний ювілей та дізнайтеся більше про OpenSearch 3.1 і 3.2 У блогах випуску.

Підтримуючі цитати

“Протягом першого року з проектом OpenSearch Foundation Linux, DTEX з перших вуст бачив, як відкрита співпраця підживлює інновації. Як член фонду, користувача та код-код, ми пропонуємо можливості, що працюють на AI, обґрунтовані в провідних галузях поведінкових досліджень для просування інсайдерської безпеки, безпеки даних та робочої сили поведінки в рамках, що підтримує інпозицію, підтримуючи інпозицію, що займається інтурбіновою інтрінтером. Доставляти масштабовані рішення, які активно захищають організації від небажаних ризиків, зміцнюючи та зростаючи спільноту OpenSearch “.
– Джессіка Рейголовний директор з маркетингу, DTEX

“Ми схвильовані просуванням у випадках використання ШІ з кожною новою версією OpenSearch, що приносить свої потужні просування для наших клієнтів та надання їм можливості забезпечити агента AI. Фонд програмного забезпечення OpenSearch суттєво збільшило прийняття користувачів OpenSearch в минулому році, демонструючи потужність спільноти, що керуються громадою.
– Бен Слейтервіце -президент і генеральний менеджер, Netapp Instaclust

“SAP customers expect a unified, business-centric and open SAP Business Technology Platform, and this extends to its observability capabilities. OpenSearch is a key technology that helps us deliver on that promise. As a premium member from day one, our collaboration within the OpenSearch Software Foundation is instrumental. It allows us to help steer the project's roadmap, ensuring OpenSearch evolves to meet the demanding, enterprise-grade requirements of all global customers. Congratulations to the foundation on a successful first рік “.
– Верена Ломматшкерівник технічних служб SAP BTP, SAP

“OpenSearch є головним для нашої довгострокової стратегії стійкої пошукової платформи, і ми раді продовжувати співпрацювати з цією дивовижною спільнотою. Наш 1-річний досвід роботи та побудова нових функцій, таких як GRPC та прийом на основі прийому, в OpenSearch 3.0, посилив нашу прихильність до цієї процвітаючої екосистеми з відкритим джерелом”.
– Юпенг Фуголовний інженер програмного забезпечення, Uber

Про фонд програмного забезпечення OpenSearch
Фонд програмного забезпечення OpenSearch-це нейтральна спільнота для постачальника для пошуку, аналітики, спостережливості та векторного програмного забезпечення бази даних. Організований Фондом Linux та підтримується членами Premier, такими як AWS, SAP та Uber, Фонд програмного забезпечення OpenSearch працює з підсумками спільноти, розробниками та організаціями -членами, щоб сприяти постійному зростанню проекту OpenSearch. Маючи понад 900 мільйонів завантажень програмного забезпечення з моменту створення та участі у тисяч дописувачів, проект OpenSearch та його спільнота трансформують, як керується та виявляється інформація. Щоб дізнатися більше, відвідайте будь ласка foundation.opensearch.org.

Фонд Linux зареєстрував торгові марки та використовує торгові марки. Щоб отримати список торгових марок Фонду Linux, див. Наші торгова марка Сторінка використання. Linux – це зареєстрована торгова марка Linus torvalds.

Медіа -контакт
Kristi Piechnik
Фонд Linux
[email protected]

Фонд програмного забезпечення для джерела OpenSearch

Джером Пауелл приїжджає на вечерю під час симпозіуму економічної політики Джексона Хоула Канзас -Сіті в Морані, штат Вайомінг, 21 серпня.

” loading=”eager” height=”640″ width=”960″ class=”yf-1gfnohs loader”/>

(Bloomberg) – Джером Пауелл відправив ринок облігацій США в п'ятницю, телеграфуючи, що його Федеральний резерв відновить зниження процентних ставок вже наступного місяця.

Більшість читається з Bloomberg

Поза вересня залежить від економіки, наскільки далі він скорочує – і наскільки більше казначейства можуть згуртуватися.

Начальник Центрального банку в п'ятницю подав свій найсильніший сигнал, але він готовий закінчити восьмимісячну паузу, сказавши, що ризики на ринку праці можуть “вимагати коригування нашої політики”. Казначейські облігації підскочили, розширивши розрив між коротко- та довгостроковими врожаями найбільше за чотири роки- типовою реакцією на більш довичу ФРС.

Але при всьому сенсі полегшення є деякі затяжні сумніви щодо того, скільки ставок знизиться. Ф'ючерсні торговці не бачать, що на зустрічі 17 вересня на зустрічі 17 вересня є впевненою справою, ціноутворення в шансах приблизно на 80%. І навіть із прибутками в п'ятницю, дохідність облігацій все ще не висунулася нижче мінімумів з початку цього місяця, коли інвестори чекають даних про працевлаштування та інфляції, які надходять до наступної зустрічі.

Обмежена реакція відображає бурхливі перехресні порядок, з якими стикаються ФРС, що врівноважує пом'якшення ринку праці проти ризику, що інфляція зросте з ще підвищених рівнів, коли тарифи президента Дональда Трампа пульсують через економіку.

Справа в тому, що на цьому тижні інфляційний датчик ФРС може показати, що ціновий тиск залишається сильним. Аукціони двох- ， п’яти- та семирічних облігацій випробуватимуть попит інвесторів. І навіть з поворотом Пауелла, існує можливість повторення минулого року, коли ФРС почав полегшувати політику, лише припинити в січні, коли економіка продовжувала проявляти дивовижну силу.

Пауелл “зміцнює очікування на ринку скорочення у вересні”, але “це менше про те, чи надійде цей крок у вересні чи жовтні”,-сказав Грегорі Пітерс, співробітник інвестицій у участь у фіксованому доході PGIM. “Ми не знаємо, як виглядатимуть наступні півроку. Це все ще буде середовищем змішаних даних, зберігаючи ринок облігацій на межі”.

Дворічний врожай, що чутливий до політики, знизився на 10 базових пунктів у п'ятницю до 3,7%, близько його раннього серпня-це було встановлено після того, як звіт про зайнятість показало, що зростання робочих місць набагато слабкіше, ніж очікувалося. Обвади відсотків показали, що торговці почали цінувати на два квартальні скорочення на кінець року, з невеликим шансом на третину такого кроку.

Історія триває

У кожній галузі інженери даних та науковці з даних прагнуть краще використовувати дані, приховані в акціях файлів та заблоковані в різних системах. Їм потрібні ці дані для створення робочих процесів для інструментів AI та аналітики, щоб вони могли дізнатися більше про свої ринки, створити нові продукти та послуги або вдосконалити бізнес -операції та відносини з клієнтами.

Інша сторона цього рівняння полягає в тому, що дані підприємства приносять достатній ризик, який не добре розуміється бізнесом, а також навіть у ньому. Наприклад:

• Зберігання даних та резервні копії складають щонайменше 30% більшості бюджетів ІТ, коли гроші потрібно витратити на інновації, кібербезпеку та чудовий досвід клієнтів;
• Більшість неструктурованих даних не використовуються для цінності бізнесу;
• Великий відсоток неструктурованих даних, цілих 80%, рідко використовується і займає дороге місце для зберігання;
• Багато організацій не мають чіткої політики щодо утримання та видалення, а також не проходять регулярних очисних вправ своїх даних з занепокоєння, що відділи відійдуть. Помірковані дані можуть легко становити від 30 до 40% середнього сліду даних підприємства;
• Неправлені та невідомі неструктуровані маєтки даних у гібридних силосах ІТ створюють додаткові ризики безпеки та відповідності.

Ось подивіться на кілька галузей та їхніх вимог та проблем з управління даними, як відбиваються з наших років роботи з клієнтами над неструктурованими стратегіями управління даними.

Охорона здоров'я: скорочення витрат без скорочення доступу до життєво важливих даних

Охорона здоров'я – це звір даних. За деякими підрахунками, медичні організації – це найбільші у світі виробники даних, що значною мірою керуються обсягом різноманітних клінічних зображень та машинних даних. Утримання витрат є і завжди було страшним мандатом у галузі охорони здоров’я, а тим більше зараз із змінами відшкодування Medicare. Організації охорони здоров’я також стикаються з суворими правилами збереження даних та труднощами, що видаляють дані через юридичні та дослідницькі вимоги.

Одна провідна система охорони здоров’я, керуючи понад 16pb зберігання NAS, перетворилася на неструктуроване управління даними для аналізу та архівних холодних даних на Azure Blob, зменшуючи тиск на його первинні системи зберігання. Не перериваючи користувачів, ІТ -організація перемістила більше 2pb даних, допомагаючи затримати дороге оновлення обладнання.

Для організацій з вимогами до ланцюга конститурів, поширеними в регульованих галузях, таких як охорона здоров'я, видимість у розташуванні файлів та метаданих є критичною. Нарешті, оскільки дотримання-це постійно присутня потреба, враховуючи високу чутливість до даних пацієнтів, повна неструктурована видимість даних, пошук та аудит надають ІТ-директорам Health Beaver Control для зниження ризиків.

Науки про життя: перетворення хаосу даних на прискорення досліджень

Організації наук про життя також є одним з найбільших секторів, що виробляють дані. Вони часто мають справу з мільйонами невеликих, але високоцінних файлів, непередбачуваними даними та необхідністю тривалого утримання без чіткої політики видалення. Ці фактори ускладнюють ІТ -планування інфраструктури.

У Biopharmaceuticals та Biotech Labs вибух файлів зображень TIF з наукових інструментів створює додаткові проблеми. В одному з прикладів компанія переходила з локально збережених даних досліджень до централізованого масиву NAS. Щоб не відставати від швидкого зростання, ІТ -команда розгорнула хмарний рівень Azure та використовувала аналітику даних для визначення та переміщення несвіжих даних. Це заважало перевантаженню та допомогло йому підтримувати дослідницькі трубопроводи без вузьких місць.

ІТ -команди підприємств, як правило, не можуть бачити інформацію про свої дані, що зберігаються в одному місці, – сказав Ентоні Фіоре, експерт із зберігання рішень AWS. Детальна видимість, надана програмним забезпеченням для управління даними, є захоплюючими людьми в науках про життя та інших секторах: “У нас є клієнти з акціями NAS, які містять багато силосів даних за єдину частку, і важко дізнатися, як вони можуть розбити їх за лінією бізнесу, або якщо вони навіть дбають про ці дані.

Фінансові послуги: усунути ризик та потужність AI з чистими, керованими даними

Фінансові установи діють за суворими регуляторними обмеженнями (наприклад, SEC, FINRA, GDPR) і часто обтяжуються десятиліттями зростання частки файлів. Розповсюдження даних, децентралізований ІТ-контроль та відповідність роблять керовані файловими даними надзвичайно складними. Крім того, фінансові установи повинні забезпечити, щоб моделі AI, що використовуються для кредитного ризику, виявлення шахрайства або торгівлі, регулюються належним чином та без ухилу та застарілих даних. Систематичний спосіб зрозуміти, очистити, класифікувати дані та створювати безпечні та контролювати робочі процеси даних AI, – це зростаюча вимога.

Для однієї багатонаціональної страхової фірми цей перехід до Azure стосувався не просто економії витрат, а й модернізації, аналітики та готовності до ШІ. Вони використовували неструктуроване управління даними, щоб зменшити потреби потужностей у дорогому первинному сховищі в центрі обробки даних, збільшуючи понад 600 ТБ до зберігання хмарних об'єктів. Вони також використовують хмарні інструменти для розробки страхових продуктів, що посилюються AI, з неструктурованими даними, що є критичною частиною цих прогнозних моделей. Можливість класифікації та сегмента неструктурованих даних до прийому вживання ШІ має вирішальне значення для управління витратами та надання точних результатів.

Див. Також: Втеча з пастки для зберігання даних у візуальному інтелекті в режимі реального часу

Державне та місцеве самоврядування: продовжує термін експлуатації інфраструктури та зміцнюйте нагляд за даними

ІТ -організації в державному секторі, як правило, мають інфраструктуру старіння та більший відсоток застарілих заявок, ніж приватний сектор. Вони хочуть модернізувати, але бюджети зазвичай є тісними, і є мінімальне прийняття хмар через політику безпеки, а також юридичні мандати, які потребують утримання даних без чітких шляхів видалення. ІТ -лідерам потрібно збалансувати надання послуг із суворими вимогами дотримання.

Для державних агентств архівувальні файли до хмари допомагають зменшити залежність від старіння обладнання. Видимість до останніх модифікованих/доступу дозволяє йому переміщуватися лише рідко доступ до даних, що виходить з високоефективного сховища. У той же час інтеграція систем зберігання та управління даними з інструментами безпеки та дотримання норм є критично важливим для забезпечення безпечного та аудиторського доступу. Незважаючи на те, що прийняття рівня даних залишається обережним, багато агентств використовують звітність для створення справи для неструктурованої політики життєвого циклу даних, особливо навколо застійних відомчих даних.

Інженерія та архітектура: Виграйте більше проектів, розблокуючи приховану цінність даних

Інженерні та дизайнерські фірми генерують неструктуровані дані в масштабних масштабах, особливо з файлів моделювання CAD, GIS та 3D. Ці файли великі та важкі в управлінні, особливо для розподілених команд та успадковані застарілі системи від діяльності з МіО. Ці фірми повинні зберегти історичні дані проекту для довідки, відповідальності та повторного використання. Одна глобальна фірма, яка керує понад 6pb, використовує неструктуроване управління даними для ідентифікації та переміщення файлів проектів старше трьох років до хмарного архіву, резервної копії в Azure. Це зберігає продуктивність активних масивів HPE, зберігаючи доступність. В одному випадку запити в їхніх запасах даних допомогли їм швидко знайти дані випробувань ґрунту для проекту в зоні схильності до землетрусу, заощаджуючи час та підтримуючи критичну конструкцію інфраструктури.

Коли вони продовжують інтегрувати придбання, фірма використовує аналітику для оцінки нещодавно успадкованих файлових серверів. Ця видимість дозволяє їм визначити пріоритет, що зберігати, мігруючи чи архів. Їх мета-врешті-решт індексувати всі неструктуровані дані, що дозволяє моделювати на основі AI та зменшити силоси знань у підрозділах бізнесу.

Енергія: Поліпшення ефективності поля та дотримання централізованих даних

Ці компанії стикаються з обмеженнями віддалених сайтів, змінною пропускною здатністю, дотриманням міжнародних правил безпеки та експлуатації та все більшою потребою у підтримці віддаленої діагностики та цифрових близнюків, що керуються даними.

В одній компанії рішення про прийняття неструктурованого управління даними виникає з необхідності відмовитися від краю зберігання в сотнях віддалених місць. З накопиченням відео журналів, малюнків та офшорних записів технічного обслуговування вони почали архівувати холодні дані до Azure, щоб централізувати та контролювати свої неструктуровані дані.

З моделями зарядки, файлові дані даних стали вирішальними для відомчої підзвітності. Довгострокова мета-підтримка опитування та інспекційних робочих процесів, як-от підводних зображень ROV, у середовищі AI-готових для прогнозування технічного обслуговування та дотримання.

Напівпровідники / Виробництво: Захистіть IP під час різання дорогого сліду зберігання

Напівпровідникові фірми повинні захищати високоцінні IP, керувати глобально розподіленими даними та дотримуватися суворого контролю експорту та безпеки, забезпечуючи при цьому інженери високоефективний доступ до активних наборів даних.

Глобальний виробник напівпровідників використовує вузькоспеціалізоване скануюче обладнання, яке генерує величезну кількість фірмових даних про зображення. Оскільки 97% даних все ще зберігаються в локальній формі, їм потрібен був ефективний метод для архіву старих даних про сканування без шкоди для захисту ІС або виконання пошуку. Поєднавши неструктуроване управління даними з хмарним сховищем S3, вони реалізували політику холодних даних для переміщення будь -яких файлів, не доступних за 12 місяців поза первинними серверами. Завдяки збереженню символічних зв’язків та відстеження метаданих, компанія забезпечила дотримання внутрішніх протоколів обробки IP та зменшила залежність від дорогих первинних НА.

Висновок: Перетворіть неструктуровані дані в стратегічний бізнес

У різних галузях неструктуроване управління даними вже не просто тактика економії витрат, а стратегічний сприяння. Незалежно від того, чи підтримує це робочі процеси в галузі страхування, підтримка дотримання регуляторних норм у галузі охорони здоров'я чи впорядкування інфраструктури у виробництві, організації визнають необхідність поєднання управління даними з гнучким доступом до даних та рухом.

Зрозуміло, що AI вийшов з -під контролю у багатьох секторах. Фотографії та відео DeepFake загрожують довірою споживачів, а тисячі сайтів розгортаються з скребком, а часто неточною інформацією про людей та теми.

Настав час встановити універсальні стандарти, щоб допомогти забезпечити, що вміст, що генерується AI, є справжнім та точним через низку стратегій, таких як водяний маркінг. Коаліція міжнародних органів стандартів, що працюють під парасолькою співпраці AI та мультимедійних стандартів автентичності (AMAS), зосереджуються на просуванні поточних та розробки стандартів AI.

Звичайно, AI-це швидка ціль, тому ці групи стандартів повинні прискорити свої повільніші та більш доцільні процесу розробки стандартів, щоб не відставати. На недавній конференції “AI For Good” було оголошено узгоджені зусилля, щоб створити більш всебічні стандарти AI, яку влаштовує ООН в Женеві. Мультидисциплінарний колектив – співпраця AI та мультимедійних стандартів автентичності (AMAS) очолювала Міжнародна електротехнічна комісія (IEC), Міжнародна організація стандартизації (ISO) та Міжнародний союз телекомунікацій (МСЕ).

Такі стандарти є цілком добровільними, але прийняття дасть змогу бізнесу та постачальникам технологій взаємодіяти з довірою, а також забезпечити більшу сумісність між різними системами AI, за словами Жила Тонета, заступника генерального секретаря IEC. “Міжнародні стандарти забезпечують огородження для відповідального, безпечного та надійного розвитку ШІ, що робить їх неоціненними інструментами для регуляторів та розробників політики у всьому світі. Ми закладаємо основу для систем, які пріоритетні прозорості та прав людини, відображаючи існуючі стандарти та підкреслюючи прогалини, де вони потрібні для відновлення довіри до вмісту, поколінованих AI та мультимедією в Інтернеті”.

Див. Також: Дослідники створюють інструмент для запобігання маніпуляції із зображеннями AI

Інші стандарти зображення AI, які слід враховувати

Нижче наведено стандарти, які зараз просуваються або розробляються:

• Декларації прав: До них відносяться загальне призначення та механізми відмови.
• Водяний маркінг: Це гарантує, що “цифровий вміст позначений таким чином, який може бути використаний для перевірки його справжності, синтетичної природи та власності. Водяний маркінг все частіше використовується для полегшення декларації прав творців контенту та допоможе забезпечити, щоб їх цифрові активи не використовувались без їх згоди”.
• Проведення вмісту: Сюди входить публікація інформації про походження, історію та життєвий цикл цифрового контенту. Це забезпечує “прозорий запис, який може бути використаний для встановлення довіри та автентичності. Такі механізми є важливими для підтримки цілісності цифрових медіа, особливо в середовищах, де маніпулювання контентом викликає важливе значення”.
• Довіра та справжність: Це складається з “методологій забезпечення того, щоб цифровий контент був справжнім і не був підроблений. Втілюючи довіри та заходи автентичності, організації можуть захистити свої цифрові активи від несанкціонованих змін та допомогти забезпечити, щоб споживачі могли покластися на вміст, який вони отримують”.
• Ідентифікатори активів: Це “унікальні коди, призначені для цифрового вмісту, щоб забезпечити належне управління та ідентифікацію активів. Ці ідентифікатори допомагають підтримувати чіткий та організований запис цифрових активів, що полегшує організацію, управління та розповсюдження вмісту”. Використовуючи ідентифікатори активів, організації можуть забезпечити належне відстеження та врахування їх цифрових медіа, зменшуючи ризик втрати або несанкціонованого використання ».

На початку цього року IEC та ISO також опублікували першу частину нової серії міжнародних стандартів JPEG Trust, яка забезпечує основу для встановлення довіри до ЗМІ, яка також може бути застосована до відео та аудіо. Новий стандарт описує інструменти та методології, які люди та організації можуть використовувати для створення власних профілів довіри. Це робиться, пов'язуючи зображення з їх метаданими та іншими даними про походження, щоб висвітлити будь -яку спробу підробити ними. Наявність або відсутність цієї інформації надає контекстуальну інформацію для встановлення довіри до зображення.

Пропозиція Biometrica до Мілуокі не є нейтральним інструментом – це крок до дистопійського майбутнього

Департамент поліції Мілуокі розглядає тривожну пропозицію: торгувати 2,5 мільйона зображень та даних, що належать жителям Мілуокі – переважно чорними та коричневими людьми – з приватною компанією «великі дані», Biometrica, в обмін на «безкоштовні» ліцензії на пошук розпізнавання обличчя. Додаткові ліцензії надійдуть вартістю 12 000 доларів. Але справжня вартість набагато вища: ерозія конфіденційності громади, націлювання на маргіналізовані громади та розширення інфраструктури спостереження, яка історично завдала нам шкоди.

Новий AI Makerspace, створений у партнерстві з даними Омахи Скотт, дасть Університету Небраски -Лінкольн -інженерних студентів неперевершеними можливостями досліджувати, будувати, тестувати та моделювати нові методи з використанням штучного інтелекту. Makerspace – це останнє доповнення до дизайнерського центру Kiewit Hall, який дозволяє студентам проектувати, будувати та тестувати інженерні проекти.

Доступні студентам, коли вони повертаються до кампусу на семестр осені 2025, Makerspace запропонує доступ до восьми одиниць обробки графічних графічних графічних одиниць NVIDIA. Він є частиною всеохоплюючої ініціативи AI, що ведеться в штаті Небраска.

Підтримується щедрим приватним фінансуванням, багатогранні зусилля сприятимуть та розширить кількість досліджень, використовуючи ШІ в інженерному коледжі та в університетському кампусі; збільшити участь студентів в ШІ; і будувати партнерські стосунки із зовнішніми організаціями та лідерами AI, а також тим, хто зацікавлений у тому, як АІ може принести користь їхнім організаціям.

За словами Ланса К. Переса, Фреда Хунзекера, виробництва вищих навчальних закладів буде одна з лише кількох таких закладів, пов'язаних з вищими навчальними закладами по всій країні.

“Інженерний коледж має багаторічну історію досліджень та освіти в галузі штучного інтелекту, – сказав Перес, – і AI Makerspace – наступний крок у цих зусиллях”.

Генеральний директор Scott Data Кен Мореано заявив, що його компанія є одним із 20-ти сертифікованих комплектів Tier III або центри обробки даних у США, що обслуговує глобальну клієнтську базу, що охоплює медичну допомогу, фінансові послуги, аналітику великих даних та ЗМІ. Це єдиний центр обробки даних рівня III, який забезпечує кластерний GPU-A-A-A-Service.

GPU NVIDIA H100, які будуть доступні для інженерних користувачів коледжу, вважається золотим стандартом для декількох типів навантажень AI.

“Намір з нашим партнерством з Інженерним коледжем – це мати спеціалізований сервер з восьми графічних процесорів у Scott Data, який забезпечить потужний рівень обчислювального доступу та досвіду”, – сказав Морано. “Наскільки нам відомо, це не щось, як правило, доступне у вищій освіті і прискорить здібності студентів до вирішення проблем, проведення досліджень та підвищення творчості”.

Перес заявив, що ініціатива коледжу включатиме додавання головного вченого з даними з глибоким досвідом інженерії та досвіду та досвіду роботи з компаніями-стартапами.

Інженерний коледж провів шлях у ландшафті вищої освіти держави з середини 1980-х років, коли був запропонований перший обчислювальний курс з штучного інтелекту, сказав Пері. За останні п’ять років було доставлено понад 30 розділів курсів ШІ.

Перес заявив, що цей віртуальний освітній Makerspace – перший для Небраски – забезпечить доступ до спеціалізованого обладнання, програмного забезпечення та інших ресурсів, які, як правило, зарезервовані для досліджень чи галузі.

“Мало того, що наші студенти зможуть поглибити своє розуміння AI, але вони можуть легше співпрацювати з іншими, а також дізнатися про етичні використання ШІ”, – сказав Перес.

Makerspace пропонує студентам інженерії університету для просування досліджень в галузі ШІ та пов'язаних з ними сфери та співпраці над міждисциплінарними проектами, сказав Морано, і “сприятиме інноваціям, які можуть мати вплив у реальному світі з потенційним для значного впливу на громаду та освіти”.

Перес заявив, що проект в кінцевому рахунку принесе користь партнерам галузі, які шукають професіоналів з інженерії, обчислень та будівництва, які розуміють AI та можуть допомогти включити його в основні бізнес -функції компаній.

“Зрештою, наша основна мета – розширити наші освітні програми та дослідження, щоб забезпечити наступне покоління робочої сили штату Небраска в галузі інженерії, обчислень та будівництва готово”, – сказав Перес. “Ми вдячні за партнерство та досвід Scott Data та Кен Морано та його команду. Саме такі типи співпраці забезпечують нашим студентам доступну освіту світового класу”.

Нью -Йорк та Редмонд, Вашингтон. – 20 серпня 2025 р. – Національна футбольна ліга та Microsoft Corp. оголосили сьогодні багаторічне продовження стратегічного партнерства, що вводить нову епоху інновацій AI по всій лізі. Такі технології, як Microsoft Copilot та Azure AI, допомагають лізі та її командам покращувати оцінку та робочі процеси в сторону, розвідувати нові таланти та впорядкувати операції, які зберігають стадіони безперебійно.

Маючи 30 стадіонів та понад 330 подій щороку та сотні мільйонів шанувальників, NFL – одна з найбільш широко спостерігаючих спортивних ліг у всьому світі. Інтеграція Business Solutions Microsoft AI та платформи Cloud та AI в ігрові дні та далі дасть змогу тренерам та гравцям отримувати доступ та аналізувати ігрові розуміння та продуктивність у режимі реального часу, щоб прийняти більш обґрунтовані рішення більш ефективним та індивідуальним способом.

“Ми вступаємо в нову еру інновацій у NFL завдяки нашій співпраці з Microsoft для розгортання AI в ключових сферах бізнесу”, – сказав Гері Брантлі, CIO NFL. “Підвищення ліги – це відповідальність, яку ми сприймаємо серйозно, і Microsoft була надійним партнером з боку в стороні вже більше десяти років. З технологіями AI Microsoft, включаючи Copilot, є величезні можливості підняти досвід Gameday для наших клубів та забезпечити ще більш переконливий продукт для наших шанувальників”.

Посилення рішень у день гри за допомогою копілота

Система перегляду в стороні NFL для кожного клубу була модернізована з більш ніж 2500 Microsoft Surfacecopilot+ PC для розширення можливостей 32 клубів, приблизно 1800 гравців та понад 1000 тренерів та футбольних персоналу в режимі реального часу з інструментами гри та аналізу в режимі реального часу. Тренери та гравці мають доступ до нової функції, побудованої з Github Copilot, для фільтрування ігор на основі таких критеріїв, як вниз та відстань, забиття ігор та штрафних санкцій для швидкого аналізу утворень, розшифровки та прийняття більшої кількості даних та стратегічних рішень.

“Прийняття обґрунтованих рішень та розміщення гравців у найкращі місця на полі – це остаточна відповідальність тренера”, – сказав Шон Маквей, головний тренер Лос -Анджелеса Рамса. “Microsoft Copilot підвищує нашу ефективність та точність, розбиваючи складні дані в засвоювані уявлення, які можна швидко передавати нашим гравцям і допомогти їм усвідомити свій найвищий потенціал”.

Інформаційна панель Microsoft 365 допомагає аналітикам клубних аналітиків у тренерській кабінці швидше виявити діючі розуміння для впливу на ігрові стратегії-такі як групування персоналу та підрахунки оснащення.

Дорога до ігрового дня починається з Microsoft AI

NFL та Microsoft також працюють над тим, щоб використовувати AI за межами кулуарів для підтримки таких ролей, як менеджери операцій з ігор. Постійні зусилля з досліджень та розробок через партнерство включають інформаційну панель Game Day, що працює на копілоті, для відстеження та категоризації ключових інцидентів ігрового дня щороку, таких як затримки погоди або проблеми технічного обладнання, які можуть впливати на загальні операції щотижня, щоб покращити майбутнє прийняття рішень.

Окремо Microsoft також працює над тим, щоб вливати відеоін інструменти AI AI під час практичних занять окремих клубів, щоб допомогти в перегляді коучингу, оцінок та оцінки травм гравців. І останнім часом під час розвідувальних комбінатів 2025 року, тренери та скаути клубів по всій лізі використовували додаток Microsoft Azure AI для отримання більш розумних та в режимі реального часу на понад 300 перспектив.

“Партнерство NFL та Microsoft вступає в нову епоху, і ми пишаємось, що ліга вкотре надає довіру до Microsoft, щоб привезти AI до НФЛ”, – сказав Брайсон Гордон, корпоративний віце -президент, глобальний маркетинг, Microsoft. “Поширення нашої роботи – це не просто футбольна історія, це план трансформації. Незалежно від того, чи готуєтесь ви до чемпіонату чи керуєте глобальним підприємством, принципи однакові: розуміння, підготовка є важливою, і здатність діяти швидко є критичною”.

Позаду в кулуарах, у передній та задній офіс

Незабаром окремі клуби зможуть застосувати ШІ в декількох інших сценаріях, включаючи аналіз проекту перспективної роботи поза комбінатом NFL, забезпечення даних про бізнес та футбольні операції для клубів та сприяють продуктивності праці у всіх бізнес-функціях, включаючи фінанси, людські ресурси та події. Працюючи в 32 клубах NFL, співробітники незабаром зможуть використовувати агенти AI для підтримки та вдосконалення різних робочих потоків, включаючи випадки використання, такі як скаутинг гравця та управління зарплатою.

Деякі клуби, такі як Tampa Bay Buccaneers, вже використовують Copilot, щоб допомогти з маркетингом, зусиллями з просування та залученням шанувальників. Асоціація гравців NFL також використовує Microsoft AI Solutions як частину процесу перегляду відео, щоб підвищити ефективність персоналу та безпеку для гравців.

Для отримання додаткової інформації про те, як NFL та Microsoft співпрацювали разом, відвідайте aka.ms/nfl.

Microsoft (NASDAQ “MSFT” @Microsoft) створює платформи та інструменти, що працюють від AI, щоб забезпечити інноваційні рішення, які відповідають потребам наших клієнтів. Технологічна компанія прагне зробити AI в цілому доступним і робити це відповідально, з місією розширення можливостей кожної людини та кожної організації на планеті, щоб досягти більше.

Для отримання додаткової інформації натисніть лише:

Microsoft Media відносини, Ми. Комунікація Для Microsoft (425) 638-7777, [email protected]
Ліана Бейлі, НФЛ, [email protected]

Примітка до редакторів: Для отримання додаткової інформації, новин та перспектив від Microsoft відвідайте Microsoft Source за адресою https://news.microsoft.com/source. Веб -посилання, номери телефонів та заголовки були правильними під час публікації, але, можливо, змінилися. Для отримання додаткової допомоги журналісти та аналітики можуть звернутися до команди швидкого реагування Microsoft або інших відповідних контактів, перелічених за адресою https://news.microsoft.com/microsoft-public-relations-contacts.

Російська влоггер Мтія вступає в ананасове поле Чжанцзян, щоб перевірити карту ананаса, що працює на AI. Від вибору колючих “маленьких принцес” вручну, до перегляду черги ананасів на 90-секундний тест цукру; Від навчання великих даних про тонке настроювання виробництва та продажів, до того, щоб бути прямим стримером, що з'єднує місцевих фермерів з глобальними ринками, хірургія виявляє, як Xuwen Anelaps їздить на хвилі ШІ, щоб стати “міжнародними зірковими фруктами”, і перемагати над російськими апетитами своєю соковитим текстурою. На цій землі Червоного ґрунту, яка займає площу в п'ять разів більше, ніж Макао, розумне сільське господарство пише нову главу для продукції Китаю на світовій арені.

Відео | Бей -район Відео Новини Новини Південного Метрополісу Daily та N Відео новини ЗМІ

Редактор | Ou Xiaoming, Li Lingzhi, Wei Shen, James Campion, Shen He