Походження обладнання фінансування зменшилося в червні на тлі постійної економічної невизначеності.
Новий обсяг бізнесу у фінансуванні обладнання становив 9,6 млрд. Дол. Асоціація лізингу та фінансів обладнанняІндекс фінансів CAPEX S (ELFA) випущений сьогодні. Новий обсяг бізнесу знизився на 1,8% за рік до червня і в 2025 році здійснився.
“Нестабільність багатьох показників зростає в 2025 році, тому я не приймаю занадто багато сигналу з одного місяця даних”, Президент ELFA та виконавчий директор Лі Лайтл зазначено у звіті. “І все -таки ми будемо пильно спостерігати за вхідними даними цього літа, щоб побачити, чи нарешті невизначеність торговельної політики починає зважувати на попит на обладнання та програмне забезпечення.
Тим часом правопорушення 30 днів або більше впали на 27 базових пунктів до 1,9%, а стягнення відзначили 6 базових пунктів до 0,5%. Середній рівень затвердження кредитів залишався сильним на рівні 76,8%, трохи нижче більш ніж дворічного максимуму-77,4% у квітні.
Падіння правопорушень та відносно низькі відшкодування свідчать про здорові фінансові умови, “забезпечуючи буфер проти економічного зміщення”,-сказала Лайтл, також зазначивши, що нещодавнє повернення 100% бонусної амортизації “повинно зміцнити попит на обладнання протягом наступних кількох років”.
(AP) – План президента Дональда Трампа щодо підвищення штучного інтелекту та побудови центрів обробки даних у США може прискорити будівельний бум, який, як очікується, буде напружувати здатність нації до влади.
Білий дім оприлюднив “План дій AI” в середу, пообіцявши прискоренням дозволу на будівництво енергоємних центрів обробки даних, оскільки, схоже, зробити країну лідером у бізнесі, в який технологічні компанії та інші вливають мільярди доларів.
План говорить про боротьбу з “радикальною кліматичною догмою”, ряд обмежень – включаючи закони про чисте повітря та воду – може бути скасовано, узгоджуючись з порядку денного “Американського енергетичного домінування Трампа” та його зусиллями щодо підрізання чистої енергії.
Ось що вам потрібно знати.
Що означає AI для навколишнього середовища
Для підтримки складних серверів, обладнання та іншого для ШІ необхідні величезні кількості електроенергії. Попит на електроенергію з центрів обробки даних у всьому світі встановлений на більш ніж удвічі до 2030 року, трохи більше, ніж усього споживання електроенергії Японії сьогодні, повідомляє Міжнародне енергетичне агентство на початку цього року.
У багатьох випадках ця електроенергія може надходити від спалювання вугілля або природного газу. Ці викопні паливи викидають планети, що погладжують викиди парникових газів, включаючи вуглекислий газ та метан. Це, в свою чергу, пов'язане з екстремальними погодними подіями, які стають більш серйозними, частими та дорогими.
Центри обробки даних, які використовуються для підживлення АІ, також потребують величезної кількості води, щоб зберігати прохолоду. Це означає, що вони можуть напружувати джерела води в районах, які можуть мало запастися.
Що говорить і робить великі технології щодо пошуку всієї цієї сили
Як правило, технічні гіганти, підприємці та інші розробники намагаються зберегти наявну електростанцію в Інтернеті, щоб задовольнити попит, кажуть експерти, і більшість існуючих електростанцій у США все ще виробляють електроенергію за допомогою викопних палив-найчастіше природним газом.
У деяких областях США поєднання відновлюваних джерел енергії та енергоносіїв у вигляді акумуляторів надходить в Інтернет.
Але використання ядерної енергетики особливо цікавить як спосіб зменшити викиди, спричинені центром обробки даних, при цьому все ще відповідає попиту та залишається конкурентоспроможним.
У минулому місяці Amazon заявив, що витратить 20 мільярдів доларів на сайти центрів обробки даних у Пенсильванії, включаючи одну поряд з атомною електростанцією. Інвестиція дозволяє Amazon підключитися прямо до заводу, ретельно, але швидший підхід до часової шкали розвитку компанії.
Нещодавно META підписав угоду щодо забезпечення ядерної енергетики для задоволення своїх обчислювальних потреб. Microsoft планує придбати енергію з атомної електростанції на три милі, і Google раніше підписав контракт на придбання з декількох невеликих модульних реакторів у роботі.
Що ставиться під загрозу в такому вигляді енергії, що живляє центром обробки даних
Центри обробки даних часто будуються там, де електроенергія найдешевша, і часто це не з відновлюваних джерел енергії. А іноді центри обробки даних цитуються як причина для продовження життя традиційних електростанцій, що спалюють викоп.
Але лише на цьому тижні генеральний секретар Організації Об'єднаних Націй Антоніо Гутеррес закликав найбільших у світі технологічних гравців, щоб до 2030 року повністю підживлювати свої потреби в центрі обробки даних. Необхідно використовувати менше викопних палив, сказав він.
Експерти стверджують, що розробники, інвестори та технологічна галузь можуть декарбонізувати.
Однак, хоча промисловість може багато зробити з чистою енергією, нові вимоги настільки великі, що не може бути чистою енергією, – сказав професор університету Пенсільванії Бенджамін Лі.
Більш генеративні AI, Chatgpt та масивні центри обробки даних означає, що “покладатися на вітер та сонячну енергію з батареями стає дійсно, дуже дорогим”, – додав Лі, отже, увага на природний газ, але також ядерний.
Що означає зростання AI для моїх рахунків за електроенергію?
Незалежно від того, які повноваження AI, простий закон попиту та пропозиції робить все, крім певного, що витрати для споживачів зростатимуть.
Нові проекти центрів обробки даних можуть вимагати як нового виробництва енергії, так і існуючого покоління. Розробники також можуть інвестувати в акумулятори або іншу інфраструктуру, як лінії передачі.
Все це коштує грошей, і це потрібно платити звідкись.
“У багатьох місцях у США вони бачать, що тарифи зростають, оскільки комунальні послуги роблять ці кроки, щоб спробувати планувати”, – сказала Аманда Сміт, старша науковця в розробці проекту дослідницької організації.
“Вони планують інфраструктуру передачі, нові електростанції для зростання та навантаження, яке проектується, що ми хочемо, щоб вони зробили”, – додала вона. “Але ми, як платники податків, закінчимо, бачачи, що тарифи зростають, щоб покрити це”.
Клімат та екологічне покриття Associated Press отримують фінансову підтримку від декількох приватних фондів. AP несе повну відповідальність за весь вміст. Знайдіть стандарти AP для роботи з філантропіями, список прихильників та фінансуваних областей покриття на AP.org.
Фармацевтична промисловість стоїть на небезпечному перехресті. У той час як компанії готуються до використання штучного інтелекту для виявлення наркотиків, оптимізації клінічних випробувань та ефективності виробництва, нове галузеве дослідження Kiteworks виявляє шокуючу істину: лише 17% організацій впровадили автоматизований контроль, щоб запобігти протіканням конфіденційних даних через інструменти AI. Це означає, що 83% фармацевтичних компаній – включаючи багато CDMO – працюють без основних технічних гарантій, тоді як їхні працівники вставляють молекулярні структури, результати клінічних випробувань та записи пацієнтів у Chatgpt, Claude, Respexity та інші платформи AI.
У звіті, який опитував 461 кібербезпеку, ІТ, управління ризиками та фахівці з дотримання норм в галузях промисловості, розкриває критичний розрив між тим, що вважають керівники фармацевтичних препаратів про свою безпеку AI та те, що відбувається на місцях. Цей висновок узгоджується зі звітом про індекс AI в Стенфорді 2025 року, який задокументував збільшення інцидентів безпеки, пов'язаних з AI, зафіксовано на 56,4% лише за один рік. У галузі, де одна структура молекули, що витікає, може знищити мільярди в інвестиціях на дослідження, цей розрив являє собою не просто проблему безпеки, а екзистенційну загрозу для конкурентної переваги та дотримання регуляторних норм.
Стан безпеки AI в фармацевтичних препаратах: перевірка реальності
Цифри малюють тверезу картину фармацевтичної безпеки AI. Згідно з дослідженням Kiteworks, переважна більшість організацій покладаються на небезпечно неадекватні заходи щодо захисту своїх даних від впливу ШІ. У верхній частині піраміди безпеки лише 17% мають технологію, яка автоматично блокує несанкціонований доступ до AI та сканує чутливі дані – мінімум для захисту в сучасному середовищі.
Решта 83% залежать від все більш ненадійних підходів, орієнтованих на людину. Сорок відсотків покладаються на навчальні заняття з працівниками та періодичні аудити, по суті сподіваючись, що співробітники запам'ятають та дотримуватимуться правил під час роботи під тиском. Ще 20% надсилають попереджувальні електронні листи про використання AI, але ніколи не перевіряють відповідність. Десять відсотків просто видавали керівні принципи, тоді як вражають 13% не мають жодної політики.
Цей поломку безпеки стає особливо тривожним при розгляді унікального тиску, що стоїть перед фармацевтичними дослідниками. Під постійним тиском для прискорення термінів розвитку наркотиків вчені регулярно звертаються до інструментів AI для швидких аналізів, оглядів літератури та інтерпретації даних. Звіт про стан безпеки даних Varonis 2025 підсилює цю проблему, встановивши, що 99% організацій мають конфіденційні дані, небезпечно піддаються впливу інструментів AI, при цьому 90% мають чутливі файли, доступні лише через Microsoft 365 Copilot. Лікарський хімік може завантажувати власні молекулярні структури, щоб отримати уявлення про потенційні лікарські взаємодії. Аналітик клінічних даних може вставити результати пацієнтів на платформу AI для виявлення моделей. Кожна дія, хоча і цілеспрямована, створює постійне опромінення ризику, яке неможливо скасувати.
Що насправді піддається
Дослідження Kiteworks виявляють, що 27% організацій наук про життя визнають, що понад 30% їхніх оброблених даних містять конфіденційну або приватну інформацію. У фармацевтичних контекстах це являє собою катастрофічний рівень впливу, що охоплює найцінніші активи галузі.
Поміркуйте, що фармацевтичні працівники щодня діляться з інструментами AI. Власні молекулярні структури, які потребували років і мільйони доларів, щоб розробити завантажені для швидкого структурного аналізу. Неопубліковані результати клінічних випробувань, які могли б зробити або порушити шанси на затвердження препарату, вставляються в чатні боти для підсумкового покоління. Виробничі процеси, захищені так, як комерційна таємниця переходить у системи AI, коли якісні команди шукають пропозиції оптимізації процесів. Інформація про здоров'я пацієнтів, нібито захищена в рамках HIPAA, вводить публічні платформи AI, коли дослідники просять допомогу в аналізі несприятливих подій.
Постійність цього впливу не може бути завищена. На відміну від традиційних порушень даних, де компанії можуть змінити паролі або відкликати доступ, інформація, що поглинається в моделі навчання AI, стає постійно вбудованою. Як детально описано в дослідженні ризиків витоку даних AI, фармацевтичні компанії стикаються з унікальними вразливими місцями від запам'ятовування моделей, де системи AI можуть ненавмисно зберегти та пізніше викрити фрагменти чутливих даних, таких як ідентифікатори пацієнтів, діагнози або власні молекулярні структури – навіть з моделей, які виглядають належним чином санізованим.
Виклик відповідності
Для фармацевтичних компаній регуляторні наслідки неконтрольованого використання AI створюють ідеальну шторм. У звіті Kiteworks встановлено, що лише 12% організацій перераховують порушення відповідності серед своїх найкращих проблем ШІ – небезпечне сліпого місця, враховуючи прискорення регуляторного виконання. Звіт про індекс AI Стенфорда підтверджує цей регуляторний сплеск, документуючи, що федеральні агенції США видали 59 правил, пов'язаних з AI у 2024 році, більше ніж удвічі більше, ніж 25, видані в 2023 році.
Поточні практики одночасно порушують декілька регуляторних вимог. HIPAA вимагає комплексних аудиторських стежок для всіх електронних захищених інформаційних медичних наук (EPHI), але компанії не можуть відслідковувати те, що перетікає в тіньові інструменти AI. Частина 11 CFR 11 FDA вимагає валідованих систем та електронних підписів для будь -яких клінічних даних, що обробляють систему, стандарти, які публічні платформи AI не можуть відповідати. GDPR передбачає можливість видалити особисту інформацію за запитом, але дані, вбудовані в моделі AI, не можуть бути отримані або видалені.
Пейзаж правоохоронних органів продовжує посилюватися по всьому світу, і Стенфорд повідомляє, що законодавчі згадки про ШІ збільшилися на 21,3% у 75 країнах. Це не пропозиції – вони несуть значні покарання та потенційну кримінальну відповідальність за керівників. Коли регулятори вимагають документації про використання AI під час аудиту, “ми не знали”, стає визнанням недбалості, а не захисту.
Традиційний підхід до дотримання – політика, навчання та періодичні огляди – повністю не вдається в контексті ШІ. Використання Shadow AI відбувається поза корпоративною видимістю, часто на особистих пристроях, які отримують доступ до послуг AI споживачів. У звіті про Varonis встановлено, що 98% компаній мають працівників, які використовують несанкціоновані додатки, при цьому кожна організація в середньому складає 1200 неофіційних додатків. На той час, коли команди з питань дотримання норм виявляють порушення, чутливі дані вже постійно всмоктуються в системах ШІ.
Чому фармацевтичні компанії особливо вразливі
Сучасна розробка наркотиків передбачає великі партнерські стосунки з CDMO, CROS, академічними установами та постачальниками технологій. Кожен партнер потенційно представляє нові інструменти AI та вразливості безпеки. Останній звіт про розслідування даних про порушення даних Verizon показав, що участь сторонніх сторон у порушеннях даних збільшилася з 15% до 30% лише за один рік.
Фармацевтична інтелектуальна власність має надзвичайну цінність, що робить її привабливою ціллю. Одна молекулярна структура може представляти можливість наркотиків на мільярд доларів. Дані клінічних випробувань визначають успіх або невдачу на ринку. Виробничі процеси забезпечують конкурентні переваги, які варто захистити. Коли працівники випадково діляться цією інформацією з інструментами AI, вони по суті публікують комерційну таємницю на глобальній платформі.
Шлях вперед: Будівництво реального захисту
У звіті Kiteworks зрозуміло, що залежні від людини заходи безпеки не вдалося в кожній галузі, включаючи фармацевтичні препарати. Звіт про індекс AI Стенфорда підкріплює це, показуючи, що, хоча організації визнають ризики-64% посилаються на неточність AI та 60%, що виявляють вразливості кібербезпеки-менше двох третин активно впроваджують гарантії. Компанії повинні негайно перейти до технічного управління, який автоматично запобігає несанкціонованому доступу до ШІ та опроміненням даних.
Основні елементи ефективного фармацевтичного управління AI починаються з автоматизованої класифікації даних та блокування. Системи повинні розпізнавати та запобігти конфіденційній інформації – будь то молекулярні структури, дані пацієнта чи клінічні результати – до досягнення несанкціонованих платформ AI. Для цього потрібна технологія, яка працює в режимі реального часу, скануючи потоки даних, перш ніж вони залишають корпоративний контроль.
Постійний моніторинг взаємодій AI з такими рішеннями, як шлюз даних AI, забезпечує видимість фармацевтичних компаній в даний час. Організації потрібні єдині платформи управління, які відстежують кожну точку дотику AI через хмарні сервіси, локальні системи та тінь.
Висновок
Фармацевтична промисловість стикається з скороченням вікна для вирішення витоку даних AI до того, як прийде катастрофічні наслідки. Оскільки 83% організацій, що працюють без основних технічних гарантій, при цьому крововиливши їх найцінніші дані, а інциденти AI збільшуються на 56,4% за рік, згідно з дослідженнями Стенфорда, розрив між сприйнятою та фактичною безпекою досяг критичних рівнів.
Вибір є Stark: впровадити реальний технічний контроль зараз або стикається з неминучими результатами – конкурентним недоліком, оскільки комерційна таємниця просочується до конкурентів, регуляторні штрафи як порушення, та пошкодження репутації, оскільки вплив даних пацієнтів робить заголовки. Громадська довіра до компаній AI вже впала з 50% до 47% лише за один рік, згідно з висновками Стенфорда. Для галузі, побудованої на інноваціях та довірі, неспроможність забезпечити використання AI загрожує обом. Час дій зараз, до наступної завантаженої молекули або клінічного набору даних стане завтрашньою конкурентною катастрофою.
Про автора:
Френк Балоніс – головний директор з питань інформаційної безпеки та старший віце -президент з операцій та підтримки в Kiteworks, що має понад 20 -річний досвід роботи в ІТ -підтримці та послугах. З моменту приєднання до Kiteworks у 2003 році Балоніс контролює технічну підтримку, успіх клієнтів, корпоративну ІТ та безпеку та дотримання, співпрацюючи з командами з продуктів та інженерії. Він проводить сертифіковану сертифікат з питань безпеки інформаційних систем (CISSP) та служив у ВМС США. До нього можна звернутися за адресою fbalonis@kiteworks.com.
Нове дослідження Metacomp постачальника інфраструктури платежів підкреслює критичні прогалини у здатності інструментів, що знаходяться в ланцюзі та трансакції (KYT) для виявлення незаконної та високої ризику в мережах блокчейн.
Дослідження, проведене в Сінгапурі, оцінили понад 7000 прямих транзакцій, пов’язаних з USDT та USDC – двох найбільш широко використовуваних стабільців – через блокчейни Ethereum та Tron. У дослідженні було використано чотири провідних провайдерів KYT: Chainalysis, Elliptic, Merkle Science та Beosin, щоб визначити, наскільки ефективно були виявлені дії з високим ризиком, такі як порушення санкцій, вплив фондів Darknet та шахрайство.
Практика скринінгу
Дослідники перевірили кілька конфігурацій скринінгу, починаючи від єдиного інструменту до чотирьох налаштувань, і виявили, що покладатися лише на один-два інструменти KYT, що призвело до пропуску до 25% транзакцій з високим ризиком. Ці пропущені транзакції часто включали адреси гаманця, пов'язані з незаконними фінансами, потоками, пов'язаними з шахрайством, та санкціонованими організаціями, залишаючи значні сліпі місця для проти відмивання грошей (AML) та протидії фінансуванню тероризму (CFT).
“Для установ, що працюють в регульованому середовищі, особливо тих, хто має справу з стабільними потоками, вже не достатньо покладатися на один інструмент для скринінгу транзакцій”,-сказав Tin Pei Ling, співголова Metacomp. “Це дослідження свідчить про те, що шарування декількох інструментів KYT може значно зменшити сліпі плями та посилити цілісність екосистем платіжної ланцюга. Ми сподіваємось, що ці висновки допоможуть підвищити галузеві стандарти для моніторингу ризиків на ланцюзі та підтримають розробку більш надійного цифрового фінансового середовища”.
Дослідження визначило, що конфігурація трьох інструментів знизила швидкість “помилкової чистої” до нижньої 0,10%, зберігаючи швидкість скринінгу до двох секунд за транзакцію. Це демонструє, що посилена відповідність може бути досягнута без шкоди швидкості транзакцій, що є важливим для середовищ оплати в режимі реального часу.
Ефективність виявлення
Одним із ключових висновків досліджень Metacomp було те, що фрагментація серед рішень KYT створює системні слабкі сторони. Згідно з аналізом, п'ять основних питань сприяють цим прогалинам: непослідовне покриття ризику між інструментами, відмінностями в категоризації ризиків, відсутності стандартизованих результатів, оперативних труднощів у узгодженні результатів та збільшення часу обробки при використанні декількох постачальників.
У звіті також було виявлено відмінності в впливу ризику між двома вивченими блокчейнами. Трансакції TRON демонстрували більш високі сигнали ризику AML/CFT порівняно з Ethereum. З вибіркових транзакцій 6,95% на TRON були позначені як серйозний ризик проти лише 0,70% на Ethereum. Більше 20% транзакцій TRON оцінювали на середньому або гіршому рівні ризику.
Дослідження уточнило, що, хоча самі протоколи блокчейн не були оцінені, потоки транзакцій відрізняються між мережами, що говорить про необхідність індивідуальних стратегій відповідності. Tin Pei Ling зазначав: “Ми не порівнюємо технології блокчейн, а скоріше характер трансакційного ризику, що протікає через них. Кожен постачальник KYT бачить різні частини ландшафту ризику. Для установок, що пробігає на одну перспективу, вже не є життєздатними – узгодження множинних сигналів є критично важливим для підтримання регуляторної довіри. Наша мета – це закриття прогалин із захисту відбитливої інфраструктури.
Промислові рекомендації
USDT та USDC були в центрі уваги дослідження Metacomp через їх сильну присутність у випадках використання інституційних грошових переказів, розрахунків та торгових платежів. Зараз компанія рекомендує мінімум три одночасні перевірки KYT на транзакцію для досягнення оптимального балансу між ефективністю відповідності, операційною вартістю та швидкістю транзакцій. Два підходи з друкованого або одноружника, згідно з дослідженнями, дозволяють до чверті ризикованих транзакцій не виявитись.
Для подальшого зменшення цих ризиків Metacomp впровадив конфігурацію скринінгу з чотирьох інструментів для власних платформ табору та стабільних платформ, прагнучи забезпечити додатковий рівень безпеки та узгодження регуляторів.
Метод і обсяг
Проаналізований набір даних складав 7000 реальних, випадково вибраних транзакцій USDT та USDC, відібраних на Ethereum та TRON протягом червня 2025 року. Вибір навмисно виключав усієї діяльності, пов'язаної з метакомомами, для збереження незалежності дослідження. Використовувані чотири інструменти KYT були обрані на основі їх можливостей у аналізі даних, спеціалізації типології, інтеграції та відносній наявності ринку.
Дослідження прийняло фірмовий протокол скринінгу, стандартизує відображення категорії ризиків та узгодження конфігурацій з регуляторними очікуваннями. Аналіз охоплював початкові перевірки транзакцій, профілювання на рівні гаманця та оцінки впливу як на рівні гаманця, так і на рівні транзакцій.
Metacomp визнав, що обсяг дослідження був обмежений у часі та заохочував подальші дослідження для підтримки більш широких висновків для індустрії цифрових активів.
Штучний інтелект (AI) революціонізував і продовжить трансформувати багато галузей, що орієнтуються на клієнтів. Ділові додатки, що працюють на AI, пропонують відчутну цінність як для клієнтів, так і для бізнес-операцій. Однак існують істотні ризики для прийняття ШІ. Великі мовні моделі (LLM), побудовані на частково упереджених даних або моделюванні, показали, як галюцинації можуть призвести до негативних результатів бізнесу (A. pequeno, лютий 2024).
Ефективні результати АІ вимагають багатих, точних та неупереджених даних. Упереджені, неповні, не марковані та неточні дані про навчання чи ділові дані часто генеруватимуть “галюцинації”. Фактичні невідповідності або тонко упереджені результати, які можуть здатися точними та корисними, але насправді можуть негативно вплинути на прийняття бізнес -рішень. Навіть чисті дані бізнесу сприяють галюцинаціям, якщо дані навчання вгору за течією є упередженими або неповними, або якщо нагляд за результатами АІ не в змозі отримати доступ до високоякісних довідкових даних та пов'язаних з цим знань. Через це не дивно, що організації, які прагнуть скористатися ШІ, розглянуть виклики даних про основну перешкоду, коли вони працюють над тренуванням, розгортанням, масштабами та визначенням рентабельності інвестицій своїх ініціатив ШІ. Це вказує на зростаючу потребу в інструментах та методах для підтвердження надійності результатів ШІ.
Переміщення основних кроків у прикладі медичних даних у реальному світі окреслить практику якості даних, необхідні для забезпечення точних результатів ШІ. Почніть з профілювання, очищення та збагачення навчальних та ділових даних за допомогою автоматизованих правил та міркувань. Застосовуйте експертну семантику та візуально підтримуване пошукове покоління в умовах високої якості даних для інформованого та спостережуваного нагляду за якості та навчання (S. Hedden, 2024 р.). Автоматизуйте тестування КК та виправлення результатів із кураторним вмістом та збільшенням результатів, що підтримується експертом, підтримується діловими правилами та семантикою.
Запобігання галюцинаціям AI від перешкод бізнес -операцій вимагає комплексного підходу до якості даних, що містять дані про навчання “Золотий стандарт”; активно очищені та розширені ділові дані; та контрольовано навчання AI, що підтримується спостережуваним контентом, машинними міркуваннями та діловими правилами. Ці фактори повинні бути доповнені автоматизованим тестуванням та корекцією результатів, що підтримуються високоякісними довідковими даними, діловими правилами, машинними міркуваннями та ганчіркою.
Забезпечення точності в програмах AI може означати життя чи смерть для людей та підприємств
Дослідження класичного прикладу медичного ризику продемонструє критичну потребу в точному виході з AI – підтримується чистими даними, процесом та спостереженням за результатами та автоматизованим наглядом результатів.
У цьому сценарії специфічний препарат призначається як патч, а загальна доза – 15 міліграмів. Препарат також доступний як таблетка, яка вимагає нижньої 5 міліграмної дози. Додаток, що підтримується AI, може неправильно генерувати твердження, яке поєднує дві частини інформації, заявивши, що пацієнт може приймати “загальну дозу 15 мг, доступну у формі таблеток”. Легко пропустити помилку, навіть для людини, але це робить потенційно небезпечну галюцинацію AI. Експерт з медичної допомоги людини, яка приділяє пильну увагу, швидше за все, визнає помилку – прийом 15 міліграмів ліків у формі таблеток буде втричі більше рекомендованої дози, що потенційно спричиняє передозування. Лайперсон наївно просить заявку на AI про медичне дозування може вирішити взяти три 5 таблетки міліграм – потенційно смертельний результат.
Тут здоров'я та безпека пацієнта під загрозою та глибоко покладаються на чисті, добре марковані дані та точні результати AI. Ці помилки можна уникнути, поєднуючи високоякісні навчальні та довідкові дані. Спостережуваний нагляд та навчання результатів ШІ, що підтримуються семантичними машинними міркуваннями та правилами бізнесу, а також автоматизована перевірка результатів, що звертається до кураторних експертних ресурсів для перевірки чи виправлення результатів, все сприяє більш функціональній системі AI.
На додаток до включення традиційних операцій з якості даних, які очищають, інтегрують, гармонізують та збагачують дані, семантично поінформовані правила, що підтримуються хорошими даними, можуть забезпечити точні дані бізнесу та результати AI. Порівняння результатів з очікуваними результатами підтримує емпіричну точність. Експертна онтологія в поєднанні з кураційними медичними довідковими даними, такими як Уніфікована система медичної мови (UMLS), може автоматично визначати дозування ліків на основі його встановленого використання або формату. Система розпізнає та виправляє помилку самостійно, стверджуючи, що “для цього ліки таблетки не призначаються і не рекомендуються вище 5 міліграм”.
Як ми можемо забезпечити чисту, всебічну підготовку та ділові дані та точні результати додатків AI, пов'язаних з медичними даними? Важливо рекомендувати правильну дозу та маршрут введення для належних ліків.
Наступні практики розробляються навколо цього потенційно рятівного прикладу. Ці процеси можуть бути реалізовані за допомогою платформ з низьким кодом, без кодових платформ, які зменшують технічні вимоги, пов'язані з інженерними робочими процесами якісної якості даних.
Почніть з очищеної та доповненої підготовки та даних
Щоб забезпечити високоякісні набори даних про навчання, почніть з профілювання, очищення та збагачення даних про навчання та бізнесу, якщо це потрібно, з автоматизованими правилами та семантичним висновком. Щоб уникнути неточних результатів AI (галюцинації), важливо використовувати золоті стандартні довідкові набори даних та чисті точні бізнес-дані. Коли дані навчання та бізнесу є неточними, упередженими або відсутніми важливими метаданими, додатки AI дають неточні або іншим чином упереджені результати.
Кожен проект AI повинен починатися з активного та основного управління якістю даних, включаючи профілювання, дедуплікацію, очищення, класифікацію та збагачення. Подумайте про це як “чудові дані в – чудові результати бізнесу”. В ідеалі дані про навчання курації та інтегровані з декількох джерел для створення високоякісних демографічних, клієнтських, фірмографічних, географічних чи інших відповідних ресурсів даних. Крім того, якість даних та процеси, керовані даними, не є статичними і повинні оброблятися в режимі реального часу. З цієї причини активна якість даних (автоматизація якості даних) як звичайна бізнес-операція є важливою для будь-якого бізнес-програми з підтримкою AI. Це підтримує генерування та застосування активних правил для вирішення проблем, що виникають із профілювання даних до очищення, інтеграції, гармонізації та збагачення даних, на які посилається ваша програма AI. Усі ці фактори вказують на необхідність розробки додатків з підтримкою AI в середовищі активної якості даних, як засобу для сприяння кращому бізнес-розумінню та результатів без галюцинації.
У прикладі ліків, точні дані, багаті на метадані, необхідні та посилаються на систему. Чисті довідкові дані можуть застосовуватися на декількох кроках у робочому процесі AI:
По -перше, профілювання, очищення та збагачення вгору за течією забезпечують наявність точної та послідовної дозування та маршрутизації інформації про адміністрування.
Далі, ці дані можуть бути застосовані як доповнення до спостережуваного під наглядом або непідконтрольним навчанням, оскільки модель AI інформується оперативною та інженерною інженерією. Відсутня або неправильна доза або маршрут вмісту адміністрування будуть додані або виправлені.
Нарешті, результати AI можуть бути проінформовані та виправлені вмістом, отриманим з чистих довідкових даних автоматизованими способами, застосовуючи методи розширеного покоління (RAG) або з спостережуваним наглядом за допомогою методів графіки на основі графіків на основі графіків знань.
Ці методи можуть ідентифікувати та позначити або виправляти будь-який вміст або результат, який не відповідає очікуваному вмісту чи відносинах-запис або рекомендація, що посилається на таблетку 15 міліграм, буде позначений або виправлений.
Навчіть свою програму AI за допомогою спостережуваного, експертного семантичного нагляду
Далі, порівняння результатів з очікуваним авторитетним контентом та взаємозв'язками (багатий позначеними посиланнями та семантичними даними) є критичним кроком робочого процесу. Спостережність та походження особливо важливі на стадії розробки додатків AI та залишаються критичними для управління протягом усього терміну експлуатації застосування.
Поєднуючи високоякісні тренінгові та довідкові набори даних із семантично вирівняними онтологічними графіками, інженери додатків та науковці з даних можуть ефективно переглянути виявлені проблеми. Машинні міркування (або семантичний висновок) можуть застосовувати семантичний вміст та пов'язані з цим правила якості даних, проінформовані експертами, такі як, що надаються Національним центром біомедичних онтологій (NCBO) у прикладі ліків. Ці ресурси можуть сприяти нагляду за навчанням, наприклад, шляхом візуально підтримуваного покоління, що підтримується (Graphrag).
Це створює середовище для інформованої та спостережуваної контрольованої підготовки, яка підтримує створення та застосування існуючих або нових ділових правил для забезпечення точних результатів. Навчаючи програму AI в режимі реального часу, потенційні помилки можуть бути зроблені, позначити та виправити.
Автоматизуйте нагляд, пошук та збільшення/виправлення для просування AI у масштабі
Більшість сьогоднішніх систем AI розроблені з людьми, які контролюють результати. Програми бізнес -масштабів повинні автоматизувати можливість перевіряти результати та перевірити, чи відповідають вони очікувану якість даних та семантичне значення. Для виробництва розгортаються добре марковані довідкові дані та авторитетні семантичні ресурси для автоматизації застосування семантичних приводів (збагачення даних або виправлення, обґрунтованого в онтологічних міркуваннях). Виходячи з авторитетних джерел для пошуку довідкових даних та логіки, правила та міркування можуть бути використані та застосовані в масштабах до розширення, оцінки та виправлення генерації результатів AI. Незважаючи на те, що невідомі питання завжди можуть бути позначені для нагляду за людьми, більшість питань можна автоматизовано вирішувати за допомогою застосування правил, експертних онтологій та високоякісних даних. Золоті стандартні дані, на які посилаються раніше, доповнюють навчання та автоматизований нагляд за течією, порівнюючи результати з очікуваними моделями довідкових даних.
Незважаючи на те, що медичні діагнози та рецепти завжди можуть потребувати нагляду за людьми, ми можемо забезпечити точність у всіх наших важливих програмах AI, застосовуючи чисті, добре марковані дані та змістовне збільшення.
Галюцинаційні програми AI вимагають використання інструментів та ресурсів, що підтримують емпіричну точність. Щоб уникнути неправильного, закріпіть свої проекти AI у золотих стандартних довідкових даних для навчання, чистих та кураторних ділових даних та активних процесів якості даних із спостережуваним та семантично поінформованим наглядом результатів. Разом ці методи забезпечують принципово необхідну основу для змістовного, спостережуваного та автоматизованого створення, тестування та виправлення результатів ШІ.
Посилання
Малий, Ентоні. Суперечка Gemini Gemini пояснила: Модель AI критикувала Муск та інші за передбачувані упередження. Forbes. 26 лютого 2024 року.
Хедден, Стів. Як побудувати програму Graph Grag: Використання графіків знань та AI для отримання, фільтрування та узагальнення статей медичних журналів. До науки про дані. 30 грудня 2024 року.
Нові HG Insights AI Інструмент підключення інформації про обліковий запис Інформація про прогалини
21 липня 2025 року
У Каліфорнії фірма B2B даних HG Insights запустила продукт під назвою Market Analyzer та Copilot, в якому він говорить, що “відновлює, як постачальники технологій B2B створюють детальний аналіз ринку та приймає чіткі рішення щодо ринку”.
HG забезпечує B2B, які він має намір, витрати та встановлення для націлювання та інші цілі. Рішення його флагманського доходу (RGI) інтегрують та обробляють масу різноманітних точок даних у різних продажах, рахунку та конкурентному інтелекту – що дозволяє клієнтам покращити рішення та виконання GTM. Компанія може похвалитися 95% технологічних компаній Fortune 1000 B2B як своїх клієнтів, і місяць тому придбав Trustradius, який надає розвідку покупців на основі перевірених відгуків клієнтів.
Новий продукт спирається на «тканину» фірми RGI з більш ніж двох мільярдів записів, 20 мільйонів компаній та 200 мільйонів технологічних установ, і він витрачає виявлення. Сюди входять глибокі дані “позаду брандмауера”, такі як технологія та використання хмар, виявлені та додані вдосконаленими технологіями AI/ML, згідно з HG. Аналізатор ринку та Copilot поєднує в собі розмовні запити з машинним навчанням для досягнення детального розміру ринку, конкурентного аналізу та розуміння та точних визначення ICP, які допоможуть зосередити зусилля з продажу на правильних рахунках. HG каже, що дані аналізатора ринку долають затримку ринку та відсутність деталей на рівні рахунків, які зазвичай пропонуються звітами-аналітиками або ринковими опитуваннями; та інші функції, включаючи інтерактивні робочі місця для AI для різних команд, попередньо викрадені випадки використання, модуль аналізу ICP та візуалізації даних. Майбутні версії додадуть моделювання схильності, планування території / рахунку, стратегії розширення, стратегії UPSELL / Cross Sell та прогнозування.
Генеральний директор Рохіні Кастурі (на фото) Коментарі: “Настанова AI настільки ж хороша, як і якість даних, з яких вона отримує. Наша тканина розвідки про зростання доходів постійно оновлюється з мільярдами точок даних про галузеві, корпоративними технологіями та сигналами про наміри покупця. Це дає нашим клієнтам перевагу, яку вони просто не можуть отримати більше ніде ». CTO Satish Grandhi додає: “Це лише наш перший крок до надання неперевершених уявлень від рівня ринку, аж до території, рахунків, груп, що купували та покупця”.
Веб -сайт: www.hginsights.com.
Усі статті 2006-23, написані та редагували Мел Кроутер та/або Нік Томас, 2024 р.- Нік Томас, якщо не зазначено інше.
Головний виконавчий директор Siemens AG Роланд Буш заявив, що Німеччина повинна використовувати навантаження даних у своїх промислових компаніях, щоб скористатися штучним інтелектом.
“Ми сидимо на величезній кількості даних”, – сказав Буш у понеділок під час інтерв'ю Bloomberg TV. “Це одна з найбільш індустріалізованих економік у світі, і знову ж таки, малі та середні підприємства, великі, вони створюють дані зі своїх будівель, своїх виробничих майданчиків, інженерії”.
Siemens розгортає AI, щоб зробити виробничі системи промислових виробників більш ефективними. Компанія має партнерство з Nvidia Corp. для своїх програм AI та нещодавно придбаних виробниками програмного забезпечення Altair Engineering Inc. та Dotmatics.
Буш повторив, що Європі потрібно внести значні зміни у свою регуляторну структуру, якщо він хоче конкурувати з американськими програмними компаніями.
Інтерв'ю, проведене спільно з генеральним директором Deutsche Bank Christian Sew, орієнтованим на ініціативу більш ніж 60 провідних компаній Німеччини, щоб принести щонайменше 100 мільярдів євро (116 мільярдів доларів) у нових проектах, які допоможуть сприяти зростанню найбільшої економіки в Європі.
Провідні бізнес -школи в Тіручі інтегрували курси з нових технологій, таких як AI, Big Data та Analytics у дослідження управління, щоб забезпечити розвиток економічного та зайнятості. Індійський інститут менеджменту-Тіручі запровадив текстову аналітику, AI для менеджерів та розширене машинне навчання, тоді як Бхаратідасанський інститут менеджменту ввів, з іншого боку, ознайомлюється з март-видобутку та споживчих настроїв. Метою є оснащення студентів, готових до майбутніх технологій та підготувати їх до робочих місць середнього або вищого рівня.
DSV – Глобальний транспорт та логістика У 1976 році десять незалежних перевезень об'єднали сили та заснували DSV в Данії. З тих пір DSV розвивався, щоб стати 3 -м найбільшим у світі постачальником глобальних рішень в рамках транспорту та логістики. Сьогодні ми додаємо цінність цілому ланцюгу поставок наших клієнтів, транспортуючи, зберігаючи, упаковку, повторну упаковку, обробку та очищення всіх видів товарів. Ми працюємо щодня з своїх багатьох офісів у більш ніж 80 країнах, щоб забезпечити постійне постачання товарів у виробничих лініях, торгових точках, магазинах та споживачах у всьому світі. Наша доступ до глобальної, але наша присутність є місцевою і близькою до наших клієнтів. Читати більше на [URL Removed]
Розташування: Кемптон Парк Назва розміщення роботи: Старший аналітик даних, рішення Тип часу: повний робочий день
Третинна кваліфікація (и)
• Ступінь бакалавра або магістра з аналітичної дисципліни, таких як наука про дані, математика, статистика, інформатика, промислова інженерія або пов'язана з ними сфера. (Відзнаки бажано)
Додаткові навички комп’ютера
• SQL (MS SQL, PostgreSQL, MySQL): Можливість запису та оптимізації складних запитів для ефективного вилучення, трансформації та аналізу. • Візуалізація Power BI & DATA: Розширена розробка Power BI, включаючи DAX, запит на живлення, спеціальні візуальні зображення та автоматизоване генерація звітів. • Python (R-плюс): знання в Python для маніпулювання даними (Pandas, Numpy), машинне навчання (Scikit-Learn, TensorFlow) та автоматизація.
Вимоги, пов'язані з роботою
Досвід:
• +5 років досвіду роботи в аналітиці даних, науці про дані чи ролі бізнес -розвідки в ланцюзі поставок • Досвід роботи з великими наборами даних з декількох джерел (ERP, WMS, TMS, FMS) для сприяння операційному розумінню та ефективності. • практичний досвід прогнозування, оптимізації та прогнозування моделювання для підтримки прийняття рішень ланцюгів поставок.
М'які навички:
• Ефективне спілкування: сильні навички письмового та словесного спілкування для представлення складних даних чітко, стисло та діє. • Увага до деталей та точності: добре організована з сильним фокусом на високу, забезпечуючи високу якість та надійність даних. • Мислення, орієнтоване на результати: демонструє надійність, наполегливість, продуктивність та винахідливість для досягнення бізнес-цілей. • Інноваційне та перспективне мислення: пристрасть до інновацій, сприйняття змін, ставить під сумнів статус-кво та пошук нових підходів до вирішення проблем. • Управління та пріоритетність часу: здатність ефективно керувати численними проектами, дотримання термінів, зберігаючи цілісність даних. • Аналітичне та логічне мислення: сильні здібності до вирішення проблем із структурованим та логічним підходом до визначення тенденцій, неефективності та можливостей для бізнесу.
Технічні навички:
• Аналіз бізнес-вимог: здатність інтерпретувати потреби бізнесу та переводити їх у рішення та технічні характеристики, керовані даними. • Інженерія даних та ETL: розуміння трубопроводів даних, процесів ETL та інтеграція декількох джерел даних. • Знання складських та транспортних систем: знайомство з системами управління складами (WMS), системами управління транспортом (TMS) та системами управління вантажами (FMS) для вилучення та аналізу оперативних даних
Додані переваги для цього ROL
• +5 років досвіду роботи в аналітиці даних, науці про дані чи ролі бізнес-розвідки в рамках роздрібної торгівлі • Сильні основоположні знання з управління ланцюгами поставок- сертифікація (наприклад, APICS CSCP, CPIM, SCOR-P) або перевірений досвід галузі є дуже вигідним. • Великі дані та хмарні платформи (вигідні): досвід роботи з Azure Snaps
Основна мета ролі
Старший науковець / аналітик з даних повідомить про старшого менеджера, планування та транспортування, що базуються в Йоганнесбурзі. Ця роль буде частиною команди FMS, яка відповідає за оптимізацію запасів, складу та транспортне планування, виконання та управління транспортом для бізнесу та клієнтів Південної Африки. Основна мета ролі – встановити можливості взаємодії з клієнтами та операціями, інтерпретувати великі обсяги даних з різних джерел та перетворити інтелект у змістовну інформацію, яка при застосуванні покращить обслуговування клієнтів та підвищить операційну продуктивність. Здатність, значення, пов’язані з ринком, знають, як і досвід доступу та запиту великих наборів даних про різні галузеві стандартні системи, побудови моделей для обробки та інтерпретації даних, аналізу, виявлення корисної інформації, виявлення моделей моделей, аномалій, тенденцій та поведінки, прогнозування майбутнього попиту, включення бізнес -інтелекту, визначте сфери для вдосконалення оперативного вдосконалення та пропонують рішення, що має важливе значення для успіху в межах нашого бізнесу в нашому бізнесі
Обов'язки та обов'язки
• Аналіз даних та розуміння: Аналіз, інтерпретація та модель структуровані та неструктуровані дані з декількох систем ланцюгів поставок (наприклад, WMS, TMS, ERP) для виявлення тенденцій, неефективності та можливостей для економії витрат та оптимізації процесів. • Прогнозування та припинення аналітики: розробка та впровадження моделей машинного навчання та статистичних методів для прогнозування попиту клієнтів, оптимізації рівнів запасів та покращення оперативного планування для вхідної та вихідної логістики. • Розширена візуалізація та звітність даних: Проектування та підтримка інтерактивних інформаційних панелей та звітів за допомогою Power BI та інших інструментів аналітики, що забезпечує видимість у режимі реального часу в ключових показниках продуктивності в операціях ланцюга поставок. • Операційна ефективність та покращення процесів: Визначте вузькі місця та неефективність у транспортуванні, складах та управлінні запасами шляхом використання даних, керованих даними, та пропонуйте рішення, що підтримуються даними, для підвищення загальної продуктивності. • управління даними та управління якістю: перевірка, очищення та стандартизацію даних для забезпечення точності та цілісності; Співпрацюйте з ІТ та бізнес -командами для вирішення розбіжностей до даних та підвищення якості даних у підприємницьких системах. • Перехресна функціональна співпраця: тісно співпрацюйте з менеджерами ланцюгів поставок, операційними групами, фінансами та це для перетворення бізнес-викликів в аналітичні рішення, забезпечуючи узгодження зі стратегічними цілями. • Автоматизація та інновації: Розробка автоматизованих трубопроводів та інструментів оптимізації робочого процесу для підвищення ефективності прийняття рішень та зменшення зусиль з звітування вручну. • Планування ресурсів та потужностей: Підтримка робочої сили та планування розподілу активів шляхом інтеграції прогнозів попиту з моделями планування операційних ресурсів. • Тенденції безперервного навчання та ринку: Будьте в курсі нових технологій, додатків AI в логістиці та найкращих практик аналітики ланцюгів поставок для сприяння інноваціям та підтримки конкурентної переваги. Комунікація та розповіді зацікавлених сторін: Сучасні складні результати даних та розуміння чітко, стислим та придатним до технічних та нетехнічних зацікавлених сторін, що підтримує прийняття рішень, що керуються даними, на всіх рівнях організації
Відмова : Завдяки великому обсягу отриманих заявок, зв’язатись лише кандидати з короткого списку. Якщо зовнішній кандидат не чує від нас протягом чотирьох (4) тижнів після їх застосування, вони повинні вважати їх заявку невдалим. Будуть дотримуватися суворо справедливі та недискримінаційні процедури відбору. Ми використовуємо заходи позитивних дій (АА) у прагненні відшкодувати недоліки у зайнятості, яку зазнали визначені групи. Там, де це можливо, перевага буде надана кандидатам із визначених груп, визначених у Законі про справедливість зайнятості та відповідно до планів власного капіталу DSV. DSV залишає за собою право відкласти або закрити вакансію в будь -який час.
DSV – Глобальний транспорт та логістика
DSV – це динамічне робоче місце, яке сприяє інклюзивності та різноманітності. Ми ведемо свій бізнес з цілісністю, поважаючи різні культури, гідність та права осіб. Коли ви приєднаєтесь до DSV, ви працюєте в одній з найкращих компаній, що працюють у транспортній та логістичній галузі. Ви приєднаєтесь до талановитої команди з приблизно 75 000 співробітників у понад 80 країнах, пристрасно працюючи над тим, щоб забезпечити чудовий досвід клієнтів та якісні послуги. DSV прагне вести шлях до більш стійкого майбутнього для нашої галузі та прагне торгувати природою.
Ми сприяємо співпраці та прозорості та прагнемо залучати, мотивувати та утримувати талановитих людей у культурі поваги. Якщо ви керують, талановитим і хочете бути частиною прогресивної та універсальної організації, ми підтримаємо вас та вашу потребу в досягненні свого потенціалу та пересилання вашої кар’єри.
Відвідувати [URL Removed] І слідкуйте за нами на LinkedIn, Facebook та Twitter.
У розповіді цього тижня жінка, яка зустрічалася з хлопцем, якого познайомилася в Інтернеті, розуміє, що він не був абсолютно чесним з нею: 47, одинокий, Нью -Йорк
6:30 ранку Я помічник директора, тому моє тіло налаштоване на цей час пробудження, хоча я взагалі не працюю цього місяця. Перша думка, що перетинає мою думку, є, Так! Я можу побачити Еріка сьогодні ввечері. Ми спілкуємось лише по середах, тому що він тренується на марафон і тренується супер-раними щоранку, крім четверга.
9 ранку Швидко подивіться на мою шафу, щоб побачити, чи є у мене що -небудь носити на сьогоднішній день. Я вирішую, що я дуже хочу його повернути, тому я витягую маленьку чорну сукню, яку я ніколи не носив. Я зустрів Еріка на Петрі близько шести тижнів тому. Є кілька питань – він живе на Лонг -Айленді, і він надмірно сексуальний (що я не проти, але іноді змушує мене замислитися, чи хоче він лише за секс). Але я справді в ньому і після багаторічного сухого заклинання, чудово почувається розчарування.
Я ніколи не був одруженим, але у мене були кілька довгострокових стосунків, які були веселими, поки вони тривали. Я дуже хотів би знайти одного. За словами Шарлотти від Секс і місто“Я зустрічався з 15 років! Я виснажений! Де він?”
12 вечора Готові навушники, кросівки, я вирушаю у двері, щоб піти в центр міста, потім через Бруклінський міст, потім назад. Кожен день я намагаюся довгою ходити. Я люблю літо. Я не дуже роблю “нічого”-я щомісяця в банку харчування проводиться в банку харчування, а також якісь одноразові волонтерські роботи. Я також намагаюся бачити друзів та членів сім'ї, до яких я не маю багато часу чи енергії протягом навчального року. Я здійснюю якомога більше поїздок з родиною, і просто тусую старомодним способом-пляжними днями, кружляючи разом тощо, коли я можу вийти з міста, я намагаюся походити.
Ерік теж любить походи. Це одна з багатьох речей, які ми маємо спільного, а також любов до подорожей, дайвінг -барів, італійської їжі та перебування на свіжому повітрі взагалі. Крім того, він працює в розвитку бізнесу і перебуває між проектами зараз, тому ми одночасно працюємо, і живемо найкращим життям цього літа.
16:00 Він надсилає тексти: “Я збираюся розгубити вас сьогодні ввечері”. Я не думаю, що Rampage – це правильне слово. Я не закликаю його на це. Він мав на увазі руйнувати? Або руйнувати? Хммм. Він не найрозумніший хлопець, якого я коли -небудь зустрічався. І все -таки я все ще трохи мокрий, просто думаючи про це. Секс з Еріком неймовірний.
18:00 Швидкий дзвінок від моєї сестри, яка вважає той факт, що Ерік бачить мене лише по середах,-це яскраво-червоний прапор. Я не впевнений. Я знаю фактично, що він тренується на марафон, і що це надзвичайно важливо для його фізичного та психічного здоров'я, тому я не збираюся озброювати його.
21:00 Ми знову в моїй квартирі після приємної маленької італійської вечері – плаття виглядала чудово – і займайся сексом. Наші тіла так добре поєднуються разом. Я практично кричу щоразу, коли він спускається на мене, а потім знову від проникнення. Ми обидва приходимо, а потім приймаємо душ разом. Це серйозно відчуває, що ми у фільмі – це все так гаряче і еротично.
23 вечора Це другий раз, коли він спав, і я люблю це. Ми дивимось трохи телевізора і обнімається, потім ми обидва проходимо. Він піднімає мене, поки ми спимо, багато ночі.
Другий день
9 ранку Я лежав тут, фальшивий спав, просто насолоджуючись бути в ліжку з цим гарячим чоловіком. Нарешті, він теж не спить.
10:30 ранку. Я знаю, що це дуже ЛЮБОВ– Кодовано, але… він робить мене сніданком. Тост з авокадо і яєчня. Обидва такі хороші. Я відповідаю за каву, оскільки він зараз поза кофеїном.
12 вечора Ми знову в ліжку, займаючись сексом. Коли я сказав, що Ерік сексуальний, я мав на увазі, що він завжди важкий і готовий їхати, дуже зворушливий, постійно намагаючись обдурити. Мовляв, навіть якщо ми п'ємо в дайвінг -бар, його рука вгору в моїй спідниці, яка намагається мене пальцем. Він також кілька разів просив нютів, але я розумно і непомітно відмовився. Я працюю в шкільній системі!
15:00 Після дня трахання (і перерви на якусь їжу), настав час повернутися на Лонг -Айленд. Завтра він повинен повернутися до тренувань, а також у нього є деякі зустрічі та смоли, які він повинен підготуватися. Наша маленька бульбашка любові закінчилася до наступного тижня.
19:00 Миття всіх моїх аркушів і прибирання моєї квартири. Ерік тексти, що він вдома і вже пропускає мене.
21:00 Ми не ексклюзивні-у нас ще не говорили хлопця-подругу, навіть нічого близького. Тож я трохи прокручую програми по телефону. Є хлопець, який послав мене на ім'я Пітер, який каже, що ми разом ходили до коледжу. Мені майже 50 років, тож це було давно, але він правий, і я невиразно пам’ятаю його. Ми починаємо спілкуватися та говорити про своє життя та кар'єру. Це не дуже кокетливо, більше схоже на старі друзі, що з'єднуються. Він дивиться, як мені це добре поставити: старий. Ерік, який такий самий вік, що і Пітер, виглядає в мільйон разів краще. Але виглядає – це не все.
Третій день
10 ранку Я ледве мав свою другу чашку кави, коли Ерік починає надсилати мені повідомлення про оголені фотографії, і запитав, чи хочу я зателефонувати йому і “поговорити брудно”. Він знає, що у мене немає роботи, тому я намагаюся придумати чергове виправдання. Я брешу і кажу: “Мої батьки і сестри тут!” Звичайно, мої батьки та сестра сьогодні буквально поїхали до Каліфорнії, щоб відвідати іншого члена сім'ї, але він ніколи не буде цього разом.
12:30 Ще один текст від нього запитує, що я ношу. Він каже, що він роговий і хоче бачити мою кицьку. Це трохи. Я радий, що він думає про мене, але це не моя річ, і він це знає.
15:40 Зробіть мої нігті, а потім зупиніться у книгарні, щоб забрати пляж, прочитаний для майбутньої поїздки на острів Вогню. Мій найкращий друг гей – це все літо, і я завжди їду на кілька ночей, щоб стати свідком його розпусти.
17:00 Ще кілька текстів “Покажіть мені свої сиськи” від Еріка. Я отримую його, коли я вимірюю свою квартиру за новим кухонним столом; Ще один, коли я замислююся над тим, що на вечерю.
18:00 Я вирішую забрати суші в місці, яке я люблю, але це приблизно 20 кварталів. Я вважаю, що залишати свій телефон вдома, тому я відпочиває від текстів Еріка, але, на щастя, єдиним, кого я отримую, – це Піт з коледжу, запитуючи, чи хотів би, щоб я блукав трохи часу. Який чортовий пуритан порівняно з Еріком. Бранч!
21:30. Готовий вимкнути телефон, згорнутися до моєї нової книги та спокійного вечора. Я бачу, що Ерік знову надсилав повідомлення, але, чесно кажучи, я навіть не хочу його читати. Його енергія сьогодні перериває мій дзен. Чи потрібно я вирізати цього хлопця зі свого життя? Секс такий хороший, але чоловіче, він сьогодні був дивний і агресивний.
День четвертий
10:30 ранку На той час, коли я випиваю каву і роблю ранкове масштабування про якусь літню волонтерську роботу, я готовий відкрити останній текст Еріка з минулої ночі. Я вже в поганому настрої, тому що я майже впевнений, що цей хлопець вже не для мене, і це смокче. А потім, коли я бачу, що він надіслав небажаний хуй, я насправді потряс. Я відчуваю суміш “як чортово неприємно надіслати мені це”, а також, якщо я чесно кажучи, “Людина, я люблю це Д.”
12:15 Я продовжую дивитись на малюнок, намагаючись розібратися, як з цим впоратися. Чи розбиваюся я з ним над текстом? Чи намагаюся я пояснити, що така поведінка недоречна? Чи полегшую я і весело? Але потім я дивлюся на малюнок і, нарешті, перемістаю очі з фактичного пеніса на його руку, яка його тримає, і я майже кидаю телефон. Він носить обручку. Це все вражає, як тонна цегли. Цей ебать одружений! Я не можу дихати.
15:00 Після того, як почувався замороженим протягом декількох годин, я називаю свого найкращого друга з дитинства, який працює в правоохоронних органах. Я прошу її зробити глибоке занурення на нього на одному з цих сайтів перевірки, і вона дізналася, що у нього троє дітей та дружина. Майте на увазі, я дуже конкретно і безпосередньо запитав його, чи він був одружений, коли ми познайомилися, і він сказав, що ніколи не одружений і не мав дітей. Я буквально трясусь.
19:00 Після довгої прогулянки по місту я вирішую зателефонувати йому. Він не підбирає. Я надсилаю йому повідомлення, що терміново він передзвонив мені. Я прокидаюся додому в тиші, відбиваю і відбиваю сльози. Коли я приходжу додому, я відбиваю взуття і просто сиджу за своїм кухонним столом, замерзло.
21:00 Він передзвонює, тінистий ебать. Я зіткнувся з ним про все це. Він на хвилину мовчить, а потім каже: “Я не знаю, що сказати, вибачте”. Я кажу йому, що він лайно і більше ніколи не контактувати зі мною.
23 вечора Я засмучений. Я ніколи не торкнувся б чоловіка іншої жінки. Я лягаю спати, відчуваючи себе хворим.
П'ятий день
6 ранку Я прокидаюся навіть раніше, ніж зазвичай, трохи спіраль. Є велика частина мене, яка хоче зв’язатися зі своєю дружиною. Я не знаю, що робити.
9:45 Я зв’язуюся з шарніром і повідомляю його як про шахрайство. Я маю на увазі, я, чесно кажучи, не можу повірити, що у нього все обличчя на шарнірі і не боявся, щоб його дружина чи їхні друзі побачили його профіль!
13:30. Один з моїх найкращих друзів зустрічається зі мною в Центральному парку для аварійної прогулянки та розмови. Головне, я їй кажу, – це те, що я відчуваю, що справді порушено, що у мене не було вибору спати з одруженим чоловіком (чужий чоловік). Це йде проти всього, за що я виступаю. Інша справа, я просто сумую за його дружиною та дітьми.
16:00 Один з моїх волонтерських робіт – сьогодні ввечері. Це передбачає годування незмінних людей, тому я можу зосередитись на добрих людей і добрих діях доброти, а не на ривок.
21:00 Я приходжу додому, душу, надягаю затишну піжаму і надішліть піт назад про цей бранч. Не тому, що я готовий так швидко рухатися, а тому, що він здається прекрасною, нормальною людиною, і важко знайти самотніх людей мого віку.
День шостий
8 ранку Я прокидаюся сьогодні трохи краще, але зараз я теж злякався, що цей хлопець знає, де я живу, і так багато інших речей про мене. Я відчуваю себе нерозумним за те, що я так довіряю.
12 вечора Однією з моїх літніх цілей було вивчити італійську мову, тому що я восени їду до Італії зі своїми сестрами, тому я беру в Інтернет -курс. Це важко, і мені страшно з мовами. Однак я помічаю, що я йду дві години, не думаючи про Еріка та зраду.
15:45 Піт каже, що завтра він вільний. Він лікар і має вихідний день. Я намагаюся знайти спосіб сказати йому, що я щойно пережив пекло з хлопцем, з яким я зустрічався, і я не в найкращому місці для «побачення», але тоді я вирішую не переосмислити це. Ми складаємо план.
8 вечора Вчора я вип'ю зі своїм другом з парку. Вона стурбована мною, я можу сказати. Мені соромно, що я ігнорував червоні прапори. Вона обіцяє мені, що це могло статися з ким -небудь, і що це добре, що я оптимістично за своєю природою. Це змушує мене відчувати себе плачем, бо зараз я не відчуваю, що я коли -небудь знову буду оптимістично ставитися до хлопця.
День сьомий
7 ранку Знову ж таки, я прокидаюся трохи менше потрясаюче, ніж напередодні, і за день до цього.
9:30 ранку Я не можу не зайти в Інтернет і подивитися, що готує. На даний момент це просто звичка. Є один хлопець, з яким я збігався з деяким часом тому, який надіслав “як справи?” повідомлення. Щось про його фотографії та профіль здаються занадто хорошими, щоб бути правдою. Я запитую його, чи хоче він зробити швидкий привіт протягом Facetime (тож я знаю, що він не сом), і він мене не забиває. Ісус Христос.
12:30 Піт вибрав супер милий ресторан у Західному селі для сніданку, і я зараз ходжу туди. Це якось приємно з’явитися на побачення, коли у вас справді немає бажання їх зустрічатися. Знімає весь тиск.
15:30 Ми насправді чудово провели час! Він був суперсвітом. Він розлучений і має підлітків і просто здається справді здоровим, ніжним, не токсичним. Я не впевнений, що мене приваблює, але ми провели справді чудову розмову та теплий обійм. Я думаю, що це епідемія, як трахкали ці чоловіки в нашому поколінні, але я буду мати місце для того, що є винятки, і Піт може бути одним із них.
19:30 Піт тексти просять посилання на одне з місць, з якими я добровольцем. Він хоче взяти участь у своєму вихідному наступному тижні. Я роблю розумову примітку про те, як приємно отримати текст про бажання допомогти людям, які потребують, а не “покажіть мені свої сиськи”. Сподіваємось, ця глава позаду мене, і щасливі дні з приємнішими людьми в моєму майбутньому.
Хочете подати секс -щоденник? Електронна пошта sexdiaries@nymag.com і розкажіть нам трохи про себе (і прочитайте наші умови подання ось.).
Френк Балоніс – головний директор з питань інформаційної безпеки та старший віце -президент з операцій та підтримки в Kiteworks, що має понад 20 -річний досвід роботи в ІТ -підтримці та послугах. З моменту приєднання до Kiteworks у 2003 році Балоніс контролює технічну підтримку, успіх клієнтів, корпоративну ІТ та безпеку та дотримання, співпрацюючи з командами з продуктів та інженерії. Він проводить сертифіковану сертифікат з питань безпеки інформаційних систем (CISSP) та служив у ВМС США. До нього можна звернутися за адресою fbalonis@kiteworks.com.
