Категорія: Великі Дані та Аналітика

Цю статтю написав

Слідуйте

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Проводьте навчання щомісяця невеликими шматками

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

Не обмежуйте навчання лише фішингом

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

Використовуйте моркву, а не батог

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

Освіта має бути ініціативою «зверху донизу».

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

Поділіться своїми результатами з усією організацією

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

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

Ціль — нуль, а не 5%

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

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

Про Вільяма Кренка

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

Культура клітин

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

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

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

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

Обробка даних тривалого зчитування RNA-seq

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

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

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

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

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

Примітка: Цей аналіз містить спойлери для Завантажити.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Повну серію Upload можна переглянути на Prime Video за підпискою

Новини IBL | Нью-Йорк

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

У Техасі законодавча влада прийняла вимогу, згідно з якою великі урядові державні установи повинні інвестувати в систему управління даними, сказав головний спеціаліст з обробки даних Техасу Ніл Кук. Цим же законом було створено консультативну раду з управління даними, яку очолює головний спеціаліст із обробки даних, до складу якої входять спеціалісти з обробки даних від кожного агентства-учасника. Рада налічує 110 членів, і приблизно для половини з них управління даними є повною зайнятістю.

«Це чудове місце для висвітлення та обміну нашими практиками та проектами, а також для вирішення проблем і спілкування», — сказав Кук.

Структура посилила управління даними в державному підприємстві, додав він.

ПИНРАЙТЕ ГЛИБШЕ: Які обов’язки інформаційного директора чи технічного директора чи CDO?

NASCIO та Beeck Center перевірили структури та органи влади CDO

У звіті NASCIO – Beeck Center було опитано 27 головних спеціалістів з обробки даних у США. Їх запитували про те, як створені їхні посади, організаційні структури та законні повноваження (якщо такі є).

Як встановлюються ролі CDO, згідно з опитуванням:

• 44% Статут
• 26% Не офіційно
• 19% Директива державного ІТ-директора
• 19% Розпорядження
• 11% Інше

Більшість керівників відділу обробки даних підпорядковуються ІТ-директору штату, заступнику ІТ-директора чи подібному посадовцю в державному ІТ-агентстві, при цьому 67% підтверджують таку структуру звітності. «Інші CDO підпорядковуються департаменту адміністрації/бюджету/фінансів або подібній назві; сім відсотків підпорядковуються губернатору, а чотири відсотки підпорядковуються іншому агентству», — йдеться у звіті.

Більшість штатів працюють у федеративній системі, де окремі державні установи зберігають повноваження над своїми операціями з керування даними. «Однак ця модель має проблеми для державних CDO, зокрема щодо забезпечення послідовного прийняття політик і стандартів щодо аналітики даних, обміну, управління, управління, грамотності та якості», — підсумовується у звіті.

Використовуючи угоди про співпрацю або ради з даних, керівники з обробки даних працювали по всьому підприємству, збираючи дані, щоб отримати повну картину.

У звіті NASCIO – Beeck Center описано, як головні спеціалісти з обробки даних впливають на ситуацію, посилаючись на приклад із штату Вашингтон, де Програма корпоративних даних штату Вашингтон відповіла на «виклики реального світу за допомогою масштабованих рішень» шляхом інтеграції платформ даних та аналізу даних.

Зберігайте цю сторінку в закладках для нашого висвітлення щорічної конференції NASCIO 2025. Слідкуйте за нами на соціальній платформі X за адресою @StateTech та офіційний обліковий запис конференції, @NASCIO. Приєднуйтесь до розмови за допомогою хештего #NASCIO25.

Провести дослідження

SSRL пропонує ідеальне середовище для широкого спектру дослідницької діяльності, включаючи фокус-групи, опитування та комп’ютерні поведінкові експерименти. Лабораторія розроблена з урахуванням як гнучкості, так і конфіденційності: кімната для фокус-груп забезпечує безпечне та комфортне місце для керованих дискусій, а окремі кабіни забезпечують конфіденційність учасників під час сеансів опитування чи експерименту.

Заклад оснащено високоякісним аудіозаписуючим обладнанням, опціями відеозапису та проекторами для підтримки збору даних та презентацій. Кожна робоча станція повністю об’єднана в мережу та дозволяє встановлювати спеціальне програмне забезпечення, що дозволяє дослідникам розробляти та проводити дослідження відповідно до їхніх конкретних потреб. Незалежно від того, збираєте ви якісну інформацію, проводите складні опитування чи проводите поведінкові експерименти, SSRL надає ресурси, необхідні для проведення ретельних професійних досліджень у сприятливому середовищі.